稀疏线性阵列中的子空间表示学习：一种深度学习方法来定位源数超过传感器数
原文中文，约1900字，阅读约需5分钟。发表于：。本研究针对使用稀疏线性阵列（SLA）定位源数超过传感器数的问题，提出了一种新颖的方法，通过估计样本协方差中的共阵子空间来实现。研究表明，这种基于深度神经网络（DNN）的子空间表示学习方法在不同维度的学习计算中效率更高，对阵列缺陷具有鲁棒性，并且在各种信噪比和源数量下超越了现有的处理方法，展现出更优的性能。
本研究提出了一种新的方法，通过估计样本协方差中的共阵子空间来解决稀疏线性阵列定位源数超过传感器数的问题。基于深度神经网络的子空间表示学习方法在不同维度的学习计算中效率更高，并且在各种信噪比和源数量下超越了现有的处理方法，展现出更优的性能。
