Ước lượng hướng đến của tín hiệu vô tuyến sử dụng mạng nơ-ron tích chập cho mảng anten tuyến tính không đồng đều

Trong nghiên cứu này, mô hình mạng nơ-ron tích chập kết nối dư (đặt tên là DOA-ResNet) được đề xuất nhằm cải thiện độ chính xác ước lượng góc đến của nguồn tín hiệu vô tuyến. Mô hình DOA-ResNet đã được phân tích đánh giá bằng cách thay đổi số lượng và kích thước kênh lọc trong lớp tích chập nhằm tìm ra sự phụ thuộc giữa hiệu năng ước lượng góc và các tham số đó.

Kỹ thuật điều khiển & Điện tử Ước lượng hướng đến tín hiệu vơ tuyến sử dụng mạng nơ-ron tích chập cho mảng anten tuyến tính khơng đồng Nguyễn Duy Thái* Viện Điện tử, Viện Khoa học Công nghệ quân * Email: ndthai03@gmail.com Nhận ngày 06/01/2022; Hoàn thiện ngày 16/02/2022; Chấp nhận đăng ngày 10/4/2022 DOI: https://doi.org/10.54939/1859-1043.j.mst.78.2022.78-85 TĨM TẮT Trong nghiên cứu này, mơ hình mạng nơ-ron tích chập kết nối dư (đặt tên DOA-ResNet) đề xuất nhằm cải thiện độ xác ước lượng góc đến nguồn tín hiệu vơ tuyến Mơ hình DOA-ResNet phân tích đánh giá cách thay đổi số lượng kích thước kênh lọc lớp tích chập nhằm tìm phụ thuộc hiệu ước lượng góc tham số Từ đưa mơ hình phù hợp để cân yếu tố độ xác, độ lớn mơ hình thời gian thực thi áp dụng vào thực tế Ngồi ra, mơ hình đề xuất xem xét so sánh với số thuật toán học máy khác nhằm minh chứng cho hiệu vượt trội độ xác thời gian xử lý Từ khóa: Ước lượng hướng đến; Mạng nơ-ron tích chập; Mảng anten khơng đồng ĐẶT VẤN ĐỀ Trong lĩnh vực giám sát trinh sát tín hiệu vơ tuyến, góc đến (DOA: Direction of Arrival) nguồn tín hiệu tham số đặc biệt quan trọng, cho phép xác định hướng/vị trí nguồn phát phạm vi quan sát [1] Mặc dù phương pháp truyền thống xác định góc tới cách so sánh tham số tín hiệu biên độ, pha, thời gian áp dụng, song phương pháp dần bộc lộ nhược điểm mơi trường sóng điện từ ngày dày đặc với kênh truyền ngày phức tạp Để khắc phục hạn chế phương pháp truyền thống, số phương pháp đại Beamforming, MVDR, MUSIC ESPRIT đề xuất [2] Đặc biệt, phương pháp MVDR, MUSIC ESPRIT có khả xác định nhiều nguồn tới với độ phân giải cao Tuy nhiên, phương pháp dựa mơ hình mảng anten dựng trước nên có thay đổi sai lệch từ thực tế lắp đặt hệ thống anten mơi trường truyền sóng sai số lớn xảy Gần đây, nghiên cứu áp dụng mạng nơ-ron nhân tạo cho toán ước lượng DOA tín hiệu vơ tuyến âm nhận quan tâm từ cộng đồng nghiên cứu nhằm khắc phục tồn phương pháp nêu [3, 4] Thật vậy, ước lượng DOA dựa thuật tốn học sâu cập nhật trọng số theo kênh truyền thực tế, tự động điều chỉnh sai số hệ thống Tuy nhiên, mạng nơ-ron lại địi hỏi phần cứng tính tốn đủ mạnh để thực thi Những năm gần đây, phát triển vượt bậc cơng nghệ sản xuất chíp phần đáp ứng mơ hình học sâu có số