Method of signal extrapolation on two-dimensional antenna system using deep neural network algorithms to solve the super-resolution problem

封面

如何引用文章

全文:

详细

The article deals with methods of remote sensing of objects using digital antenna arrays (DAA). This approach allows obtaining information about objects without direct physical contact by analyzing the radiation reflected or emitted by them. The features of the formation of the directional pattern (DN) of a DAA consisting of a two-dimensional flat rectangular array of radiating elements are described. The mathematical model of the DN of an individual radiator and the system as a whole is presented taking into account the wave number, the distance between the elements and scanning angles. Special attention is paid to the limitations of the resolving power of the system due to the Rayleigh criterion and related to the linear dimensions of the antenna. In the region of small angular deviations the model components are approximated, which simplifies the calculation, but limits the possibility of distinguishing closely located sources. The problem arises of digital processing of the received signals to increase the angular resolution of the system. The article discusses methods and algorithms based on deep neural networks, aimed at overcoming these limitations and improving the quality of acquired images in remote sensing using DAA. The article demonstrates qualitative results of the proposed solution on the DAA with fixed parameters. Examples of the work of the considered algorithm are shown visually.

作者简介

Evgeny Rubinovich

V.A. Trapeznikov Institute of Control Sciences of RAS

Email: rubinvch@gmail.com
Moscow

Ivan Yurchenkov

Russian Technological University

Email: yurchenkov@mirea.ru
Moscow

Vladimir Nazarkin

Russian Technological University

Email: vovannazark89@mail.ru
Moscow

参考

  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.

补充文件

附件文件
动作
1. JATS XML
下载


Creative Commons License
此作品已接受知识共享署名-非商业性使用 4.0国际许可协议的许可。

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».