Die Deconvolution-Beamforming-Methode ist robust gegenüber Array-Fehlanpassungen und begrenzten Momentaufnahmen in der Lokalisierung von Unterwasserquellen, erfordert jedoch Verbesserungen in ihrer Auflösung und Genauigkeit. Inspiriert von Deep-Learning-Architekturen schlägt dieses Werk ein Multi-Layer-Restwert-Beamforming-Rahmenwerk vor, das Array-Momentaufnahmen durch 2 K-Schichten mit alternierender Phasenkompensation und Quellenstornierung verarbeitet, um Ankunftsrichtungen für K Quellen zu schätzen. Simulationen bestätigen die Robustheit der vorgeschlagenen Methode gegenüber Array-Fehlanpassungen und ihre Fähigkeit zur genauen Quellenlokalisierung unter herausfordernden Bedingungen, mit einer Schätzgenauigkeit, die mit LASSO (d.h. dem Least Absolute Shrinkage and Selection Operator) vergleichbar ist, während sie die Deconvolution-Beamforming-Methoden übertrifft. Die experimentelle Validierung mit dem SWellEx-96-Datensatz bestätigt die praktische Machbarkeit der Methode.
Chen et al. (Wed,) haben diese Frage untersucht.