استفاده از الگوریتم های تکاملی برای تخمین جهت ورود سیگنال

الگوریتم بیشینه احتمال برای تخمین جهت ورود سیگنال ( DOA ) نسبت به دیگر الگوریتمها در پردازش سیگنال آرایه ای، کارآیی بسیار بیشتری دارد. با توجه به ماهیت غیرخطی و چندبعدی روند حل روش بیشینه احتمال، پیچیدگی محاسباتی آن از جمله مسائل چالش برانگیز در این حوزه است. با ظهور شبکههای عصبی والگوریتمهای تکاملی، تمایل برای استفاده از روشهای سنتی مانند کمینهسازی متناوب AM برای تخمین بیشینه احتمال DOA کاهش یافته است. در این پروژه، از شبکه های عصبی برای تخمین بیشینه احتمال DOA استفاده خواهد شد. با توجه به برخی از ضعفهای شبکههای عصبی چندلایه مانند سرعت همگرایی پایین و گیر کردن در کمینههای محلی، نحوه آموزش این شبکهها بسیار مورد توجه قرار میگیرد. از این رو استفاده از
الگوریتمهای فراابتکاری برای آموزش شبکه عصبی پیشنهاد میشود. همچنین برای بهبود عملکرد الگوریتمهای پیشنهادی از یک یا چند ایده جدید برای توسعه این الگوریتمها استفاده خواهد گردید. برای اثبات توانایی روش های پیشنهادی از شبیه سازی مدل واقعی در نرم افزار Matlab استفاده خواهد شد.

خروجی شبیه سازی شده در محیط متلب 2017