
-
生物通官微
陪你抓住生命科技
跳动的脉搏
面向到达方向估计的层间参数绑定自适应早退轻量化展开网络
《Scientific Reports》:Adaptive early-exit lightweight unfolding for sparse bayesian learning-based DOA estimation
【字体: 大 中 小 】 时间:2026年09月29日 来源:Scientific Reports 4.9
编辑推荐:
摘要到达方向(DOA)估计是阵列信号处理中的核心技术支持,广泛应用于雷达、通信和声呐系统。传统子空间方法在低信噪比(SNR)和有限快拍条件下性能较差,而稀疏贝叶斯学习(SBL)方法计算复杂度高。现有的深度展开网络通常采用固定迭代深度,导致显著的计算冗余;而许多现有早退策略依赖
到达方向(DOA)估计是阵列信号处理中的核心技术支持,广泛应用于雷达、通信和声呐系统。传统子空间方法在低信噪比(SNR)和有限快拍条件下性能较差,而稀疏贝叶斯学习(SBL)方法计算复杂度高。现有的深度展开网络通常采用固定迭代深度,导致显著的计算冗余;而许多现有早退策略依赖于黑箱决策机制,可解释性有限。本文提出了一种面向DOA估计的具有层间参数绑定的自适应早退轻量化展开网络。基于SBL的单调稳定特性,设计了一种可解释的残差引导早退机制,并采用结合迭代边界的加权多出口训练策略,以提升估计性能和计算效率。在所考虑的均匀线阵(ULA)理想条件下的仿真结果表明,与评估的基线方法相比,所提方法在估计精度和推理时间方面均有改善。这些发现表明该方法在模拟阵列处理场景中具有计算效率方面的潜力。