基于多尺度注意力增强深度残差网络的DOA估计

doi:10.3969/j.issn.1009-086x.2026.04.015

摘要/Abstract

摘要：

DOA估计是阵列信号处理的核心任务，传统方法在高信噪比与理想条件下表现良好，而在低信噪比(SNR)、有限快拍数等非理想场景中存在性能显著下降、依赖先验信息等问题。为此，直接利用原始回波信号的同相(I)和正交(Q)分量矩阵作为输入，提出了一种基于多尺度注意力增强的端到端的方法。该网络结合双注意力残差块和全局注意力机制，动态校准通道与空间权重，增强对关键特征的聚焦能力。仿真结果表明，在信噪比低至-5 dB且快拍数仅为10的极端条件下，所提方法的均方根误差(RMSE)显著低于传统算法(MUSIC，ESPRIT，MVDR，DNN)，验证了其在复杂场景下的鲁棒性与高精度优势。

关键词: 波达方向估计, 深度学习, 注意力机制, 残差网络, 有限快拍数

Abstract:

DOA estimation is the core task in array signal processing. Traditional methods perform well under high signal-to-noise ratio （SNR） and ideal conditions but exhibit significant performance degradation and reliance on prior information in non-ideal scenarios such as low SNR and limited snapshot counts. To address these issues， this paper directly utilized the in-phase （I） and quadrature （Q） component matrices of raw echo signals as inputs and proposed an end-to-end method based on multi-scale attention enhancement. The network combined double attention residual blocks and a global attention mechanism， dynamically calibrated channel and spatial weights， and enhanced the focus capability on critical features. Simulation results indicate that under the extreme conditions of an SNR as low as -5 dB and a snapshot count of only 10， the root mean square error （RMSE） and angle estimation error range of the proposed method are significantly lower than those of traditional algorithms （MUSIC， ESPRIT， MVDR， and DNN）， which verifies its robustness and high precision advantages in complex scenarios.

Key words: direction of arrival estimation, deep learning, attention mechanism, residual network, limited snapshot number

中图分类号:

TN911.23

张锦轩, 匡华星, 王犇, 冷鹏飞. 基于多尺度注意力增强深度残差网络的DOA估计[J]. 现代防御技术, 2026, 54(4): 141-150.

Jinxuan ZHANG, Huaxing KUANG, Ben WANG, Pengfei LENG. DOA Estimation Based on Multi-scale Attention-Enhanced Deep Residual Network[J]. Modern Defense Technology, 2026, 54(4): 141-150.

图/表 16

图1 网络结构示意图

Fig. 1 Schematic diagram of network structure

图2 多尺度特征融合模块结构示意图

Fig. 2 Schematic diagram of multi-scale feature fusion module structure

图3 多尺度卷积块特征图

Fig. 3 Feature maps of multi-scale convolutional blocks

图4 双注意力残差块结构示意图

Fig. 4 Schematic diagram of double attention residual block structure

表1 残差层参数表

Table 1 Parameters of residual layers

阶段	输入维度	输出维度	残差块数量	下采样方式	通道扩展比例
Layer1	（B，72，L）	（B，128，L/2）	3	最大池化（stride=2）	72 → 128
Layer2	（B，128，L/2）	（B，256，L/4）	4	步幅卷积（stride=2）	128 → 256
Layer3	（B，256，L/4）	（B，512，L/8）	6	步幅卷积（stride=2）	256 → 512
Layer4	（B，512，L/8）	（B，1024，L/16）	3	步幅卷积（stride=2）	512 → 1024

图5 卷积注意力模块结构示意图

Fig. 5 Schematic diagram of convolutional attention module structure

表2 MSEDR网络训练参数表

Table 2 Training parameters of MSEDR network

使用余弦退火算法进行自适应调节，初始学习率设置为0.1

优化器

参数量

GPU推理速度

AdamW

67.2 M

18.2帧/s

图6 实验场景图

Fig. 6 Diagram of experimental scene

表3 单目标DOA估计实验结果

Table 3 Experimental results of single-target DOA estimatio

算法	RMSE/（°）	误差分布范围/（°）
MUSIC	3.3	［-3.5，2.0］
ESPRIT	3.5	［-4.3，4.1］
MVDR	8.3	［-8.0，10.3］
DNN	3.8	［-5.0，6.5］
MSEDR	1.1	［-1.3，1.0］

表4 双目标DOA估计实验结果

Table 4 Experimental results of dual-target DOA estimation

算法	平均RMSE/（°）	误差分布范围/（°）
MVDR	18.5	［-30.0，30.0］
MUSIC	7.7	［-10.0， 10.0］
ESPRIT	5.2	［-8.0， 8.0］
DNN	3.5	［-5.2，7.4］
MSEDR	0.7	［-1.5，1.0］

图7 单目标DOA估计实验部分结果图

Fig. 7 Partial experimental results of single-target DOA estimation

图8 双目标DOA估计实验部分结果图

Fig. 8 Partial experimental results of dual-target DOA estimation

图9 不同信噪比DOA估计实验结果图（单目标）

Fig. 9 Experimental results of DOA estimation under different signal-to-noise ratios （single target）

图10 不同信噪比DOA估计实验结果图（双目标）

Fig. 10 Experimental results of DOA estimation under different signal-to-noise ratios （dual targets）

图11 不同信噪比DOA估计消融实验结果图（双目标）

Fig. 11 Ablation experimental results of DOA estimation under different signal-to-noise ratios （dual targets）

