MIMO 张量雷达

从零开始的信号处理学习路径

雷达是怎么「看到」东西的？

在讲任何公式之前，我们先建立一个最基础的直觉：雷达本质上就是一个「回声定位」系统。

一句话总结：雷达发出电磁波 → 波碰到目标弹回来 → 雷达听回声 → 从回声里提取信息。

从回波里能知道什么？

想象你在一个空旷的山谷里大喊一声。你会听到回声。从这个回声里，你能知道三样东西：

距离：回声回来的越晚，山崖越远。雷达里也是一样的——电磁波往返的时间 × 光速 ÷ 2 = 目标距离。
速度：如果山崖在移动（比如是一辆车），回声的音调会变。这就是多普勒效应：救护车朝你开过来时声音变尖，远离时变沉。雷达通过测量回波的频率变化，算出目标速度。
方向：这是最难的。如果你只有一只耳朵，你能知道山崖有多远、移动有多快，但你根本无从判断它在哪个方向。

为什么单天线测不了角度？

单根天线接收信号时，它只知道「有信号来了，强度是多少」，但它对信号从哪个方向来完全无感。就像一个聋了左耳的人，很难判断声音从左边还是右边来。

要测方向，你需要至少两根天线。这就是为什么雷达要从「单天线」进化到「阵列天线」。

用「一排耳朵」听方向——阵列天线

人有两只耳朵，能判断声音的方向。雷达也一样：天线越多，对方向的感知越精确。

两个天线就能定方向

想象两个天线排成一排，间距为 $d$ 。一个信号从角度 $\theta$ 传来：

信号到达左边天线时，走了一段路。
信号到达右边天线时，多走了一小段路——这段额外的路叫做波程差。
波程差 = $d \sin \theta$ 。

因为多走了一段路，右边天线接收到的信号会有一个相位差。如果我们测量这个相位差，就能反推出 $\theta$ 。

一句话总结：两个天线收到同一个信号，但因为位置不同，信号到达有时间差/相位差。比较这个差异，就能算出方向。

从一维到二维：均匀线阵（ULA）

两个天线只能粗略判断方向。如果像下面这样，把 $N$ 个天线等间距排成一条直线，就形成了一个均匀线阵（Uniform Linear Array, ULA）：

[ 天线1 ] —— $d$ —— [ 天线2 ] —— $d$ —— [ 天线3 ] —— $d$ —— ... —— $d$ —— [ 天线N ]

通常取 $d = \lambda / 2$ （半波长），这是为了避免角度模糊（也就是分不清正前方和侧后方）。

导向矢量：阵列的「指纹」

对于来自方向 $\theta$ 的信号，整个阵列的响应可以写成一个向量：

\boldsymbol{\beta}(\theta) = \begin{bmatrix} 1 \\ e^{-j\pi\sin\theta} \\ e^{-j2\pi\sin\theta} \\ \vdots \\ e^{-j(N-1)\pi\sin\theta} \end{bmatrix}

这个向量叫做导向矢量（Steering Vector）。它描述了「当信号从 $\theta$ 方向来时，阵列上每个天线分别收到什么」。

你可以把它理解为阵列对不同方向的指纹：每个方向都有一个独特的导向矢量。如果我们能从接收信号中「匹配」出这个指纹，就知道信号从哪来了。

关键直觉：导向矢量的每一元素都是复数，相邻元素之间有一个固定的相位旋转 $e^{-j\pi\sin\theta}$ 。方向 $\theta$ 不同，旋转的速度就不同。

DOA 估计——目标到底从哪来？

DOA 是什么？

DOA 是 Direction of Arrival 的缩写，中文叫来波方向。

注意是「来波方向」，不是「目标方向」。为什么？因为雷达接收的是反射波，波是从目标那边过来的，所以叫「来波」。在双基地雷达里，发射和接收分开，还会有一个 DOD（Direction of Departure，离射角），描述波从发射端离开的方向。

一句话总结：DOA = 波从哪来；DOD = 波往哪去。

问题定义

假设空间中有 $K$ 个目标，它们相对于接收阵列的角度分别是 $\theta_1, \theta_2, \ldots, \theta_K$ 。阵列接收到的信号是所有目标信号叠加，再加上噪声。

用矩阵形式写就是：

\mathbf{y}(t) = \sum_{k=1}^{K} s_k(t) \boldsymbol{\beta}(\theta_k) + \mathbf{n}(t)

