深度主动学习AoA跟踪网络

多源跟踪精度显著提升

针对毫米波系统有限射频链下的多源到达角跟踪，提出基于深度学习的自适应模拟波束成形与子空间跟踪MUSIC联合方案，显著优于传统码本波束成形方法。

Xichun, Cheng · 袁晓军 · Jiang, Wenjun · 朱立东 · Yong, Zuo · Yong, Zhang

IEEE Transactions on Wireless Communications 2024

技术优势

跟踪性能显著优于码本方法

通过主动学习波束成形与子空间跟踪MUSIC联合设计，数值实验表明跟踪性能显著优于现有基于码本的波束成形方法。

适用于大规模天线阵列

在均匀矩形阵列场景下，通过波束空间RD-MUSIC和部分连接模拟波束成形降低计算复杂度和硬件成本。

应用场景

• 毫米波通信：在毫米波通信接收端替代码本搜索，实现低复杂度动态追踪。
• 阵列信号处理：为大规模阵列提供波束空间降维MUSIC估计方案。
• 多目标跟踪：同时跟踪多个动态信源的到达角，无需额外导频开销。
• 深度神经网络加速：用DNN直接生成波束成形向量，省去在线优化迭代。