انتخاب آنتن در رادارهای چندورودی-چندخروجی با رویکرد یادگیری بانظارت در شبکه‌های عصبی کانولوشنی عمیق

انتخاب آنتن در رادارهای چندورودی-چندخروجی از اهمیت ویژه‌ای برخوردار است، چرا که هزینه‌های سخت‌افزاری و نگهداری، توان مصرفی و حجم محاسبات در این رادارها بالاست و انتخاب زیرمجموعه‌ای بهینه از آنتنها در سمت فرستنده و نیز گیرنده می‌تواند معایب این نوع رادارها را پوشش دهد و در عین‌حال ما را از مزایای این نوع رادارها در تخمین بهتر و دقیق‌تر موقعیت اهداف بهره‌مند سازد. در این مقاله، با استفاده از شبکه‌های عصبی عمیق کانوولوشنی مساله انتخاب آنتن را در رادارهای چندورودی-چندخروجی هم‌مکان بررسی می‌کنیم و چالشهای آن را مورد مطالعه قرار می‌دهیم. داده‌های آموزش شبکه شامل ماتریس کواریانس نمونه مشاهدات به عنوان ورودی و برچسب زیرآرایه بهینه به عنوان خروجی است. زیرآرایه بهینه برای هر ورودی با ارزیابی مقدار کران پایین کرامر-رائو تخمین زاویه ورود برای تمام انتخابهای ممکن و انتخاب بهترین زیرآرایه به لحاظ این معیار تعیین می‌شود. با کمک یک معماری مطرح‌شده از شبکه‌های عصبی کانوولوشنی عمیق و در تعداد مشاهدات 10 و 50، این شبکه قادر به انتخاب زیرمجموعه بهینه از آنتنهای فرستنده و گیرنده با دقت 76% و 90.04% روی مجموعه داده تست می‌باشد.