低信噪比下邻近信号的高分辨率DOA估计方法研究

《Digital Signal Processing》：Research on High-Resolution DOA Estimation Methods for Closely Spaced Signals in Low SNR

　　

对低信噪比条件下邻近信号源的方向到达估计(DOA)仍然是一个关键挑战。经典的基于子空间的算法在这种情况下常常失败，而现有的深度学习模型缺乏有效机制来明确利用共形阵列的特定几何结构。为了解决这一挑战，研究人员提出了一种新颖的多架构融合网络，称为图滤波回归网络(GFR-Net)。该网络首先利用多层感知器(MLP)模块将输入信号分类到不同的信噪比(SNR)级别，从而适应不同SNR范围内信号的建模要求。接下来，采用图神经网络(GNN)构建空间滤波网络，通过捕捉固有的空间相关性来增强信号的结构完整性。最后，卷积神经网络-长短期记忆(CNN-LSTM)混合网络对滤波后的信号进行时空建模，实现精确的DOA回归估计。仿真结果表明，所提出的GFR-Net在低SNR条件下显著提高了邻近信号源的估计精度和角度分辨率，在鲁棒性和可靠性方面优于传统的基于子空间的方法和代表性的深度学习方法。

低信噪比下邻近信号的高分辨率方向到达估计是阵列信号处理中的关键难点。传统基于子空间的算法如多信号分类(MUSIC)和基于旋转不变技术的信号参数估计(ESPRIT)，在低信噪比(SNR)和邻近信号场景下性能显著下降，而现有深度学习模型未能有效利用共形阵列的几何结构。研究人员提出一种多架构融合网络——图滤波回归网络(GFR-Net)，发表于《Digital Signal Processing》。该网络通过多层感知器(MLP)的SNR分类、图神经网络(GNN)的空间滤波和卷积神经网络-长短期记忆(CNN-LSTM)的时空回归，在圆柱共形阵列上实现了高精度DOA估计。仿真证明，GFR-Net在-14 dB SNR下信号分离成功率达到90%，RMSE显著低于传统方法和现有深度模型，展示了强鲁棒性和适应性。

关键技术方法方面，研究人员采用以下主要模块：1) **SNR分类网络**：基于信号协方差张量分解得到的特征值矩阵，利用多层感知器(MLP)将信号分为高(SNR>4 dB)、中(?4 dB≤SNR≤4 dB)、低(SNR
研究结果如下：

**5.1 消融实验**：通过逐步移除分类、滤波和回归模块，测试(7.64°, 9.06°)邻近源在不同SNR下的均方根误差(RMSE)与成功检测概率(PSD)。完整GFR-Net在?20 dB至20 dB全范围RMSE最低，PSD在?14 dB达到90%以上，验证了各模块的协同有效性。

**5.2 网络性能比较**：与Tensor-MUSIC、CNN、Transformer及Transformer-MUSIC对比。

**5.2.1 不同SNR下的PSD比较**：固定快照数1000，GFR-Net在?20 dB至20 dB内PSD始终最高，?14 dB超过90%，?4 dB接近1，而Tensor-MUSIC在低SNR下接近零，CNN和Transformer仅在高SNR有所提升。

**5.2.2 不同快照数下的PSD比较**：固定SNR=?11 dB，快照数500–1500，GFR-Net在低快照下PSD仍>95%，远超其他方法，Tensor-MUSIC和Transformer-MUSIC低快照下PSD<30%。

**5.2.3 不同SNR下的RMSE比较**：固定快照数1000，GFR-Net在?20 dB至20 dB内RMSE始终最低，低SNR区域(
**5.2.4 不同快照数下的RMSE比较**：固定SNR=?11 dB，快照数500–1500，GFR-Net RMSE持续最低，且随快照增加稳定下降，表现出对数据量的稳健适应性。

**5.2.5 不同角度间隔下的RMSE比较**：固定SNR=?11 dB、快照数1000，角度间隔0.5°至4.5°，GFR-Net在全间隔内RMSE最低，尤其在小间隔下保持低误差，体现强角度分离能力。

**讨论与结论**：本研究提出的GFR-Net通过MLP分类、GCN滤波和CNN-LSTM回归的联合优化，在低SNR和邻近信号条件下实现了高分辨率DOA估计。实验结果表明，该方法在-14 dB SNR下信号分离成功率达到90%，RMSE显著低于传统子空间方法和代表性深度学习方法。该网络利用共形阵列的几何结构进行显式空间滤波，并通过SNR自适应分类提升了模型对不同噪声环境的适应性。然而，多阶段框架导致计算复杂度较高，未来需优化以支持实时应用；模型严重依赖大数据集，不足时可能过拟合，需探索数据增强和简化技术；算法在更大规模阵列和高频场景中的可扩展性仍需验证。总体而言，该方法为低SNR下高精度DOA估计提供了创新方案，在信号定位和通信系统中具有广泛应用前景。研究结论：本研究提出一种创新高分辨率DOA估计方法，专为低SNR和邻近信号设计。通过结合MLP进行SNR分类、GCNConv进行空间滤波、CNN-LSTM混合回归模型，有效提升了DOA估计精度，尤其在低SNR下。实验表明，在-14 dB SNR下信号分离成功率90%，显著优于现有方法，展现了强鲁棒性。但多阶段框架计算复杂度高，未来可优化效率以适应实时需求；模型对大数据集依赖大，数据不足时可能过拟合，未来可探索数据增强和模型简化；算法在更大阵列和更高频率场景的可扩展性需进一步验证。总体而言，该研究在低SNR下展现出卓越鲁棒性和适应性，为高精度信号定位和通信系统提供了创新方案。随着计算效率优化和数据积累，该方法有望成为未来高分辨率DOA估计的重要工具，具有广泛应用前景。