Advancing Single-Snapshot DOA Estimation with Siamese Neural Networks for Sparse Linear Arrays
针对稀疏线性阵列单快拍DOA估计存在的旁瓣高、精度差及深度学习训练数据需求大的问题，提出带稀疏增强层的孪生神经网络，提升了估计精度，并公开了代码。
2025-01-13 eess.SP stat.ML
NUV-DoA: NUV Prior-based Bayesian Sparse Reconstruction with Spatial Filtering for Super-Resolution DoA Estimation
提出NUV-DoA算法，结合NUV先验的贝叶斯稀疏重构与空间滤波，在低信噪比下实现高分辨率到达方向估计，并通过分层干扰消除提升多源场景性能。
2023-12-25 eess.SP
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
Two-snapshot DOA Estimation via Hankel-structured Matrix Completion
本文研究了稀疏采样均匀线阵的波达方向估计问题。基于一个初始的不完整的快照测量，我们的策略是选择一个稀疏的数组元素的子集测量下一个快照。然后，我们使用一个Hankel结构的矩阵完成插值缺失的测量。最后，源DOA估计使用子空间方法，如Prony的完全恢复的时间戳。我们从理论上提供了一个足够的界限所需的样本（数组元素）的数量完美的恢复。所提出的方法与现有的技术，如原子范数最小化和离网方法的数值比较证实了所提出的方法的优越性。
2022-02-21 cs.IT eess.SP math.IT
IHT-Inspired Neural Network for Single-Snapshot DOA Estimation with Sparse Linear Arrays
针对汽车 MIMO 雷达中单快拍 DOA 估计的矩阵补全求解器依赖调参且计算成本高的问题，提出受 IHT 启发的 IHT-Net，利用循环神经网络和浅层自编码器替代 t-SVD，实现了快速收敛、高精度与强可解释性。
2023-09-15 eess.SP stat.ML
Super-Resolution DOA Estimation for Arbitrary Array Geometries Using a Single Noisy Snapshot
通过将无网格超分辨波束形成方法扩展到具有噪声测量的任意阵列，解决了任意几何形状传感器阵列的单次噪声快照中的无搜索DOA估计问题。将原原子范数极小化问题转化为对偶问题，其中周期对偶函数用截断傅里叶级数的三角多项式表示。精确表示所需的项的数量线性地取决于最远传感器与参考的距离。对偶问题，然后表示为一个半定规划，并在多项式时间内解决。DOA估计通过多项式求根，然后基于LASSO的方法，以消除多余的根，从噪声数据中的根发现所产生的，然后源幅度恢复最小二乘。利用圆形和随机平面阵列的仿真结果表明，在白噪声和色噪声的情况下，高分辨率的DOA估计。
2019-03-22 cs.IT eess.SP math.IT
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
Spatial Signal Focusing and Noise Suppression for Direction-of-Arrival Estimation in Large-Aperture 2D Arrays under Demanding Conditions
针对苛刻条件下的波达方向估计难题，本文提出基于最优空间滤波器的SSFNS算法，通过空间信号聚焦与噪声抑制，在单快拍、低信噪比等场景下实现了优于传统方法的性能。
2025-10-13 eess.SP
Single-Snapshot Gridless 2D-DoA Estimation for UCAs: A Joint Optimization Approach
School of Electrical and Computer Engineering, College of Engineering, University of Tehran（电气与计算机工程学院，工程学院，德黑兰大学）
针对均匀圆形阵列单快拍二维DOA估计难题，提出联合估计流形变换矩阵与方位-俯仰角的统一优化框架，并用iALM高效求解，实现鲁棒高分辨率无网格估计。
2025-09-27 cs.IT cs.LG eess.SP
Single Snapshot Super-Resolution DOA Estimation for Arbitrary Array Geometries
本文研究了在单次快拍和相干源条件下任意几何形状传感器阵列的无搜索波达方向估计问题。我们扩展的搜索自由的超分辨率波束形成的方法，原来只适用于均匀线阵，阵列的任意几何形状。将连续角域上的无穷维原原子范数极小化问题转化为一个对偶问题。利用周期性，对偶函数，然后表示与三角多项式使用截断傅立叶级数。一个线性的经验法则，推导出用于选择准确的多项式表示所需的傅立叶系数的最小数目，从一个参考点的最远的传感器的距离的基础上。对偶问题，然后表示为一个半定规划和有效地解决。最后，通过多项式求根得到无搜索DOA估计，并通过最小二乘法恢复源幅度。使用圆形和随机平面阵列的仿真表明，完美的DOA估计在无噪声的情况下。
2018-11-15 cs.IT eess.SP math.IT
Alternating projections gridless covariance-based estimation for DOA
提出了一种基于交替投影的无网格稀疏迭代协方差估计方法，用于DOA估计。无网格波达方向估计是通过重构Toeplitz结构的低秩矩阵来实现的，并采用交替投影的方法有效地解决了该问题。该方法通过实现稀疏性来提高分辨率，处理单次快照数据和相干到达，并且，与互质阵列一起，估计比传感器数量更多的DOA。我们评估所提出的方法，重点是互质阵列的仿真结果。
2021-02-12 eess.SP
Semiparametric Stochastic CRB for DOA Estimation in Elliptical Data Model
本文的目的是提出一个数值研究的统计效率的MUSIC（与不同的协方差矩阵估计）和IAA-APES波达方向（DOA）估计算法在一般的复椭圆对称（CES）分布式测量模型。具体地，CES分布的数据快照的密度生成器被认为是附加的、无限维的滋扰参数。为了评估所考虑的半参数设置中的效率，半参数随机克拉美-罗界（SSCRB）被采用作为DOA估计的均方误差（MSE）的下界。
2019-03-01 eess.SP
Sparse Bayesian Learning for DOA Estimation in Heteroscedastic Noise
研究了噪声环境下基于长期观测的波达方向估计问题。在这样的环境中，噪声源可能会演变，导致静态模型失效。因此，引入了异方差高斯噪声模型，其中方差可以在观测和传感器之间变化。假设信源幅度服从独立的零均值复高斯分布，方差（即信源功率）未知，激发了随机最大似然DOA估计。利用稀疏贝叶斯学习（SBL）从多快拍传感器阵列数据中估计平面波的DOA，其中跨传感器和快拍两者估计噪声。这种SBL方法比高分辨率方法更灵活，性能更好，因为它们不能估计异方差噪声过程。SBL的一种替代方法是简单的数据归一化，其中仅利用阵列上的相位。仿真结果表明，考虑到异方差噪声，提高了DOA估计。
2017-11-08 eess.SP physics.data-an
Robust Semiparametric DOA Estimation in non-Gaussian Environment
采用一般的非高斯半参数模型来描述测量向量，即由线性阵列收集的\textit{snapshots}。此外，最近导出的数据协方差矩阵的\textit{robust semiparametric efficient} $R$ -估计器被用来实现原始版本的MUSIC估计器。最后，通过比较$R$ -MUSIC算法在源空间频率估计中的均方误差（均方误差，MSE）与相应的半参数随机Cramér-Rao界（SSCRB），分析了该算法的有效性.
