مقاله تخمین توان فضایی با تطابق کوواریانس ریمانیایی
,

مقاله تخمین توان فضایی با تطابق کوواریانس ریمانیایی

تومان249,950

ما روش جدیدی برای تخمین طیف توان فضایی در پردازش آرایه پیشنهاد می‌کنیم که از هندسه ریمانی ماتریس‌های هرمیتی مثبت معین (HPD) بهره می‌برد. نشان می‌دهیم که رویکردهای متداول، واریانت‌های فاصله اقلیدسی بین…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000356 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

تخمین توان فضایی با تطابق کوواریانس ریمانیایی

Spatial Power Estimation via Riemannian Covariance Matching

نویسندگان: Or Cohen, Alon Amar, Ronen Talmon

شناسه منبع: arxiv / 2605.11917v1

دسته: eess.SP

چکیده (فارسی)

ما روش جدیدی برای تخمین طیف توان فضایی در پردازش آرایه پیشنهاد می‌کنیم که از هندسه ریمانی ماتریس‌های هرمیتی مثبت معین (HPD) بهره می‌برد. نشان می‌دهیم که رویکردهای متداول، واریانت‌های فاصله اقلیدسی بین ماتریس کوواریانس نمونه و ماتریس کوواریانس مدل را بدون در نظر گرفتن این واقعیت که ماتریس‌های کوواریانس بر روی منیفولد ریمانی ماتریس‌های HPD قرار دارند، کمینه می‌کنند. با استفاده از این منیفولد، الگوریتم تطبیق کوواریانس آگاه از منیفولد ریمانی را با نام SERCOM معرفی می‌کنیم که از واگرایی لاگ‌دت جنسن-برگمن (JBLD) استفاده می‌کند. این واگرایی، برخلاف سایر فواصل ریمانی، می‌تواند بدون تجزیه ویژه به طور کارآمد ارزیابی شود. ما به طور نظری واگرایی JBLD را با سایر فواصل مبتنی بر اقلیدسی و ریمانی مقایسه می‌کنیم و استحکام آن را در برابر اعوجاج‌های طیفی نشان می‌دهیم. نتایج تجربی نشان می‌دهد که SERCOM به طور مداوم در تخمین جهت ورود (DOA) و توان، به ویژه در سناریوهای چالش‌برانگیز با نسبت سیگنال به نویز پایین، تعداد محدود عکس فوری، و منابع همبسته، عملکرد بهتری نسبت به روش‌های موجود دارد.

Abstract (English)

We propose a new method for spatial power spectrum estimation in array processing that leverages the Riemannian geometry of Hermitian positive definite (HPD) matrices. We show that conventional approaches minimize variants of the Euclidean distance between the sample covariance matrix and a model covariance matrix, without considering the fact that covariance matrices lie on the Riemannian manifold of HPD matrices. By exploiting this manifold, we present a Riemannian-aware covariance matching algorithm, termed SERCOM, using the Jensen-Bregman LogDet (JBLD) divergence, which, unlike other Riemannian distances, can be evaluated efficiently without eigen-decomposition. We theoretically compare the JBLD divergence to other Euclidean- and Riemannian-based distances, demonstrating robustness to spectral distortions. Experimental results demonstrate that SERCOM consistently outperforms existing methods in direction-of-arrival (DOA) and power estimation, particularly in challenging scenarios with low SNR, limited number of snapshots, and correlated sources.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله تخمین توان فضایی با تطابق کوواریانس ریمانیایی”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا