FSA-Net: Как глубокое обучение определяет неизвестные источники сигналов с точностью до доли градуса

Представьте, что вам нужно найти несколько шепчущихся голосов в шумной комнате. При этом вы не знаете, сколько людей говорят и где они находятся. Именно с такой задачей инженеры сталкиваются ежедневно при работе с системами беспроводной связи и радиолокации. Традиционные методы MUSIC и ESPRIT долгое время считались стандартом для определения направления прихода сигнала (DOA). Однако классические подходы дают сбой при ухудшении качества сигнала, сближении источников или когда количество активных передатчиков неизвестно. Новая архитектура на базе глубокого обучения FSA-Net заполняет этот пробел. Она одновременно оценивает количество источников и их точные углы. Для этого не требуется никаких предварительных данных о сцене.

Особенность FSA-Net заключается в способности решать три разные задачи в рамках одной модели. Большинство существующих решений требуют отдельной настройки для одного, двух или трех источников. FSA-Net обрабатывает смешанные сценарии как естественную часть своей работы. Сеть также решает проблему перестановочной неоднозначности. Это частая проблема нейросетей, когда упорядоченные выходные данные не совпадают с неупорядоченными физическими реалиями. Механизм сортировки и сбора по направлению позволяет согласовать предсказанные углы с логитами присутствия через синхронизированные перестановки. Благодаря этому каждое предсказание угла точно соответствует конкретному источнику. Добавление члена смежного зазора в целевую функцию повышает разрешение для источников, расположенных очень близко друг к другу.

Входными данными для системы служит нормализованная матрица выборочной ковариации, полученная от равномерной линейной антенной решетки. Модель объединяет действительные, мнимые и амплитудные компоненты. Так она захватывает полную структуру пространственной корреляции среды. Результаты впечатляют. FSA-Net сохраняет среднеквадратичную ошибку ниже одного градуса в широком диапазоне отношений сигнал/шум. Классические методы подпространства часто терпят неудачу при низком отношении сигнал/шум. Подход на основе глубокого обучения остается стабильным. Точность определения количества источников достигает почти идеальных значений. Система безошибочно идентифицирует число активных источников с надежностью более 97% даже при уровне -15 дБ.

Эффективность является еще одним сильным аспектом этой архитектуры. В модели всего 4,439 миллиона параметров и низкое количество операций с плавающей запятой в секунду. FSA-Net предлагает компактное решение, идеально подходящее для устройств с ограниченными ресурсами. Текущая версия поддерживает максимум три одновременных источника. Тем не менее она задает высокую планку для задач совместной оценки. Исследователи уже планируют расширить возможности метода на квантованные измерения и когерентные источники. Эти улучшения обещают более надежную формировку луча для интеллектуальных перенастраиваемых поверхностей нового поколения и распределенных массивов с временной модуляцией.