2020-04-28 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
Matrix Pencil-Based DoA Estimation for Hybrid Receivers in Snapshot-Limited Scenarios
本文针对快照受限的混合模拟/数字接收机，提出两种基于矩阵束的波达方向估计方法，通过穷举模拟合并器避免低维投影衰减，分别利用周期信号和块对角结构实现解耦，仿真验证了其优越性。
2025-07-02 cs.IT eess.SP math.IT
Metasurface Sensing Approach to DOA Estimation of Coherent Signals
本文提出基于周期编码超表面的相干信号DOA估计方法，利用有限时间傅里叶变换重构频域快照并结合方向图平滑技术，仅需单接收通道即可处理多个相干信号。
2023-12-05 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
Super-resolution Method for Coherent DOA Estimation of Multiple Wideband Sources
本文针对多宽带源相干波达方向估计问题，提出一种基于新聚焦策略和原子范数最小化的超分辨方法，通过半定规划求解，仅需极少快照即可实现更高分辨率和更强噪声鲁棒性。
2021-03-04 eess.SP
ADMM for ND Line Spectral Estimation using Grid-Free Compressive Sensing from Multiple Measurements with Applications to DOA Estimation
本文研究了从线性压缩测量中估计未知多维频率的问题。这是通过采用最近提出的原子范数最小化框架，以恢复这些频率下的稀疏性之前，而不施加任何网格限制这些频率。为此，我们给出了一个严格的推导迭代方案称为交替方向的乘法器的方法，这是能够将多个压缩快照从多维叠加的复谐波。这里的关键结果是如何用公式表示由该方案最小化的目标函数及其偏导数，如果频率的维数大于1，则难以管理。此外，我们证明了这种方法的性能的情况下，3D线谱估计和二维DOA估计与合成天线阵列。
2018-11-05 eess.SP
Joint DOA and Attitude Sensing Based on Tri-Polarized Continuous Aperture Array
该研究基于三极化连续孔径阵列，结合电磁信息论建模与连续-离散变换等技术，实现DOA与姿态联合感知，提出两种适配不同先验条件的姿态估计算法，验证了框架的可行性与优越性。
2025-10-02 eess.SP
Joint Frequency-Space Sparse Reconstruction for DOA Estimation under Coherent Sources and Amplitude-Phase Errors
针对相干源与阵列幅相误差下的DOA估计问题，提出联合频域-空域稀疏重建方法，利用辅助源构造实导向向量补偿误差，结合频域与空间稀疏性实现估计，无需迭代优化，精度优于多种基准方案。
2025-09-04 eess.SP
Parametric Models for DOA Trajectory Localization
波达方向（DOA）估计或源定位在许多应用中是一个重要的问题，已经提出了许多算法。大多数定位方法使用块级处理，其结合多个数据快照来估计块内的DOA。假设DOA在块持续时间内是恒定的。然而，这些假设往往违反由于源运动。在本文中，我们提出了一个信号模型，捕获块内的DOA的线性变化。我们采用传统的波束形成（CBF）算法，该模型估计线性DOA轨迹。此外，我们制定了建议的信号模型作为一个块稀疏模型，随后推导出稀疏贝叶斯学习（SBL）算法。仿真结果表明，该线性参数DOA模型和相应的算法比传统的信号模型和方法更准确地捕获运动源的DOA轨迹。
2022-04-20 eess.AS eess.SP
(SP)$^2$-Net: A Neural Spatial Spectrum Method for DOA Estimation
本文提出(SP)$^2$-Net深度学习方法，通过新颖架构和训练策略从单次快照生成高分辨率空间谱，突破了Bartlett波束形成器受阵列孔径限制的精度与分辨率瓶颈，优于基于稀疏性的DOA估计方法。
2025-09-18 cs.LG eess.SP stat.ML
Deep Learning Based DOA Estimation for Hybrid Massive MIMO Receive Array with Overlapped Subarrays
