10874

روش‌هاي يادگيري عميق در جهت‌يابي اهداف

1400-1401

دكتر محمد‌حسين كهائي

دكتر سيد محمد رضوي زاده

چكيده تخمين جهت ورود سيگنال (DOA) يك موضوع مهم در پردازش سيگنال است. روش‌هاي سنتي در شرايط بدون نويز به‌خوبي كار مي‌كنند اما از نويز و اعوجاج رنج مي‌برند. اخيرا، روش‌هاي مبتني بر يادگيري عميق در تخمين جهت ورود موفقيت زيادي ازجمله استحكام را در برابر نويز و اعوجاج به‌دست آورده‌اند. با ‌اين‌ وجود، ممكن است يك سري معايب داشته باشند. در اين گزارش، ابتدا روند كلي تخمين جهت ورود را مبتني بر روش‌‌هاي سنتي و در ادامه روش‌هاي مبتني بر يادگيري عميق توصيف مي‌شود. در فصل چهارم پيشينه مقالات منتخب در موضوع روش‌هاي تخمين جهت ورود سيگنال مبتني بر يادگيري عميق از جمله نوع انتشار، تعداد استنادها، معيارهاي ارزيابي مختلف و ... تحليل شده است. سپس، فناوري يادگيري عميق مورد استفاده در تخمين جهت ورود به‌طور نظام‌مند، از جمله هدف استفاده از يادگيري عميق در تخمين جهت ورود، مدل‌هاي مختلف يادگيري عميق (شبكه عصبي كانولوشني، شبكه عصبي عميق و شبكه تركيبي)، طرح‌هاي مختلف تخمين جهت ورود و به‌طور مختصر مقالات مبتني بر روش‌هاي يادگيري عميق تجزيه و تحليل مي‌شود. بر‌اساس يافته‌ها، مي‌توان دريافت روش‌هاي يادگيري عميق مي‌توانند دقت تخمين را به‌طور قابل توجهي بهبود بخشند و مي‌توانند تخمين جهت ورود را به خوبي انجام ‌دهند‌، اما جايي براي بهبود در فناوري يادگيري عميق وجود دارد. هر روش يك سري مزايا و معايبي دارد كه در فصل چهارم به‌طورمختصر به آن پرداخته شده است. واژه‌هاي كليدي: تخمين جهت ورود سيگنال، يادگيري عميق، شبكه عصبي.

5/25/2022 12:00:00 AM

75215

1401/04/11

Direction Of arrival Estimation Based On Deep Learning

تخمين جهت ورود سيگنال , يادگيري عميق , شبكه عصبي

Direction Of Arrival Estimation , Deep Learning , Neural Network