lượng trọng số lớn, cụ thể khả tính toán song song card đồ họa (GPU: Graphic Processing Unit) Do đó, nghiên cứu này, mơ hình mạng nơ-ron tích chập sâu dựa cấu trúc kết nối dư (residual), đặt tên DOA-ResNet, đề xuất để thực toán ước lượng hướng đến tín hiệu vơ tuyến Mơ hình DOA-ResNet phân tích đánh giá việc thay đổi số lượng kênh lọc kích thước chúng để lựa chọn mơ hình phù hợp cho cân độ xác, độ lớn mơ hình thời gian thực thi Bên cạnh đó, mơ hình DOA-ResNet xem xét so sánh với số thuật toán học máy khác SVM (Support Vector Machine) [5], KNN (k-Nearest Neighbors) [6], DT (Decision Tree) [7] để minh chứng cho tính vượt trội 78 Nguyễn Duy Thái, “Ước lượng hướng đến tín hiệu … anten tuyến tính khơng đồng đều.” Nghiên cứu khoa học cơng nghệ MƠ HÌNH TÍN HIỆU CỦA MẢNG ANTEN TUYẾN TÍNH Phần trình bày mơ hình thu tín hiệu mảng anten tuyến tính khơng đồng (NLA: Non-uniform Linear Array) làm sở để tạo tập liệu phù hợp cho mạng nơ-ron đề xuất Mơ hình thu tín hiệu mảng anten minh họa hình Giả sử rằng, mảng NLA có M phần tử anten đẳng hướng có chức thu tín hiệu để xác định hướng đến chúng Giả thiết rằng, có P nguồn tín hiệu truyền tới anten mặt phẳng phương vị góc 1, 2, , P Khi đó, tín hiệu đầu mảng NLA là: (1) x(t )  A( )  s(t )  n(t ) đó, s(t) = [s1(t), s2(t), , sP(t)]T véc-tơ tín hiệu P nguồn, n(t) = [n1(t), n2(t), , nM(t)]T véc-tơ nhiễu tạp tương ứng với M kênh thu, x(t) = [x1(t), x2(t), , xM(t)]T véc-tơ tín hiệu đầu mảng NLA với M phần tử, A() ma trận định hướng mảng NLA, biểu diễn sau [8]:   2 d1 sin 1  e j  A( )     2 dM 1 sin 1 e  j   e e j j   j   e   2 d M 1 sin  P  j   e  2 d1 sin   2 d M 1 sin 2  2 d1 sin  P (2) Hình Mơ hình thu tín hiệu cho tốn ước lượng hướng đến Tại máy thu, tín hiệu từ phần tử anten chuyển từ tương tự sang số để xử lý Gọi Ts chu kỳ lấy mẫu biến đổi tương tự sang số (ADC: Analog to Digital Converter) đầu của anten biểu diễn sau [9]: T T x1 ( NTs )   x1 (Ts ) x1 (2Ts )  x1   x (T ) x (2T ) x  x2 ( NTs )  s , (3) x   s         xM ( NTs )  xM   xM (Ts ) xM (2Ts ) Ở đây, N số lượng mẫu tín hiệu cửa sổ tín hiệu Có thể thấy rằng, tín hiệu thu x ma trận số có kích thước N×M Trong trường hợp máy thu sử dụng kênh cầu phương gồm tín hiệu đồng pha (I: In-phase) vuông pha (Q: Quadratic-phase) x ma trận ba chiều có kích thước 2×N×M Như vậy, ma trận x định liệu đầu vào cho mạng nơ-ron đề xuất nghiên cứu Tạp chí Nghiên cứu KH&CN quân sự, Số 78, - 2022 79 Kỹ thuật điều khiển & Điện tử MƠ HÌNH MẠNG NƠ-RON ƯỚC LƯỢNG HƯỚNG ĐẾN CỦA TÍN HIỆU 3.1 Huấn luyện kiểm chứng Trong nghiên cứu này, mơ hình mạng nơ-ron đề xuất để ước lượng hướng đến tín hiệu vơ tuyến Trước mơ hình sử dụng để thực thi q trình ước lượng hướng đến, phải huấn luyện với tập liệu Thay tạo