The Future is Fluid: Revolutionizing DOA Estimation with Sparse Fluid Antennas
本文提出一种稀疏流体天线系统（FAS）设计框架，利用天线元件移动性扩展空间自由度，并设计两种阵列结构与基于视距的闭式 DOA 估计器，在毫米波环境中实现了高精度且鲁棒的信号源定位。
2025-08-14 eess.SP
Robust 2-D DOA Estimation in a Polarization Sensitive Single User Environment
除了传统的参数（如信噪比、阵列几何形状和尺寸、样本大小）之外，其他一些因素（如天线阵元的对准、极化参数）也会影响波达方向（DOA）估计算法的性能。当所有的天线单元是相同的对齐，极化参数不影响导向矢量，这是所有的传统DOA算法的基本假设。不幸的是，在这种情况下，对于给定的一组波达方向角度，存在一系列极化参数，这可能导致阵列中所有天线元件的信噪比（SNR）非常低。为了避免这种类型的灾难性事件，不同的天线元件需要不同地对准。然而，这一事实将使几乎所有常用的DOA估计算法无法操作，因为导向矢量被极化参数污染。据我们所知，文献中没有任何工作解决这个问题，即使是单用户环境。在本文中，这条线的调查是追求。我们考虑一个圆形阵列的天线元件的数量最少，并提出了一个天线对准方案，以确保在任何给定的点，不超过一个元素将遭受显着低信噪比由于极化的贡献。提出了一种低复杂度的DOA估计算法。我们对待MUSIC作为基线算法，并证明它可以可靠地工作在所有可能的DOA和极化环境。最后，对上述两种算法进行了性能和复杂度分析.
2022-03-14 eess.SP
Joint Shape-Position Optimization Enhanced 2D DOA Estimation in Movable Antenna Systems
Key Laboratory of Near-Range RF Sensing ICs and Microsystems (NJUST), Ministry of Education, School of Electronic and Optical Engineering, Nanjing University of Science and Technology（南京理工大学电子与光学工程学院近程射频感知集成电路与微系统教育部重点实验室）；Qian Xuesen College, Nanjing University of Science and Technology（南京理工大学钱学森学院）
本文提出联合形状-位置优化方法，通过最小化CRB提升可移动天线系统中二维到达角估计性能，采用等边三角形结构简化约束条件，优化天线位置以提高估计精度。
2026-04-05 eess.SP
A Machine Learning Approach to DoA Estimation and Model Order Selection for Antenna Arrays with Subarray Sampling
本文研究子阵采样系统的波达方向估计和模型阶数选择问题。因此，我们专注于场景，其中有源源的数量不小于同时采样的天线元件的数量。为此，我们提出了新的计划，神经网络和估计相结合的神经网络与梯度步骤的似然函数。这些方法能够在均方误差和模型选择精度方面优于现有的估计器，特别是在低快照域中，计算复杂度大大降低。
2021-06-13 eess.SP
DoA Estimation with Sparse Arrays: Effects of Antenna Element Patterns and Nonidealities
本文研究了稀疏阵列在方向估计中的性能，发现使用方向性天线元件可显著提升精度和覆盖距离。
2025-11-28 eess.SP
Joint DOA and Non-circular Phase Estimation of Non-circular Signals for Antenna Arrays: Block Sparse Bayesian Learning Method
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Hangzhou Dianzi University（杭州电子科技大学）
本文提出了一种基于块稀疏贝叶斯学习的方法，用于非圆信号的联合方向到达和非圆相位估计，通过块稀疏模型和FMLM算法提升了信号恢复性能。
2026-01-14 eess.SP
Compressive Toeplitz Covariance Estimation From Few-Bit Quantized Measurements With Applications to DOA Estimation
School of Mathematics and Statistics, Xi’an Jiaotong University（西安交通大学数学与统计学院）
本文提出了一种在稀疏观测和粗量化条件下估计 Toeplitz 协方差矩阵的方法，并展示了其在方向估计中的应用效果。
2026-08-28 eess.SP
Low Complexity DoA-ToA Signature Estimation for Multi-Antenna Multi-Carrier Systems