其中 $s_k(t)$ 是第 $k$ 个目标的信号， $\boldsymbol{\beta}(\theta_k)$ 是它的导向矢量， $\mathbf{n}(t)$ 是噪声。

DOA 估计的任务就是：已知接收信号 $\mathbf{y}(t)$ ，估计出 $K$ 个角度 $\theta_1, \ldots, \theta_K$ 。

最直觉的方法：波束扫描

最简单粗暴的方法是什么？逐个方向「看」过去。

想象你手里有一个可调方向的探照灯。你把灯从左扫到右，哪里最亮，哪里就有目标。雷达也可以这样做：把阵列的加权向量 $\mathbf{w}$ 对准不同方向，计算输出功率：

P(\theta) = |\mathbf{w}^H(\theta) \mathbf{y}|^2

当 $\mathbf{w}$ 恰好对准某个目标方向时，所有天线的信号同相叠加，功率最大。画出 $P(\theta)$ 随 $\theta$ 变化的曲线，峰值位置就是目标方向。

但这种方法有个致命的局限——瑞利限（Rayleigh Limit）：如果两个目标靠得太近（角度差小于阵列孔径的倒数），波束扫描就分不开了。就像用粗毛笔写字，笔画一粗，细小的结构就糊在一起。

波束扫描的问题：分辨率受限于阵列物理孔径，而且只能「看到」比波束宽度粗的目标。

突破物理极限——子空间方法

波束扫描的分辨率受限于物理孔径，就像一个近视的人看不清远处的小字。但数学家发现：如果我们不只看「功率」，而是看信号的「结构」，就能突破物理限制。

协方差矩阵：信号的结构密码

阵列接收到的信号是一个向量 $\mathbf{y}(t)$ 。如果我们在多个时刻采样，可以计算协方差矩阵：

\mathbf{R} = \mathbb{E}[\mathbf{y}(t) \mathbf{y}^H(t)]

直观理解： $\mathbf{R}$ 描述了阵列上各天线之间的相关性。如果两个天线总是收到很相似的信号，说明它们的相关性高。协方差矩阵把这些相关性都记录了下来。

对 $\mathbf{R}$ 做特征分解，会得到 $N$ 个特征值和对应的特征向量：

\mathbf{R} = \sum_{i=1}^{N} \lambda_i \mathbf{e}_i \mathbf{e}_i^H

神奇的是，这些特征值可以分成两组：

大特征值（共 $K$ 个， $K$ 是目标数）：它们对应的方向张成了信号子空间。
小特征值（共 $N-K$ 个）：它们对应的方向张成了噪声子空间。

核心洞察：信号子空间是由 $K$ 个目标的导向矢量张成的；噪声子空间与所有导向矢量都正交。

MUSIC：在噪声里找信号

1986年，Schmidt 提出了 MUSIC 算法。它的核心思想极其优雅：

如果某个方向 $\theta$ 真的有目标，那么它的导向矢量 $\boldsymbol{\beta}(\theta)$ 应该落在信号子空间里，因此与噪声子空间正交。

所以，我们只需要遍历所有方向，计算导向矢量与噪声子空间的「垂直程度」：

P_{\text{MUSIC}}(\theta) = \frac{1}{\boldsymbol{\beta}^H(\theta) \mathbf{E}_n \mathbf{E}_n^H \boldsymbol{\beta}(\theta)}

其中 $\mathbf{E}_n$ 是噪声子空间的基矩阵。当 $\boldsymbol{\beta}(\theta)$ 与噪声子空间正交时，分母趋近于 0， $P_{\text{MUSIC}}$ 出现一个尖峰。尖峰的位置就是目标方向！

MUSIC 的神奇之处在于它可以超分辨——分辨两个靠得极近的目标，突破了波束扫描的瑞利限。代价是需要在整个角度范围内做谱搜索，计算量大。

ESPRIT：不需要搜索的聪明办法

MUSIC 需要像探照灯一样一格一格地扫描。ESPRIT（Estimation of Signal Parameters via Rotational Invariance Techniques）则发现了一个更巧妙的性质：

如果把阵列分成两个完全相同的子阵（一个去掉第一个天线，一个去掉最后一个天线），两个子阵接收到的信号只差一个旋转矩阵。

具体来说，设 $\mathbf{B}_1$ 是前 $N-1$ 个天线组成的子阵的导向矩阵， $\mathbf{B}_2$ 是后 $N-1$ 个天线组成的子阵的导向矩阵。它们满足：