liệu cố định để huấn luyện mạng nơ-ron, tác giả thực huấn luyện mơ hình với liệu tạo liên tục mô với góc phương vị ngẫu nhiên mức nhiễu/kênh truyền khác Q trình huấn luyện mơ tả hình 2(a), thấy vịng lặp tín hiệu có biên độ phức ngẫu nhiên điều chế với tần số sóng mang 35 MHz góc tới giả định tạo Để tạo liệu quan sát cho mơ hình mạng nơ-ron tích chập (CNN: Convolutional Neural Network) đề xuất, tín hiệu đưa qua kênh truyền thêm nhiễu, sau đó, giả định thu mảng phần tử anten có khoảng cách khơng đồng đều, d1 = 3/2, d2 = 5/2, d3 = 7/2 d4 = 10/2; đây, di khoảng cách anten Ai+1 anten tham chiếu A1 (như biểu diễn hình 1) Bằng trình truyền thẳng, góc dự đốn thu đầu mạng CNN Góc dự đốn so sánh với nhãn góc để tạo giá trị mát Giá trị mát sở để cập nhật lại trọng số mơ hình CNN theo phương pháp định, ví dụ SGD (stochastic gradient descent) ADAM Trong nghiên cứu này, tác giả lựa chọn phương pháp SGD để thực cập nhật trọng số CNN Hàm cross-entropy sử dụng để tính giá trị mát Hàm cross-entropy mô tả biểu thức sau [10]: LCE   Q  yi log yi , Q i 1 (4) đó, yi nhãn góc đúng, yi nhãn góc dự đốn Q số lượng nhãn góc (a) (b) Hình Sơ đồ huấn luyện kiểm chứng mơ hình mạng CNN đề xuất Sau mạng CNN đạt hội tụ định với giá trị mát đủ nhỏ trình huấn luyện dừng lại Lúc mạng CNN huấn luyện kiểm chứng theo sơ đồ hình 2(b) để đánh giá hiệu dựa tham số đo đạc sai số quân phương, thời gian thực thi Trong đó, sai số quân phương xác định theo công thức sau: RMSEDOA  80 L (i  i )2  L i 1 (5) Nguyễn Duy Thái, “Ước lượng hướng đến tín hiệu … anten tuyến tính khơng đồng đều.” Nghiên cứu khoa học cơng nghệ đó,  i  i giá trị góc góc ước lượng mơ hình mạng CNN, L số vòng lặp hay số phép thử 3.2 Mạng nơ-ron đề xuất Để thực toán ước lượng hướng đến tín hiệu vơ tuyến, mơ hình mạng nơ-ron dựa cấu trúc kết nối dư (residual) đề xuất báo đặt tên DOA-ResNet Cấu trúc DOA-ResNet thể hình Có thể thấy, mơ hình DOA-ResNet kết cấu dãy gồm Khối dư 1÷5 (Residual block) Khối đầu Các Khối dư 1÷5 đóng vai trị khối trích chọn đặc trưng, cịn Khối đầu đóng vai trị phân loại cuối Mỗi Khối dư gồm hai nhánh: Nhánh (Backbone flow) Nhánh phụ (Skip-connection flow) Nhánh đảm nhiệm chức trích chọn đặc trưng luồng liệu, Nhánh phụ đảm nhiệm chức truyền đặc trưng cũ từ lớp chuẩn hóa (Norm) đến kết hợp với đầu Nhánh lớp cộng (addition) Vì lý này, lớp tích chập (Conv) Nhánh định với K lọc với kích thước 1×k, lớp Conv Nhánh phụ có kích thước 1×1 để đảm bảo đặc trưng từ lớp Norm truyền đến lớp addition khơng bị thay đổi Để thực phép cộng đặc tính lớp addition kích thước đầu hai nhánh phải nhau, số lượng kênh lọc hai nhánh phải lớp gộp cực đại (Maxpool) hai nhánh phải định tham số trượt Cụ thể nghiên cứu này, lớp Maxpool thiết kế với