针对多天线多载波系统中在网格DoA-ToA估计受频谱泄漏影响精度不足的问题，提出基于DFT多级微调的低复杂度估计法和基于2D-OMP的压缩感知超分辨率估计法，在接近2D-MUSIC性能的同时大幅降低计算复杂度。
2024-09-13 eess.SP
Graph Attention Network Based Single-Pixel Compressive Direction of Arrival Estimation
İstanbul Technical University（伊斯坦布尔理工大学）；Queen’s University（女王大学）；Polytechnique Montréal（蒙特利尔理工学院）
在本文中，我们提出了一种利用基于图注意力网络（GAT）的深度学习框架的单像素压缩波达方向（DoA）估计技术。物理层压缩使用编码孔径技术实现，使用一组时空非相干模式探测入射在孔径上的远场源的光谱。然后将该信息编码并压缩到编码孔径的信道中。编码孔径是基于超表面天线设计，它作为一个接收机，表现出单通道，并取代传统的多通道光栅扫描为基础的解决方案的DOA估计。GAT网络使得压缩DoA估计框架能够直接从使用编码孔径获取的测量中学习DoA信息。该步骤消除了对额外重建步骤的需要，并且显著简化了处理层以实现DoA估计。我们表明，所提出的GAT集成单像素雷达框架，即使在相对较低的信噪比（SNR）水平下，也可以检索高保真度的DOA信息。
2021-11-01 cs.IT cs.LG eess.SP
Antenna Failure Resilience: Deep Learning-Enabled Robust DOA Estimation with Single Snapshot Sparse Arrays
本文提出首个针对单快照稀疏阵列DOA估计的深度学习框架，通过稀疏信号增强层提升天线故障下的鲁棒性，并在仿真与真实数据上验证了有效性。
2024-05-05 eess.SP
Dir-MUSIC Algorithm for DOA Estimation of Partial Discharge Based on Signal Strength represented by Antenna Gain Array Manifold
巡检机器人广泛应用于智能电网变电站监测领域，局部放电是设备绝缘状态的重要标志。采用传统波束形成和到达时间差（TDOA）的PD波达方向（DOA）算法需要大规模天线阵列和高计算复杂度，这使得它们难以在检测机器人上实现。针对这一问题，提出了一种基于信号强度的定向多信号分类（Dir-MUSIC）PD测向算法，并设计了一种小型化定向螺旋天线圆阵。首先，推导了基于阵列流形特征的Dir-MUSIC算法。该方法利用信号强度信息而不是时差信息，降低了计算难度和对阵列尺寸的要求。其次，通过仿真详细讨论了信噪比和阵列流形误差对算法性能的影响。然后根据定位要求，对天线阵及其排列方式进行了设计和优化，仿真结果表明，该算法在6阵元形式下具有可靠的测向性能。最后，通过实际场景中所设计的螺旋圆阵来验证算法的有效性。实验结果表明，局部放电测向误差为3.39°，能够满足变电站巡检机器人局部放电方位估计的需要。
2022-04-19 eess.SP
Off-Grid DOA Estimation Using Sparse Bayesian Learning in MIMO Radar With Unknown Mutual Coupling
在实际的多天线雷达中，天线的非理想性会降低系统的性能。研究了天线间互耦效应未知的多输入多输出（MIMO）雷达系统的波达方向（DOA）估计问题。为了利用目标在空间域的稀疏性，基于压缩感知（CS）的方法通过对检测区域进行离散化并构造字典矩阵来实现，因此离散化过程会导致\emph{off-grid}间隙。与现有的DOA估计方法不同，本文同时考虑了稀疏采样引起的离网间隙和天线间未知的互耦效应，建立了一种新的稀疏系统DOA估计模型。然后，提出了一种基于稀疏贝叶斯学习的互耦稀疏贝叶斯学习方法（sparse Bayesian learning with the mutual coupling，SBLMC），该方法基于期望最大值（expectation-maximum，EM）方法对噪声方差、互耦向量、离网向量和散射系数方差向量等未知参数进行估计。此外，所有未知参数的先验分布的理论推导。对于未知互耦效应的MIMO雷达，SBLMC方法在保持可接受的计算复杂度的同时，其DOA估计性能优于现有方法。
2022-03-19 eess.SP
Deep-learning-aided Low-complexity DOA Estimators for Ultra-Massive MIMO Overlapped Receive Array
基于大规模多输入多输出（MIMO）的全数字接收天线阵列给传统的波达方向（DOA）估计算法和神经网络训练带来了巨大的复杂度，难以满足未来无线通信中高精度、低时延的应用需求。为了解决这个问题，本文提出了两种估计器OPSC和OSAP-CBAM-CNN。该算法首先将天线阵列均匀划分为多个相互重叠的子阵，每个子阵按比例交叉，进行DOA估计，产生粗角度，然后将所有角度进行相干合并，得到较好的DOA估计，最后在很小的范围内采用最大似然交替投影（ML-AP）进行DOA估计，其具有比直接划分子阵列更好的性能。为了进一步降低传统估计算法的复杂度，利用深度神经网络（DNN）来离线训练接收信号协方差矩阵与估计角度之间的关系。针对大规模阵列训练网络复杂度高的问题，在OSAP-CBAM-CNN方法中，将复杂网络按重叠子阵划分为若干个较小的网络，给出粗略的DOA估计，然后进行相干合并和AP算法，得到最终的DOA估计。仿真结果表明，随着天线数量的增加，所提出的方法可以实现一个显着的减少复杂度比传统的ML-AP算法。
