Luận án TS Nguyễn Duy Thái: Định hướng tín hiệu vô tuyến dùng mạng nơ ron học sâu
Nghiên cứu giải pháp nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến bằng mạng nơ ron học sâu, tối ưu hóa khả năng truyền tải tín hiệu.
Kỹ thuật điện tử
Luan An
Luận án tiến sĩ
Năm xuất bản
Số trang
144
Thời gian đọc
22 phút
Lượt xem
0
Lượt tải
0
Phí lưu trữ
40 Point
Mục lục chi tiết
Tóm tắt nội dung
I. Tổng quan định hướng tín hiệu vô tuyến hiện đại
Việc xác định hướng đến tín hiệu (DOA) vô tuyến có vai trò then chốt trong nhiều lĩnh vực. Công nghệ này cần thiết cho quốc phòng, an ninh, viễn thông. Các hệ thống định hướng vô tuyến liên tục được cải tiến. Mục tiêu là nâng cao độ chính xác, khả năng chống nhiễu. Phương pháp truyền thống gặp hạn chế trong môi trường phức tạp. Học sâu (deep learning) mang lại giải pháp đột phá. Khả năng xử lý lượng lớn dữ liệu là ưu điểm. Nền tảng này giúp cải thiện hiệu năng định hướng tín hiệu đáng kể. Các nghiên cứu hiện tại tập trung vào khai thác tiềm năng của mạng nơ ron nhân tạo (ANN) và các biến thể. Mục tiêu chung là đạt được hiệu quả cao hơn các phương pháp xử lý tín hiệu số (DSP) truyền thống.
1.1. Khái niệm và tầm quan trọng của DOA
Xác định hướng đến tín hiệu (DOA) là quá trình ước lượng góc tới của sóng vô tuyến từ một nguồn phát. Điều này thực hiện bằng cách phân tích tín hiệu thu được từ một mảng ăng ten pha. Khái niệm này bao hàm việc xác định phương vị và góc ngẩng của nguồn tín hiệu. Tầm quan trọng của DOA rất lớn trong hệ thống định hướng vô tuyến. Nó cung cấp thông tin vị trí của nguồn phát. Ứng dụng trải rộng từ theo dõi mục tiêu, giám sát phổ tần, đến cứu hộ. Độ chính xác của DOA ảnh hưởng trực tiếp đến hiệu quả hoạt động của các hệ thống này. Các yếu tố như nhiễu, đa đường, số lượng nguồn tín hiệu đồng thời là thách thức lớn. Việc nâng cao hiệu năng phân giải hướng tín hiệu là mục tiêu chính của nhiều nghiên cứu.
1.2. Mô hình tín hiệu và các phương pháp truyền thống
Mô hình tín hiệu mảng ăng ten là nền tảng cho việc ước lượng DOA. Nó mô tả cách tín hiệu từ một nguồn truyền đến từng phần tử của mảng. Mảng ăng ten tuyến tính là cấu hình phổ biến. Các phương pháp định hướng tín hiệu truyền thống bao gồm quét búp sóng và phân tích không gian con. Phương pháp quét búp sóng liên quan đến việc điều chỉnh hướng thu của mảng ăng ten. Phương pháp phân tích không gian con, như MUSIC hay ESPRIT, phân tách không gian tín hiệu và không gian nhiễu. Chúng có khả năng phân giải hướng tín hiệu tốt hơn trong một số điều kiện. Tuy nhiên, các phương pháp này thường nhạy cảm với sai số mô hình, nhiễu. Hiệu năng có thể giảm đáng kể trong môi trường tín hiệu vô tuyến tần số cao phức tạp.
II. Phương pháp định hướng tín hiệu và ứng dụng AI
Trí tuệ nhân tạo (AI) đã mở ra kỷ nguyên mới cho xử lý tín hiệu. Đặc biệt, học sâu (deep learning) mang lại tiềm năng lớn. Khả năng tự động học các đặc trưng phức tạp từ dữ liệu thô là điểm mạnh. Điều này vượt trội so với các phương pháp xử lý tín hiệu số (DSP) truyền thống. Mạng nơ ron nhân tạo (ANN) là công cụ chủ lực. Các mô hình như mạng nơ ron tích chập (CNN) và mạng nơ ron hồi quy (RNN) đã được áp dụng. Chúng giải quyết các bài toán DOA phức tạp. Mục tiêu là nâng cao độ chính xác, tốc độ ước lượng. Đồng thời, cải thiện khả năng hoạt động trong các điều kiện nhiễu nặng. Việc tích hợp AI vào hệ thống định hướng vô tuyến là xu hướng tất yếu.