kích thước 1×5 bước trượt (1, 2) Theo sau lớp Maxpool Nhánh lớp kích hoạt ReLU Hàm kích hoạt ReLU lựa chọn cho phép khả tính tốn hội tụ nhanh hầu hết hàm kích hoạt khác Tiếp theo sau Khối dư cuối Khối đầu Khối gồm lớp gộp trung bình (Averagepool), lớp kích hoạt ReLU, lớp kết nối đầy đủ (FC), lớp Softmax lớp Phân loại đầu ra, hình Lớp Averagepool có kích thước 1×16 bước trượt (1, 8) Lớp FC1 FC2 có số lượng nơ-ron 256 161, đó, số lượng nơ-ron FC2 với số lượng phân lớp góc ước lượng từ -80° đến +80° với bước nhảy 1° Lớp Softmax áp dụng để tính giá trị xác suất cho phân lớp đầu ra, từ đưa định góc lớp Phân loại đầu Hình Cấu trúc mạng nơ-ron DOA-ResNet KẾT QUẢ MƠ PHỎNG VÀ THẢO LUẬN Mơ hình DOA-ResNet đề xuất mô Matlab đánh giá thông qua việc thay đổi tham số mạng nơ-ron số lượng kích thước kênh lọc, so sánh hiệu với số mơ hình học máy khác Tín hiệu mơ giả định với tham số sau: tần số sóng mang: 35 MHz, tỉ số SNR: từ -20 dB đến 25 dB, góc tới giả định: từ -80° đến +80° mặt phẳng phương vị, tần số lấy mẫu: 350 MHz, số lượng mẫu cho cửa sổ tín hiệu: 1024 Các tham số huấn luyện thiết lập sau: tốc độ học khởi tạo 0.01 giảm 10 lần sau 10000 vòng lặp; tối ưu SGDM với hệ số moment = 0.9, chương trình huấn luyện dừng lại sau lần cập nhật độ xác phân loại góc khơng tăng Mơ hình sau huấn luyện kiểm chứng với tín hiệu với 10000 vịng lặp Mơ hình DOA-ResNet huấn luyện kiểm Tạp chí Nghiên cứu KH&CN quân sự, Số 78, - 2022 81 Kỹ thuật điều khiển & Điện tử tra tảng phần cứng GPU Laptop với cấu hình CPU Intel Core i5 9300H, RAM 16 GB GPU GTX 1660ti Sau kết mô thảo luận 4.1 Hiệu ước lượng góc mơ hình thay đổi số lượng kênh lọc Để đánh giá ảnh hưởng số lượng kênh lọc lớp Conv mơ hình DOA-ResNet lên hiệu ước lượng góc đến tín hiệu vơ tuyến, tác giả giữ cố định kích thước kênh lọc 1×7 thay đổi số lượng kênh lọc lớp Conv 16, 32 64 Giả thiết góc đến tín hiệu 10° ± 0.5° Kết mô thể hình cho thấy, việc tăng số lượng kênh lọc cải thiện độ xác ước lượng góc khác biệt nhận thấy rõ rệt với SNR thấp (< -5 dB) Xét độ xác phân loại góc, mơ hình DOA-ResNet với 16, 32 64 kênh lọc đạt độ xác phân loại góc 85,8%, 88,59%, 91,25% SNR = -5 dB Khi quan sát độ xác phân loại mức SNR cao, nhận thấy rằng, mơ hình với 32 64 kênh lọc khơng có khác biệt đáng kể tốt mơ hình với 16 kênh lọc Xét sai số ước lượng góc, mơ hình DOA-ResNet với 32 kênh lọc cho sai số ước lượng góc thấp mơ hình 64 kênh lọc SNR < dB ảnh hưởng nhiễu mạnh, cường độ tín hiệu thấp nhiễu Tuy nhiên, SNR > dB mơ hình 64 kênh lọc lại cho sai số ước lượng góc thấp mơ hình 32 kênh lọc Chú ý rằng, với SNR ≤ -12 dB sai số ước lượng mơ hình 16 64 kênh tương đối lớn (sai số quân phương > 6°), đó, mơ hình 32 kênh lọc cho sai số ước lượng góc thấp đáng kể (khoảng xấp xỉ 1°) Khi SNR > -8 dB mơ hình 32 64 kênh lọc cho độ xác ước lượng góc tốt (< 0.5°) tốt đáng kể so với mơ hình 16 kênh lọc Bên cạnh việc đánh giá độ xác phân loại sai số ước lượng góc, việc so sánh số lượng trọng số thời gian xử lý mơ hình quan trọng để đưa lựa chọn phù hợp với phần cứng áp dụng vào thực tế hoạt động Hai tham số báo cáo bảng cho thấy, tăng số lượng kênh lọc từ 32 lên 64 số lượng trọng số tăng lên lần, điều dẫn đến thời gian thực thi bị chậm đáng kể Cụ thể, thời gian thực thi mơ hình 16 32 khơng có khác biệt nhiều chúng nhanh mơ hình 64 kênh lọc đến ms Vì vậy, cần phải cân nhắc đánh đổi độ xác với độ lớn mơ hình thời gian xử lý (a) Độ xác phân loại góc (b) Sai số ước lượng góc Hình Hiệu ước lượng góc mơ hình DOA-ResNet với số lượng kênh lọc khác Bảng So sánh độ lớn thời gian thực thi DOA-ResNet với số lượng kênh lọc khác 82 Số lượng kênh lọc Số lượng trọng số mơ hình Thời gian thực thi 16 kênh lọc 83531 (6,8 ± 0,5) ms 32 kênh lọc 141803 (6,9 ± 0,5) ms 64 kênh lọc 307499 (8.1 ± 0,5) ms Nguyễn Duy Thái, “Ước lượng hướng đến tín hiệu … anten tuyến tính khơng đồng đều.” Nghiên cứu khoa học công nghệ 4.2 Hiệu ước lượng góc mơ hình thay đổi kích thước kênh lọc lớp tích chập Từ kết mơ phỏng, đánh giá theo số lượng kênh lọc bên trên, tác giả lựa chọn cố định 64 kênh lọc cho việc mơ phỏng, đánh giá theo kích thước kênh lọc Kích thước kênh lọc thay đổi thơng số 1×3, 1×5 1×7 Kết so sánh hiệu phân loại góc cho kích thước kênh lọc khác thể hình Có thể thấy rằng, kích thước kênh lọc lớn nhiều tính đại diện học mơ hình CNN độ xác phân loại góc tăng lên Cụ thể, xét độ xác phân loại góc, mơ hình có kích thước lọc 1×7 cho độ xác cao nhất, độ xác thấp xuất mơ hình có kích thước lọc 1×3 Nếu xét sai số ước lượng góc, mơ hình 1×7 có sai số lớn hai mơ hình cịn lại SNR ≤ -10 dB, sai số thấp đáng kể so với mơ hình 1×3 1×5 SNR ≥ -8 dB Tương tự mô trước, số lượng trọng số mơ hình thời gian thực thi cho dự đốn góc đo đạc Kết đo hai tham số thể bảng cho thấy, kích thước kênh lọc tăng làm cho số lượng trọng số mơ hình tăng, khơng có khác biệt lớn thời gian thực thi mơ hình (a) Độ xác phân loại góc (b) Sai số ước lượng góc Hình Hiệu ước lượng góc mơ hình DOA-ResNet với kích thước lọc khác Bảng So sánh độ lớn thời gian thực thi DOA-ResNet với kích thước lọc khác Kích thước kênh lọc 1×3 1×5 1×7 Số lượng trọng số mơ hình 240683 274091 307499 Thời gian thực thi (8.0 ± 0,5) ms (8.0 ± 0,5) ms (8.1 ± 0,5) ms 4.3 So sánh DOA-ResNet với mơ hình học máy khác Trong phần này, mơ hình DOA-ResNet với 64 kênh lọc kích thước 1×7 xem xét so sánh với số thuật toán học máy khác SVM, KNN với hệ số k = 5, DT Đây ba thuật toán học máy phổ biến sử dụng rộng rải nhiều lĩnh vực, có