FSA-Net: Wie Deep Learning unbekannte Signalquellen mit Präzision unter einem Grad ortet

Stellen Sie sich vor, Sie müssten in einem lauten Raum mehrere Flüstern lokalisieren. Dabei wissen Sie nicht, wie viele Personen sprechen oder wo sie stehen. Das ist der Alltag für Ingenieure, die mit drahtloser Kommunikation und Radarsystemen arbeiten. Methoden wie MUSIC und ESPRIT waren lange Zeit die Standardlösungen zur Bestimmung der Einfallsrichtung von Signalen. Doch diese klassischen Techniken stoßen an ihre Grenzen. Die Qualität des Signals sinkt. Quellen liegen sehr nah beieinander. Die Anzahl der aktiven Sender bleibt unbekannt. Das neue Deep-Learning-Framework FSA-Net schließt diese Lücke. Es schätzt gleichzeitig die Anzahl der Quellen und deren genaue Winkel. Dafür benötigt es keine Vorabkenntnisse über die Umgebung.

Besonders interessant ist die Fähigkeit von FSA-Net, drei unterschiedliche Herausforderungen in einem einzigen Modell zu bewältigen. Die meisten bestehenden Lösungen erfordern separate Konfigurationen für ein, zwei oder drei Quellen. FSA-Net integriert gemischte Szenarien nahtlos in seinen Arbeitsablauf. Das Netzwerk löst auch das Problem der Permutationsambiguität. Dies ist ein bekanntes Problem bei neuronalen Netzen, bei dem geordnete Ausgaben nicht mit den ungeordneten physikalischen Gegebenheiten übereinstimmen. Ein Mechanismus zum Sortieren und Sammeln richtet die vorhergesagten Winkel auf Existenz-Wahrscheinlichkeiten aus. So entspricht jede Winkelvoraussage exakt dem Vorhandensein einer bestimmten Quelle. Zudem verbessert ein zusätzlicher Term im Zielwert die Auflösung für Quellen, die sehr dicht beieinander liegen.

Die Eingabedaten stammen aus einer normalisierten Stichproben-Kovarianzmatrix eines gleichmäßigen linearen Arrays. Durch das Stapeln von Real-, Imaginär- und Betragskomponenten erfasst das Modell die gesamte räumliche Korrelationsstruktur der Umgebung. Die Ergebnisse überzeugen. FSA-Net hält einen quadratischen Mittelwertfehler unter einem Grad über einen breiten Bereich von Signal-Rausch-Verhältnissen ein. Klassische Subraumverfahren versagen oft bei schlechtem Rauschverhältnis. Dieser Deep-Learning-Ansatz bleibt stabil. Die Genauigkeit bei der Zählung der Quellen erreicht fast perfekte Werte. Selbst bei einem Signal-Rausch-Verhältnis von -15 dB identifiziert das System die korrekte Anzahl aktiver Quellen mit einer Zuverlässigkeit von über 97 Prozent.

Effizienz ist ein weiterer überzeugender Aspekt dieser Architektur. Mit nur 4,439 Millionen Parametern und wenigen Gleitkommaoperationen pro Sekunde bietet FSA-Net eine kompakte Lösung. Diese eignet sich ideal für ressourcenbeschränkte Geräte. Die aktuelle Version unterstützt maximal drei gleichzeitige Quellen. Dennoch setzt sie einen hohen Maßstab für gemeinsame Schätzaufgaben. Forscher blicken bereits auf zukünftige Erweiterungen. Sie planen den Einsatz bei quantisierten Messungen und kohärenten Quellen. Diese Fortschritte versprechen robustere Strahlformungsverfahren für intelligente neu konfigurierbare Oberflächen und verteilte zeitmodulierte Arrays der nächsten Generation.