将卷积神经网络（CNN）和变换器（Transformer）相结合，用于实现对相干信号的鲁棒到达方向（DOA）估计：一种时空深度学习方法

《IEEE Transactions on Sustainable Energy》：Fusing CNN and transformer for robust DOA estimation of coherent signals: A spatiotemporal deep learning approach

　　

摘要：

为了解决传统相干源到达方向（DOA）估计方法的局限性——这些方法依赖于协方差矩阵的秩恢复，在复杂环境中表现不佳，以及由于在相干DOA估计过程中时空特征提取不足导致的神经网络模型不稳定问题，本文提出了一种结合卷积神经网络（CNN）和Transformer的混合神经网络，用于从阵列接收到的信号中联合提取时空特征。该模型将DOA估计视为一个回归问题，直接建模接收信号与DOA之间的映射关系。通过使用阵列接收到的信号作为输入，模型首先利用CNN提取空间特征。得到的特征图被重新结构化后输入到多头注意力机制中，以捕捉阵列元素之间的空间关系。最后，学习到的特征被输入到Transformer模型中，以捕捉来自同一阵列元素的不同快照之间的接收信号的长距离依赖性，从而抑制时间相干性。通过结合CNN的局部特征提取和Transformer的全局依赖性建模，这种方法克服了单一模型架构在同时捕获局部和全局特征方面的局限性，显著提高了对复杂相干信号的表示能力。实验结果表明，在低信噪比、有限快照数量和多个源等具有挑战性的条件下，所提出的方法表现出强大的鲁棒性和可靠性。