| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2021-07-16 14:30 深層学習を用いた近接波の到来方向推定における精度向上に関する検討 ○加瀬裕也・西村寿彦・大鐘武雄・小川恭孝・佐藤孝憲（北大）・岸山祥久（NTTドコモ）  RCC2021-39 NS2021-55 RCS2021-97 SR2021-39 SeMI2021-28 |
|
| 抄録 | （和） | 種々のアレーアンテナを用いた電波の到来方向推定技術は，MUSICやESPRITなどの部分空間法に加えて， 計算資源が発展した近年では，圧縮センシングや深層学習に発展している． 圧縮センシングや深層学習は，基本的にオングリッド推定であり，離散スペクトルが得られる． これまでの筆者らの検討では，深層学習を用いた到来方向推定において， 信号がグリッド境界付近の角度で到来する場合に推定に失敗する問題を解決するため， グリッド配置が異なる2つのDNNを組み合わせて推定する手法を提案した． 本稿では，この提案手法を近接波推定に適用した場合の推定精度を評価する． また，角度差の制約なしに訓練したネットワークと組み合わせて推定を行った場合の評価も行った． その結果，提案手法は近接波の推定には適していないものの， 近接到来環境で訓練したネットワークをさらに組み合わせることで，RMSEを改善できる可能性が示された． |
| （英） | In addition to subspace methods such as MUSIC and ESPRIT, recently, compressed sensing and deep learning have been applied to direction of arrival (DOA) estimation of radio waves using various types of array antennas with the progress of computing power. The compressed sensing and deep learning are on-grid estimation in general, and thus a discrete spectrum is obtained. In our previous studies on DOA estimation using deep learning, we proposed a method of combining two DNNs, of which grids are staggered, in order to reduce the estimation error occurring when a signal arrives at angles near the grid border. In this paper, we evaluate the estimation accuracy when our proposed method is applied to a close DOA scenario. In addition, we consider the case where the networks trained with and without close DOAs restriction are used in parallel. The simulation results show that the RMSE of staggered DNNs is improved by combining a network trained with close DOAs restriction, although it alone is not suitable for the close DOA case. |
|
| キーワード | （和） | 到来方向推定 / アレーアンテナ / 深層学習 / 多層ニューラルネットワーク / / / / |
| （英） | DOA estimation / array antenna / deep learning / deep neural network / / / / | |
| 文献情報 | 信学技報, vol. 121, no. 103, RCS2021-97, pp. 98-103, 2021年7月. | |
| 資料番号 | RCS2021-97 | |
| 発行日 | 2021-07-07 (RCC, NS, RCS, SR, SeMI) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | RCC2021-39 NS2021-55 RCS2021-97 SR2021-39 SeMI2021-28 |
|
| 研究会情報 | |
| 研究会 | RCS SR NS SeMI RCC |
| 開催期間 | 2021-07-14 - 2021-07-16 |
| 開催地（和） | オンライン開催 |
| 開催地（英） | Online |
| テーマ（和） | 機械学習とAIを応用した通信・ネットワーク技術，M2M (Machine-to-Machine)，D2D (Device-to-Device)，IoT（Internet of Things），一般 |
| テーマ（英） | Communication and Network Technology of the AI Age, M2M (Machine-to-Machine)，D2D (Device-to-Device)，IoT（Internet of Things）, etc |