2.1. Giới thiệu về trí tuệ nhân tạo và học sâu
Trí tuệ nhân tạo (AI) là lĩnh vực khoa học máy tính. Nó tập trung vào việc tạo ra các hệ thống có khả năng thực hiện các tác vụ đòi hỏi trí thông minh con người. Học máy (machine learning) là một nhánh của AI. Học máy cho phép hệ thống học hỏi từ dữ liệu mà không được lập trình rõ ràng. Học sâu (deep learning) là một tập hợp con của học máy. Nó sử dụng mạng nơ ron nhân tạo (ANN) với nhiều lớp ẩn. Kiến trúc sâu này cho phép mô hình học các biểu diễn dữ liệu cấp cao. Trong định hướng tín hiệu, học sâu giúp phát hiện các mẫu ẩn trong dữ liệu tín hiệu vô tuyến. Nó nâng cao khả năng phân giải hướng tín hiệu, đặc biệt với các tín hiệu vô tuyến tần số cao.
2.2. Mạng nơ ron tích chập CNN trong định hướng
Mạng nơ ron tích chập (CNN) là một loại mạng nơ ron nhân tạo (ANN) đặc biệt hiệu quả. CNN thường được sử dụng cho dữ liệu có cấu trúc lưới. Ví dụ như hình ảnh, hoặc dữ liệu tín hiệu thu được từ mảng ăng ten pha. Các lớp tích chập giúp CNN tự động trích xuất các đặc trưng không gian và thời gian. Điều này rất quan trọng trong việc xác định hướng đến tín hiệu (DOA). Các nghiên cứu đã chứng minh khả năng của CNN trong việc ước lượng DOA. CNN xử lý tốt ngay cả khi tín hiệu bị nhiễu hoặc có nhiều nguồn đồng thời. Mô hình mạng nơ ron tích chập cung cấp một phương pháp mạnh mẽ. Nó cải thiện hiệu năng của hệ thống định hướng vô tuyến. CNN có khả năng tổng quát hóa tốt hơn nhiều phương pháp xử lý tín hiệu số (DSP) truyền thống.
III. Nâng cao hiệu năng DOA với mạng nơ ron tích chập
Nghiên cứu tập trung vào việc cải thiện độ chính xác ước lượng xác định hướng đến tín hiệu (DOA). Điều này thực hiện thông qua việc ứng dụng mạng nơ ron tích chập (CNN). Các giải pháp đề xuất bao gồm cấu trúc mạng kết nối dư. Các cấu trúc này tối ưu hóa khả năng học hỏi từ dữ liệu. Chúng giúp giảm thiểu sai số, tăng cường hiệu năng. Đặc biệt, việc xử lý tín hiệu vô tuyến tần số cao được chú trọng. Mô hình mạng nơ ron tích chập được thiết kế riêng. Mục tiêu là đối phó với các điều kiện thực tế phức tạp. Việc tạo lập dữ liệu huấn luyện và kiểm tra mô hình là khâu quan trọng. Quy trình này đảm bảo tính đáng tin cậy của giải pháp.
3.1. Đề xuất mô hình CNN cấu trúc kết nối dư cho DOA
Một giải pháp quan trọng là đề xuất mô hình CNN với cấu trúc kết nối dư (Residual Connection). Mô hình này được đặt tên là DOA-ResNet. Kiến trúc này giúp thông tin gradient truyền sâu hơn qua mạng. Nó giải quyết vấn đề biến mất gradient trong mạng nơ ron nhân tạo (ANN) sâu. DOA-ResNet được thiết kế đặc biệt để ước lượng xác định hướng đến tín hiệu (DOA) cho mảng ăng ten tuyến tính không đồng đều. Việc tạo lập dữ liệu, huấn luyện và kiểm tra mô hình được thực hiện cẩn thận. Hiệu năng ước lượng DOA của DOA-ResNet được đánh giá khi thay đổi số lượng kênh lọc và kích thước kênh lọc. Kết quả cho thấy sự vượt trội so với các thuật toán học máy truyền thống. Mô hình này cung cấp khả năng phân giải hướng tín hiệu chính xác hơn.
