典型文献
自注意双路径RNN用于汽车雷达干扰抑制
文献摘要：
雷达是自动驾驶的重要组成部分,通过雷达的发射和接收信号我们可以估计目标距离和速度.随着雷达的广泛使用,不同车辆安装的雷达之间会产生相互干扰,导致本底噪声升高,严重影响目标的可检测性.近年来研究者们开始用深度学习方法来抑制雷达干扰,目前常用的方法大多是基于频域或时频域,但基于深度学习的语音分离方向的研究已证明基于时域的方法相对于其他方法的优越性.然而传统的循环神经网络(Recurrent Neural Network,RNN)对长序列信号建模十分困难,因此本文使用了自注意双路径循环神经网络(Dual-Path Recurrent Neural Network with Self Attention,DPRNN-SelfAttention),用于在深层结构中对长序列进行建模.DPRNN-SelfAttention将长序列输入拆分为更小的块,并迭代地应用块内和块间操作处理整个序列的信息,其中输入长度与每次操作中原始序列长度的平方根成正比.实验结果表明,本文方法可以抑制多个干扰,并能估计抑制干扰后的目标幅度和相位.
文献关键词：
自动驾驶;干扰抑制;深度学习;DPRNN-SelfAttention
中图分类号：
作者姓名：
文豪;高勇
作者机构：
四川大学电子信息学院, 四川成都 610065
文献出处：
引用格式：
[1]文豪;高勇-.自注意双路径RNN用于汽车雷达干扰抑制)[J].雷达科学与技术,2022(06):678-687
A类：
双路径循环神经网络,DPRNN,SelfAttention
B类：
自注,汽车雷达,雷达干扰,干扰抑制,自动驾驶,接收信号,估计目标,标距,同车,相互干扰,本底,可检测性,深度学习方法,时频域,语音分离,其他方法,Recurrent,Neural,Network,信号建模,十分困难,Dual,Path,深层结构,拆分,代地,平方根,成正比,制干,幅度和相位
AB值：
0.323175
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