| 講演論文情報の詳細 | |
| 申込み研究会 | RCS |
| 会議コード | 2021-07-RCS-SR-NS-SeMI-RCC |
| 本文の言語 | 日本語 |
| タイトル（和） | 深層学習を用いた近接波の到来方向推定における精度向上に関する検討 |
| サブタイトル（和） | |
| タイトル（英） | Considerations on Accuracy Improvement in Close DOA Estimation with Deep Learning |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 到来方向推定 / DOA estimation |
| キーワード(2)（和/英） | アレーアンテナ / array antenna |
| キーワード(3)（和/英） | 深層学習 / deep learning |
| キーワード(4)（和/英） | 多層ニューラルネットワーク / deep neural network |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 加瀬 裕也 / Yuya Kase / カセ ユウヤ |
| 第1著者 所属（和/英） | 北海道大学 (略称： 北大) Hokkaido University (略称： Hokkaido Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 西村 寿彦 / Toshihiko Nishimura / ニシムラ トシヒコ |
| 第2著者 所属（和/英） | 北海道大学 (略称： 北大) Hokkaido University (略称： Hokkaido Univ.) |
| 第3著者 氏名（和/英/ヨミ） | 大鐘 武雄 / Takeo Ohgane / オオガネ タケオ |
| 第3著者 所属（和/英） | 北海道大学 (略称： 北大) Hokkaido University (略称： Hokkaido Univ.) |
| 第4著者 氏名（和/英/ヨミ） | 小川 恭孝 / Yasutaka Ogawa / オガワ ヤスタカ |
| 第4著者 所属（和/英） | 北海道大学 (略称： 北大) Hokkaido University (略称： Hokkaido Univ.) |
| 第5著者 氏名（和/英/ヨミ） | 佐藤 孝憲 / Takanori Sato / サトウ タカノリ |
| 第5著者 所属（和/英） | 北海道大学 (略称： 北大) Hokkaido University (略称： Hokkaido Univ.) |
| 第6著者 氏名（和/英/ヨミ） | 岸山 祥久 / Yoshihisa Kishiyama / キシヤマ ヨシヒサ |
| 第6著者 所属（和/英） | 株式会社NTTドコモ (略称： NTTドコモ) NTT DOCOMO, INC (略称： NTT DOCOMO) |
| 第7著者 氏名（和/英/ヨミ） | / / |
| 第7著者 所属（和/英） | (略称： ) (略称： ) |
| 第8著者 氏名（和/英/ヨミ） | / / |
| 第8著者 所属（和/英） | (略称： ) (略称： ) |
| 第9著者 氏名（和/英/ヨミ） | / / |
| 第9著者 所属（和/英） | (略称： ) (略称： ) |
| 第10著者 氏名（和/英/ヨミ） | / / |
| 第10著者 所属（和/英） | (略称： ) (略称： ) |
| 第11著者 氏名（和/英/ヨミ） | / / |
| 第11著者 所属（和/英） | (略称： ) (略称： ) |
| 第12著者 氏名（和/英/ヨミ） | / / |
| 第12著者 所属（和/英） | (略称： ) (略称： ) |
| 第13著者 氏名（和/英/ヨミ） | / / |
| 第13著者 所属（和/英） | (略称： ) (略称： ) |
| 第14著者 氏名（和/英/ヨミ） | / / |
| 第14著者 所属（和/英） | (略称： ) (略称： ) |
| 第15著者 氏名（和/英/ヨミ） | / / |
| 第15著者 所属（和/英） | (略称： ) (略称： ) |
| 第16著者 氏名（和/英/ヨミ） | / / |
| 第16著者 所属（和/英） | (略称： ) (略称： ) |
| 第17著者 氏名（和/英/ヨミ） | / / |
| 第17著者 所属（和/英） | (略称： ) (略称： ) |
| 第18著者 氏名（和/英/ヨミ） | / / |
| 第18著者 所属（和/英） | (略称： ) (略称： ) |
| 講演者 | 第1著者 |
| 発表日時 | 2021-07-16 14:30:00 |
| 発表時間 | 25分 |
| 申込先研究会 | RCS |
| 資料番号 | RCC2021-39, NS2021-55, RCS2021-97, SR2021-39, SeMI2021-28 |
| 巻番号（vol） | vol.121 |
| 号番号（no） | no.101(RCC), no.102(NS), no.103(RCS), no.104(SR), no.105(SeMI) |
| ページ範囲 | pp.77-82(RCC), pp.118-123(NS), pp.98-103(RCS), pp.100-105(SR), pp.76-81(SeMI) |
| ページ数 | 6 |
| 発行日 | 2021-07-07 (RCC, NS, RCS, SR, SeMI) |
[研究会発表申込システムのトップページに戻る]