3.2. Cải thiện hiệu năng với hiệu chỉnh sai số hệ thống
Mô hình tín hiệu mảng ăng ten thực tế thường chứa sai số hệ thống. Những sai số này ảnh hưởng tiêu cực đến độ chính xác của xác định hướng đến tín hiệu (DOA). Để khắc phục, một mô hình CNN cấu trúc kết nối dư phép nhân tự động hiệu chỉnh sai số được đề xuất. Mô hình này gọi là DOA-CNN. DOA-CNN có khả năng nhận diện và bù trừ các sai số trong hệ thống. Điều này nâng cao đáng kể hiệu năng ước lượng hướng đến. Việc tạo lập dữ liệu huấn luyện và kiểm tra bao gồm các trường hợp có sai số hệ thống. Các thử nghiệm cho thấy độ chính xác ước lượng DOA của DOA-CNN vượt trội. Mô hình này vượt qua các mô hình học máy và học sâu khác. DOA-CNN cải thiện đáng kể khả năng hoạt động của hệ thống định hướng vô tuyến trong môi trường thực tế.
IV. Tăng cường định hướng tín hiệu bằng mạng UNET tiên tiến
Việc nâng cao hiệu năng xác định hướng đến tín hiệu (DOA) tiếp tục được thực hiện. Một giải pháp tiên tiến là sử dụng mạng nơ ron UNET. UNET là một kiến trúc mạng nơ ron tích chập (CNN) nổi tiếng. Nó có khả năng xử lý hình ảnh và phân đoạn hiệu quả. Nghiên cứu này ứng dụng UNET kết hợp với các thuật toán xử lý tín hiệu số (DSP) truyền thống. Cụ thể là MUSIC và Root-MUSIC. Sự kết hợp này nhằm khai thác ưu điểm của cả hai. Nó cải thiện khả năng phân giải hướng tín hiệu. Đặc biệt, việc mô hình hóa tín hiệu và tạo lập dữ liệu huấn luyện được chú trọng. Mục tiêu là tối ưu hóa hiệu quả của mô hình trong việc ước lượng DOA.
4.1. Ứng dụng mạng nơ ron UNET trong ước lượng DOA
Mạng nơ ron UNET là một kiến trúc mạng nơ ron tích chập (CNN). Nó được thiết kế ban đầu cho phân đoạn ảnh y tế. UNET có cấu trúc đối xứng với các đường kết nối bỏ qua (skip connections). Các kết nối này giúp truyền thông tin chi tiết từ các lớp mã hóa đến các lớp giải mã. Trong ngữ cảnh định hướng tín hiệu, UNET có thể xử lý các biểu diễn tín hiệu. Nó trích xuất các đặc trưng không gian phức tạp. Điều này hỗ trợ việc ước lượng xác định hướng đến tín hiệu (DOA). Mô hình UFCnet được đề xuất là sự kết hợp của UNET với các thuật toán xử lý tín hiệu số (DSP) truyền thống. Việc tạo lập dữ liệu cho UFCnet đòi hỏi mô hình tín hiệu chính xác. Mục tiêu là cung cấp đủ thông tin cho mạng học các mối quan hệ phức tạp.
4.2. Kết hợp UNET với thuật toán MUSIC và Root MUSIC
Mô hình UFCnet là một sự kết hợp độc đáo. Nó tích hợp mạng nơ ron UNET với thuật toán MUSIC và Root-MUSIC. MUSIC (Multiple Signal Classification) và Root-MUSIC là các phương pháp phân tích không gian con. Chúng nổi tiếng về khả năng phân giải hướng tín hiệu cao. Tuy nhiên, chúng nhạy cảm với tỷ số tín hiệu trên nhiễu thấp. Việc kết hợp UNET giúp cải thiện đáng kể hiệu năng của các thuật toán này. UNET có thể tiền xử lý tín hiệu hoặc học các đặc trưng tối ưu. Sau đó, nó đưa đầu ra vào thuật toán MUSIC/Root-MUSIC. Giải pháp này khai thác sức mạnh của học sâu (deep learning) trong việc xử lý tín hiệu vô tuyến tần số cao. Đồng thời, nó vẫn giữ được ưu điểm về độ phân giải của các phương pháp truyền thống. UFCnet mang lại khả năng ước lượng DOA mạnh mẽ và chính xác hơn.
