شماره ركورد
24993
شماره راهنما
ELE2 498
عنوان
تخمين زاويه ورود منابع در حضور نويز غير گوسي با استفاده از يادگيري عميق
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي برق - مخابرات سيستم
دانشكده
فني و مهندسي
تاريخ دفاع
1404/07/12
صفحه شمار
65 ص.
استاد راهنما
دكتر سيد محمد صابرعلي
استاد مشاور
مهدي مجيدي
كليدواژه فارسي
تخمين زاويهي ورود سيگنال منابع , يادگيري عميق , نويز ضربهاي , منابع همدوس , منابع توان نابرابر.
چكيده فارسي
تخمين زاويهي ورود منابع در شرايط غير گوسي و ضربهاي بودن نويز چالش برانگيز ميباشد. براي مدل سازي نويز ضربهاي در بسياري از محيطهاي واقعي، معمولا از توزيع آلفا-پايدار استفاده ميشود. در حالت كلي گشتاور مرتبه دوم توزيع آلفا-پايدار نامحدود ميباشد، بنابراين در اين شرايط عملكرد الگوريتمهاي مبتني بر زيرفضا مانند روش طبقهبندي سيگنال چندگانه (MUSIC) كه از ماتريس كواريانس براي تخمين زاويهي ورود منابع استفاده ميكنند، به شدت افت پيدا ميكند. در اين پايان نامه يك شبكهي كانولوشني عميق با دو تابع فعال ساز، پيشنهاد شده است تا در شرايط نويز ضربهاي آلفا-پايدار زاويهي ورود سيگنال منابع را تخمين بزند. شبكهي پيشنهادي اسنپشاتهاي خروجي آرايه را دريافت كرده و توسط لايههاي كانولوشني يك بعدي ماتريس شبه كواريانس را محاسبه ميكند و از روي آن طيف MUSIC را محاسبه كرده و زاويهي منابع را به صورت رگرسيون تخمين ميزند. براي تضعيف اثر نويز ضربهاي در شبكهي پيشنهادي از تابع Tanh استفاده شده است. استفاده از تابع Tanh براي تضعيف اثر نويز باعث مقاوم بودن شبكهي پيشنهادي در شرايط نويز ضربهاي باشدت بالا ميشود. براي آموزش و آزمايش شبكهي پيشنهادي چهار سناريو: منابع توان برابر ناهمدوس، منابع توان برابر همدوس، منابع توان نابرابر ناهمدوس و حالت تركيبي در نظر گرفته شده است. شبكه براي هر يك از سناريوها به صورت جداگانه آموزش داده شده و عملكرد آن نسبت به ساير روشها به ازاي نسبت سيگنال به نويز تعميم يافته (GSNR)، پارامتر آلفا و تعداد اسنپشاتهاي مختلف بررسي ميشود. نتايج شبيهسازي نشان ميدهد كه شبكهي پيشنهادي در شرايط همدوس بودن منابع و يا وجود اختلاف توان بين منابع در GSNR هاي پايين و در شرايط نويز ضربهاي با شدت بالا، از ساير روشهاي بررسي شده عملكرد بهتري از خود نشان ميدهد.
كليدواژه لاتين
Direction of Arrival Estimation , Deep Learning , Impulsive Noise , Coherent Sources , Unequal Power Sources
عنوان لاتين
Direction of Arrival Estimation in the presence of Non-Gaussian noise using Deep learning
گروه آموزشي
مهندسي برق
چكيده لاتين
Direction of Arrival (DoA) estimation becomes difficult when the noise distribution is Non-Gaussian and impulsive. To model impulsive noise in array signal processing, the noise distribution is assumed to be alpha-stable. In general, the alpha-stable distribution does not have finite second order statistics and consequently the performance of subspace based algorithms such as MUSIC degrades severely, because they use covariance matrix to estimate DoAs. In this thesis, a Deep Convolutional Network with Two Activation Functions (DCNTA-MUSIC) is proposed to estimate DoAs under impulsive alpha-stable noise. The proposed model, receives snapshots as input and obtain the pseudo covariance matrix using 1D-Convolutional layers. Then, MUSIC spectrum is calculated and finally the direction of arrivals are estimated as regression. We use the Tanh activation function, which ensures that values to be bounded, and consequently the impulsive noise is attenuated. Suppressing impulsive noise with Tanh, makes the proposed model to be robust in high intensity impulsive noise conditions. In this thesis, we consider four scenarios for training and simulations: equal power non-coherent sources, equal power coherent sources, unequal power non-coherent sources and combination of previous scenarios. The proposed model is trained for each scenario separately. Simulation results confirm that the proposed method outperforms its rivals when sources are coherent or they have unequal power, in low GSNR region and high intensity heavy tailed noise distribution.
تعداد فصل ها
5
فهرست مطالب pdf
145420
نويسنده