为了提高DOA估计精度，提出了一种基于深度学习的CDAE-DNN方法，用于具有重叠子阵（OSA）结构的混合模拟数字（HAD）大规模多输入多输出（MIMO）接收阵列。该方法首先将样本协方差矩阵（SCM）输入到卷积去噪自动编码器（CDAE）中以消除逼近误差，然后将CDAE的输出导入到全连接（FC）网络中以获得估计结果。仿真结果表明，CDAE-DNN算法在低信噪比和低快拍数情况下，与传统的MUSIC算法和基于CNN的方法相比，具有很大的性能优势。与非重叠子阵（NOSA）结构相比，OSA结构也被证明可以显着提高估计精度。此外，克拉美罗下限（CRLB）的HAD-OSA架构。
2022-09-11 eess.SP
TransMUSIC: A Transformer-Aided Subspace Method for DOA Estimation with Low-Resolution ADCs
本文提出TransMUSIC框架，利用Transformer模型并行处理快照以辅助低分辨率ADC下的子空间估计，结合神经网络峰值查找实现无网格DOA估计并确定信号源数量，在一比特量化数据下表现优越。
2024-01-04 eess.SP
AI-Aided ESPRIT for Joint DoA Estimation and Uncertainty Extraction
ECE School, Ben-Gurion University of the Negev（内盖夫本-古里安大学电子与计算机工程学院）
提出一种AI辅助ESPRIT框架，结合模型驱动深度学习与经典子空间分析，实现联合DoA估计与不确定性量化，在相干源、有限快拍等挑战场景下保持准确性与可靠性。
2026-09-16 eess.SP
DOA Estimation via Continuous Aperture Arrays: MUSIC and CRLB
针对连续孔径阵列（CAPA）的无限维连续信号导致传统DOA估计算法失效的问题，提出基于连续-离散变换和高斯-勒让德求积的MUSIC算法，推导对应CRLB，理论与实验均证明CAPA可显著提升估计精度，且算法兼具近最优性能与低复杂度。
2025-07-28 eess.SP
Single-Snapshot Localization Using Sparse Extremely Large Aperture Arrays
本文针对汽车雷达中稀疏超大孔径阵列的单快照DOA估计与定位问题，提出非相干的SS-MUSIC和相干的SS-ESPRIT两种方法，分别实现鲁棒的近场定位和高分辨率的远场角度估计。
2025-09-22 eess.SP
A DNN based Normalized Time-frequency Weighted Criterion for Robust Wideband DoA Estimation
University of California, San Diego（加州大学圣地亚哥分校）；Qualcomm Institute（高通研究所）
深度神经网络（DNN）极大地有益于用于噪声环境中的语音源定位的波达方向（DoA）估计方法。然而，由于易受非语音干扰的影响，它们的定位精度仍然远远不能令人满意。为了提高抗干扰的鲁棒性，我们提出了一种基于DNN的归一化时频（T-F）加权准则，该准则最小化候选导向向量与T-F域中滤波快照之间的距离。我们的方法不需要特征分解，并使用一个简单的归一化，以防止被误导的噪声过滤快照的优化目标。我们还研究了由DNN指导的T-F权重的不同设计。我们发现，重复的阿达玛产品的语音比率掩模是非常有效的，优于其他技术，如直接掩蔽和采取的平均值在所提出的方法。然而，T-F权重的最佳性能设计通常依赖于标准。实验表明，该方法优于流行的DNN的DoA估计方法，包括广泛使用的子空间方法在噪声和混响环境。
2023-02-20 cs.LG cs.SD eess.AS
DOA Estimation via Optimal Weighted Low-Rank Matrix Completion
针对非均匀稀疏线性阵列单快拍DOA估计，提出加权提升结构低秩矩阵补全方法，可达到接近最优样本复杂度，并在低噪声下较非加权方法降低约10 dB归一化均方误差。
2025-07-26 eess.SP
Machine-learning-aided Massive Hybrid Analog and Digital MIMO DOA Estimation for Future Wireless Networks
本文针对大规模HAD-MIMO的DOA估计中的相位模糊问题，提出了MLNN检测器推断无源发射器，并设计了仅需单快拍即可消除相位模糊的TLHAD MIMO结构，仿真表明其检测性能优于现有方法且能达到CRLB。
2023-08-05 cs.IT eess.SP math.IT
Low Rank Matrix Recovery for Joint Array Self-Calibration and Sparse Model DoA Estimation
在这项工作中，结合校准和DoA估计接近的单测量矢量（SMV）模型的自校准的多测量模型（MMV）的情况下，制定的扩展。利用多快拍的优点，提出了一种改进的核范数最小化问题，以恢复低秩的高维矩阵。我们还给出了MMV模型的线性算子的定义，并给出了相应的矩阵表示，以生成凸优化问题的一个变体。为了降低该方法的计算复杂度，奇异值分解（SVD）被用来减少问题的大小。所提出的方法的性能证明了数值模拟。