2023-01-15 eess.SP
DOA Estimation-Oriented Joint Array Partitioning and Beamforming Designs for ISAC Systems
针对ISAC系统多用户通信与雷达感知的性能权衡问题，提出动态分区天线阵列架构，联合设计阵列划分与发射波束成形以最小化DOA估计误差，并开发交替算法及启发式策略，仿真验证其有效性。
2025-02-13 eess.SP
Supervised Learning Based Super-Resolution DoA Estimation Utilizing Antenna Array Extrapolation
针对多输入多输出（MIMO）雷达，提出了一种新的DOA估计算法，该算法可以显著减少精确估计波达方向所需的天线阵元数。新提出的算法预测的接收信号的一个大的天线设置使用减少的天线数量，通过使用耦合字典学习。因此，这使得MIMO雷达能够解析更多的路径，而这些路径无法通过更少的天线来解析。具体来说，我们克服了由于一个小的虚拟阵列设置的DOA估计不准确的问题。例如，我们可以使用字典学习来预测100个虚拟数组元素，只使用25个。为了评估我们的算法，我们使用多信号分类（MUSIC）的DOA估计技术来估计非相干多个目标的DOA。结果表明，该算法利用预测的接收信号可以分辨出场景中的所有目标，而仅利用简化天线阵的接收信号是无法分辨出场景中所有目标的。
2020-09-15 cs.IT eess.SP math.IT
Deep Learning for DOA Estimation in MIMO Radar Systems via Emulation of Large Antenna Arrays
Institute of Digital Communication Systems, Ruhr University Bochum（鲁尔大学波鸿数字通信系统研究所）；Department of Electrical and Computer Engineering, Purdue University（普渡大学电气与计算机工程系）
提出了一种基于MUSIC的小天线阵列波达方向（DOA）估计策略，通过深度学习重构虚拟大天线阵列的信号。所提出的策略不仅提供比简单地将传入信号插入到MUSIC中更好的性能，而且令人惊讶的是，对于高角度范围和低测试SNR值，该性能也优于直接使用具有MUSIC的实际大型天线阵列。我们进一步分析了作为测试SNR的函数的训练SNR的最佳选择，并观察了该函数在不同角度范围内的行为的显着变化。
2021-03-05 cs.LG eess.SP
CRB Analysis for Mixed-ADC Based DOA Estimation
本文针对混合ADC（高精度与一位ADC）的均匀线性阵列DOA估计，推导了天线变化阈值下的CRB及其渐近界，提出两步算法（改进SLIM加循环细化），并证明高精度ADC均匀分布在ULA边缘可提升性能。
2024-03-14 eess.SP
Two Low-complexity DOA Estimators for Massive/Ultra-massive MIMO Receive Array
采用大规模/超大规模全数字接收天线阵的基于特征分解的测向方法导致了高或超高的复杂度。为了解决这一问题，本文提出了三种低复杂度的估计方法：分区子阵自相关合并（PSAC）、分区子阵互相关合并（PSCC）和幂迭代最大相关逐次凸逼近（PI-Max-CSCA）。与传统的根多重信号分类（Root-MUSIC）等不分区测向方法相比，PSAC方法将天线集均匀划分为子阵，每个子阵独立进行DOA估计，然后将所有DOA估计进行相干合并，得到最终的DOA估计。为了获得更好的性能，在PSCC方法中进一步利用子阵列之间的互相关，以在自相关的帮助下实现近Cramer-Rao下限（CRLB）性能。为了进一步降低计算复杂度，在PI-Max-CSCA方法中，利用部分子阵进行初始粗测，利用整个子阵采用幂迭代法计算更精确的导向矢量，再利用子阵的初始粗测和导向矢量通过逐次凸逼近求解最大相关法得到更精确的DOA值。仿真结果表明，随着天线数量的增加，所提出的三种方法可以实现显着降低复杂度比传统的Root-MUISC。特别地，PSCC和PI-Max-CSCA可以达到CRLB，而PSAC表现出相当大的性能损失。
2022-08-10 eess.SP
Theoretical Investigation of Nonclassical Directional Emission in 1D and 2D Quantum-Dot Antenna Arrays and Quantum DoA Estimation
National Institute of Technology Rourkela（印度理工学院鲁尔基分校）