V. Tối ưu hóa mô hình học sâu cho định hướng tín hiệu
Việc tối ưu hóa các mô hình học sâu (deep learning) là yếu tố then chốt. Điều này đảm bảo hiệu quả của hệ thống định hướng vô tuyến. Quá trình này bao gồm lựa chọn kiến trúc mạng nơ ron nhân tạo (ANN) phù hợp. Nó cũng bao gồm việc tinh chỉnh các siêu tham số, quản lý dữ liệu huấn luyện. Các nghiên cứu đã chỉ ra rằng mô hình mạng nơ ron tích chập (CNN) và các biến thể của nó rất phù hợp. Chúng xử lý tốt dữ liệu tín hiệu từ mảng ăng ten pha. Mục tiêu là đạt được độ chính xác xác định hướng đến tín hiệu (DOA) cao nhất. Đồng thời, giảm thiểu tài nguyên tính toán cần thiết. Các giải pháp đề xuất cần phải có tính khả thi trong triển khai thực tế. Việc đánh giá hiệu năng dựa trên nhiều tiêu chí khác nhau.
5.1. Đánh giá và so sánh hiệu năng các thuật toán học sâu
Đánh giá hiệu năng là bước quan trọng để xác nhận các giải pháp học sâu. Các thuật toán học máy như SVM và kNN được khảo sát ban đầu. Khả năng ước lượng xác định hướng đến tín hiệu (DOA) của chúng được so sánh. Sau đó, khả năng của các mạng nơ ron tiêu chuẩn và mạng nơ ron tích chập (CNN) được đánh giá. Mô hình DOA-ResNet và DOA-CNN được phát triển. Chúng cho thấy hiệu quả vượt trội. Các mô hình này thể hiện khả năng phân giải hướng tín hiệu chính xác. Đặc biệt trong các điều kiện nhiễu hoặc có sai số hệ thống. Việc so sánh với các mô hình học máy và học sâu khác cung cấp bằng chứng rõ ràng. Các giải pháp đề xuất đạt được hiệu năng cao hơn. Điều này khẳng định tiềm năng của học sâu (deep learning) trong xử lý tín hiệu vô tuyến tần số cao.
5.2. Thách thức và hướng phát triển cho hệ thống định hướng
Hệ thống định hướng vô tuyến bằng học sâu (deep learning) vẫn đối mặt với thách thức. Nhu cầu về lượng dữ liệu huấn luyện lớn là một thách thức. Việc đảm bảo tính tổng quát hóa của mô hình cũng vậy. Tín hiệu vô tuyến tần số cao và môi trường phức tạp đòi hỏi mô hình mạng nơ ron nhân tạo (ANN) mạnh mẽ hơn. Hướng phát triển tiếp theo bao gồm việc nghiên cứu các kiến trúc mạng nơ ron hồi quy (RNN) hoặc Transformer. Chúng có thể xử lý tốt hơn các chuỗi thời gian của tín hiệu. Việc tích hợp các kỹ thuật học tăng cường hoặc học liên tục cũng là một hướng tiềm năng. Mục tiêu là tạo ra các hệ thống định hướng tự học, tự thích nghi. Hệ thống này có khả năng hoạt động hiệu quả trong các môi trường động. Nâng cao khả năng phân giải hướng tín hiệu sẽ tiếp tục là trọng tâm.
