SubspaceNet: 基于深度学习的子空间方法用于到达方向（DoA）估计

SubspaceNet: Deep Learning-Aided Subspace Methods for DoA Estimation

---

背景与动机

方向到达（DoA）估计是阵列信号处理中的关键任务，广泛应用于雷达、通信和声学领域。经典的子空间方法（如 MUSIC 和 Root-MUSIC）因其高分辨率性能而受到青睐。然而，这些方法在实际应用中面临以下挑战：

1. 低信噪比（SNR）： 噪声会显著影响协方差矩阵的估计精度，导致子空间分解性能下降；
2. 少快拍(snapshots)条件： 快拍数不足会增加协方差矩阵估计的偏差，降低伪谱峰值的分辨能力；
3. 阵列误差和失配： 假设阵列完全校准，而实际中非理想阵列模型会降低方法的适用性。

为了克服这些问题，本文提出了一种结合深度学习与子空间方法的新框架——SubspaceNet。该方法通过深度学习模块增强伪协方差矩阵的鲁棒性，同时保留 Root-MUSIC 的高分辨率特性和理论解释性，特别适用于低 SNR 和少快拍场景。

---

信号模型

接收信号由 $N$ 个均匀线性阵列（ULA）接收，其数学模型为：
$$\mathbf{X}=\mathbf{A}(\mathbf{\theta })\mathbf{S}+\mathbf{V},$$
其中：

• $\mathbf{X}\in {\mathbb{C}}^{N\times T}$ 是接收信号矩阵；
• $\mathbf{A}(\mathbf{\theta })=[\mathbf{a}({\theta }_1),\dots ,\mathbf{a}({\theta }_M)]$ 是导向矩阵；
• $\mathbf{a}({\theta }_k)$ 是方向 ${\theta }_k$ 的导向向量，定义为：
  $$\mathbf{a}({\theta }_k)=[\begin{array}{c}1\\ e^{-j\pi \sin ({\theta }_{}}\end{array}$$