该研究纠正了量子点阵列定向辐射不对称性的错误解释，提出量子天线判据，推导相关理论界并修正参数，其结果经数值验证，为量子天线及量子到达角估计提供理论支撑。
2026-10-14 eess.SP
Low-Complexity Gridless Single-Snapshot DoA Estimation via Truncated Hankel Newton-MUSIC
The Hong Kong University of Science and Technology（香港科技大学）；Southern University of Science and Technology（南方科技大学）；The University of British Columbia（不列颠哥伦比亚大学）
针对高动态场景下单快照DoA估计问题，提出低复杂度无网格截断汉克尔牛顿MUSIC框架，构建特定截断汉克尔矩阵降低计算成本，经二阶牛顿更新减少量化误差，大幅减少运行时间，适用于可重构天线ISAC系统实时传感。
2026-07-10 eess.SP
Deep Autoencoders for DOA Estimation of Coherent Sources using Imperfect Antenna Array
本文提出了一种在天线阵缺陷存在的情况下对相干源进行DOA估计的鲁棒算法。我们利用深度学习的当前进展来克服现有DOA算法面临的两个最常见的问题（即相干源和阵列缺陷）。我们提出了一种深度自动编码器（AE），能够正确地解决相干源，而不需要空间平滑，从而避免可能的处理开销和延迟。此外，我们假设在接收信号模型中存在阵列缺陷，如互耦，增益/相位失配和位置误差。使用接收信号的协方差矩阵来训练深层AE，其中它消除了缺陷的影响，并且同时充当相干源的滤波器。结果表明，显着的改善相比，在文献中使用的方法。
2020-05-06 cs.IT eess.SP math.IT
Grid-less Variational Direction of Arrival Estimation in Heteroscedastic Noise Environment
在水下环境中，水平线阵常被用来估计微弱信号的波达方向（DOA）。传统波束形成（CB）是鲁棒的，但具有宽波束宽度和高电平旁瓣。高分辨率的方法，如最小方差无失真响应（MVDR）和基于子空间的MUSIC算法，产生低旁瓣电平和窄波束宽度，但对信号失配敏感，需要许多快照和源的数量的知识。此外，由于非平稳环境，方差在观测值和传感器之间变化的异方差噪声显着降低了传统方法的性能。研究了异方差噪声环境下的DOA估计问题，其中噪声方差在各快拍和各天线上都是变化的。通过将波达方向视为随机变量，噪声方差的干扰参数在不同快拍和不同天线之间存在差异，提出了一种处理异方差噪声的多快拍变分线性谱估计方法，该方法能够自动估计噪声方差、先验分布的干扰参数、信源个数，并给出波达方向估计的不确定度。当噪声方差仅在快照或天线上变化时，MVHN的变体，即，MVHN-S和MVHN-A可以自然发育。最后，大量的数值实验来说明所提出的算法的性能，包括一个真实的数据集DOA应用。
2020-12-08 eess.SP
In-Situ Calibration of Antenna Arrays for Positioning With 5G Networks
由于蜂窝通信信号的普遍存在，使用第五代（5G）信号的定位已经成为全球导航卫星系统拒绝地区的一种有前途的解决方案。不幸的是，尽管5G远程无线电单元（RRU）中广泛采用的天线阵列促进了对到达波达方向（DOA）的测量，但是基于DOA的定位性能由于阵列误差而严重降级。本文提出了一种现场校准框架，其中用户终端在实际操作环境中的几个已知位置发送5G参考信号，并且可访问的RRU从这些参考信号估计其阵列误差。此外，由于部署用于室内覆盖的6 GHz以下小小区RRU通常具有小孔径天线阵列，而5G信号具有丰富的带宽资源，因此这项工作基于最大似然准则通过超分辨率延迟估计来分离多径分量。这与现有的在空间域中解决多路径的原位校准工作有很大不同。通过数值仿真验证了该方法的优越性。然后，我们通过商用5G设备的现场测试证明，使用所提出的方法通过原位校准可以实现1- $σ$ DOA估计误差减少46.7%。
2023-03-08 eess.SP
Low Complexity Single Source DOA Estimation Based on Reduced Dimension SVR
传统的波达方向（DOA）估计算法由于天线方向图失真和实时执行中的大量计算复杂度而遭受性能下降。支持向量回归（SVR）方法是克服这些限制的一种可能的解决方案。在这项工作中，我们提出了一个顺序的DOA估计技术相结合的减少维SVR（方位角平面）与一个封闭的形式的方法（仰角平面）。因此，训练和测试只需要方位角，这使得它从实现复杂性的角度来看非常有吸引力。我们的分析表明，该算法提供了显着的复杂度增益超过流行的MUSIC算法，同时表现出类似的均方根误差性能。
2021-10-19 eess.SP
Message Passing Based Block Sparse Signal Recovery for DOA Estimation Using Large Arrays
本文提出一种基于消息传递的块稀疏信号恢复算法，用于大规模阵列DOA估计，通过逆DFT构建稀疏模型，实现低复杂度高精度估计。
2023-09-01 eess.SP
