تخمین زاویه ورود با استفاده از حسگری فشرده مبتنی بر ماتریس اندازه گیری DFT
Publish place: Radar Magazine، Vol: 6، Issue: 2
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 507
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_RADAR-6-2_003
تاریخ نمایه سازی: 12 آذر 1398
Abstract:
در این مقاله، یک روش جدید برای تخمین زاویه ورود با استفاده از ساختار آرایه خطی غیریکنواخت و مدل سازی ماتریس اندازه گیری بهصورت ماتریس DFT ارائه شده است. بهمنظور تخمین دقیق زاویه ورود با روش حسگری فشرده، فضای زاویه ای پیوسته باید با گام های کوچک تقسیم بندی شود. تقسیم بندی فضای زاویه ای پیوسته با گام های کوچک، منجر به افزایش همدوسی بین ستون های ماتریس اندازه گیری شده و تخمین زاویه ورود امکان پذیر نخواهد بود. برای حل مشکل بیان شده، در این مقاله یک روش جدید برای مدل سازی ماتریس اندازه گیری به صورت ماتریس DFT پیشنهاد می شود. برای افزایش دقت تخمین، لازم است که ابعاد ماتریس DFT یا به عبارتی دیگر تعداد آنتن های آرایه زیاد باشد. بالا بودن تعداد آنتن های آرایه موجب پیچیده شدن سیستم می شود. یک راهکار برای کاهش تعداد آنتن های آرایه، استفاده از آرایه خطی غیریکنواخت و تشکیل یک آرایه خطی یکنواخت بهصورت مجازی است. آرایه مجازی خطی یکنواخت، با برداریکردن ماتریس همبستگی سیگنال های دریافتی یک آرایه خطی غیریکنواخت بهدست می آید. بالا بودن تعداد آنتن های آرایه مجازی منجر به افزایش ابعاد ماتریس DFT خواهد شد، بنابراین، تخمین زاویه های ورود منابع با دقت بالاتری صورت خواهد گرفت. نتایج شبیه سازی نشان می دهد که تخمین زاویه ورود با استفاده از مدل سازی ماتریس اندازه گیری با ماتریس DFT عملکرد مناسبی دارد.
Keywords:
Authors
یعثوب اقبالی
دانشکده فنی مهندسی ، گروه مخابرت، دانشگاه شاهد
احمد عطایی
دانشکده فنی مهندسی، گروه مخابرات، دانشگاه شاهد
محمود فردوسی زاده نائینی
دانشکده فنی مهندسی، گروه مخابرات، دانشگاه شاهد
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :