Deep-Learning-Based Interference-Mitigation Method Using Null-Space Beamforming for Hybrid-Array

Jaehyuk Lim

doi:10.1109/access.2026.3736005

Deep-Learning-Based Interference-Mitigation Method Using Null-Space Beamforming for Hybrid-Array

2026-09-22

0

OA

AI

DOI：10.1109/access.2026.3736005

原文链接

原文求助

摘要

En 中文

基于深度学习的空域干扰抑制波束形成方法已为全数字阵列开发，但无法直接应用于大型孔径雷达系统常用的部分连接混合模拟-数字架构。我们提出了一种基于混合阵列深度神经网络空域波束形成器（HA-DNN-NSB），将DNN-NSB框架扩展至部分连接的混合均匀线性阵列。我们首先推导了混合阵列结构的空域波束形成（NSB）的数学公式，并证明自相关矩阵和最优权值仅取决于相对导向矢量。基于此特性，我们引入导向角归一化技术，使模拟波束形成器与期望信号方向对齐，从而在理论上实现了比未进行导向角归一化的混合阵列NSB更高的SINR，并解决了当期望信号与干扰信号功率水平相当时常规模型DNN-NSB的干扰信号比（ISR）依赖性问题。所提出的HA-DNN-NSB通过全连接深度神经网络直接从归一化自相关矩阵推断数字波束形成权值，无需先验干扰信息。仿真结果表明，在固定混合配置下，所提方法在整个ISR范围内均保持了近最优SINR，而常规模型DNN-NSB在ISR $\approx ~0$ dB时出现灾难性失效。在变化的RF链配置中，HA-DNN-NSB无论RF链数量多少均始终达到近最优SINR性能，而基于循环神经网络的对比方法则出现性能饱和，未能有效利用更多RF链提供的额外空间自由度。这些结果证实了所提HA-DNN-NSB作为混合阵列雷达系统实用深度学习波束形成解决方案的有效性。

Keyword:

Deep neural network

hybrid array

interference mitigation

null-space beamforming

steering angle normalization

Deep-Learning-Based Interference-Mitigation Method Using Null-Space Beamforming for Hybrid-Array

摘要

期刊

机构

引用论文