前言

阵列信号处理是对放置在不同位置的多个传感器所接收或发射的空间信号进行处理，相较于单个传感器，传感器阵列能够灵活控制波束指向、提高信号增益和分辨率。随着人工智能技术的发展，深度学习方法逐步应用于信号参数估计，形成了以深度神经网络和卷积神经网络为代表的数据驱动方法。然而，由于现代雷达与信息技术的发展，信号环境正变得日趋复杂，对信号参数估计的有效性和实时性提出了更高的要求，传统的阵列设计以及信号参数估计方法面临的挑战主要包括： 

(1) 为避免参数估计模糊的问题，阵元的间距需要小于或等于半波长，但是当阵列的工作频率过高时，在半波长范围内安装的两个阵元可能会出现严重的互耦效应，导致参数估计性能急剧下降甚至失效。此外，对于均匀线阵来说，为了提高参数估计的分辨率，需要通过增加阵元数目的方法来扩大阵列孔径，但是这会增加硬件系统的成本。

(2)  在模型驱动方法中，子空间类方法的计算复杂度相对较低，但是不适用于低信噪比和小快拍数的情况； 稀疏表示类方法在低信噪比和小快拍数情况下的性能相对较好，但会以相对较大的计算量为代价，导致信号参数估计的实时性较差。模型驱动方法有较为明确的统计学或物理学含义，但是模型的构建严重依赖于先验知识和假设，在网格失配、阵列互耦合多径传播等非理想情况下，模型驱动方法对误差的适应能力较差，导致信号参数估计性能严重下降甚至完全失效。虽然有相应的校正和补偿方法，但通常只适用于特定类型的情况，模型驱动方法的普适性仍然受到一定的制约。

(3)  数据驱动方法是利用大量的数据对网络进行训练，从而建立输入和输出之间的映射关系。相较于模型驱动方法，数据驱动方法的计算复杂度相对较低，信号参数估计的实时性较好。此外，由于数据驱动方法通过对非理想情况下的训练样本进行特征提取，因此对不同类型误差的适应能力相对较好。然而，数据驱动方法往往需要大量的训练样本，并且网络参数的可解释性较差，导致对未知数据的泛化能力相对较差。

本书共6章。第1章介绍了信号参数估计的研究背景和意义，梳理了当前信号参数估计方法所面临的主要挑战，对国内外研究现状进行了归纳和介绍； 第2章构建了深度展开网络的框架； 第3章针对远场信号角度不属于网格划分的角度集合问题，通过构建相应的深度展开网络，实现远场信号的离网格角度估计； 第4章为了突破网格划分的局限性，通过构建相应的深度展开网络，实现远场信号的无网格角度估计； 第5章针对非理想情况下的远场信号参数估计问题，通过构建相应的深度展开网络，实现阵元互耦情况下的远场信号角度和互耦系数估计，以及多径传播情况下的远场信号角度和功率估计； 第6章在远场信号参数估计的基础上，针对混合信号情况下的识别以及参数估计问题，通过构建相应的深度展开网络，实现远场信号角度估计以及近场信号角度和距离估计。

本书由苏晓龙负责全书的组织编排及统稿工作； 刘振、户盼鹤、龚政辉、黎湘负责本书部分章节的编写。

本书的出版获得了国家自然科学基金(No．62401585)的资助，在此表示感谢。在编写的过程中，刘永祥、姜卫东、高勋章提出了宝贵的意见和建议，刘天鹏、张双辉、师俊朋、关东方等也给予了帮助。在此一并致以衷心的感谢！

由于作者水平有限，书中难免有错误和不当之处，恳请读者批评指正。

作者2025年5月