Sequential sensor placement using Bayesian compressive sensing for direction of arrival estimation

Autor: Courcoux-Caro, Milan, Vanwynsberghe, Charles, Baussard, Alexandre, Herzet, Cédric
Přispěvatelé: École Nationale Supérieure de Techniques Avancées Bretagne (ENSTA Bretagne), Laboratoire Vibrations Acoustique (LVA), Institut National des Sciences Appliquées de Lyon (INSA Lyon), Université de Lyon-Institut National des Sciences Appliquées (INSA)-Université de Lyon-Institut National des Sciences Appliquées (INSA), Laboratoire Modélisation et Sûreté des Systèmes (LM2S), Institut Charles Delaunay (ICD), Université de Technologie de Troyes (UTT)-Centre National de la Recherche Scientifique (CNRS)-Université de Technologie de Troyes (UTT)-Centre National de la Recherche Scientifique (CNRS), SIMulation pARTiculaire de Modèles Stochastiques (SIMSMART), Institut de Recherche Mathématique de Rennes (IRMAR), AGROCAMPUS OUEST, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Université de Rennes 1 (UR1), Université de Rennes (UNIV-RENNES)-Université de Rennes (UNIV-RENNES)-Université de Rennes 2 (UR2), Université de Rennes (UNIV-RENNES)-École normale supérieure - Rennes (ENS Rennes)-Centre National de la Recherche Scientifique (CNRS)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-AGROCAMPUS OUEST, Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA)-Inria Rennes – Bretagne Atlantique, Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria), Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-École normale supérieure - Rennes (ENS Rennes)-Université de Rennes 2 (UR2)-Centre National de la Recherche Scientifique (CNRS)-INSTITUT AGRO Agrocampus Ouest, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Inria Rennes – Bretagne Atlantique, ANR-11-LABX-0020,LEBESGUE,Centre de Mathématiques Henri Lebesgue : fondements, interactions, applications et Formation(2011)
Jazyk: angličtina
Rok vydání: 2020
Předmět:
Zdroj: Forum Acusticum
Forum Acusticum, Dec 2020, Lyon, France. pp.303-304, ⟨10.48465/fa.2020.0095⟩
DOI: 10.48465/fa.2020.0095⟩
Popis: International audience; Measurement selection is a general optimization problem with the purpose of minimizing the estimation error. It aims at answering the following question: which set of measurements will give us the best estimation? In our presentation, we propose a method to design an array for direction of arrival (DOA) estimation. Since the measurements are linked to a sensor, the optimization problem becomes a sensor placement problem. To solve it, a greedy data-dependent approach is chosen answering this new question: according to what is measured by the current array, which new sensor position could improve the DOA estimation at most? Concerning the DOA problem, we took inspiration from the compressed sensing (CS) framework, and consider the DOA estimation as a sparse localization problem. With this assumption, one can solve the DOA estimation problem in its undetermined form, by the Sparse Bayesian Inference (SBI). The algorithm estimates the source angles based on a sparsity-promoting hierarchical model. The next sensor choice minimizes a cost function related to the error covariance matrix. In Bayesian experimental design, a common choice is the D-design: it minimises the determinant of the error covariance matrix. In summary, the proposed strategy is a sequential sensor placement based on Bayesian experimental design. It alternates between a step of sparse DOA estimation, and a step to choose the sensor position in the D-optimal sense. The numerical experiments concern a DOA acoustic problem. The results show that an array designed by the proposed method needs less sensors than a random array in order to localize all sources.
Databáze: OpenAIRE
Externí odkaz: