May, 2017

利用卷积神经网络和噪声信号训练进行宽带 DOA 估计

PDF
TL;DR采用卷积神经网络（CNN）的分类方法进行宽带 DOA 估计，其中利用接收到的麦克风信号的短时傅里叶变换系数的相位部分直接输入 CNN，并在训练期间学习 DOA 估计所需的特征。
convolution neural networkdoa estimationshort-time fourier transformsynthesized noise signalsrobustness
发现论文，激发创造
  • 卷积循环神经网络多声源到达方向估计

    本文提出了一种深度神经网络，用于估算多个声源的到达方向，并通过使用所有通道的频谱图的幅度和相位作为输入来避免任何显式特征提取步骤。结论表明，该网络能够以高精度估算多个同时存在源的数量和各自的到达方向，并生成具有高信噪比的空间伪频谱。

    Oct, 2017

  • 利用深度学习的阶段麦克风阵列进行声源定位

    本研究采用了卷积神经网络作为一种高效且具有高精度的算法，通过对交叉谱矩阵的直接分析寻找声源分布，从而在高频下以很短的时间内实现与传统波束成形相同精度的声源定位。

    Feb, 2018

  • DeepMUSIC: 深度学习的多信号分类

    该论文提出了一个用于方位角估计的深度学习框架，称为 DeepMUSIC，该框架使用多个卷积神经网络来学习角度子区域的 MUSIC 谱，并显示出比 DL 和非 DL 技术更高的精度和更少的计算复杂度。

    Dec, 2019

  • 使用卷积神经网络在多径环境中进行声源定位

    本文提出使用卷积神经网络 (CNNs) 在浅水复途径环境下，对宽带声辐射噪声源（如机动船只）的源定位，通过使用 cepstrogram 和广义交叉相关图作为输入， 显示出更可靠的效果，同时证明了在海上实验中，相比传统的被动测距方法，其定位性能得到了改进。

    Oct, 2017

  • 基于深度学习的端到端声学定位：从音频信号到源位置坐标

    本文提出了一种新颖的室内声源定位方法，使用麦克风阵列并基于卷积神经网络（CNN）进行，该方法采用原始音频信号作为输入信息直接估计声源的三维位置，避免了手工制作音频特征。通过使用半合成数据作为训练策略并在实际数据上进行微调，该方法能够显著改善基于 ${SRP-PHAT}$ 策略的现有定位方法，并且展现出更好的对抗不同说话者性别和不同窗口大小的性能。

    Jul, 2018

  • 利用 SRP-PHAT 和 3D 卷积神经网络实现的鲁棒声源跟踪

    本文基于 SRP-PHAT 算法和三维卷积神经网络，提出了一种基于单声源的 DOA 估计和跟踪系统，具有较好的实时性和对高混响环境的鲁棒性。

    Jun, 2020

  • 快速深度学习自动调制识别

    本文研究了深度学习算法在从子采样数据中自动识别无线通信信号调制类型的可行性和有效性，提出了三种神经网络架构进行分类，并探讨了减少训练时间的算法和技术，实现了在高信噪比下的在线分类。

    Jan, 2019

  • 幅度相位重组：在频域重新思考卷积神经网络的鲁棒性

    本文研究使用图像的相位与幅度谱对于卷积神经网络在图片分类中的作用，发现使用相位谱能使网络更加稳健，利用此结论我们设计了新的数据增强方法并在多项测评中取得了最优结果。

    Aug, 2021

  • 基于深度学习的多目标雷达检测估计

    本研究提出了一种基于卷积神经网络的方法，可直接从无线信号的距离 - 多普勒图中估算移动目标的范围和速度指数，并实验证明我们的模型相比现有方法在不同的信噪比下具有更好的范围和速度估算精度和更短的预测时间，并且在峰值信噪比方面表现的也更为优秀。

    May, 2023

  • 通过模拟大型天线阵列实现 MIMO 雷达系统中的 DOA 估计的深度学习

    本文提出了一种基于 MUSIC 算法的方向估计策略，利用小型天线阵列通过深度学习来重构虚拟大型天线阵列信号。该策略不仅比直接将进入信号插入 MUSIC 的性能显着提高，而且在高角度范围和低测试 SNR 值时，性能也比直接使用实际的大型天线阵列与 MUSIC 更好。我们进一步分析了训练 SNR 作为测试 SNR 函数的最佳选择，并观察到不同角度范围下该函数行为的显著变化。

    Jul, 2020