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 с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».