\mathbf{B}_2 = \mathbf{B}_1 \boldsymbol{\Phi}

\boldsymbol{\Phi} = \text{diag}\left( e^{-j\pi\sin\theta_1}, e^{-j\pi\sin\theta_2}, \ldots, e^{-j\pi\sin\theta_K} \right)

这个旋转矩阵 $\boldsymbol{\Phi}$ 的对角线元素直接编码了目标角度！所以问题的关键变成了：如何从接收数据中估计出 $\boldsymbol{\Phi}$ ？

步骤如下：

从协方差矩阵得到信号子空间 $\mathbf{U}_s$ 。
把 $\mathbf{U}_s$ 分成上下两半，分别对应两个子阵。
利用最小二乘求出旋转矩阵的估计 $\widehat{\boldsymbol{\Phi}}$ 。
对 $\widehat{\boldsymbol{\Phi}}$ 做特征值分解，特征值就是 $e^{-j\pi\sin\theta_k}$ 。
从特征值中提取角度： $\hat{\theta}_k = -\frac{1}{\pi} \arg(\lambda_k)$ 。

ESPRIT 的优点：不需要谱搜索，计算复杂度低，适合实时处理。
ESPRIT 的缺点：需要阵列具有平移不变结构（如 ULA），且特征分解对低信噪比敏感。

Propagator Method：更省事的近似

如果目标数 $K$ 远小于天线数 $N$ ，协方差矩阵的很大一块都是噪声。PM（Propagator Method）提出：不需要对整个矩阵做特征分解（SVD），只需要解一个线性方程组就能近似得到信号子空间。

具体来说，把接收矩阵分成信号部分和噪声部分，通过一个传播算子（Propagator）建立它们之间的线性关系。PM 的计算复杂度只有 $O(MNK)$ ，远低于 ESPRIT 的 $O(N^3)$ ，但估计精度稍差。

三种方法的对比

方法	核心思想	需要搜索？	计算复杂度	低 SNR 表现
MUSIC	噪声子空间正交	是（一维/二维）	高	中等
ESPRIT	子阵旋转不变	否	中（SVD）	较差
PM	传播算子线性近似	否	低	差

共同的软肋：这三种方法都是矩阵方法——它们把多维数据压成矩阵来处理。如果数据天然是高维的（比如 MIMO 雷达有「发射 × 接收 × 时间」三个维度），压成矩阵会损失结构信息，导致性能下降。

MIMO 雷达——从「一只眼」到「很多只眼」

传统雷达是「一个发射天线 + 一个接收天线」。MIMO 雷达说：为什么不多用几个？

MIMO 从哪来？

MIMO 这个词来自无线通信。在 Wi-Fi 和 5G 里，基站和手机都有多根天线，同时收发多个数据流，速率成倍提升。雷达借用了这个概念，但目的不是传数据，而是获得更多的目标信息。

共址 MIMO vs 分布式 MIMO

共址 MIMO：所有收发天线挤在一起（间距半波长），像一排紧紧挨着的眼睛。不同天线发射正交波形，接收端可以分离出每一路发射信号。这提供了波形分集，等效于虚拟出一个更大的阵列。
分布式 MIMO：收发天线分散在很广的区域，像很多人在不同的山头同时观察。这提供了空间分集，可以对抗目标在某些角度上雷达反射很弱的问题（RCS 闪烁）。

本模块主要关注共址双基地 MIMO 雷达：发射阵列和接收阵列各自共址，但两者之间有一定距离。

双基地 MIMO 的信号模型

假设发射阵列有 $M$ 个天线，接收阵列有 $N$ 个天线，空间中有 $K$ 个目标。第 $k$ 个目标的离射角（从发射端看）为 $\varphi_k$ ，来波角（从接收端看）为 $\theta_k$ 。

发射导向矩阵和接收导向矩阵分别为：

\mathbf{A} = [\boldsymbol{\alpha}(\varphi_1), \ldots, \boldsymbol{\alpha}(\varphi_K)] \in \mathbb{C}^{M \times K}

\mathbf{B} = [\boldsymbol{\beta}(\theta_1), \ldots, \boldsymbol{\beta}(\theta_K)] \in \mathbb{C}^{N \times K}

在单脉冲内（暂时忽略多普勒），接收信号矩阵可以写成：

\mathbf{Y} = \mathbf{B} \boldsymbol{\Sigma} \mathbf{A}^T + \mathbf{Z}

其中 $\boldsymbol{\Sigma} = \text{diag}(\sigma_1^2, \ldots, \sigma_K^2)$ 包含各目标的反射强度（RCS）， $\mathbf{Z}$ 是噪声。

