Метод экстраполяции сигналов на двумерной антенной системе с применением алгоритмов глубоких нейронных сетей для решения задачи сверхразрешения

Обложка

Цитировать

Полный текст

Аннотация

Рассматриваются методы дистанционного зондирования объектов с использованием цифровых антенных решеток (ЦАР). Такой подход позволяет получать информацию об объектах без прямого физического контакта, анализируя излучение, отраженное или испущенное ими. Описаны особенности формирования диаграммы приема (ДП) ЦАР, состоящей из двумерной плоской прямоугольной решетки излучающих элементов. Математическая модель ДН отдельного излучателя и системы в целом представлена с учетом волнового числа, расстояния между элементами и углов сканирования. Особое внимание уделено ограничениям разрешающей способности системы, обусловленным критерием Рэлея и связанным с линейными размерами антенны. В области малых угловых отклонений проводится аппроксимация компонент модели, что упрощает расчет, но ограничивает возможность различения близко взаимно расположенных источников в двумерном пространстве. Возникает задача цифровой обработки полученных сигналов для повышения углового разрешения системы. В статье обсуждаются методы и алгоритмы на базе глубоких нейронных сетей, направленные на преодоление этих ограничений и улучшение качества получаемых изображений при дистанционном зондировании с использованием ЦАР. В статье продемонстрированы качественные результаты работы предлагаемого решения на ЦАР с фиксированными параметрами. Визуально показаны примеры работы рассматриваемого алгоритма.

