Model and Data-Driven Off-Grid Sparse Bayesian Learning Network for DOA Estimation

Changhao Liu

doi:10.1109/taes.2026.3709261

2026-07-02

PRE

Changhao Liu

Yifeng Wu

Lei Zhang

DOI：10.1109/taes.2026.3709261

原文链接

原文求助

摘要

En 中文

传统网格方法在估计非网格信源的方向到达（DOA）时面临网格不匹配（GM）问题，且在低信噪比（SNR）等挑战性条件下性能显著下降。基于压缩感知的算法利用源信号在空间域的稀疏性，能在此类场景下实现更优估计。其中，传统的非网格稀疏贝叶斯学习（OGSBL）方法是一种显著解决方案。然而，传统方法通常需要多次迭代才能收敛，导致计算复杂度高，且估计精度仍有提升空间。为此，我们提出了一种混合模型-数据驱动的非网格稀疏贝叶斯学习网络（OGSBL-Net），用于实现更优且高效的非网格DOA估计。具体而言，将迭代OGSBL框架展开为一系列级联的OGSBL层，每层保留传统后验计算，并引入三个超参数更新网络模块：用于精确估计稀疏参数的α-Net、用于估计噪声精度的α₀-Net，以及用于估计非网格间隙的β-Net。通过融合深度网络与传统模型的优势，所提OGSBL-Net加速了收敛，更有效地捕捉底层角度稀疏性，并生成更优的超参数更新规则。采用精心设计的损失函数和混合SNR的训练数据集训练高性能模型。仿真结果表明，所提方法性能更优。具体而言，在SNR=10 dB时，与传统的OGSBL相比，均方根误差（RMSE）降低了约35%。此外，OGSBL-Net在SNR=0 dB时实现3.4°的角分辨率，同时在线推理时间仅需0.331 s——较传统迭代算法效率提升了4.3倍。

Keyword:

Directions-of-arrival (DOA) estimation

grid mismatch (GM)

model and data-driven

off-grid sparse Bayesian learning (OGSBL)