直观理解：接收信号 = 接收阵列对目标的响应 × 目标反射强度 × 发射阵列对目标的响应 + 噪声。
我们需要同时估计 $\{\varphi_k\}$ （DOD）和 $\{\theta_k\}$ （DOA）。

配对问题

如果分别对发射端和接收端做 ESPRIT，我们会得到两组角度：一组 DOD，一组 DOA。但不知道哪个 DOD 对应哪个 DOA。比如有目标 A 和目标 B，我们算出 DOD 是 $20°$ 和 $30°$ ，DOA 是 $15°$ 和 $25°$ ，但不知道 $20°$ 是和 $15°$ 配对还是和 $25°$ 配对。

这需要额外的配对算法，增加了复杂度和出错概率。而张量分解天然就能解决这个问题——因为同一个秩-1 成分对应的是同一个目标。

从矩阵到张量——为什么需要更高维的工具？

前面的算法都是矩阵算法——把数据压成一个二维表格来处理。但 MIMO 雷达的数据天然是三维的：发射天线 × 接收天线 × 脉冲/时间。强行压成矩阵，就像把立体照片压成平面图，很多空间信息就丢了。

张量是什么？

用最通俗的话说：

标量：一个数（0 维）
向量：一排数（1 维）
矩阵：一个表格（2 维）
张量：一个「数据方块」（3 维或更高维）

MIMO 雷达的接收数据就是一个三阶张量 $\mathcal{Y} \in \mathbb{C}^{M \times N \times Q}$ ：第一个维度是发射通道，第二个是接收通道，第三个是脉冲数。

Mode-n 展开：把方块摊平

虽然张量是高维的，但有时候我们需要把它变回矩阵来做运算。Mode-n 展开就是把张量沿第 $n$ 个维度「切开、摊平」：

沿发射维（Mode-1）展开： $M \times NQ$ 的矩阵
沿接收维（Mode-2）展开： $N \times MQ$ 的矩阵
沿脉冲维（Mode-3）展开： $Q \times MN$ 的矩阵

这就像把一个魔方拆开，按不同方向重新排成一列。

PARAFAC 分解：把复杂拆成简单

三阶张量最重要的分解方式是 PARAFAC（Parallel Factor Analysis）。它把一个张量拆成 $R$ 个「最简单的积木」之和：

\mathcal{Y} = \sum_{r=1}^{R} \mathbf{a}_r \circ \mathbf{b}_r \circ \mathbf{c}_r + \mathcal{Z}

符号 $\circ$ 表示外积，意思是： $(\mathbf{a} \circ \mathbf{b} \circ \mathbf{c})_{ijk} = a_i \cdot b_j \cdot c_k$ 。也就是说，这个「积木」在三个维度上分别是向量 $\mathbf{a}, \mathbf{b}, \mathbf{c}$ ，整体是一个三维的 rank-1 结构。

向量 $\mathbf{a}_r, \mathbf{b}_r, \mathbf{c}_r$ 分别来自三个因子矩阵 $\mathbf{A}, \mathbf{B}, \mathbf{C}$ 。如果能从观测数据 $\mathcal{Y}$ 中恢复出这三个因子矩阵，就能读出目标参数。

PARAFAC 最关键的性质——唯一性：在适当条件下，因子矩阵 $\mathbf{A}, \mathbf{B}, \mathbf{C}$ 可以被唯一确定。这意味着不需要像矩阵 SVD 那样引入人为的正交约束，就能恢复出物理上有意义的解。

ALS 算法：交替求解

PARAFAC 没有闭式解，最常用的是 ALS（Alternating Least Squares）：

固定 $\mathbf{B}$ 和 $\mathbf{C}$ ，通过最小二乘更新 $\mathbf{A}$ 。
固定 $\mathbf{A}$ 和 $\mathbf{C}$ ，更新 $\mathbf{B}$ 。
固定 $\mathbf{A}$ 和 $\mathbf{B}$ ，更新 $\mathbf{C}$ 。
循环直到收敛。

每一步都是凸优化问题，有解析解。虽然可能收敛到局部最优，但在大多数信号处理场景中表现很好。

Slow-Time MIMO：用时间换硬件

传统共址 MIMO 要求每个发射通道有独立的射频链和波形发生器。8 个发射通道就需要 8 套发射硬件，成本高、体积大。Slow-Time MIMO 提出了一种更聪明的方案：让所有通道共享同一套硬件，在时间上轮流使用。

