本文针对稀疏阵列感测器失效问题，在神经网络和数据驱动方法中使用两种机器学习方法以提高 MRA 的性能，实验结果表明两种方法均可显著改善阵列的性能。

Jun, 2023

稀疏数组是使用非均匀阵列比天线元素能够解决更多到达方向的方法。本研究提出了 Sparse-SubspaceNet，利用深度学习从具有相干源的稀疏误校准阵列中实现基于子空间的到达方向估计恢复。

Sep, 2023

本文提出了一种深度神经网络，用于估算多个声源的到达方向，并通过使用所有通道的频谱图的幅度和相位作为输入来避免任何显式特征提取步骤。结论表明，该网络能够以高精度估算多个同时存在源的数量和各自的到达方向，并生成具有高信噪比的空间伪频谱。

Oct, 2017

本文提出了一种基于 MUSIC 算法的方向估计策略，利用小型天线阵列通过深度学习来重构虚拟大型天线阵列信号。该策略不仅比直接将进入信号插入 MUSIC 的性能显着提高，而且在高角度范围和低测试 SNR 值时，性能也比直接使用实际的大型天线阵列与 MUSIC 更好。我们进一步分析了训练 SNR 作为测试 SNR 函数的最佳选择，并观察到不同角度范围下该函数行为的显著变化。

Jul, 2020

本论文提出了一种数据驱动的 DoA 估计器 SubspaceNet，该估计器利用深度神经网络学习输入的经验自相关，结合 Root-MUSIC 方法的不可区分性，无需提供基础真实的可分解自相关矩阵，可在具有挑战性的设置中应用于各种 DoA 估计算法。

Jun, 2023

通过结构化随机矩阵的特性，我们发展出了一种多输入多输出（MIMO）雷达的稀疏定位框架，使得无需填充全部（奈奎斯特）阵列即可实现与填充阵列相当的性能，并且通过压缩感知恢复算法在性能上超越了经典方法，提供了高分辨率的虚拟阵列口径，同时仅需使用少量 MIMO 雷达元件。

Apr, 2013

近年来，深度学习技术已被引入用于设计稀疏阵列，本文综述了基于深度学习的稀疏阵列在方向寻找、天线选择、集成感知与通信等领域的应用，并通过数值实验展示了模型优化和深度学习技术在这些问题上的性能表现和鲁棒性要求。

Aug, 2023

该论文提出了一种新的神经网络数据增强方法，用于 Direction of Arrival（DOA）估计，并且通过两个实验表明，该方法可以大大提高 DOA 估计的精度。

Oct, 2019

该研究提出了一种基于压缩感知框架的直接定位方法，通过联合处理分布式大规模 MIMO 基站获得的观测值来区分 LOS 和非 LOS 信号路径，以实现用户位置的高精度定位。

Jul, 2016

在本研究中，我们提出了一种新型的异构混合 MIMO 接收器结构（$ m {H}^2$AD-FD），并开发了相应的多模态学习框架，旨在提高到达角（DOA）估计的准确性并降低聚类复杂度。实验结果表明，我们提出的四种方法在信噪比（SNR）> 0 dB 时可以接近克拉美洛下限（CRLB），其中 CoMDDL 和 MDDL 的性能优于 CoMD-RootMUSIC 和 MD-RootMUSIC，尤其在极低 SNR 区域。

Apr, 2024