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (144 trang)Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộBỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ NGUYỄN DUY THÁI NGHIÊN CỨU GIẢI PHÁP NÂNG CAO HIỆU NĂNG ĐỊNH HƯỚNG NGUỒN TÍN HIỆU VÔ TUYẾN ỨNG DỤNG MẠNG NƠ RON HỌC SÂU LUẬN ÁN TIẾN SĨ KỸ THUẬT Hà Nội – 2024 BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ NGUYỄN DUY THÁI NGHIÊN CỨU GIẢI PHÁP NÂNG CAO HIỆU NĂNG ĐỊNH HƯỚNG NGUỒN TÍN HIỆU VÔ TUYẾN ỨNG DỤNG MẠNG NƠ RON HỌC SÂU Ngành: Kỹ thuật điện tử Mã số: 9 52 02 03 LUẬN ÁN TIẾN SĨ KỸ THUẬT NGƯỜI HƯỚNG DẪN KHOA HỌC: 1.TS Hoàng Văn Phúc 2. TS Lê Thanh Hải Hà Nội – 2024 i LỜI CAM ĐOAN Tôi xin cam đoan đây là công trình nghiên cứu của tôi. Các kết quả nghiên cứu trong luận án là trung thực, chưa từng được ai công bố ở trong bất kỳ công trình nào khác, tài liệu tham khảo được trích dẫn đầy đủ. Hà Nội, ngày tháng 06 năm 2024 TÁC GIẢ LUẬN ÁN Nguyễn Duy Thái ii LỜI CẢM ƠN Trong quá trình học tập, nghiên cứu và hoàn thành đề tài luận án, Nghiên cứu sinh (NCS) luôn nhận được sự quan tâm, tạo điều kiện về mọi mặt của Thủ trưởng đơn vị, cơ quan quản lý đào tạo và gia đình; sự nhiệt tình và tâm huyết của tập thể giáo viên hướng dẫn; các ý kiến đóng góp quý báu của các nhà khoa học và đồng nghiệp trong và ngoài đơn vị.
Trước hết, NCS xin được bày tỏ lời cảm ơn sâu sắc tới PGS.TS Hoàng Văn Phúc, TS Lê Thanh Hải đã trực tiếp hướng dẫn NCS trong quá trình nghiên cứu và hoàn thành luận án. Xin cảm ơn TS Đoàn Văn Sáng và nhóm nghiên cứu thực hiện đề tài Nghị định thư với Cộng hòa Séc mã số NĐT/CZ/22/12 đã có những tư vấn, góp ý bổ ích cho NCS trong việc xây dựng các mô hình mạng nơ-ron học sâu. NCS trân trọng cảm ơn Ban Giám đốc Viện KH-CN quân sự, Thủ trưởng Viện Điện tử, Thủ trưởng Phòng Đào tạo và các bộ phận quản lý liên quan đã tạo mọi điều kiện thuận lợi để NCS hoàn thành nhiệm vụ. NCS xin chân thành cảm ơn Quý thầy cô, các nhà khoa học của Viện Khoa học và Công nghệ quân sự; Viện Điện tử; Học viện Kỹ thuật quân sự; Học viện Hải quân; Đại học Bách khoa Hà Nội …vv đã có các góp ý, nhận xét, đánh giá quý báu cho NCS trong quá trình thực hiện và hoàn thiện luận án này.
Xin được trân trọng và biết ơn sự hy sinh và chia sẻ của gia đình. Xin cảm ơn đồng nghiệp, bạn bè luôn quan tâm, động viên, giúp đỡ NCS vượt qua khó khăn để hoàn thành luận án này. Hà Nội, ngày tháng 06 năm 2024 TÁC GIẢ LUẬN ÁN Nguyễn Duy Thái iii MỤC LỤC Trang MỤC LỤC. iii DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT.
vi DANH MỤC CÁC BẢNG. x DANH MỤC CÁC HÌNH VẼ. xi MỞ ĐẦU. 1 Chương 1 TỔNG QUAN VỀ ĐỊNH HƯỚNG NGUỒN TÍN HIỆU VÔ TUYẾN.
Giới thiệu về định hướng nguồn tín hiệu vô tuyến. Khái niệm, phân loại. Thiết bị định hướng nguồn tín hiệu vô tuyến. Mô hình tín hiệu mảng ăng ten.
Mô hình tổng quát. Mô hình mảng ăng ten tuyến tính. Các phương pháp định hướng nguồn tín hiệu vô tuyến. Phương pháp quét búp sóng.
