Deep Neural Network Model of Ultrafast 2D Direction‐of‐Arrival Estimation Using Planar Arrays for Multi‐Octave‐Band Digital Receiver Applications
Notice bibliographique
Résumé
ABSTRACT This study presents a deep neural network (DNN) model for multi‐octave‐band direction‐finding (MOB‐DF) estimation using a broadband DF‐array and multi‐layer perceptron (MLP). The model leverages randomly placed array elements to generate unique array steering vectors (ASVs) for directions within a cone‐shaped field‐of‐view. By directly linking ASVs and signal frequency to direction via an MLP, it eliminates reliance on the signal covariance matrix, a common component in many 2D neural network‐based DF methods. The DNN‐based MOB‐DF model is structured into sub‐bands, each utilising a trained 16 × 1024 MLP. Simulations with 3‐, 4‐, and 5‐element DF models, trained and validated on datasets with signal‐to‐noise ratios (SNRs) of 10, 20, and 100 dB respectively, reveal several key findings: (1) MLPs trained at 10 dB SNR can achieve better estimation performance across varying SNR levels, where estimation performance is defined as the probability of direction estimation error ≤ 1°. (2) Increasing array elements expands MOB coverage. (3) The 5‐element model attains probabilities of 50% and 90% for ≤ 1° estimation errors at approximately −20 and −10 dB SNR respectively within 2–20 GHz. (4) Average prediction time per direction is on the microsecond scale. (5) The model shows resilience to frequency estimation uncertainties.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».