Spatially Filtered Sparse Bayesian Learning for Direction-of-Arrival Estimation with Leaky-Wave Antennas
针对漏波天线在相干源下波达方向估计的难题，提出空间滤波稀疏贝叶斯学习框架，通过划分角度扇区求解贝叶斯逆问题，实现稳健准确的估计。
2025-10-12 eess.SP
LO-Free Joint Communication and Sensing via Inter-Antenna Cross-Correlation and Graph-Based Spatial Phase Inference
TÜBİTAK BİLGEM（土耳其科学技术研究委员会生物与信息技术研究中心）；Sabanci University（萨班吉大学）；Istanbul Technical University（伊斯坦布尔理工大学）
提出一种无需本振的联合通信与感知接收机架构，利用天线间互相关处理抑制载波分量并合成相对相位观测，实现数据通信和到达角估计，通过图推断恢复相位并推导克拉美-罗下界。
2026-06-01 eess.SP
Rotatable Antenna-Enhanced Wireless Sensing with Uniform Sparse Array via Tensor Decomposition
Nanjing University of Science and Technology（南京理工大学）；National University of Singapore（新加坡国立大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出了一种配备可旋转天线阵列的新型无线传感系统，通过张量分解方法提高统一稀疏阵列的传感性能，解决了严重的空间欠采样问题，实现了高精度无歧义的到达角估计。
2026-08-11 eess.SP
Interpretable and Efficient Beamforming-Based Deep Learning for Single Snapshot DOA Estimation
本文提出deep-MPDR网络，将MPDR波束形成器转化为可解释的深度学习形式，用于单快照DOA估计，在推理时间、精度、效率和泛化能力上优于传统方法及其他深度网络。
2023-11-29 eess.SP
A Hybrid Dynamic Subarray Architecture for Efficient DOA Estimation in THz Ultra-Massive Hybrid MIMO Systems
针对THz超大规模混合MIMO系统中DOA估计的硬件获取困难、阵列偏差和高计算开销问题，提出混合动态子阵列架构及两种高效降维估计算法，并基于Cramér-Rao下界建立理论框架，仿真验证了其在精度和计算效率上的优越性。
2025-01-30 eess.SP
Phase Spectrometry For High Precision mm-Wave DoA Estimation In 5G Systems
在本文中，我们介绍了一种波达方向（DoA）估计方法的基础上的技术命名为相位谱（PS），主要适用于毫米波和太赫兹应用作为替代DoA估计使用天线阵列。PS是光学中的一种常规技术，用于测量光谱中不同频率处的两个波之间的相位差。这里，我们在无线电频段中为了相同的目的而调整PS。我们表明，我们可以模拟一个大的阵列，利用只有两个天线。为此，我们使用PS测量不同频率的两个天线之间的相位差。因此，我们证明，我们可以从根本上降低接收机的复杂度，采用PS的DoA估计。我们考虑两种不同的方案实现PS：通过长波导和频率码本。我们表明，使用频率码本，可以实现更高的处理增益。此外，我们还介绍了三种PS架构：用于设备到设备DoA估计，用于上行链路场景中的基站和主要用于雷达、空中和卫星通信的超快速DoA估计技术。仿真和分析结果表明，PS是能够检测和区分多个输入信号与不同的DOA。此外，我们的研究结果还表明，PS的角分辨率取决于两个天线之间的距离和频率码本的带宽。最后，PS的性能进行了比较，它表明，PS可以执行相同的，与一个复杂得多的接收机，并没有空间搜索的前提下，DoA估计。
2021-08-02 cs.SY eess.SP eess.SY
Fluid Antenna Enabled Direction-of-Arrival Estimation Under Time-Constrained Mobility
本文针对时间受限移动性下的DOA估计难题，设计了两种专用FA结构并提出TMRLS-MUSIC和TMR-MUSIC两种方法，结合Nystrom近似在降低计算复杂度的同时提升了欠定DOA估计精度。
2025-08-14 eess.SP
Low Complexity Iterative 2D DOA Estimation in MIMO Systems
多输入多输出（MIMO）系统在波达方向（DOA）估计中起着至关重要的作用。MIMO系统中大量天线的使用给MUSIC和ESPRIT等常用DOA估计算法带来了很大的复杂度负担。这使得这些算法在需要快速DOA估计的应用中不切实际。因此，我们从理论上推导出几个有用的噪声子空间向量时，信号源的数量小于发送器和接收器侧的元素的数量。这些噪声子空间向量，然后利用制定一个二维约束的最小化问题，迭代求解，以获得在场景中的所有源的DOA。所提出的迭代算法的收敛性已被数学和数值证明。根据迭代次数，我们的算法可以提供显着的复杂度增益超过现有的高分辨率二维DOA估计算法在MIMO系统中，如MUSIC，同时表现出相当的性能，为中等到高的信噪比（SNR）。
