基于Deep learning的MUSIC声源定位方法（2）

DA-MUSIC: Data-Driven DOA Estimation via Deep Augmented MUSIC Algorithm

---

1. 背景与动机

方向到达（DOA）估计是雷达、通信、声学信号处理等领域的重要任务。经典的 MUSIC（Multiple Signal Classification）算法因其高分辨率能力而被广泛应用。然而，MUSIC 存在以下局限性：

• 对协方差矩阵的估计依赖样本数量，在低信噪比（SNR）下性能显著下降；
• 无法有效处理宽带信号，计算复杂度较高；
• 假设信号源数量已知，这在实际中难以满足。

研究目标

本文提出了一种混合算法 DA-MUSIC，结合深度学习与传统 MUSIC 的优势，解决其局限性，提供高效、鲁棒的 DOA 估计。文章通过伪协方差矩阵的改进、子空间分解和神经网络辅助伪谱分析实现窄高效 DOA 估计。

---

2. 方法：DA-MUSIC 算法

DA-MUSIC 在传统 MUSIC 基础上引入深度学习模块，包括伪协方差矩阵学习、信号子空间分解、伪谱计算以及神经网络辅助伪谱分析和动态信号源数量预测。

2.1 信号模型

窄带信号模型

窄带信号假设源信号在传输过程中没有显著的频率失真或频率扩展，适用于大多数标准的通信和雷达系统。对于由 $M$ 个阵列元件组成的均匀线性阵列（ULA），其接收信号模型为 (假设有K个声源)：

$$\mathbf{x}(t)=\mathbf{A}(\mathbf{\theta })\mathbf{s}(t)+\mathbf{v}(t)$$

其中：

• $\mathbf{x}(t)\in {\mathbb{C}}^{M\times 1}$ 为阵列接收到的信号向量；
• $\mathbf{A}(\mathbf{\theta })=[\mathbf{a}({\theta }_1),\dots ,\mathbf{a}({\theta }_K)]\in {\mathbb{C}}^{M\times K}$ 是导向矩阵；
• $\mathbf{s}(t)\in {\mathbb{C}}^{K\times 1}$ 表示信号源的复信号向量；
• $\mathbf{v}(t)\in {\mathbb{C}}^{M\times 1}$ 是加性高斯白噪声向量。

导向向量 $\mathbf{a}({\theta }_k)$ 定义为：

a ( θ k ) = [ 1 e − j 2 π d sin ⁡ ( θ k ) λ e − j 4 π d sin ⁡ ( θ k ) λ ⋮ e −