2017-12-16 cs.IT eess.SP math.IT
Partial Relaxation Approach: An Eigenvalue-Based DOA Estimator Framework
该研究提出基于特征值的部分松弛DOA估计框架，通过松弛干扰信号流形结构将多维优化降为谱搜索，结合多种估计方法与迭代求根方案，在低信噪比少快拍场景下性能优于传统方法且计算成本与MUSIC相当。
2018-07-19 eess.SP
TransDOA: Calibrating Array Imperfections via Transformer-based Transfer Learning
Xidian University（西安电子科技大学）；National Laboratory of Radar Signal Processing, Xidian University（西安电子科技大学雷达信号处理全国重点实验室）
TransDOA通过基于Transformer的迁移学习方法，有效缓解阵列缺陷对DOA估计性能的影响，提升复杂场景下的估计精度。
2026-01-09 eess.SP
Sensing for Free: Learn to Localize More Sources than Antennas without Pilots
The Hong Kong University of Science and Technology（香港科技大学）；Massachusetts Institute of Technology（麻省理工学院）
该研究提出无需飞行员的多源定位方法，通过Transformer处理原始信号快照，实现高效高阶统计捕捉，提升6G网络中的波束管理和多源定位性能。
2026-01-08 eess.SP
Direction of Arrival Estimation and Phase-Correction for Non-Coherent Sub-Arrays: A Convex Optimization Approach
信源的波达方向（DOA）估计是航空航天、车载通信、定位和雷达中的一个重要问题。在本文中，我们考虑了一个具有挑战性的多源DOA估计任务，其中接收天线阵列由非相干子阵列组成，即，在每个快照处观测不同的未知相移的子阵列（例如，由于放弃了整个阵列上本地振荡器的同步要求）。我们将此问题转化为联合稀疏低秩矩阵的重构问题，并解决了此问题的凸松弛问题。为了更好地扩展优化复杂性与快照的数量比通用的求解器，我们设计了一个优化方案，基于集成的交替方向方法的乘数和加速的邻近梯度技术，利用问题的结构。虽然DOA可以从上述凸问题的解决方案估计，我们进一步展示了如何获得改进，如果相反，一个估计从这个解决方案只有子阵列的相移。这是使用另一个计算轻的凸松弛来完成的，它实际上是紧的。使用估计的相移，“相位校正”的意见，创建和最终的平原（“相干”）DOA估计方法可以应用。数值实验表明，所提出的策略比现有的方法的性能优势。
2022-02-15 eess.SP math.OC
Self-Calibration DOA Estimation for Moving Dilated Arrays with Gain and Phase Errors
Key Laboratory of Near-Range RF Sensing ICs and Microsystems, Ministry of Education（教育部近程射频传感集成电路与微系统重点实验室）；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）；Qian Xuesen College, Nanjing University of Science and Technology（南京理工大学钱学森学院）
针对存在增益和相位误差的移动稀疏阵列，本文提出两阶段交替优化的自校准DOA估计方法，结合类旋转不变性初始化，可在多种条件下实现准确DOA估计。
2026-10-12 eess.SP
Reconfiguring Sparse Apertures: Partial-Mobility Planar FAS for 2-D DOA Estimation
South China University of Technology（华南理工大学）；Queen Mary University of London（伦敦大学玛丽女王学院）；University of Missouri（密苏里大学）；Hong Kong Metropolitan University（香港都会大学）
本文提出一种部分移动平面FAS的两状态可重构稀疏孔径方案，通过种子阵列与信息高效细化位置联合处理，在等预算下降低二维到达角估计误差，并明确其相对全静态稀疏孔径的适用边界。
2026-09-09 eess.SP
Enhancing Off-Grid One-Bit DOA Estimation with Learning-Based Sparse Bayesian Approach for Non-Uniform Sparse Array