2023-03-15 eess.SP
Low-Cost Beamforming and DOA Estimation Based on One-Bit Reconfigurable Intelligent Surface
在这项工作中，我们考虑的到达方向（DOA）估计问题，在一个低成本的架构，只有一个天线作为接收机是由一个可重构智能表面（RIS）的帮助。我们引入了一位RIS作为信号反射器，以增强非视线（NLOS）情况下的信号传输，并大大简化了DOA估计的物理硬件。我们优化波束形成方案称为测量矩阵集中的回波功率的接收机与目标的粗定位信息作为先验。提出了一种基于改进遗传算法的波束形成方案，在保证约束等距性（RIP）的前提下，优化测量矩阵，满足单波束形成的要求。通过求解一个基于原子范数的稀疏重构问题，对DOA结果进行了精细估计。仿真结果表明，该方法的DOA估计性能优于现有方法。
2022-11-15 eess.SP
On the Resolution Probability of Conditional and Unconditional Maximum Likelihood DoA Estimation
本文针对阈值区域的最大似然波达方向估计问题，利用随机矩阵理论分析了天线数与快拍数相当的渐近场景下条件、无条件ML算法代价函数的高斯分布特性，推导渐近协方差闭式表达式，刻画了分辨概率的渐近行为。
2020-08-03 eess.SP
Cognitive Radar Antenna Selection via Deep Learning
目标的波达方向（DoA）估计随着相控阵雷达天线所采用的单元的数量而改进。由于较大的阵列具有高的相关成本、面积和计算负荷，因此最近人们对在不损失远场DoA精度的情况下使天线阵列变薄感兴趣。在这种情况下，认知雷达可以部署一个完整的阵列，然后选择一个最佳的子阵列来发送和接收信号，以响应目标环境的变化。先前的工作已经使用优化和贪婪搜索方法来认知地挑选最佳子阵列。在本文中，我们利用深度学习来解决天线选择问题。具体来说，我们构建了一个卷积神经网络（CNN）作为多类分类框架，其中每个类指定一个不同的子阵列。所提出的网络确定一个新的阵列，每次数据被雷达接收，从而使天线选择的认知操作。我们的数值实验表明，{建议的CNN结构提供了22%更好的分类性能比支持向量机和由此产生的子阵列产生72%更准确的DoA估计比随机阵列选择。
2019-02-04 eess.SP stat.ML
Hardware Constraints in Compressive Sensing Based Antenna Array
在基于压缩感知（CS）的矩形天线阵列稀疏技术中，引入了基于实际硬件的约束条件。在标准的CS阵列稀疏增强中，天线单元被认为是理想的点源，这与实际的硬件不一致。它也没有考虑相邻天线元件的互耦对阻抗失配的影响。在这项工作中，我们提出了一个组合的约束条件的基础上，物理天线阵列规格，互耦和实际的天线单元辐射性能在CS为基础的阵列细化执法。分析建模与设计实例一起提出和讨论。基于全波电磁仿真的阵列性能表明了该方法的可靠性。
2019-07-20 eess.SP physics.app-ph
Efficient Decoders for Sensing Subspace Code
本文提出高效的传感子空间码解码算法，将复杂度降低至二次，同时提供调节手段以平衡复杂度与误差性能。
2025-12-04 eess.SP
Generative Large-Array Emulation for DOA Estimation in MIMO Radar via Conditional Diffusion
Ruhr University Bochum（波鸿鲁尔大学）；Robert Bosch GmbH（罗伯特·博世有限公司）
针对小孔径MIMO雷达DOA估计精度受限问题，提出直接生成大阵列MUSIC谱的条件扩散方法，利用协阵列压缩和谱峰共识，在仅用小型阵列推理时提升角度估计性能。
2026-09-28 eess.SP
From Partial Calibration to Full Potential: A Two-Stage Sparse DOA Estimation for Incoherently-Distributed Sources with Gain-Phase Uncertainty
本文提出一种两阶段稀疏DOA估计框架，通过部分校准阵列粗估计并补偿增益相位不确定性，利用交替下降法优化求解，有效提升了多径环境下非相干分布源的估计精度与鲁棒性。
2025-01-28 eess.SP
SDOA-Net: An Efficient Deep Learning-Based DOA Estimation Network for Imperfect Array
针对非理想阵列下DOA估计性能退化问题，提出基于深度学习的SDOA-Net，以采样信号为输入，生成与目标数无关的向量，实现高效且鲁棒的DOA估计，并优于现有方法。
2024-03-20 eess.SP