tốn ước lượng hướng đến tín hiệu Đầu vào mơ hình liệu thơ có kích thước 2×1024×5 mơ hình DOA-ResNet Kết so sánh độ xác phân loại góc thể hình Có thể nhận thấy rằng, DOA-ResNet cho độ xác phân loại góc trung bình cao mơ hình cịn lại, đặc biệt SNR > -12 dB Bên cạnh đó, thời gian xử lý mơ hình SVM, KNN DT đo đạc nhận giá trị sau: 3,3 s SVM, 38,3 ms KNN 14,4 ms DT Mơ hình SVM vốn sử dụng cho toàn phân loại nhị phân có khả mở rộng cho đa phân lớp Tuy nhiên, với số lượng phân lớp góc 161 kích thước liệu đầu vào lớn nên mơ hình SVM xử lý chậm, nhược điểm cố hữu SVM, nhược điểm Tạp chí Nghiên cứu KH&CN quân sự, Số 78, - 2022 83 Kỹ thuật điều khiển & Điện tử chung mơ hình học máy truyền thống khác Mơ hình KNN phải thực phép tốn so sánh khoảng cách điểm liệu nên thời gian xử lý tương đối chậm Mơ hình DT cho hiệu nhanh hai mơ hình vừa nêu, luồng liệu đặc trưng lớn nên đạt tốc độ xử lý 14,4 ms Lưu ý rằng, liệu lớn mơ hình SVM, KNN DT xử lý chậm Ngược lại, mơ hình DOA-ResNet cập nhật trọng số theo liệu nên tốc độ xử lý đảm bảo nhanh sử dụng liệu lớn Hơn nữa, liệu lớn đa dạng mơ hình DOA-ResNet cho độ xác cao mà đảm bảo tốc độ xử lý Như vậy, thấy rằng, mơ hình DOA-ResNet mà tác giả đề xuất nghiên cứu vượt trội thuật toán học máy độ xác thời gian xử lý Hình So sánh DOA-ResNet với thuật toán học máy khác KẾT LUẬN Bài báo đề xuất đánh giá mơ hình mạng nơ-ron tích chập học sâu theo cấu trúc residual, đặt tên DOA-ResNet cho tốn ước lượng hướng đến tín hiệu vơ tuyến Mơ hình cho thấy vượt trội so với thuật toán SVM, KN DT so sánh độ xác phân loại góc thời gian xử lý Mặc dù DOA-ResNet chưa phải mô hình tối ưu nhất, tiền đề để tác giả tiếp tục nghiên cứu, phát triển nội dung khác việc sử dụng mạng nơ-ron nhân tạo giải tốn định hướng nguồn tín hiệu vô tuyến Những định hướng nghiên cứu tiếp theo: (1) tối ưu mạng nơ-ron cho cho toán ước lượng hướng đến; (2) thực ước lượng nhiều nguồn tín hiệu tương quan không tương quan; (3) thực nghiệm đo đạc, kiểm chứng đưa mơ hình vào ứng dụng thực tiễn TÀI LIỆU THAM KHẢO [1] R Wiley, “ELINT: The Interception and Analysis of Radar Signals”, Artech House, 2006 [2] S Chandran, “Advances in Direction-of-Arrival Estimation”, Artech House, 2006 [3] L Wu, Z.-M Liu, and Z.-T Huang, “Deep convolution network for direction of arrival estimation with sparse prior”, IEEE Signal Processing Letters, vol 26, no 11, pp 1688–1692, Nov 2019 [4] Z Liu, C Zhang and P S Yu, "Direction-of-Arrival Estimation Based on Deep Neural Networks With Robustness to Array Imperfections", IEEE Transactions on Antennas and Propagation, vol 66, no 12, pp 7315-7327, Dec 2018 [5] A Faye, J D Ndaw and M Sène, "SVM-Based DOA Estimation with Classification Optimization," 2018 26th