DDMA：给每个通道分配不同的「音调」

想象一下合唱团：所有人唱同一首歌，但每个人的音调（频率）略有不同。虽然声音混在一起，但你可以凭音调区分出每个人。

DDMA（Doppler Division Multiple Access）就是这个原理。所有发射天线发射同一个波形包络（比如线性调频信号 LFM），但第 $m$ 个通道在每个脉冲上附加一个特定的相位：

w_{mq} = \exp(j 2\pi f_m q T)

f_m = \frac{f_a}{2}\left(-1 + \frac{2m - 1}{M}\right)

其中 $f_a$ 是脉冲重复频率， $q$ 是脉冲序号， $T = 1/f_a$ 。这相当于给每个发射通道分配了一个独特的「多普勒频移标签」。接收端通过滤波，就能把不同通道的信号分离开。

一句话总结：DDMA 通过在慢时间（脉冲间）施加不同的相位调制，让 $M$ 个虚拟发射通道共享 $1$ 套硬件。

传统张量模型的困境

在常规 MIMO 雷达中，接收数据是 $M \times N \times Q$ 的张量（ $Q$ 个脉冲）。当 $Q \geq MN$ 时，PARAFAC 分解稳定且精确。

但在 Slow-Time MIMO 中，DDMA 把每个发射通道可用的脉冲数从 $Q$ 减少到了 $Q/M$ 。张量的 Mode-3 维度骤减，就像把一个立体照片压扁了。这导致：

ALS 收敛困难（样本不够多）
分解精度严重下降

改进的 Hadamard 张量模型

核心 insight：不要把 DDMA 的相位调制当成「采样损失」，而是把它显式地编码进信号模型。

接收信号可以看作是两个张量的 Hadamard（逐元素）积：

\mathcal{Y} = \mathcal{Y}_s \ast \mathcal{D} + \mathcal{Z}

其中 $\mathcal{Y}_s$ 是常规 MIMO 雷达的完整张量模型（保留了全部 $Q$ 个脉冲）， $\mathcal{D}$ 编码了 DDMA 的相位调制矩阵。这个模型的精妙之处在于：它没有牺牲多普勒域的采样数，只是把调制因子剥离了出来。这样既保留了张量分解的优势，又克服了 Slow-Time MIMO 的采样瓶颈。

\mathcal{Y}_s = \mathcal{I}_K \times_1 \mathbf{A} \times_2 \mathbf{B} \times_3 \mathbf{C}

\mathcal{D} = \mathcal{I}_M \times_1 \mathbf{I}_M \times_2 \mathbf{I}_N \times_3 \mathbf{W}^T

$\times_n$ 表示张量与矩阵的 mode- $n$ 乘积， $\mathbf{W}$ 是 $M \times Q$ 的 DDMA 相位调制矩阵。

PARAFAC + ESPRIT：张量与子空间的完美结合

现在我们有了改进的张量模型，接下来的问题是怎么从中提取角度。答案是：先用 PARAFAC 分解恢复出因子矩阵，再用 ESPRIT 从因子矩阵中提取角度。

Modified ALS

由于模型中多了一个固定的 Hadamard 因子 $\mathcal{D}$ ，标准 ALS 需要修改。核心是在每一步最小二乘中，把 $\mathcal{D}$ 作为已知常数保留下来。

以更新发射导向矩阵为例，目标函数变为：

\min_{\mathbf{A}_0} \left\| \mathbf{Y}_{A(1)} - \left[ (\mathbf{B} \odot \mathbf{C}) \mathbf{A}_0^T \right] \ast \mathbf{D}_{A(1)} \right\|_F^2

其中 $\mathbf{A}_0 = [\mathbf{A}_1^T, \mathbf{A}_2^T]^T$ 是通过将发射阵列分成两个重叠子阵构造的增广矩阵。这种「子阵拼接」近似翻倍了有效样本数。

利用 Vandermonde 结构提取角度

ULA 的导向矩阵具有 Vandermonde 结构：每一行是前一行的常数倍。这意味着两个子阵之间只相差一个对角旋转矩阵：

\mathbf{A}_2 = \mathbf{A}_1 \boldsymbol{\Gamma}_A

\boldsymbol{\Gamma}_A = \text{diag}\left( e^{-j\pi\sin\varphi_1}, \ldots, e^{-j\pi\sin\varphi_K} \right)

通过 PARAFAC 分解得到 $\widehat{\mathbf{A}}_1$ 和 $\widehat{\mathbf{A}}_2$ 后，用最小二乘估计旋转矩阵：

