通过自监督级联深度神经网络（DNN）实现端到端的失效时间（DOA）估计，并结合阵列误差缓解技术

《Scientific Reports》：End-to-end DOA estimation via self-supervised cascaded DNNs with array errors mitigation

　　

摘要

在本文中，我们提出了一种新颖的级联深度神经网络架构，用于在存在多个阵列误差的情况下实现高精度的到达方向（DOA）估计。该框架通过端到端的前馈计算策略来处理复杂的非线性失真，从而无需显式的误差建模。该架构由两个关键组件组成，它们并行进行训练：（1）四个层自适应空间滤波器，这些滤波器通过空间域监督对协方差矩阵进行优化；（2）一个八层的MUSIC-NET，它通过自监督学习将合成协方差矩阵映射到类似MUSIC的频谱。空间滤波器的输出作为MUSIC-NET的输入，形成了一个两阶段架构，使得在DOA估计过程中能够自适应地减轻阵列误差。仿真结果表明，所提出的架构在未见过的场景中表现出更强的鲁棒性和泛化能力，在低信噪比和有限的快照条件下优于现有的最先进方法。