Telecommunications Forum (TELFOR), 2018, pp 1-4 [6] Y Liu, H Chen and B Wang, "DOA Estimation of Underwater Acoustic Signals Based on PCAkNN Algorithm," 2020 International Conference on Computer Information and Big Data Applications (CIBDA), 2020, pp 486-490 [7] Y Miao, Y Lv, J Zhen, and B Guo, “Accessorial Locating for Internet of Vehicles Based on DOA Estimation in Industrial Transportation,” Wireless Communications and Mobile Computing, vol 2021, p 8241773, 2021 84 Nguyễn Duy Thái, “Ước lượng hướng đến tín hiệu … anten tuyến tính khơng đồng đều.” Nghiên cứu khoa học cơng nghệ [8] V.-S Doan and D.-S Kim, “DOA estimation of multiple non-coherent and coherent signals using element transposition of covariance matrix,” ICT Express, vol 6, no 2, pp 67–75, 2020 [9] V -S Doan, T Huynh-The, V -P Hoang and D -T Nguyen, "MoDANet: Multi-task Deep Network for Joint Automatic Modulation Classification and Direction of Arrival Estimation," IEEE Communications Letters, Early Access, pp 1-1, Dec 2021 [10] S Skansi, “Introduction to Deep Learning: From Logical Calculus to Artificial Intelligence (1st ed.)”, Springer Publishing Company, 2018 ABSTRACT The direction of arrival estimation of radio signal sources using convolutional neural network model for non-uniform anten array In this study, a Residual convolutional neural network model, named DOA-ResNet, is proposed to improve the direction of arrival (DOA) estimation accuracy of radio signal sources The DOA-ResNet model is analyzed by changing the number and size of filter channels in the convolutional layer to find the dependence between the angular estimation performance and those parameters Based on the evaluation, a suitable model is proposed for a trade-off between accuracy, model size, and execution time when it is applied in practice In addition, the proposed model is compared with some other machine learning algorithms to demonstrate its remarkable performance in both accuracy and processing time Keywords: Direction of Arrival; Convolutional Neural Network; Non-uniform Linear Array Tạp chí Nghiên cứu KH&CN quân sự, Số 78, - 2022 85 ... MƠ HÌNH TÍN HIỆU CỦA MẢNG ANTEN TUYẾN TÍNH Phần trình bày mơ hình thu tín hiệu mảng anten tuyến tính khơng đồng (NLA: Non-uniform Linear Array) làm sở để tạo tập liệu phù hợp cho mạng nơ-ron đề... LƯỢNG HƯỚNG ĐẾN CỦA TÍN HIỆU 3.1 Huấn luyện kiểm chứng Trong nghiên cứu này, mơ hình mạng nơ-ron đề xuất để ước lượng hướng đến tín hiệu vơ tuyến Trước mơ hình sử dụng để thực thi q trình ước lượng. .. việc sử dụng mạng nơ-ron nhân tạo giải tốn định hướng nguồn tín hiệu vơ tuyến Những định hướng nghiên cứu tiếp theo: (1) tối ưu mạng nơ-ron cho cho toán ước lượng hướng đến; (2) thực ước lượng