\widehat{\boldsymbol{\Gamma}}_A = \widehat{\mathbf{A}}_1^\dagger \widehat{\mathbf{A}}_2

对 $\widehat{\boldsymbol{\Gamma}}_A$ 做特征值分解，特征值就是 $e^{-j\pi\sin\varphi_k}$ 的估计，从而读出 DOD：

\hat{\varphi}_k = -\frac{1}{\pi} \arg\left( \widehat{\boldsymbol{\Gamma}}_A(k,k) \right)

DOA 的估计完全对称：对接收阵列做同样的子阵划分即可。而且 PARAFAC 分解天然完成了 DOD 和 DOA 的自动配对——因为同一个秩-1 成分对应同一个目标。

迭代解耦：DOD 与多普勒的联合估计

在 PARAFAC-Direct 等方法中，DOD 和多普勒频率存在耦合，需要迭代解耦：

初始化：从因子矩阵 $\mathbf{C}$ 提取精细多普勒 $f_{\text{fine}}$ ；对 $\mathbf{A}$ 做 FFT，从峰值确定粗略多普勒 $f_{\text{amb}}$ 。两者结合解模糊，得到初始 $f_k^{(0)}$ 。
步骤 A（固定多普勒，更新 DOD）：用当前 $f_k$ 补偿多普勒相位，去除 DDMA 调制，用 ESPRIT 估计 $\theta_k$ 。
步骤 B（固定 DOD，更新多普勒）：用当前 $\theta_k$ 重构导向矢量，重新估计多普勒并解模糊。
交替执行 A、B 直至收敛。

实验验证——看图说话

实验设置

在论文仿真中，常用以下参数：

发射阵元数 $M = 8$ ，接收阵元数 $N = 10$
脉冲数 $Q = 80$ ，脉冲重复频率 $f_a = 50$ kHz
目标数 $K = 2$ ，分别位于不同角度
蒙特卡洛仿真次数 $P = 200$

角度估计精度（RMSE）

下图对比了不同 SNR（信噪比）下各算法的均方根误差：

图 1：多种算法的 RMSE 随 SNR 变化（Combined DOD+DOA）

看图说话：曲线越低越好。PARAFAC-based 方法（红色/绿色）在低 SNR 下明显低于传统方法（PM、ESPRIT、U-ESPRIT）。原因有三：

张量分解利用了数据的多线性结构，信息利用更充分。
子阵拼接让有效样本数近似翻倍。
Hadamard 模型恢复了 Doppler 域的完整采样数。

图 2：DOA 估计的 RMSE 随 SNR 变化

分辨率分析

两个目标靠得很近时（比如角度只差 $1°$ ），算法还能不能把它们分开？下图展示了分辨率概率：

图 3：邻近目标分辨率概率曲线

PARAFAC-based 方法具有最低的分辨门限，能在更低的 SNR 下分辨出靠得极近的目标。

L-Shaped Array 增强自由度

传统方法的可分辨目标数受限于 $\min(M, N)$ 。通过 L 型阵列结合张量方法，可以突破这一限制：

图 4：L-Shaped Array 白化处理后的 RMSE 对比

图 5：多目标检测实验复现

前沿方向——从张量到深度学习

Sub-Nyquist + Decomposed CNN

传统方法要求采样率满足奈奎斯特准则。论文 Decomposed CNN for Sub-Nyquist Tensor-Based 2-D DOA Estimation 提出：先用 PARAFAC 把高维张量投影到低维因子空间，再用轻量级 CNN 学习噪声因子到真实角度的非线性映射。这样即使在欠采样条件下，也能保持高精度。

Tensorized Neural Layer

论文 Tensorized Neural Layer Decomposition for 2-D DOA Estimation 将神经网络的全连接层进行张量化分解，把庞大的权重矩阵压缩为多个低秩因子矩阵。这不仅减少了参数量，还隐式编码了阵列流形的 Vandermonde 结构，让神经网络具备物理可解释性。

知识脉络回顾

雷达基础 → 阵列天线 → DOA 估计（波束扫描）→ 子空间方法（MUSIC/ESPRIT/PM） ↓ MIMO 雷达 → 张量代数 → PARAFAC 分解 → Slow-Time MIMO 张量模型 ↓ PARAFAC + ESPRIT 联合估计 → 深度学习融合

从线性代数到张量分析，再到数据驱动方法，MIMO 雷达信号处理的发展脉络清晰可循。

持续更新中 · 基于多篇期刊论文整理