基于自注意力对抗网络的VLA稀疏阵列效应消除技术

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

1 论文标题：基于自注意力对抗网络的VLA稀疏阵列效应消除技术

2 作者信息：雷 然, 陈 港, 周 娟, 马 帅, 张 利*：贵州大学大数据与信息工程学院，贵州 贵阳

3 出处和链接：雷然, 陈港, 周娟, 马帅, 张利. 基于自注意力对抗网络的VLA稀疏阵列效应消除技术[J]. 建模与仿真, 2024, 13(1): 24-32. https://doi.org/10.12677/MOS.2024.131003

4 摘要：稀疏阵列具有许多的优点，例如其拥有较低的成本效益，较低的相互干扰性，以及很强的灵活性等。但是天线的稀疏化也同时带来一系列问题：分辨率限制、视场失真、较大的旁瓣等，这些问题都能使得观测的同时带来一系列效应。为了最大程度的消除这些效应对观测带来的影响，本文选择深度学习的方法对带有效应的脏图进行重建。本文在CycleGAN网络的生成器当中加入自注意力机制来对效应进行消除。改进后的SACGAN由带有自注意力模块的ResNet与判别器PatchGAN组成，前者用于提取原始图像中的细节特征来生成以假乱真的图片，后者的主要任务是分辨图片是不是生成的图片。实验使用250份天空模型图像，使用3份用VLA.A配置修改的、仅有6根天线的阵列配置来模拟观测。总共750张图像，使用600张进行训练，150张进行测试。测试结果显示，重建图像的PSNR与SSIM分别达到了48.091与0.881。结果表明，本文所使用的深度学习网络能够很好地还原了使用随机模型观测的脏图，在对脏图当中效应的消除起到了良好的作用，能够更好地还原原始天体图像。

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：注意力 信息工程学院 Patch cycle 学习的方法