本文提出一种学习型稀疏贝叶斯框架，利用展开神经网络自主学习超参数，在单快照一比特离网DOA估计中兼顾精度与效率，适用于均匀及非均匀稀疏阵列。
2024-12-14 eess.SP stat.ML
Direction-of-Arrival Estimation for Constant Modulus Signals Using a Structured Matrix Recovery Technique
针对恒模信号DOA估计，提出SMART技术，联合利用Vandermonde与CM结构，将非凸问题转化为秩约束Hankel-Toeplitz矩阵恢复，用ADMM求解，提升可定位源数量与统计效率。
2023-07-15 eess.SP
Sparse Spatial Smoothing: Reduced Complexity and Improved Beamforming Gain via Sparse Sub-Arrays
针对单快拍DOA估计中传统空间平滑方法计算复杂度过高的问题，提出采用稀疏子阵列降低复杂度，同时提出移位域波束形成方法提升有效SNR与角度分辨率，实现低复杂度且有可辨识性保证的单快拍DOA估计。
2024-03-10 eess.SP
SubspaceNet: Deep Learning-Aided Subspace Methods for DoA Estimation
Ben-Gurion University of the Negev（内盖夫本-古里安大学）；Eindhoven University of Technology（埃因霍温理工大学）；ETH Zürich（苏黎世联邦理工学院）
针对经典子空间DoA估计方法依赖严格假设、场景适应性差的问题，提出数据驱动的SubspaceNet，通过深度网络学习输入自相关并结合Root-MUSIC训练，可作为通用协方差估计器适配各类子空间方法，提升复杂场景下的估计性能且保留可解释性。
2024-07-11 cs.LG eess.SP
Underdetermined DOA Estimation of Off-Grid Sources Based on the Generalized Double Pareto Prior
针对欠定场景下DOA估计的网格失配等问题，提出基于GDP先验的GDPOGSBL方法，结合泰勒展开建模与网格细化，提升了粗网格、少快拍条件下的估计性能。
2024-05-17 cs.IT eess.SP math.IT
A Novel Sparse recovery based DOA estimation algorithm by relaxing the RIP constraint
非相关和相干混合源的波达方向估计是阵列信号处理中一个长期存在的难题。压缩感知在阵列信号处理中的应用开辟了一类令人兴奋的算法。研究了正交匹配追踪（OMP）算法在不同场景下的波达方向（DOA）估计中的应用，特别是在相干源和观测结果不一致的情况下。在本文中，提出了一种改进的OMP算法，以克服这些不足，利用最大方差为基础的标准，只有一个快照。该准则放松了测量矩阵的约束等距性（RIP），从而降低了局部OMP算法输入向量的稀疏性。此外，它还处理源，而不管它们的一致性。给出了弱-1 RIP算法稀疏性降低的条件，并说明了该算法优于OMP算法的原因。此外，还提出了一种简单的方法来计算均匀线阵中的源距参考点的距离。数值分析表明了该算法的有效性。
2018-09-07 cs.IT eess.SP math.IT
Deep Networks for Direction-of-Arrival Estimation in Low SNR
在这项工作中，我们考虑使用深度学习（DL）在存在极端噪声的情况下进行波达方向（DoA）估计。特别是，我们引入了一个卷积神经网络（CNN），它是从真实阵列流形矩阵的多通道数据训练的，并且能够使用样本协方差估计来预测角方向。我们将该问题建模为多标签分类任务，并在低SNR状态下训练CNN以预测所有SNR的DoA。所提出的架构表现出增强的鲁棒性，在噪声的存在下，和弹性的少量的快照。此外，它能够在网格分辨率内解析角度。实验结果表明，显着的性能增益在低信噪比制度相比，国家的最先进的方法，而不需要任何参数调整。我们放松的假设，即源的数量是已知的先验，并提出了一种训练方法，其中的CNN学习推断源的数量与DoA联合。仿真结果表明，所提出的CNN在低信噪比下能够准确地估计出离网角，同时在足够多的快拍数下能够成功地推断出信源数目。我们强大的解决方案可应用于多个领域，从无线阵列传感器到声学麦克风或声纳。
2020-11-17 cs.LG cs.SD eess.AS
Multiple Narrow-band signals Direction Finding with TMLA by Nonuniform Period Modulation
