低快照数下多目标DOA估计方法

针对低快照数和较低信噪比条件下多信号到达方向(DOA)估计性能下降问题,提出了基于深度学习的离格DOA估计方法。选择具有特殊结构的非均匀阵列以提高阵列自由度,将样本协方差矩阵建模为真实协方差矩阵的噪声版本,利用堆叠降噪自动编码器(SDAE)重构出新协方差矩阵,最后结合超分辨率算法实现DOA估计。仿真结果表明:在低快照数为10及较低信噪比2 dB情况下,数据先采用SDAE进行处理再进行DOA估计,多目标DOA估计准确率能达到92.06%,相对于传统方法及深度神经网络(DNN)分别提高了55.39%,25.025%。

面向毫米波透镜阵列的FNN天线选择算法

为了减少毫米波大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统在数据传输过程中所使用的射频链数目,解决高硬件成本和高功耗的问题,可以将透镜天线阵列作为一个实际有效的解决方案部署在毫米波MIMO系统的基站端。利用透镜天线阵列具有基于方向的能量聚焦特性,对透镜阵列进行天线选择,并为用户分配合适的天线进行数据传输,能够在维持一定的系统性能的同时减少射频链的使用。结合机器学习在数据处理及分类方面的优势,提出了一种基于全连接神经网络(Fully Connected Neural Network,FNN)的天线选择算法。仿真结果表明,所提方案能够达到和穷搜法基本一致的系统容量,且比逻辑回归、k-近邻算法的准确率分别高了7%、2%。