Joint single-shot ToA and DoA estimation for VAA-based BLE ranging with phase ambiguity: A deep learning-based approach
本文提出一种基于深度学习的VAA-BLE测距方法，通过解决相位模糊问题实现单次-shot ToA和DoA联合估计。
2026-01-21 cs.AI cs.IT eess.SP
RFEye in the Sky
我们介绍RFEye，一种通用的技术来定位信号的波形无关，使用一个单一的无人机（UAV）配备只有一个全向天线。这是通过在两个附近位置从半径为1米的球体内的不协调位置获取信号，并在UAV处制定异步分布式接收器波束形成以计算来自未知发射器的波达方向（DoA）来实现的。该方法包括四个步骤：1）盲检测和提取待定位信号中的唯一特征; 2）异步信号采集和调节; 3）通过在无人机上创建虚拟分布式天线阵列来计算DoA; 4）使用来自两个位置的DoA来获得辐射源的位置定位。这些步骤进行了分析的各种来源的错误，计算复杂度和广泛使用的信号子空间为基础的DOA估计算法进行比较。RFEye使用英特尔航空无人机实现，配备USRP B205软件定义无线电，以获取来自地面发射器的信号。实际户外实验表明，RFEye在Wi-Fi的2D和3D中的中值精度分别为1.03米和2.5米，在LoRa（长距离）波形的2D和3D中的中值精度分别为1.15米和2.7米，并且对风和无人机位置误差等外部因素具有鲁棒性。
2020-11-07 eess.SP
DoA Estimation using MUSIC with Range/Doppler Multiplexing for MIMO-OFDM Radar
针对 MIMO-OFDM 雷达在目标数超过阵列维度时 DoA 估计性能受限的问题，提出利用延迟/多普勒滤波与融合抑制旁瓣的两阶段 MUSIC 方法，提升小阵列高密度场景下的估计性能。
2025-06-16 cs.IT eess.SP math.IT
Utilizing Missed Detections in Directional Sensitivity-Based DOA Estimation
Linköping University（林雪平大学）
提出一种基于信号强度的到达方向估计方法，通过将检测到的信号和漏检纳入似然函数，利用已知检测阈值提高估计精度，尤其在漏检率高时效果显著。
2026-07-01 eess.SP
A Novel Antenna Placement Algorithm for Compressive Sensing MIMO Radar
在共址压缩感知MIMO雷达中，测量矩阵由天线位置确定。为了保证可接受的恢复性能，该测量矩阵应该满足某些属性，例如，一个小的连贯性。文献中的先前工作通常采用优化天线位置的先验分布的随机布局算法。这些算法的性能是次优的，因为它们可以很容易地通过删除来增强。在本文中，我们提出了一个迭代的天线布局算法，确定性的天线位置。所提出的算法联合定位的发射和接收阵列上的天线元件，从而得到的测量矩阵的相干性最小化。数值模拟表明，该算法的性能明显优于基准，即使在删除。
2022-10-24 cs.IT eess.SP math.IT
Rapid Phase Ambiguity Elimination Methods for DOA Estimator via Hybrid Massive MIMO Receive Array
对于具有$K$子阵列和$N$天线的子连接混合多输入多输出（MIMO）接收机，存在如何在单个时隙内快速消除相位模糊的挑战性问题。首先，提出了一种最大接收功率DOA估计器（Max-RP），用于寻找$K$ -子阵输出功率的最大值，每个子阵负责一个扇区，最大输出所对应扇区的中心角即为真实DOA估计值。为了提高计算精度，设计了Max-RP-QI方法。在建议的Max-RP-QI中，采用二次插值方案来插值对应于Max-RP的最大三个接收功率的三个DOA值。最后，为了实现CRLB，开发了Root-MUSIC + Max-RP-QI方案。仿真结果表明，所提出的三种方法在一个时隙内消除了相位模糊，并且具有较低的计算复杂度。特别地，所提出的Root-MUSIC加Max-RP-QI方案可以达到CRLB，并且所提出的Max-RP和Max-RP-QI与CRLB相比仍然有一些性能损失$2dB\thicksim4dB$。
2022-04-27 eess.SP
Experimental Results of a 3D Millimeter-Wave Compressive-Reflector-Antenna Imaging System
这封信介绍了我们的三维（3D）毫米波（mm波）压缩反射器天线（CRA）成像系统的第一个实验结果。在这个原型中，CRA是3D打印的，并涂有金属喷雾，以便在传统反射器天线（TRA）的表面上轻松引入伪随机散射体。CRA执行入射波前的伪随机编码，从而在成像区域中增加空间分集，并且使得能够有效地使用压缩感知（CS）和成像技术。CRA由多输入多输出（MIMO）雷达提供，该雷达由四个发射端口和四个接收端口组成。因此，在该系统中不需要传统的物理或合成孔径阵列中所必需的机械扫描部件和移相器。实验结果表明，原型的有效性，进行成功的三维重建的T形金属目标。
2018-07-28 eess.SP physics.app-ph
