基于机器学习的新型无线电测向技术研究进展综述
本文是一篇发表于Hindawi出版社旗下期刊《Mathematical Problems in Engineering》2020年卷的学术论文，题为《A Review on Machine Learning-Based Radio Direction Finding》。通讯作者为Ming-Yi You，其所属机构为中国电子科技集团公司第三十六研究所及通信信息控制与安全技术重点实验室。该论文是一篇系统性综述，旨在全面梳理和总结机器学习技术在无线电测向领域的研究与应用现状。
论文核心主题与研究动机 论文的核心主题是全面回顾与评述基于机器学习的无线电测向技术。无线电测向技术是指测量无线电信号来波方向的技术，在辐射源定位、干扰引导、确定通信关系、通信网络划分、协作通信等领域有广泛应用。其本质是一个从信号参数到入射方向的逆问题。随着机器学习和人工智能技术的飞速发展，许多研究者开始探索利用机器学习技术来解决测向问题。然而，尽管相关研究数量日渐增多，但此前一直缺乏一个系统性的综述来收集、整理、澄清和比较这些工作。正是基于这一动机，本文旨在系统地整理机器学习模型在测向中解决的具体问题，总结模型输入与输出的主要类型，并指出若干值得未来深入研究的方向。
论文的主要观点及论证结构 论文的主体部分系统性地回顾了机器学习在无线电测向中的应用研究，其论述并非按照时间顺序罗列，而是基于“应用场景”和“能力增强”两个核心维度进行组织。
观点一：机器学习在复杂接收系统下的测向中展现出独特优势。 论文指出，与传统解析方法和最小二乘法等经典方法相比，机器学习技术在应对复杂的接收系统场景时具有特殊优势。此类复杂场景包括天线单元存在位置误差、天线单元间存在互耦与接收通道不一致、天线方向图非理想化，以及部分天线单元发生故障等情况。为了支持这一观点，论文引用了多项具体研究作为例证。例如，Shieh和Lin提出了一种基于神经模糊方案的方法，利用干涉仪产生的相位差，通过自构建神经模糊推理网络处理模型不理想的问题。Christodoulou等人则采用最小二乘支持向量机方法，旨在使天线阵列在单个天线单元失效时，其波束形成和波束转向性能能够优雅地降级，而无需监测故障单元。Vigneshwaran等人则利用了最小资源分配网络，其训练在无故障和无噪声条件下进行，以应对天线故障情况。Dehghanpour等人使用多核支持向量机处理天线单元间存在互耦的场景。Wang等人开发了基于支持向量回归的方法，用于不需要精确测量天线方向图的雷达接收系统。Liu等人则指出现有基于学习的方法泛化能力存疑且多针对单一目标，他们提出了一个深度神经网络的分层框架来处理未知目标数量的通用测向问题。这些研究实例共同论证了机器学习方法在面对接收系统不完美或受损时，相较于传统方法，具备更好的鲁棒性和适应性。
观点二：机器学习技术在复杂信道环境中的测向问题上取得重要进展。 针对室内测向与定位等存在多径效应和严重混响的复杂传输信道场景，机器学习技术也被广泛研究以提升性能。论文通过一系列研究展示了机器学习在该领域的应用。Xiao等人将测向任务构建为一个分类问题，从广义互相关向量中提取特征，并使用多层感知器神经网络来学习从这些特征到波达方向的非线性映射，结果表明该方法性能远超最小二乘法。Sun等人提出了在混响和低信噪比环境下使用概率神经网络进行室内声源定位的方法。Yue等人则提出了一种基于学习的二维空间波达方向估计方法，使用带有相位变换的广义互相关作为卷积神经网络的输入。Li等人结合卷积神经网络和长短期记忆网络来处理噪声和混响环境中的在线波达方向估计。Mane等人和Chakrabarty等人分别探索了使用CNN进行宽带声源波达方向估计和多源波达方向估计。此外，Khan等人和Fahim等人的研究也展示了神经网络在应对多径、低信噪比和三维多源定位方面的有效性。这些研究共同表明，机器学习方法能够有效处理由多径、噪声和混响引起的信号畸变，提供了比传统信号处理方法更可靠的解决方案。
观点三：机器学习为复杂信号（如宽带信号与相干信号）的测向提供了新思路。 对于宽带信号和相干信号这类给传统高精度测向带来特殊困难的信号类型，机器学习技术提供了新颖的解决途径。论文列举了相关研究来阐述这一进展。Zhong等人提出了一种基于反向传播神经网络和均匀聚焦变换概念的新型聚焦矩阵，用于相干信号子空间方法中的宽带源波达方向估计。Lizzi等人提出了一种基于支持向量机分类器和迭代多尺度方法的相干信号波达方向估计方法。Terabayashi等人提出了在超宽带系统中使用复值时空神经网络结合功率反演自适应阵列进行波达方向估计。Zhu等人提出了一种基于卷积神经网络的宽带无线电测向系统快速波达方向估计方法。Mack等人则将宽带测向扩展至信号感知的宽带测向，通过聚焦于由期望信号主导的窄频带来提升性能。这些研究表明，通过特定的网络架构和输入特征设计，机器学习模型能够有效处理信号本身的复杂性，如宽频谱和信号间的相关性。