Phương pháp phân tích không gian con. Trí tuệ nhân tạo và ứng dụng trong định hướng nguồn tín hiệu vô tuyến. Khái quát về trí tuệ nhân tạo, học máy, học sâu. Mạng nơ-ron nhân tạo.
Mạng nơ-ron tích chập. Ứng dụng trí tuệ nhân tạo định hướng nguồn tín hiệu vô tuyến. Tình hình nghiên cứu về định hướng nguồn tín hiệu vô tuyến. Tình hình nghiên cứu trong nước.
Tình hình nghiên cứu ngoài nước. Đặt vấn đề nghiên cứu. Kết luận Chương 1. 44 Chương 2 GIẢI PHÁP NÂNG CAO HIỆU NĂNG ĐỊNH HƯỚNG NGUỒN TÍN HIỆU VÔ TUYẾN BẰNG MẠNG NƠ RON TÍCH CHẬP KẾT NỐI DƯ.
Khảo sát, đánh giá khả năng ước lượng DOA của các thuật toán học máy. Thuật toán SVM. Thuật toán kNN. Đánh giá khả năng ước lượng hướng đến của SVM và kNN.
Đánh giá khả năng ước lượng hướng đến của mạng nơ-ron. Khả năng ước lượng hướng đến của mạng nơ-ron tiêu chuẩn. Khả năng ước lượng hướng đến của mạng nơ-ron tích chập. Nghiên cứu đề xuất mô hình CNN cấu trúc kết nối dư ước lượng DOA cho mảng ăng ten tuyến tính không đồng đều.
Cấu trúc mô hình DOA-ResNet đề xuất. Tạo lập dữ liệu, huấn luyện và kiểm tra mô hình. Đánh giá hiệu năng ước lượng DOA của mô hình DOA-ResNet khi thay đổi số lượng kênh lọc. Đánh giá hiệu năng ước lượng DOA của mô hình DOA-ResNet khi thay đổi kích thước kênh lọc.
So sánh hiệu năng ước lượng DOA của mô hình DOA-ResNet với các thuật toán học máy. Nghiên cứu đề xuất mô hình CNN cấu trúc kết nối dư phép nhân tự động hiệu chỉnh sai số hệ thống nâng cao hiệu năng ước lượng hướng đến. Mô hình tín hiệu mảng ăng ten có chứa sai số hệ thống. Cấu trúc mô hình DOA-CNN đề xuất.
Tạo lập dữ liệu, huấn luyện và kiểm tra mô hình. Đánh giá độ chính xác ước lượng DOA của mô hình DOA-CNN trong các trường hợp có sai số hệ thống. So sánh hiệu năng ước lượng DOA của mô hình DOA-CNN với các mô hình học máy, học sâu khác. Kết luận Chương 2.
78 Chương 3 GIẢI PHÁP NÂNG CAO HIỆU NĂNG ĐỊNH HƯỚNG NGUỒN TÍN HIỆU VÔ TUYẾN BẰNG MẠNG NƠ-RON UNET KẾT HỢP THUẬT TOÁN MUSIC, ROOTMUSIC. Mạng nơ-ron Unet. Nghiên cứu đề xuất mô hình UFCnet kết hợp thuật toán MUSIC, Root- MUSIC nâng cao hiệu năng ước lượng DOA. Mô hình tín hiệu tạo lập dữ liệu.
Cấu trúc mô hình UFCnet đề xuất. Tạo lập dữ liệu, huấn luyện và kiểm tra mô hình. Đánh giá khả năng phân biệt góc ước lượng. Đánh giá độ chính xác ước lượng DOA trong trường hợp mảng ăng ten là lý tưởng.
Đánh giá độ chính xác ước lượng DOA trong trường hợp mảng ăng ten có các sai lệch vị trí các phần tử, pha và biên độ do đường truyền. Nghiên cứu đề xuất mô hình UNet kết hợp thuật toán MUSIC, RootMUSIC nâng cao hiệu năng ước lượng DOA nguồn tín hiệu tương quan. Mô hình tín hiệu tạo lập dữ liệu xét đến sự tương quan của tín hiệu. Cấu trúc mô hình UNet đề xuất.
