基于Deep learning的MUSIC声源定位方法（1）

(1) DeepMUSIC: Multiple Signal Classification via Deep Learning

1. 背景与动机

方向到达估计（DOA）是雷达、声纳、声学和通信等领域中的核心任务，传统的 MUSIC（Multiple Signal Classification）算法是最经典的方法之一。然而，现有方法存在以下局限：

• 模型依赖性：依赖信号协方差矩阵的精确性，对噪声和信号不完善的情况下性能下降显著。
• 多目标估计困难：传统方法对多个目标的 DOA 估计能力有限。
• 计算复杂度高：尤其在大范围扫描或低信噪比（SNR）场景下性能受限。

深度学习近年来在非线性映射和特征提取方面展现出巨大潜力。为此，文章提出了一种基于深度学习的框架 DeepMUSIC，结合传统 MUSIC 算法和深度卷积神经网络（CNN），提升 DOA 估计性能。

---

2. 信号模型

2.1 接收信号模型

在 DOA 估计问题中，考虑一个 $M$ 元均匀线性阵列（Uniform Linear Array, ULA），其接收的信号由多个远场声源传播而来。假设有 $K$ 个远场声源，阵列接收的信号在时刻 $t_i$ 可表示为：
$$\mathbf{y}(t_i)=\sum _{k=1}^K\mathbf{a}({\theta }_k)s_k(t_i)+\mathbf{n}(t_i),i=1,2,\dots ,T$$
其中：

• $\mathbf{y}(t_i)\in {\mathbb{C}}^{M\times 1}$：阵列在时刻 $t_i$ 接收到的信号向量。
• $\mathbf{a}({\theta }_k)\in {\mathbb{C}}^{M\times 1}$：方向角为 ${\theta }_k$ 的导向向量，定义为：
  a ( θ k ) = [ 1 e − j 2 π d sin ⁡