FSA-Net: Cómo el aprendizaje profundo localiza fuentes de señales desconocidas con precisión subgrados

Imagina intentar ubicar varios susurros en una habitación ruidosa sin saber cuántas personas hablan ni dónde están paradas. Esta es la realidad diaria para los ingenieros que trabajan con comunicaciones inalámbricas y sistemas de radar. Las herramientas tradicionales como MUSIC y ESPRIT han sido durante mucho tiempo el método estándar para determinar la dirección de llegada (DOA) de las señales. Sin embargo, estas técnicas clásicas se quedan cortas cuando la calidad de la señal disminuye, las fuentes están muy juntas o el número de transmisores activos es desconocido. Un nuevo marco de aprendizaje profundo llamado FSA-Net llena este vacío al estimar simultáneamente la cantidad de fuentes y sus ángulos precisos. Lo hace sin requerir ningún conocimiento previo sobre el entorno.

Lo que hace a FSA-Net particularmente interesante es su capacidad para manejar tres desafíos distintos dentro de un único modelo unificado. La mayoría de las soluciones existentes requieren configuraciones separadas para uno, dos o tres fuentes. FSA-Net trata los escenarios mixtos como parte natural de su flujo de trabajo. La red también aborda la ambigüedad de permutación, un problema persistente en las redes neuronales donde las salidas ordenadas no coinciden con las realidades físicas desordenadas. Al utilizar un mecanismo de ordenamiento y recopilación hacia adelante, alinea los ángulos predichos con los logaritmos de existencia mediante permutaciones sincronizadas. Esto asegura que cada predicción de ángulo corresponda con precisión a la presencia de una fuente específica. Además, la inclusión de un término de brecha adyacente en la función objetivo afina la resolución para las fuentes que se encuentran muy cerca unas de otras.

Los datos de entrada para este sistema provienen de una matriz de covarianza de muestras normalizada generada por un arreglo lineal uniforme. Apilando componentes reales, imaginarios y de magnitud, el modelo captura la estructura completa de correlación espacial del entorno. Los resultados hablan por sí solos. FSA-Net mantiene un error cuadrático medio subgrado a lo largo de un amplio espectro de relaciones señal-ruido. Los métodos clásicos de subespacio a menudo fallan en condiciones de baja relación señal-ruido, pero este enfoque de aprendizaje profundo se mantiene firme. La precisión en la cuenta de fuentes alcanza niveles casi perfectos, identificando el número correcto de fuentes activas con más del 97% de fiabilidad incluso a -15 dB de relación señal-ruido.

La eficiencia es otro aspecto convincente de esta arquitectura. Con solo 4,439 millones de parámetros y bajas operaciones en punto flotante por segundo, FSA-Net ofrece una solución compacta ideal para dispositivos con recursos limitados. Aunque la versión actual se limita a tres fuentes simultáneas, establece un alto estándar para tareas de estimación conjunta. Los investigadores ya miran hacia adelante para extender esta capacidad a mediciones cuantizadas y fuentes coherentes. Estos avances prometen una formación de haces más robusta para superficies inteligentes reconfigurables de próxima generación y arreglos distribuidos modulados en el tiempo.