《Sensors》：Toeplitz-Enhanced Array Covariance Processing for DOA Estimation Under Low SNR and Limited Snapshots
编辑推荐：
多源波达方向（Direction of Arrival, DOA）估计对于阵列处理、雷达以及感知与通信一体化至关重要，然而经典子空间方法在低信噪比和快拍匮乏条件下，由于样本协方差矩阵不准确而性能下降。为此，研究人员提出了一种用于DOA估计的Toeplitz增强
多源波达方向（Direction of Arrival, DOA）估计对于阵列处理、雷达以及感知与通信一体化至关重要，然而经典子空间方法在低信噪比和快拍匮乏条件下，由于样本协方差矩阵不准确而性能下降。为此，研究人员提出了一种用于DOA估计的Toeplitz增强神经网络（Toeplitz-enhanced neural network, TENN-DOA），这是一种面向均匀线阵的混合物理信息框架，将阵列信号处理先验与轻量级学习回归器相结合。前端显式地强制Hermitian–Toeplitz结构，并通过解析推导的最优收缩系数将投影矩阵与样本协方差矩阵融合，从而得到稳健的协方差估计。该增强表示被映射到过完备角度字典上，产生一个与阵列流形结构耦合的特征序列。一个无池化的一维卷积神经网络采用递减卷积核尺寸，从大核开始以捕获由网格失配引起的宽谱包络，然后在多热监督下回归到伪空间谱以获得网格点估计。蒙特卡罗仿真结果表明，在低信噪比、有限快拍以及仿真理想均匀线阵场景条件下，与MUSIC、TLS-ESPRIT以及基于深度学习的基线算法DA-MUSIC相比，TENN-DOA实现了更高的分辨概率和更低的均方根误差。
波达方向（DOA）估计是阵列信号处理的基本问题，广泛应用于雷达、通信、声呐、电子侦察与空间态势感知。经典子空间方法如MUSIC和ESPRIT依赖样本协方差矩阵（SCM）的特征结构来分离信号与噪声子空间，在阵列校准良好、信噪比（SNR）充足且快拍数较多时具有高分辨率。然而，被动感知常需在短相干处理间隔内观测非合作目标，导致低信噪比和有限快拍环境。此时SCM可能病态、秩亏或严重扰动，特征值间隙与子空间正交性不可靠，谱峰展宽、融合或出现伪峰。线性收缩虽能减小协方差估计方差，但系数依赖模型与数据分布。理想的均匀线阵（ULA）在空间平稳统计下，总体协方差具有Hermitian–Toeplitz结构，因此Toeplitz投影可作为物理驱动的正则化先验。同时，深度学习方法已用于DOA估计，但直接将劣化SCM输入网络会迫使模型同时学习去噪、几何编码与峰值判别，训练困难且泛化受限。为此，研究人员提出了Toeplitz增强神经网络TENN-DOA，旨在结合阵列信号处理先验与轻量级学习回归器，提高低信噪比、有限快拍条件下两个紧密信号源的分辨性能。该成果发表于《Sensors》。
研究人员提出的TENN-DOA框架分为结构增强前端和学习型谱回归后端。主要关键技术方法包括：第一，Hermitian–Toeplitz投影，通过沿对角线平均SCM条目，抑制有限快拍波动并保持ULA结构先验；第二，数据自适应线性收缩，基于期望Frobenius风险解析推导收缩系数，将Toeplitz目标与SCM凸组合，并截断至[0,1]；第三，正半定（PSD）投影，通过特征值截断保证协方差合法；第四，过完备角度字典投影，将增强协方差向量化并与各候选方向秩一原子匹配，得到与角度网格对齐的实值方向响应序列；第五，无池化一维卷积神经网络，采用递减卷积核尺寸（21、15、11、5、3），以多热监督回归伪空间谱；第六，峰值检测输出两个网格约束DOA。仿真数据为蒙特卡罗生成的理想ULA场景，无实际样本队列。
研究结果部分如下：
不同信噪比下的分辨性能：固定两源间隔约1°、快拍数N=100，SNR从-10 dB扫描至10 dB。结果显示，在SNR=-10 dB时TENN-DOA对1°间隔目标的分辨概率接近0.94，而多数非学习基线低于0.15；在0 dB时DA-MUSIC和TS-MUSIC也达到1.000，说明优势集中在低信噪比区。
紧邻目标分辨性能：固定SNR=-8.5 dB、N=100，角度间隔从0.2°扫描至3.2°。TENN-DOA在间隔0.8°时分辨概率超过90%，而传统方法需更大间隔才进入稳定高分辨区域；在最小测试间隔下TENN-DOA的均方根误差（RMSE）更低。
快照利用效率：固定两源间隔约1.5°、SNR=-5 dB，快拍数从25增加到500。TENN-DOA在N=25时分辨概率即高于90%，而传统方法需要更多快拍；在小样本区域内TENN-DOA误差更小。
消融研究：在固定恶劣场景（DOA=[2.5°,3.5°]，N=70，SNR=-5 dB）下比较变体。A1（原始SCM输入）的PoR低于0.25且误差显著更大；A2（保留协方差增强但去除角度匹配）优于A1但仍低于完整模型；A3（用小核堆栈替代递进大核）精度低于完整模型。这表明协方差结构增强、角度字典投影和递进感受野设计均有贡献。此外，TENN-DOA的字典投影+网络推理+峰值选择总耗时1.71 ms，而MUSIC为0.97 ms。
离网格DOA估计与误差分析：场景1（SNR=-10 dB，间隔4.7°，N=1000，扫描-60°至55°）中，TENN-DOA轨迹平滑、误差集中，MUSIC、CBF、MVDR在边界处出现峰漂移；场景2（SNR=-5 dB，间隔2.11°，N=100，扫描-60°至60°）中，TENN-DOA仍保持可用，而MUSIC、Root-MUSIC、TLS-ESPRIT误差较大；场景3（SNR=-10 dB，间隔4.7°，N=1000，扫描-90°至90°含端射方向）中，TENN-DOA在宽角域和端射方向保持稳定，传统方法在边界区域误差增大。这些结果说明结构化增强输入与卷积网络局部模式判别能力提高了估计连续性和准确性。
讨论部分指出两点观察：第一，结构化协方差处理和角度匹配改善了低信噪比、有限快拍、两源ULA场景下的学习估计器性能；第二，该增益不能仅归因于网络规模，消融实验分离了各模块的独立贡献。研究目前局限于已知K=2、训练网格和仿真理想ULA数据，实测阵列、更大或未知源数、学习或扰动字典、连续定位等问题尚待解决。
研究结论为：本文提出TENN-DOA，一种用于理想校准均匀线阵的基于网格的混合估计器，场景包含两个等功率不相关信号源和空间白复高斯噪声。该方法集成了Hermite–Toeplitz投影、数据自适应收缩、正半定投影、实域角度匹配和轻量级一维卷积神经网络，通过峰值检测获得两个网格约束DOA。围绕信噪比、快拍数、角度间隔和网格失配开展了主要比较仿真，对比算法包括常规波束形成、最小方差无失真响应、多重信号分类、求根MUSIC、TLS-ESPRIT、数据自适应MUSIC、稀疏贝叶斯学习、离网格稀疏贝叶斯学习以及TS-MUSIC。仿真结果表明，所提方法在低信噪比、有限快拍和紧密间隔等恶劣条件下实现了更高分辨概率和更低RMSE。未来工作可扩展至更多或未知数量的信号源、相关不等功率源、真实阵列校准与耦合效应、有色非高斯噪声、学习或扰动字典、多随机种子以及连续定位与不确定性感知定位。
