Resumen

En el procesamiento de señales en arreglo, la dirección de llegada (DOA, por sus siglas en inglés) de la fuente de señal ha despertado un amplio interés de investigación debido a sus amplias aplicaciones en campos como sonar, radar, comunicaciones, detección médica y contramedidas electrónicas. En los últimos años, la aplicación del aprendizaje profundo (DL, por sus siglas en inglés) en la estimación de DOA ha logrado un gran éxito. Este estudio proporciona una revisión sistemática de la investigación sobre la estimación de DOA utilizando métodos de redes neuronales profundas. Se seleccionaron manualmente veinticinco artículos relacionados con esta investigación de cinco bases de datos prominentes (SpringerLink, IEEE Xplore, ScienceDirect, Scopus y Google Scholar) para su exploración. Se plantean seis preguntas que describen la tendencia general de la estimación de DOA utilizando aprendizaje profundo. Luego, respondemos a estas preguntas revisando la literatura. Esta revisión es útil para los investigadores en este campo porque proporciona información más específica y completa necesaria para futuras investigaciones. Específicamente, primero analizamos el contexto de los artículos seleccionados, incluyendo el tipo de publicación, el número de citas y el país de origen. Luego, se analiza sistemáticamente la tecnología de DL utilizada en la estimación de DOA, incluyendo el propósito de utilizar DL en la estimación de DOA, varios modelos de DL (redes neuronales convolucionales, redes neuronales profundas y redes de combinación) y varios esquemas de estimación de DOA. Finalmente, se utilizan varios criterios de evaluación (error cuadrático medio, precisión y error absoluto medio) para evaluar la tecnología de DL en la estimación de DOA, y se analizan varios factores (relación señal-ruido, número de instantáneas, número de antenas y número de fuentes de señal) que afectan la estimación de DOA. Basándonos en nuestros hallazgos, creemos que el aprendizaje profundo puede realizar una buena estimación de DOA, y aún hay margen para mejorar la tecnología de aprendizaje profundo. En este estudio, los factores que afectan la estimación de DOA pueden ser utilizados como dirección para que los investigadores realicen investigaciones más profundas.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Procesamiento de señales de array; Dirección de llegada; Aprendizaje profundo; Estimación DOA; Métodos de redes neuronales; Criterios de evaluación
• Keywords:Array signal processing; Direction of arrival; Deep learning; DOA estimation; Neural network methods; Evaluation criteria