波束成形+深度学习赋能！可解释高效单快拍DOA估计新方案deep-MPDR
一、文章题目
基于可解释高效波束成形的深度学习单快拍波达方向估计（Interpretable and Efficient Beamforming-Based Deep Learning for Single Snapshot DOA Estimation）
二、摘要
本文提出一种用于单快拍波达方向（DOA）估计的可解释深度学习方法。MUSIC和ESPRIT等传统子空间方法在均匀线阵上采用空间平滑实现单快拍DOA估计，但存在阵列孔径减小和不适用于稀疏阵列的缺陷；压缩感知（CS）和迭代自适应方法（IAA）等单快拍方法则面临计算成本高、收敛速度慢的问题，难以满足实时应用需求。近年来，基于深度学习的DOA估计方法展现出良好的精度和速度优势，但深度网络的“黑箱”特性阻碍了其实际部署。
为此，本文提出一种deep-MPDR网络，将最小功率无失真响应（MPDR）型波束成形器转化为深度学习框架，显著提升了模型的泛化性和效率。通过模拟数据集和真实数据集的综合实验验证，该方法在推理时间和估计精度上均优于传统方法，且相较于其他深度学习DOA估计网络，在效率、泛化性和可解释性方面表现突出。
三、引言
波达方向（DOA）估计（又称测向）是传感器阵列信号处理中的核心技术，广泛应用于雷达、射电天文学、声纳、导航、遥感、无线通信、生物医学工程和语音处理等多个工程领域。尽管已有大量研究提出了多种算法并对其性能进行了深入分析，但这些研究大多集中于多快拍的渐近场景。然而，在汽车雷达等实际动态应用场景中，可用的DOA估计数据往往仅局限于有限数量的雷达传感器阵列快拍，在最具挑战性的情况下甚至仅为单快拍。
DOA估计方法的研究已历经漫长历程。二战时期诞生的传统（Bartlett）波束成形器基于时空采样数据的傅里叶谱分析，但存在旁瓣电平高和瑞利分辨率受限的问题。随后，最小功率无失真响应（MPDR）波束成形器和最小方差无失真响应（MVDR）波束成形器（常称为Capon波束成形器）被相继提出，这些技术旨在提升近距离信源场景下的信源估计性能。
除波束成形方法外，基于参数子空间的方法（包括多重信号分类（MUSIC）、旋转不变技术参数估计（ESPRIT）及其各类变体）通过数据的二阶统计量实现DOA估计；非线性最小二乘（NLS）方法（又称确定性最大似然（DML）估计）则需通过多维网格搜索求解，但计算复杂度随信源数量呈指数增长。为减轻计算负担，基于稀疏正则化的凸近似方法（如压缩感知）和迭代自适应方法（IAA）被提出，但前者对阵列设计有严格要求，后者仍存在计算成本问题。
这些传统方法均存在明显局限性：需已知信源数量、依赖多快拍数据、不适用于稀疏阵列或计算复杂等。近年来，数据驱动的深度学习DOA估计方法虽具有推理速度快、超分辨能力强等优势，但普遍缺乏可解释性；现有基于模型的深度学习方法仍受限于未知阵列结构和信源数量场景下的性能不足。因此，探索可解释、泛化性强且高性能的深度网络架构仍是信号处理领域的关键挑战。
本文提出一种可解释、高效的深度学习网络deep-MPDR，将MPDR波束成形器原理映射至深度学习框架，融合传统模型的领域知识与深度学习的优势。通过多场景实验验证，该方法在推理时间、精度、泛化性和可解释性上均优于传统算法和其他深度学习方法，为单快拍DOA估计提供了新的解决方案。
四、方法简介
本文提出的deep-MPDR网络核心是将MPDR波束成形器与深度学习相融合，将DOA估计转化为谱估计问题而非多标签分类任务，主要包括系统模型、网络架构、数据生成与训练三部分：
1. 系统模型
考虑K个窄带远场信源信号入射到含N个阵元的通用线性全向天线阵列，单快拍场景下信号模型为y=A(θ)s+ny = A(\theta)s + ny=A(θ)s+n，其中A(θ)A(\theta)A(θ)为阵列流形矩阵，sss为信源向量，nnn为复高斯白噪声向量。MPDR波束成形器通过最小化输出功率并约束目标信号无失真求解权重；IAA算法通过离散DOA空间构建虚拟协方差矩阵，迭代估计反射系数，其每次迭代本质上等价于MPDR型波束成形。
2. deep-MPDR架构
将MPDR波束成形权重计算转化为深度学习的矩阵乘法操作，核心是通过可学习复参数矩阵Φ1−Φ5\Phi_1-\Phi_5Φ1−Φ5映射MPDR的物理过程：Φ1\Phi_1Φ1对应阵列字典矩阵，Φ2−Φ3\Phi_2-\Phi_3Φ2−Φ3实现协方差矩阵逆相关操作，Φ4−Φ5\Phi_4-\Phi_5Φ4−Φ5关联对角占优矩阵。网络输出经归一化层（缩放至0-1）和软阈值层（含可学习参数α\alphaα和β\betaβ）处理，得到反射功率伪谱，通过峰值搜索实现DOA估计。
3. 数据生成与训练
模拟数据集：采用64阵元均匀线阵，生成含3个目标、SNR为15dB的100万条波束向量，标签为目标方向的反射系数幅值；
真实数据集：基于TI成像雷达、FLIR立体相机、Velodyne激光雷达等多模态传感器采集，含195条单目标波束向量，可叠加生成多目标数据；
训练配置：采用Adam优化器、MSE损失函数，训练100个epoch，批大小为1024，通过验证集选择最优权重以避免过拟合。
五、结论
本文提出的deep-MPDR网络融合了MPDR波束成形器的领域知识与深度学习的优势，为单快拍DOA估计提供了可解释、高效的解决方案。该网络通过将MPDR波束成形器转化为深度学习框架，避免了大型矩阵求逆带来的高计算成本，实现了快速推理；同时，得益于模型驱动的设计，其参数数量远少于传统数据驱动深度学习方法，泛化性更强，能够有效适配信源数量未知、稀疏阵列等复杂场景。
综合模拟数据集和真实数据集的实验验证表明，deep-MPDR在推理时间、估计精度、可分离性和可解释性方面均表现优异：在SNR>0dB时精度与IAA、Bartlett波束成形器相当，且显著优于CNN、MLP等深度学习模型；在近距离目标分辨、多目标扩展和稀疏阵列适配场景下泛化性能突出；通过对可学习参数的频谱分析，验证了其与MPDR波束成形器的物理关联，解决了深度学习“黑箱”问题。
该方法为汽车雷达等实时DOA估计应用提供了新的技术路径，未来有望进一步拓展至更多传感器阵列场景和低信噪比环境。
