- 博客(6)
- 收藏
- 关注
RSS订阅原创 SubspaceNet: 基于深度学习的子空间方法用于到达方向（DoA）估计
方向到达（DoA）估计是阵列信号处理中的关键任务，广泛应用于雷达、通信和声学领域。经典的子空间方法（如 MUSIC 和 Root-MUSIC）因其高分辨率性能而受到青睐。为了克服这些问题，本文提出了一种结合深度学习与子空间方法的新框架——。该方法通过深度学习模块增强伪协方差矩阵的鲁棒性，同时保留 Root-MUSIC 的高分辨率特性和理论解释性，特别适用于低 SNR 和少快拍场景。接收信号由NXAθSVX∈CN×TAθaθ1aθM)]aθkθk。
2025-01-20 22:20:32
1565
3
原创 基于Deep learning的MUSIC声源定位方法（2）
方向到达（DOA）估计是雷达、通信、声学信号处理等领域的重要任务。经典的MUSIC（MultipleSignalClassification）算法因其高分辨率能力而被广泛应用。本文提出了一种混合算法，结合深度学习与传统MUSIC的优势，解决其局限性，提供高效、鲁棒的DOA估计。文章通过伪协方差矩阵的改进、子空间分解和神经网络辅助伪谱分析实现窄高效DOA估计。
2025-01-19 20:06:25
1314
1
原创 基于Deep learning的MUSIC声源定位方法（1）
相比传统方法，DeepMUSIC能够高效处理多目标场景，具有较高的计算效率和鲁棒性，是DOA估计领域的重要创新。方向到达估计（DOA）是雷达、声纳、声学和通信等领域中的核心任务，传统的MUSIC（MultipleSignalClassification）算法是最经典的方法之一。DeepMUSIC是一种结合深度学习和传统MUSIC算法的框架，通过分块角度谱和并行卷积神经网络（CNN）实现高效的DOA估计。，结合传统MUSIC算法和深度卷积神经网络（CNN），提升DOA估计性能。
2025-01-19 19:08:38
1389
3
原创 MUSIC声源定位算法
其核心思想是利用信号和噪声子空间的分离，以及它们的正交性，通过伪谱搜索确定声源的方向角。正交性是 MUSIC 的理论核心，提供了高分辨率和多声源处理能力，使其成为阵列信号处理中广泛应用的方法之一。MUSIC 算法利用信号和噪声空间的分离，以及它们的正交性，通过伪谱搜索确定声源方向。正交性使得可以利用噪声子空间的特性构造伪谱函数，在伪谱中搜索真实方向的峰值位置。占据协方差矩阵中其余特征向量的空间，与信号子空间正交。的列向量张成，包含了声源方向的信息，维度为。伪谱的峰值位置即为声源的方向角。
2025-01-17 15:51:48
1590
原创 Deep Neural Networks for Multiple Speaker Detection and Localization
Deep Neural Networks for Multiple Speaker Detection and Localization
2025-01-16 20:53:53
1086
原创 SRP-PHAT声源定位
SRP-PHAT（Steered Response Power with Phase Transform）是一种基于麦克风阵列的声源定位方法，特别适合处理噪声和混响环境下的声源定位任务。
2025-01-15 19:00:19
1397
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人