信号处理

作者：白毓杰, 郑桂妹, 宋玉伟, 郑合, 刘方宇

关键词：DOA估计, 深度学习, 均匀线阵, 协方差矩阵, 卷积神经网络

低信噪比（Signal-to-Noise Ratio， SNR）环境下的波达方向（Direction of Arrival， DOA）估计一直是阵列信号处理领域的挑战性问题，阵列信号处理中的协方差矩阵包含了信号的空间相关性和噪声分布信息，它可以被视作一个特殊的“图像”，而无论是图像去噪还是低信噪比DOA估计，核心任务都是从混杂的观测数据中提取出有用的结构化信息。现有的卷积神经网络（Convolutional Neural Network， CNN）等深度学习方法虽然能够提取协方差矩阵的空间特征，但在强噪声干扰下容易丢失细节，导致估计性能下降。受图像去噪领域前沿成果NAFNet（Nonlinear Activation Free Network）启发，本文提出了一种基于CNN-NAFNet级联混合架构的深度学习网络，通过“粗特征提取——精细化增强——全局聚合”三阶段策略来解决低信噪比下的DOA估计难题。首先，网络采用多尺度卷积对输入协方差矩阵数据进行粗粒度特征提取，通过逐层降采样和通道递进式扩张，实现从局部细节到全局整体的多尺度特征聚合，形成对信号空间的初步鲁棒表示；其次，设计NAFNet增强模块对粗特征进行精细化处理，利用SimpleGate机制和简化通道注意力（Simplified Channel Attention， SCA）机制有效抑制噪声干扰，设置多处可学习残差缩放因子，用于动态调节残差连接贡献度，防止深层网络中的梯度消失问题；最后，经过全局特征融合和全连接分类器，输出目标角度的概率分布，实现端到端的DOA估计。仿真结果表明，在低信噪比情况下，所提方法的估计性能优于现有方法，具有一定的鲁棒性和泛化性，同时可满足实际阵列信号处理系统的实时性要求。

来源： 2026年第4期

《信号处理》期刊编辑部

查看信号处理杂志 2026年第4期