Tạo lập dữ liệu, huấn luyện và kiểm tra mô hình. Đánh giá khả năng ước lượng DOA nguồn tín hiệu tương quan. Đánh giá hiệu năng ước lượng DOA khi thay đổi các tham số kênh lọc trong lớp tích chập. Đánh giá độ chính xác ước lượng DOA khi thay đổi số lượng phần tử mảng ăng ten.
Đánh giá độ chính xác ước lượng DOA khi thay đổi số lượng mẫu tín hiệu101 3. Đánh giá độ chính xác ước lượng DOA khi thay đổi tần số tín hiệu. Đánh giá độ chính xác ước lượng DOA trong các trường hợp xảy ra sai số hệ thống. Đánh giá độ phân giải góc ước lượng.
So sánh các phương pháp, mô hình đề xuất trong luận án. Cấu trúc, cách thức hoạt động của các mô hình đề xuất. Hiệu năng ước lượng DOA của các mô hình đề xuất. Kết luận Chương 3.
117 DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ. 119 TÀI LIỆU THAM KHẢO. 120 vi DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT a Một biến số a Một vector A Một ma trận ai,j Phần tử hàng i, cột j của ma trận [.]H Phép chuyển vị liên hiệp phức ma trận [.]T Phép chuyển vị ma trận Bước sóng, m f, fc Tần số, tần số trung tâm, [Hz] P Số nguồn tín hiệu tới M Số phần tử mảng ăng ten N Số mẫu tín hiệu trong một cửa sổ d Khoảng cách giữa 2 phần tử cạnh nhau mảng ăng ten, [m] DA Khẩu độ mảng ăng ten N2 Phương sai nhiễu Góc tới trong mặt phẳng phương vị s(t) Tín hiệu P nguồn phát tới mảng ăng ten x(t) Tín hiệu thu được bởi mảng ăng ten M phần tử n(t) Nhiễu tác động ên M phần tử mảng ăng ten A(θ) Ma trận định hướng Ts Chu kỳ lấy mẫu bộ biến đổi tương tự - số E {.} Toán tử kỳ vọng R Ma trận hiệp phương sai I Ma trận đơn vị vii w Vector trọng số P(θ) Phổ công suất theo không gian f (.) Hàm kích hoạt y (.) Giá trị đầu ra min {.} Lấy giá trị cực tiểu, cực đại Conv {.} Phép tích chập maxpooling {.} Phép gộp cực đại averpooling {.} Phép gộp trung bình Norm {.} Phép chuẩn hóa real {x} Hàm lấy giá trị thực của số phức image {x} Hàm lấy giá trị ảo của số phức triu{A} Hàm lấy các phần tử tam giác trên của ma trận tril{A} Hàm lấy các phần tử tam giác dưới của ma trận diag{A} Hàm lấy các phần tử đường chéo chính của ma trận randi {.
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Câu hỏi thường gặp
Luận án "Nâng cao định hướng tín hiệu vô tuyến bằng mạng nơ ron học sâu" nghiên cứu về vấn đề gì?
Nghiên cứu giải pháp nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến bằng mạng nơ ron học sâu, tối ưu hóa khả năng truyền tải tín hiệu.
Luận án "Nâng cao định hướng tín hiệu vô tuyến bằng mạng nơ ron học sâu" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại viện khoa học và công nghệ quân sự. Năm bảo vệ: 2024.
Luận án "Nâng cao định hướng tín hiệu vô tuyến bằng mạng nơ ron học sâu" thuộc chuyên ngành gì?
Luận án "Nâng cao định hướng tín hiệu vô tuyến bằng mạng nơ ron học sâu" thuộc chuyên ngành Kỹ thuật điện tử. Danh mục: Trí Tuệ Nhân Tạo.
Luận án "Nâng cao định hướng tín hiệu vô tuyến bằng mạng nơ ron học sâu" có bao nhiêu trang?
Luận án "Nâng cao định hướng tín hiệu vô tuyến bằng mạng nơ ron học sâu" có 144 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Nâng cao định hướng tín hiệu vô tuyến bằng mạng nơ ron học sâu" về máy như thế nào?
Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.