《Engineering Applications of Artificial Intelligence》：Decimal place separable complex convolutional neural network for wideband beamforming
編輯推薦：
針對現有基于神經網絡的寬帶波束形成方法在處理小數值時存在精度誤差、性能下降的問題，研究人員提出小數位分離復卷積神經網絡（DSCCNN）。實驗表明其抗干擾性能優異、計算復雜度低、訓練時間短，為工程應用提供新方向。
在遙感技術飛速發展的當下，合成孔徑雷達的廣泛應用與人們對遙感需求的不斷提升，使得寬帶波束形成技術成為研究熱點。傳統波束形成方法在處理寬帶信號時面臨諸多挑戰，而基于深度學習的波束形成方法雖展現出潛力，但因計算設備精度限制，神經網絡生成極小數值時易出現精度誤差，且波束形成性能對小數值高度敏感，現有方法因這些誤差導致性能下降，如何在性能與效率間實現更好平衡成為亟待解決的問題。
為突破上述困境，南京工程學院的研究人員開展了相關研究，成果發表在《Engineering Applications of Artificial Intelligence》。他們提出小數位分離復卷積神經網絡（DSCCNN）用于寬帶波束形成，旨在提升生成精度，實現性能與效率的優化。研究表明，該方法在抗干擾方面表現出色，計算復雜度低，具備工程應用潛力。
研究主要采用的關鍵技術方法包括：構建多專家混合框架（Mixture-of-Experts），運用不同網絡處理不同小數位以提高擬合精度；借鑒計算機視覺網絡架構，利用多層感知機（MLP）增強網絡主干的學習能力；基于擠壓激勵模塊（SE）提出改進的注意力模塊（MPSE），以更好處理復值特征圖的不同部分。
性能對比
研究將 DSCCNN 與 5 種公開的基于深度學習的波束形成方法（WBPNet、BBPCNet、CVCNN、BWGN 等）進行對比，使用相同模擬數據訓練。結果顯示，DSCCNN 在短采樣時間下的信號干擾加噪聲比（SINR）與傳統長采樣時間方法相近，抗干擾效果優異，驗證了其在寬帶信號處理中的優勢。
網絡架構與效率
DSCCNN 包含兩個共享相同架構的子網絡和一個輸出混合器，輸入時域陣元級采樣數據，各子網絡生成預測波束形成系數不同小數位的序列。通過采用計算高效的 MLP 替代部分大卷積層，在性能與效率間取得良好平衡。盡管雙子網設計效率可進一步提升，如在網絡最后幾層進行數據流分離以共享更多特征提取層降低計算復雜度，但當前設計已展現較低計算復雜度，且訓練耗時短。
模塊創新
改進的 MPSE 模塊針對復值特征圖，對實部和虛部分別處理后計算通道注意力權重，避免了原 SE 模塊處理復值時取絕對值導致的信息丟失，增強了對復值特征圖的感知能力，且保留了原模塊的靈活性和即插即用特性。多專家混合框架則通過不同子網處理不同小數位，提升了對輸出值第 5 位及以后小數位分量的擬合能力，彌補了現有方法在擬合極小數值分量上的不足，顯著提高了輸出精度。
研究結論表明，DSCCNN 通過小數位分離機制、MLP 增強的復卷積塊及 MPSE 模塊，有效提升了寬帶波束形成的精度與性能，計算復雜度低，適合移動和嵌入式平臺等工程應用場景。其提出的框架級精度提升機制為解決神經網絡在生成小數值時的精度問題提供了新思路，推動了深度學習在雷達與遙感領域波束形成技術中的應用，為高分辨率遙感、抗干擾通信等實際應用奠定了基礎，具有重要的理論意義和工程實用價值。