DOA Estimation for Low-Altitude Networks: HAD Architectures, Methods, and Challenges
Ningbo University（宁波大学）；City University of Hong Kong（香港城市大学）；Ningbo University of Technology（宁波工程学院）；Xidian University（西安电子科技大学）；Southwest Jiaotong University（西南交通大学）；Hong Kong Metropolitan University（香港都会大学）
本文探讨低空网络中DOA估计的HAD架构原理、方法及挑战，重点分析SCM重建、多组合器扫描等关键技术及设计权衡，提出可靠部署的HAD解决方案。
2026-04-01 eess.SP
Low-complexity Sparse Array Synthesis Based on Off-grid Compressive Sensing
提出了一种新的基于压缩感知（CS）的非均匀平面阵列稀疏阵列综合方法。特别是，我们提出了一个离网细化技术，同时优化天线元件的位置和激励具有低的复杂性，在响应天线位置优化问题，这是很难为标准CS。更重要的是，我们考虑到最小的单元间距约束，以确保物理上可实现的解决方案。首先提出了低复杂度的离网正交匹配追踪（OMP）算法，然后设计了综合性能更好但复杂度更高的离网前视正交匹配追踪（LAOMP）算法。仿真结果表明，与相关方法相比，本文提出的方案在计算复杂度和综合性能上都有较大的优势。
2022-07-28 eess.SP
Scalable Fluid Antenna Systems: A New Paradigm for Array Signal Processing
City University of Hong Kong（香港城市大学）；Ningbo University（宁波大学）；South China University of Technology（华南理工大学）；Technische Universitat Berlin（柏林工业大学）；Queen Mary University of London（伦敦大学玛丽女王学院）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）；Hong Kong Metropolitan University（香港都会大学）
提出一种可动态调整孔径配置的可扩展流体天线系统（SFAS），基于精确空间几何模型的两阶段源定位策略，无需场假设或模型简化即可实现高精度定位。
2026-05-23 eess.SP
Nested Hybrid Cylindrical Array Design and DoA Estimation for Massive IoT Networks
在保持高网络接入能力的同时降低成本和功耗是大规模物联网（mIoT）网络的关键物理层要求。部署混合阵列是满足要求的成本和能量有效的方式，但是会损害系统自由度（DoF）和信道估计精度。这是因为来自多个天线的信号由混合阵列的射频（RF）网络组合。本文提出了一种新的混合均匀圆柱阵列（UCyA）的mIoT网络。设计了一种基于稀疏阵列技术的嵌套式混合波束形成结构，并提出了相应的基于二阶信道统计量的信道估计方法。因此，仅需要少量RF链来保持UCyA的DoF。我们还提出了一种新的基于张量的二维（2-D）到达方向（DoA）估计算法量身定制的建议的混合阵列。该算法抑制了所有张量模式中的噪声分量，并直接对信号数据模型进行运算，从而以可承受的计算复杂度提高了估计精度。通过Cramer-Rao下限（CRLB）分析验证，仿真结果表明，所提出的混合UCyA阵列和DoA估计算法能够准确估计大量物联网设备的二维DoA。
2020-07-20 eess.SP
BeamSeek: Deep Learning-based DOA Estimation for Low-Complexity mmWave Phased Arrays
BeamSeek结合敏捷波束切换与多层感知机及数据增强，在低复杂度毫米波相控阵上实现快速高精度DOA估计，实验表明其平均估计误差较相关性方法最多降低8度。
2025-08-18 eess.SP
Direction of Arrival Estimation for Non-Coherent Sub-Arrays via Joint Sparse and Low-Rank Signal Recovery
从相干天线阵获得的单个快照中估计多个源的到达方向（DOA）是一个众所周知的问题，这可以通过稀疏信号重构方法来解决，其中DOA是从恢复的高维信号的峰值估计的。在本文中，我们考虑一个更具挑战性的DOA估计任务，其中阵列由非相干子阵列组成（即，由于使用低成本的非同步本地振荡器而观测到不同的未知相移的子阵列）。我们将此问题转化为一个联合稀疏低秩矩阵的重构问题，并解决了其凸松弛问题。虽然波达方向可以估计从凸问题的解决方案，我们进一步表明如何获得改善，如果不是一个估计从这个解决方案的相移，创建“相位校正”的意见，并应用另一个最终（平原，相干）稀疏的DOA估计。数值实验表明，该方法优于基于非相干处理的子阵以及其他基于稀疏性的方法的策略。
2020-11-04 eess.SP