提出了一种基于非均匀周期调制TMLA的阵列信号重构和信道DOA估计新方法。采用非均匀周期调制，可以分离出不同元件产生的谐波分量。因此，可以通过分析组合信号的频谱来重建常规快照。然后利用空间谱估计方法实现DOA估计。数值仿真验证了该方法的可行性和准确性。由于单次频域分析处理的信号持续时间很短，该方法也适用于窄带信号。另一个亮点是该方法可以同时测量入射信号的阵元数-1个角度。
2022-03-30 eess.AS eess.SP
Mathematical Foundation of Sparsity-based Multi-snapshot Spectral Estimation
本文研究多快照谱估计问题，在测量约束下分析最稀疏解的位置恢复分辨率与稳定性，强调幅度向量高非相干性的作用，并首次为DOA估计中的稀疏MMV问题提供超分辨率稳定性结果。
2025-06-26 eess.IV eess.SP physics.optics
Probability of Resolution of MUSIC and g-MUSIC: An Asymptotic Approach
本文利用随机矩阵理论推导通用中心极限定理，分析 MUSIC 与 g-MUSIC 基于特征向量代价函数的渐近行为，并预测其 DoA 分辨概率。
2022-05-18 eess.SP
A Large-Dimensional Analysis of ESPRIT DoA Estimation: Inconsistency and a Correction via RMT
Huazhong University of Science and Technology (HUST)（华中科技大学）；University of Toulouse-Jean Jaurès（图卢兹-让·饶勒斯大学）
本文分析了大规模阵列中广泛使用的ESPRIT方向估计器的渐近性能，指出样本协方差矩阵在高维情况下导致方向估计不一致，并提出改进的G-ESPRIT方法以解决此问题。
2026-04-15 eess.SP math.PR math.SP
Maximum A Posteriori Direction-of-Arrival Estimation via Mixed-Integer Semidefinite Programming
Technical University of Darmstadt（达姆施塔特工业大学）；Ilmenau University of Technology（伊尔梅瑙工业大学）
提出一种联合稀疏最大后验DOA估计器，转化为混合整数半定规划，利用分支定界法求解全局最优，并给出随机舍入近似方案，在阈值、分辨率和鲁棒性上优于现有方法。
2026-06-16 eess.SP
Harnessing Holes for Spatial Smoothing with Applications in Automotive Radar
本文研究汽车MIMO雷达中故意引入孔洞的稀疏阵列空间平滑DOA估计，提出基于和集分解的几何结构条件，并推导目标可辨识性的充要条件，以提升分辨率并降低计算复杂度。
2024-01-12 eess.SP
Electromagnetic Neural Network for Direction-of-Arrival Estimation
University of Electronic Science and Technology of China（电子科技大学）；Yibin Institute of UESTC（电子科技大学宜宾研究院）；Shenzhen University（深圳大学）；The University of British Columbia（不列颠哥伦比亚大学）；University of Oulu（奥卢大学）；Khalifa University（哈利法大学）；CentraleSupelec, University Paris-Saclay（巴黎萨克雷大学中央理工-高等电力学院）
研究针对无人机通信系统中DOA估计难题，提出电磁神经网络（EMNN），由堆叠智能超表面和全连接层构成，并开发分层估计框架。经训练，EMNN在双信号场景下比传统波束成形方法分类误差降低约13 dB，成本和功耗更低。
2026-07-28 cs.IT eess.SP math.IT
Gridless Multisnapshot Variational Line Spectral Estimation from Coarsely Quantized Samples
由于对低功耗和高采样率的要求越来越高，用于数据采集的低分辨率量化近年来引起了极大的关注。因此，基于粗量化样本的多测量矢量（MMVs）线性谱估计（LSE）在毫米波雷达系统的距离估计和DOA估计等前沿阵列信号处理应用中具有重要意义。本文将低复杂度的无网格变分线性谱估计（VALSE）和期望传播（EP）相结合，提出了一种MVALSE-EP算法，用于粗量化样本的频率估计。此外，CramérRao界（CRB）推导出所提出的算法的基准性能，并提供见解，以揭示系统参数对估计性能的影响。结果表明，快拍有利于频率估计，特别是在粗量化的情况下。数值实验表明，MVALSE-EP的有效性，包括实际数据集。
2022-06-07 eess.SP