Об авторах

Евгений Яковлевич Рубинович

ФГБУН Институт проблем управления им. В.А. Трапезникова РАН

Email: rubinvch@gmail.com
Москва

Иван Александрович Юрченков

Российский технологический университет МИРЭА

Email: yurchenkov@mirea.ru
Москва

Владимир Андреевич Назаркин

Российский технологический университет МИРЭА

Email: vovannazark89@mail.ru
Москва

Список литературы

  1. ABTAHI T. et al. Accelerating convolutional neural networkwith FFT on embedded hardware // IEEE Trans. on Very LargeScale Integration (VLSI) Systems. – 2018. – Vol. 26, No. 9. –P. 1737–1749.
  2. AGARAP A.F. Deep learning using rectified linear units(relu) // ArXiv preprint. – 2018. – DOI: arXiv:1803.08375.
  3. ALMEIDA M.S., FIGUEIREDO M.A. Deconvolving Imageswith Unknown Boundaries Using The Alternating DirectionMethod Of Multipliers // IEEE Trans. Image Process. – 2013. –Vol. 22, No. 8. – P. 3074–3086.
  4. BOWEN R. S., CHANG H., HERRMANN C. et al. OCONet:Image Extrapolation by Object Completion // IEEE CVFConf. on Computer Vision and Pattern Recognition (CVPR),Nashville, TN, USA, – 2021. – P. 2307–2317. –doi: 10.1109/CVPR46437.2021.00234.
  5. CANDES E.J., FERNANDEZGRANDA C. Super-Resolutionfrom Noisy Data // Journal of Fourier Analysis andApplications. – 2013. – Vol. 19, No. 6. – P. 1229—1254.
  6. DA WANG Y., ARMSTRONG R., MOSTAGHIMI P. Superresolution convolutional neural network models for enhancingresolution of rock micro-ct images // ArXiv preprint. – 2019. –DOI: arXiv:1904.07470.
  7. DUDIK M., PHILLIPS S.J., SCHAPIRE R.E. MaximumEntropy Density Estimation with Generalized Regularizationand an Application to Species Distribution Modeling // Journalof Machine Learning Research. – 2007. – No. 8. –P. 1217–1260.
  8. ELASRI M., ELHARROUSS O., AL-MA’ADEED S. et al.Image Generation: A Review // Neural Processing Letters. –2022. – Vol. 54, No. 5. – doi: 10.1007/s11063-022-10777-x.
  9. FARTOOKZADEH M. Frequency diverse arrays (FDAs) vs.phased arrays: On the application of FDAs for securewireless communications // ArXiv preprint. – 2020. –DOI: arXiv:2004.08585.
  10. GOODFELLOW I. et al. Generative adversarial nets //Advances in Neural Information Processing Systems. – 2014. –Vol. 27.
  11. HU YI-DING, DENG WEI-YAO, WU GU-XIN et al.A wideband MUSIC algorithm using an improved empiricalwavelet transform // Measurement Science and Technology. –2024. – Vol. 36, No. 1. – doi: 10.1088/1361-6501/ad9516.
  12. KINGMA D.P. Adam: A method for stochastic optimization //ArXiv preprint. – 2014. – DOI: arXiv:1412.6980.
  13. LAGOVSKY B.A. Superresolution by Extrapolation forSolving Remote Sensing Problems // 25th Int. Crimean Conf.“Microwave and Telecommunication Technology”. ConferenceProceedings. – 2015. – Vol. 2. – P. 1144–1146.
  14. LEDIG C. et al. Photo-realistic single image super-resolutionusing a generative adversarial network // Proc. of the IEEEConf. on Computer Vision and Pattern Recognition. – 2017. –P. 4681–4690.
  15. LIU WANLI. Super resolution DOA estimation based on deepneural network // Scientific Reports. – 2020. – Vol. 10, No. 1. –doi: 10.1038/s41598-020-76608-y.
  16. LU Y., GUAN H., YANG K. et al. Improving the Accuracyof Direction of Arrival Estimation with Multiple Signal InputsUsing Deep Learning // Sensors (Basel). – 2024. – Vol. 24.No. 10. – P. 2971–2982. – doi: 10.3390/s24102971.
  17. MALEKZADEH P. et al. A Robust Quantile Huber Losswith Interpretable Parameter Adjustment in DistributionalReinforcement Learning // ICASSP 2024-2024 IEEE Int. Conf.on Acoustics, Speech and Signal Processing (ICASSP). – IEEE,2024. – P. 6120–6124.
  18. NILSSON J., AKENINE-MILLER T. Understanding ssim //ArXiv preprint. – 2020. – DOI: arXiv:2006.13846.
  19. O’SHEA K. An introduction to convolutional neural networks //ArXiv preprint. – 2015. – DOI: arXiv:1511.08458.
  20. PRATT H. et al. Fcnn: Fourier convolutional neural networks //Machine Learning and Knowledge Discovery in Databases:European Conf. – ECML PKDD 2017, Skopje, Macedonia,September 18–22, 2017, Proceedings, Part I 17. – SpringerInternational Publishing. – 2017. – P. 786–798.
  21. RONNEBERGER O., FISCHER P., BROX T. U-net: Convolutional networks for biomedical imagesegmentation // Medical image computing and computer-assisted intervention–MICCAI 2015: 18th Int. Conf. – Munich,Germany, October 5-9, 2015, proceedings, part III 18. –Springer International Publishing, –2015. – P. 234–241.
  22. SHCHUKIN A.A., PAVLOV A.E. Parameterization of UserFunctions in Digital Signal Processing for Obtaining AngularSuperresolution // Russian Technological Journal. – 2022. –Vol. 10, No. 4. – P. 38–43.
  23. TAN W.Q., HOU Y.G. Estimation Of Direction Of SourceArrival Based upon MUSIC and Capon // Journal of NanchangInstitute of Technology. – 2008. – Vol. 27, No. 1. – P. 20-23.
  24. TANG ZH., ZHOU K., XU Y. et al. An Estimation Methodfor Soft Fault Reflection Coefficient of Power Cable Basedon Sliding-Window TLS-ESPRIT // IEEE Trans. on PowerDelivery. – 02.10.2024. – Vol. 39, No. 6. – P. 3092–3100. –doi: 10.1109/TPWRD.2024.3452779.
  25. TIKHONOV A.N., ARSENIN V.YA. Methods of solving ill-posed problems // – Moscow.: Nauka, 1974
  26. UZUN I.S., AMIRA A., BOURIDANE A. FPGAimplementations of fast Fourier transforms for real-timesignal and image processing // IEEE Proc. on Vision, Imageand Signal Processing. – 2005. – Vol. 152, No. 3. –P. 283–296.
  27. WU LIU-LI, LIU ZHANG-MENG, HUANG ZHI-TAO. DeepConvolution Network for Direction of Arrival EstimationWith Sparse Prior // IEEE Signal Processing Letters. –2019. – Vol. 26, No. 11. – P. 1688–1692. –doi: 10.1109/LSP.2019.2945115.
  28. ZEILER M., KRISHNAN D., TAYLOR G. et al.Deconvolutional networks // Proc. of the IEEEComputer Society Conf. on Computer Vision andPattern Recognition. – 05.08.2010. – P. 2528–2535. –doi: 10.1109/CVPR.2010.5539957.
  29. ZHOU S., JIANG L. Modern description of Rayleigh’scriterion. // Physical Review A. – 2018. – Vol. 99. No. 1. –doi: 10.1103/PhysRevA.99.013808.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).