[论文解读] SDOA-Net: An Efficient Deep Learning-Based DOA Estimation Network for Imperfect Array

Peng Chen, Zhimin Chen+3 more|arXiv (Cornell University)|Mar 19, 2022

Direction-of-Arrival Estimation Techniques被引用 5

一句话总结

本文提出 SDOAnet，一种基于深度学习的 DOA 估计网络，以原始采样信号作为输入，输出空间谱向量，可在多种阵列非理想因素下实现鲁棒且高效的 DOA 估计。该方法在收敛速度和性能方面优于传统方法及基于深度学习的方法，尤其在低信噪比（SNR）和高非理想因子场景下表现更优，在 10 dB SNR 时相比 ANM 方法实现 39.13% 的 RMSE 降低。

ABSTRACT

The estimation of direction of arrival (DOA) is a crucial issue in conventional radar, wireless communication, and integrated sensing and communication (ISAC) systems. However, low-cost systems often suffer from imperfect factors, such as antenna position perturbations, mutual coupling effect, inconsistent gains/phases, and non-linear amplifier effect, which can significantly degrade the performance of DOA estimation. This paper proposes a DOA estimation method named super-resolution DOA network (SDOA-Net) based on deep learning (DL) to characterize the realistic array more accurately. Unlike existing DL-based DOA methods, SDOA-Net uses sampled received signals instead of covariance matrices as input to extract data features. Furthermore, SDOA-Net produces a vector that is independent of the DOA of the targets but can be used to estimate their spatial spectrum. Consequently, the same training network can be applied to any number of targets, reducing the complexity of implementation. The proposed SDOA-Net with a low-dimension network structure also converges faster than existing DL-based methods. The simulation results demonstrate that SDOA-Net outperforms existing DOA estimation methods for imperfect arrays. The SDOA-Net code is available online at https://github.com/chenpengseu/SDOA-Net.git.

研究动机与目标

• 解决因阵列非理想因素（如位置抖动、增益/相位误差、互耦效应及非线性）导致的 DOA 估计性能下降问题。
• 开发一种能够同时应对多种阵列非理想效应的基于深度学习的 DOA 估计方法。
• 通过输出空间谱向量，使单一网络可估计任意数量目标的 DOA，从而降低实现复杂度。
• 相比现有基于深度学习的 DOA 方法，提升训练收敛速度。
• 为实际系统中存在非理想硬件的 DOA 估计提供实用的端到端解决方案。

提出的方法

• SDOAnet 使用阵列采集的原始采样信号作为卷积层的输入，避免了协方差矩阵的计算。
• 网络输出一个表示空间谱的向量，可通过谱峰检测实现 DOA 估计，且不依赖于信号源数量。
• 网络架构采用低维结构，以加速训练收敛。
• 通过网络的特征学习过程，隐式利用了信号在空间域的稀疏性。
• 训练过程中采用损失函数，以促进精确的谱重建，从而提升估计分辨率。
• 模型在反映真实阵列非理想因素（包括位置误差、增益/相位失配、互耦效应及非线性失真）的合成数据上进行训练。

实验结果

研究问题

• RQ1 在阵列非理想条件下，基于原始信号训练的深度学习模型是否能优于基于协方差矩阵的方法？
• RQ2 与直接预测 DOA 相比，采用空间谱向量输出是否能提升在不同源数量下的泛化能力？
• RQ3 在真实阵列损伤条件下，SDOAnet 相较于传统方法和基于深度学习的 DOA 方法，在收敛速度和估计精度方面表现如何？
• RQ4 当多种阵列非理想因素同时存在时，SDOAnet 的鲁棒性能够保持到何种程度？
• RQ5 在低信噪比环境下，与 ANM 和 MUSIC 等先进方法相比，所提方法是否能实现更低的 RMSE 和更高的 SNR 增益？

主要发现

• 在 10 dB SNR 条件下，SDOAnet 的 RMSE 达到 0.70°，相比 ANM 方法（RMSE 为 1.15°）实现 39.13% 的性能提升。
• SDOAnet 在 7.5 dB SNR 时的性能等效于 ANM 在 15 dB SNR 时的表现，表明其有效 SNR 增益约为 7.5 dB。
• 与深度频域网络相比，SDOAnet 展现出更优的空间谱分辨率和更平滑的谱输出，后者产生更嘈杂的谱结果。
• 即使在高非理想因子（ξ > 1）条件下，该方法仍保持高性能，显示出对阵列非理想因素的强鲁棒性。
• 由于采用低维架构并直接从原始信号学习特征，SDOAnet 的训练收敛速度显著快于现有基于深度学习的 DOA 方法。
• 所提出的网络在不同源数量下具有良好的泛化能力，因谱向量输出与源数量无关，从而降低了模型复杂度。