观点四：机器学习技术被用于显著增强测向系统的核心能力，包括波束形成优化、计算加速和分辨率提升。 除了应对特定挑战性场景，机器学习也被直接应用于提升测向系统的核心性能指标，这也是该综述论文的另一个重要论述维度。
在波束形成优化方面：Xu等人和Savitha等人分别提出了使用支持向量机和复值径向基函数神经网络进行波束形成的方法。Pei等人则提出了一种基于广义回归神经网络实时计算波束形成加权系数的高效方法，以应对大规模天线阵列的计算强度问题。Salvati等人提出了一种基于支持向量机的加权最小方差无失真响应算法，用于嘈杂环境中的远场宽带声源定位。Zaharis等人介绍了基于简化卷积神经网络的阵列波束形成实现。
在快速计算方面：许多研究致力于降低高复杂度超分辨率算法的计算负担以实现实时处理。Jha和Durrani提出了一种不需要初始估计源的神经优化程序。Zooghby等人及后续的一系列研究，提出并发展了一套基于神经网络的测向方法，通过将角度区域划分为子区域并分别训练网络，能够估计与训练样本数量不同的波达方向，且计算效率高。类似地，Chen等人、Matsumoto等人、Raj等人、Gotsis等人、George和Sajjanshetty、Agatonovic等人以及Stankovic等人的工作，分别从减少训练样本量、改进输出设计、处理互耦、适应移动信号、二维测向和实时计算等不同角度，探索了利用各种神经网络（如径向基网络、支持向量回归、学习向量量化网络、多层感知器等）加速测向过程的策略。Chakrabarty和Habets甚至提出仅使用每个频谱线的相位作为输入，以节省特征提取时间。
在分辨率提升方面：Wang和Ma比较了神经网络方法与多重信号分类在信号不相关、部分相关和相关情况下的估计偏差和角度分辨率。Chen和Hou提出了一种基于复值神经网络的波达方向估计方法，将网络提取的特征向量用于MUSIC算法以获得高分辨率估计。Chang等人提出了基于酉分解人工神经网络的高分辨率方位估计方法。Guo等人提出了一种基于级联神经网络的针对两个紧密间隔信源的波达方向估计方法，该网络包含信噪比分类网络和波达方向估计网络两部分，能应用于更宽的信噪比范围。
观点五：论文系统总结了机器学习测向模型的常用输入、模型与输出范式，并提出了未来面临的挑战。 在总结部分，论文归纳了现有研究中常见的模式。模型输入主要包括：相位差、幅度差、来自协方差矩阵的归一化元素、短时傅里叶变换分量、广义互相关特征、时域信号等。使用的机器学习模型则多种多样，包括支持向量分类/回归、概率神经网络、各种类型的神经网络（如径向基网络、学习向量量化网络、多层感知器、反向传播网络、霍普菲尔德网络、深度网络）等。模型输出则包括：到达角度及其变换（如正弦/余弦值）、01向量、加权矩阵、聚焦矩阵、时域信号等。这种归纳为研究人员设计新的机器学习测向系统提供了清晰的参考框架。
基于以上综述，论文明确指出了将智能模型应用于实际工程问题时仍面临的诸多挑战，这些挑战构成了未来有价值的研究方向：1) 训练样本问题：二维测向所需的巨大训练样本量阻碍了神经网络模型的实用化，需要研究有效的训练方法。2) 特征选择问题：哪种特征最有效尚不明确，深度学习技术可能通过让网络自行从原始信号样本中学习特征来提供思路。3) 增量学习问题：研究增量学习方法，以利用不断收集的新样本快速更新模型能力，而无需批量重训练。4) 鲁棒性问题：当天线单元发生未知时间故障时，如何在训练阶段就考虑单元失效的可能性，以建立更鲁棒的测向系统。5) 训练标签不确定性：在某些场景（如卫星天线现场校准）中，训练样本的到达角本身也存在一定不确定性，如何建立特征与不确定到达角之间的映射关系仍是一个未解决的问题。6) 输出形式问题：当测试样本的到达角与训练样本不同时，常用01向量作为输出。对于通用测向，是否需要其他有效的神经网络输出建模形式仍待探索。7) 多频点处理问题：多数工作明确或隐含地考虑了单一中心频率的情况。对于多个中心频率的实用场景，频率信息必须被考虑，这可能会显著影响阵列流形。为每个中心频率单独建立网络非常耗时且难以实时实现，因此有必要建立一个能处理多中心频率测向的统一神经网络。
论文的意义与价值 这篇综述论文具有重要的学术价值和实践指导意义。首先，它首次对机器学习在无线电测向领域近二十年的研究与应用进行了系统性的梳理和总结，填补了该领域缺乏全面综述的空白，为相关领域的研究者提供了宝贵的“知识地图”。其次，论文创造性地从“应用场景”（复杂接收系统、复杂信道、复杂信号）和“能力增强”（波束形成优化、快速计算、分辨率提升）两个维度对庞杂的文献进行了清晰、逻辑性强的分类和阐述，帮助读者快速把握技术发展的脉络和关键方向。再者，论文不仅回顾过去，更通过总结常用范式（输入-模型-输出）和提出七大未来挑战，为后续研究指明了潜在的技术突破口和创新方向，对推动该领域的持续发展具有前瞻性指导作用。最后，论文展示了机器学习技术如何赋能传统无线电测向，使其在更复杂、更苛刻的实际环境中具备更强的适应性和更优的性能，这有助于促进跨学科（信号处理与机器学习）的融合，并加速智能无线电技术的发展与应用。