咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >基于深度学习的FDA-MIMO雷达协方差矩阵缺失数据恢复方法 收藏

基于深度学习的FDA-MIMO雷达协方差矩阵缺失数据恢复方法

Missing Covariance Matrix Recovery with the FDA-MIMO Radar Using Deep Learning Method

作     者:丁梓航 谢军伟 王博 DING Zihang;XIE Junwei;WANG Bo

作者机构:空军工程大学防空反导学院西安710051 空军工程大学空管领航学院西安710051 

出 版 物:《雷达学报(中英文)》 (Journal of Radars)

年 卷 期:2023年第12卷第5期

页      面:1112-1124页

核心收录:

学科分类:080904[工学-电磁场与微波技术] 0810[工学-信息与通信工程] 0809[工学-电子科学与技术(可授工学、理学学位)] 08[工学] 081105[工学-导航、制导与控制] 081001[工学-通信与信息系统] 081002[工学-信号与信息处理] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 

基  金:国家自然科学基金(62001506) 

主  题:数据恢复 生成对抗网络 FDA-MIMO雷达 深度学习 波束形成 

摘      要:频控阵-多输入多输出(FDA-MIMO)雷达通过波束形成技术实现抗干扰的研究已经十分丰富。然而,在实际工作中,受元器件老化和存储设备容量等硬件因素的影响,计算得到的信号协方差矩阵可能会出现数据缺失的情况。为了克服协方差矩阵数据缺失对波束形成算法性能的影响,该文提出了一种基于深度学习的FDA-MIMO雷达协方差矩阵数据恢复方法,并建立了协方差矩阵恢复-自适应波束形成的两阶段处理框架;提出了一种双通道生成对抗网络(GAN)来解决矩阵数据恢复问题,该网络主要由鉴别器(D)和生成器(G)两部分组成:生成器主要功能是输出完整的矩阵数据,鉴别器则是判别数据为真实数据还是填补数据。整个网络通过鉴别器和生成器之间相互对抗使生成器生成样本接近于真实数据的分布,从而实现对协方差矩阵缺失数据的恢复。此外,考虑到协方差矩阵数据为复数,分别构造两个独立的GAN网络以满足矩阵数据实部和虚部的训练。最后,数值实验结果表明,协方差矩阵真实数据与恢复后的数据平均均方根误差仅为0.01量级,验证了所提方法能够有效恢复协方差矩阵的缺失数据。

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分