级联集成学习方法用于高效且高精度的到达方向估计

《IEEE Transactions on Sustainable Energy》：Cascaded ensemble learning for efficient and high-accuracy direction of arrival estimation

　　

摘要：

针对传统到达方向（DOA）估计算法在低信噪比环境下性能显著下降的问题，以及基于深度学习的DOA估计算法依赖于大量训练数据和较长的模型训练周期的问题，本文提出了一种基于集成学习的高效且高精度的DOA估计算法。通过将DOA估计问题表述为多标签分类问题，并利用分类链范式，构建了数据驱动模型——分类链随机森林（CC-RF）和分类链极端梯度提升（CC-XGBoost），这两种模型能够处理多标签分类任务。为了验证所提方法的有效性，设计了一个多维对比实验，将其性能与传统的多信号分类（MUSIC）算法和卷积神经网络（CNN）模型进行了基准测试。实验结果表明，在单源和多源场景下，所提出的CC-RF算法均表现出优异的性能，其DOA估计精度可与MUSIC算法相媲美；在多源估计场景中，这两种模型均表现出较强的抗噪声能力。与传统MUSIC和CNN算法相比，CC-XGBoost和CC-RF模型的估计误差降低了近30倍，同时保持了较低的时间复杂度，单次估计时间相比传统方法减少了约90%。本研究为复杂环境下的DOA估计提供了一条技术途径，在雷达检测和无线通信等领域具有重要的应用价值。