基于扩张邻域注意力与时序卷积网络的无网格相干极化波达方向估计算法

《Digital Signal Processing》：Gridless Coherent Polarization-DOA Estimation with Dilated Neighborhood Attention and Temporal Convolutional Network

本文提出了一种融合多并行扩张邻域注意力Transformer（MDTP）与交错残差时序卷积网络（IRTCN）的级联模型，解决了低信噪比（SNR）和相干信号场景下的极化波达方向（DOA）估计难题。该模型通过空间-极化域多维特征提取和子空间依赖关系捕获，在减少参数量的同时显著提升估计精度（RMSE），为复杂电磁环境下的多维角度估计提供了高效解决方案。

　　

研究亮点

1) 在前端，我们提出MDTP方法，通过多并行扩张注意力机制从多样本特征子空间中高效提取空间分布与极化特性。相较于DiNAT采用的静态注意力模式，MDTP在处理多维特征输入时展现出更强的环境适应性，有效抑制信息冗余。结合Patch Merge技术，本方法在保证高质量多维特征提取的同时显著降低模型复杂度，特别适用于样本丰富但资源受限的场景。

2) 在后端，我们设计IRTCN方法，专门用于捕捉MDTP中不同特征子空间间空间-极化域多维特征的交互依赖关系。该方法促进不同特征子空间内空间分布与极化特性的深度融合。此外，IRTCN通过点卷积优化后引入残差连接，增强了模型学习融合空间-极化域多维特征的鲁棒性。

3) 通过大量仿真实验，我们首先评估了所提方法在参数选择方面的合理性，重点关注估计性能、计算复杂度和模型复杂度。随后验证了本方法在不同策略下对相干极化-DOA的估计精度，证实了方法的有效性和可靠性。最后通过模型驱动算法与数据驱动方法的对比仿真，确立了本方法在相干极化-DOA估计中的优越性。

信号模型

本研究采用半径为$r$的均匀圆阵（UCA），配置$M$个共点双正交短偶极子，其方向沿$x$轴和$y$轴。第$n$个入射信号的方位角与俯仰角记为$({\phi }_n,{\theta }_n)$，辅助极化角与极化相位差表示为$({\gamma }_n,{\eta }_n)$。空间导向向量表达式如下：

$a_{s,n}={[e^{?j\frac{2\pi }{\lambda }(x_1{?}_{x,n}+y_1{?}_{y,n})},...,e^{?j\frac{2\pi }{\lambda }(x_M{?}_{x,n}+y_M{?}_{y,n})}]}^T$

提出的方法

本节介绍受Transformer多头自注意力机制启发的MDTP模型，该机制通过膨胀稀疏化过程专攻空间-极化域的多维特征提取。随后将MDTP模型与多输出特征交错集成至残差时序卷积网络中，形成级联架构。

仿真结果

本节通过数值仿真评估所提模型效能。实验框架采用UCA阵列，但该方法的数据驱动特性可扩展至多种阵列配置。针对无网格相干极化-DOA估计方法的性能展示如下：仿真中UCA半径$r=3\lambda$，包含$M=10$个共点双正交短偶极子，$\lambda =0.05m$，数据集规模为1,200,000个样本。

结论

本研究通过结合MDTP与IRTCN的级联模型，解决了相干极化-DOA联合估计的精度与效率难题。MDTP子模型以较少参数实现空间-极化域多维特征提取，IRTCN则借鉴自然语言处理思想，通过特征交错与点卷积残差连接增强多维特征依赖关系建模能力。