图12 DOA分辨率检测实验结果图

Fig. 12 Experimental results of DOA resolution detection

参考文献 21

[1]	曲明超，司伟建，袁雅芝. 基于不完全重合信号的单快拍DOA估计算法研究［J］. 通信学报， 2021， 42（12）： 88-95.
	QU Mingchao， SI Weijian， YUAN Yazhi. Research on Single Snapshot DOA Estimation Algorithm Based on Incompletely Overlapped Signal［J］. Journal on Communications， 2021， 42（12）： 88-95.
[2]	SCHMIDT R O. A Signal Subspace Approach to Multiple Emitter Location and Spectral Estimation［J］. IEEE Trans， 1986， 34（3）： 276-280.
[3]	ROY R， KAILATH T. ESPRIT-Estimation of Signal Parameters Via Rotational Invariance Techniques［J］. IEEE Transactions on Acoustics， Speech， and Signal Processing， 1989， 37（7）： 984-995.
[4]	GORODNITSKY I F， RAO B D. Sparse Signal Reconstruction from Limited Data Using FOCUSS： A Re-weighted Minimum Norm Algorithm［J］. IEEE Transactions on Signal Processing， 1997， 45（3）： 600-616.
[5]	GOLDSTEIN J S， REED I S， SCHARF L L. A Multistage Representation of the Wiener Filter Based on Orthogonal Projections［J］. IEEE Transactions on Information Theory， 1998， 44（7）： 2943-2959.
[6]	HIEMSTRA J D. Robust Implementations of the Multistage Wiener Filter［D］. Blacksburg： Virginia Polytechnic Institute and State University， 2003.
[7]	宋爱民，李堰，刘剑，等. 非圆信号多级维纳滤波DOA估计求根算法［J］. 电子科技大学学报， 2013， 42（1）： 53-57.
	SONG Aimin， LI Yan， LIU Jian， et al. DOA Estimation of Noncircular Signals with Multistage Wiener Filter and Polynomial Rooting［J］. Journal of University of Electronic Science and Technology of China， 2013， 42（1）： 53-57.
[8]	SHI Yu， WANG Shuxun， HUANG Zhiqiang. An Algorithm for 2-D DOA Source Parameters Estimate Based on Multistage Wiener Filters［C］∥2006 International Conference on Communications， Circuits and Systems. Piscataway： IEEE， 2006： 398-401.
[9]	XIN Jingmin， ZHEN Nanning， SANO A. Simple and Efficient Nonparametric Method for Estimating the Number of Signals Without Eigendecomposition［J］. IEEE Transactions on Signal Processing， 2007， 55（4）： 1405-1420.
[10]	MALIOUTOV D， CETIN M， WILLSKY A S. A Sparse Signal Reconstruction Perspective for Source Localization with Sensor Arrays［J］. IEEE Transactions on Signal Processing， 2005， 53（8）： 3010-3022.
[11]	CANDÈS E J， ROMBERG J K， TAO T. Stable Signal Recovery from Incomplete and Inaccurate Measurements［J］. Communications on Pure and Applied Mathematics， 2006， 59（8）： 1207-1223.
[12]	DONOHO D L. Compressed Sensing［J］. IEEE Transactions on Information Theory， 2006， 52（4）： 1289-1306.
[13]	牛俊儒. 基于稀疏重构的窄带信号DOA估计研究［D］. 西安：西安电子科技大学， 2017.
	NIU Junru. Research on DOA Estimation of Narrowband ignal Based on Sparse Reconstruction［D］. Xi'an： Xidian University， 2017.
[14]	LIU Zhangmeng， ZHANG Chenwei， YU P S. Direction-of-Arrival Estimation Based on Deep Neural Networks with Robustness to Array Imperfections［J］. IEEE Transactions on Antennas and Propagation， 2018， 66（12）： 7315-7327.
[15]	TERABAYASHI K， NATSUAKI R， HIROSE A. Ultrawideband Direction-of-Arrival Estimation Using Complex-Valued Spatiotemporal Neural Networks［J］. IEEE Transactions on Neural Networks and Learning Systems， 2014， 25（9）： 1727-1732.
[16]	CHAKRABARTY S， HABETS E A P. Multi-speaker DOA Estimation Using Deep Convolutional Networks Trained with Noise Signals［J］. IEEE Journal of Selected Topics in Signal Processing， 2019， 13（1）： 8-21.
[17]	GABOR D. Theory of Communication. Part 1： The Analysis of Information［J］. Journal of the Institution of Electrical Engineers-Part III： Radio and Communication Engineering， 1946， 93（26）： 429-441.
[18]	ALIYU K N， LAWAL A， ALAWSH S A， et al. Robust DOA Estimation Using Hybrid 1-D Convolutional Neural Network and Long Short-Term Memory Deep Learning Algorithm［J］. Arabian Journal for Science and Engineering， 2025， 50（22）： 18993-19005.
[19]	YANG Zhikai， ZHANG Xinyu， LUO Zailei， et al. Parallel Net： Frequency-Decoupled Neural Network for DOA Estimation in Underwater Acoustic Detection［J］. Journal of Marine Science and Engineering， 2025， 13（4）： 724.
[20]	LIU Aifei， ZHOU Yuan， LI Zi， et al. Simultaneous Source Number Detection and DOA Estimation Using Deep Neural Network and K2-Means Clustering with Prior Knowledge［J］. Electronics， 2025， 14（4）： 713.
[21]	HE Kaiming， ZHANG Xiangyu， REN Shaoqing， et al. Deep Residual Learning for Image Recognition［C］∥2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE， 2016： 770-778.