Phương pháp xác định hướng sóng tới của các tín hiệu không tương quan tại dàn Anten URA dựa trên kĩ thuật học sâu LSTM

Bài viết "Phương pháp xác định hướng sóng tới của các tín hiệu không tương quan tại dàn Anten URA dựa trên kĩ thuật học sâu LSTM" trình bày về mô hình “Long ShortTerm Memory” được sử dụng để ước tính hướng sóng tới cho dãy ăng ten hình chữ nhật đồng nhất. Hiệu suất của phương pháp này được so sánh với thuật toán MUSIC trong các trường hợp khác nhau như độ lệch giữa các nguồn đến, tỷ lệ tín hiệu trên nhiễu.v.v... Mời các bạn cùng tham khảo!
Nội dung trích xuất từ tài liệu:
Phương pháp xác định hướng sóng tới của các tín hiệu không tương quan tại dàn Anten URA dựa trên kĩ thuật học sâu LSTM Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) Phương Pháp Xác Định Hướng Sóng Tới Của Các Tín Hiệu Không Tương Quan Tại Dàn Anten URA Dựa Trên Kĩ Thuật Học Sâu LSTM Hán Trọng Thanh, Ngô Thị Thu Hòa và Trần Mạnh Cường Trường Điện- Điện Tử, Đại Học Bách Khoa Hà Nội Email: thanh.hantrong@hust.edu.vn, Hoa.ntt192859@sis.hust.edu.vn, Cuong.tm182403@sis.hust.edu.vn Abstract— Mảng ăng-ten hình chữ nhật đồng nhất là hệ nữa, nghiên cứu này sử dụng kỹ thuật Phân tích thành phầnthống anten mảng được phát triển và sử dụng rộng rãi trong chính (PCA) [11] để xử lý trước một lượng lớn dữ liệu đầuthực tế nên việc ước tính hướng tới của mảng ăng-ten này là vôcùng quan trọng. Trong nghiên cứu này, mô hình “Long Short- vào.Term Memory” được sử dụng để ước tính hướng sóng tới cho Bài viết này được tổ chức như sau. Phần 2 trình bày môdãy ăng ten hình chữ nhật đồng nhất. Hiệu suất của phươngpháp này được so sánh với thuật toán MUSIC trong các trường hình mảng anten, cách mô phỏng tín hiệu thu tại mảng antenhợp khác nhau như độ lệch giữa các nguồn đến, tỷ lệ tín hiệu và mô hình thuật toán ứng dụng. Phần 3 trình bày kết quả thutrên nhiễu.v.v được và đánh giá hiệu quả thực hiện. Phần 4 là kết luận. Keywords — Mảng ăng-ten hình chữ nhật đồng nhất, ước II. PHƯƠNG PHÁP NGHIÊN CỨUlượng hướng sóng tới, bộ nhớ ngắn hạn-dài hạn,… 2.1 Tổng quan về hệ thống được đề xuất I. GIỚI THIỆU Nghiên cứu này sử dụng mảng ăng ten hình chữ nhật Ngày nay, việc ước tính các tham số của tín hiệu thu được (URA) có các phần tử M*N nằm trên cùng một mặt phẳng. Các phần tử trong hệ thống anten hoạt động như một máy thutrong miền thời gian, miền tần số và miền không gian đóng đẳng hướng. Xét tín hiệu nằm trong cùng mặt phẳng phươngvai trò quan trọng trong nghiên cứu. Ngoài các thông số cơ vị với mảng ăng ten, tín hiệu đến mô hình ăng ten được minhbản như tần số, biên độ và pha, việc xác định chính xác hướng họa trên Hình 1.đến là rất quan trọng, đặc biệt đối với các hệ thống viễn thôngnhiều ăng-ten. Biết được hướng tới giúp phát hiện hướng vàvị trí của nguồn bức xạ. Thuật toán MUSIC [1] cổ điển là mộtví dụ điển hình để giải bài toán ước lượng hướng sóng tới(DOA) [2] [3]. Nó đã được cải tiến liên tục để tối ưu hóa độchính xác. Tuy nhiên, thuật toán MUSIC gây khó khăn choviệc ước tính hướng đến với độ phân giải cao, cùng với đó nóđược xây dựng khi đã biết trước số lượng nguồn đến và điềunày sẽ làm mất đi tính tổng quát của bài toán. Với sự pháttriển vượt bậc của trí tuệ nhân tạo, các mạng học sâu dần được Hình 1. Mô hình cấu trúc mảng anten URAáp dụng rộng rãi trong lĩnh vực xử lí tín hiệu nói chung và bàitoán ước lượng hướng sóng tới nói riêng. Các mô hình học Xét bài toán khoảng cách giữa các phần tử anten trên hai trục ox và oy là dx, dy bằng d. Khi có K nguồn tín hiệu đếnsâu như Convolutional Neural Network (CNN) [4], Deep mảng anten, tín hiệu thu được tại mảng anten URA được biểuNeural Network (DNN) [5] đã được sử dụng nhiều để ước diễn bằng công thức:lượng DOA. Tuy nhiên do tính chất đặc trưng của tín hiệu thu X(t) = As(t)+ ℰ( ) (1)tại các dàn ăng- ten là tín hiệu tuần tự nên mạng tích chập Trong đó s(t) là tín hiệu đến được biểu thị bằng phương trìnhCNN hay mạng học sâu DNN chưa thực sự đạt được hiệu quả (2) và ℰ( ) là nhiễu Gaussian như thể hiện trong phương trìnhtối đa với bài toán DOA. Do đó, trong nghiên cứu này, mô (3):hình deep learning Long-Short Term Memory (LSTM) [6] [7] s(t) = [ ( ), ( ), … , ( ) (2)được sử dụng để triển khai bài toán DOA vì nó c ...