Deep Learning Based Sparse Array Design with Pre-Steering for Adaptive Beamforming

Resumo Técnico: Design de Matriz Esparsa Baseado em Aprendizado Profundo com Pré-Direcionamento para Beamforming Adaptativo

Formulação do Problema
Matrizes esparsas são amplamente utilizadas em radar, sonar e comunicações sem fio para alcançar alta resolução espacial e supressão de interferência com reduzida complexidade de hardware. O desafio central abordado neste trabalho é o design de configurações de matriz esparsa ideais (selecionando $M$ antenas ativas de $N$ elementos disponíveis) para maximizar a Relação Sinal-Interferência mais Ruído (SINR) em ambientes dinâmicos. Embora métodos de otimização convencionais, como algoritmos iterativos e relaxação semidefinida (SDR), possam atingir o SINR máximo, eles são computacionalmente intensivos e frequentemente inadequados para adaptação em tempo real em condições de propagação que mudam rapidamente.

Abordagens de aprendizado profundo (DL) existentes tentaram aprender essas configurações diretamente a partir de dados. No entanto, os métodos anteriores tipicamente exigem conjuntos de dados de treinamento que cubram todos os possíveis ângulos de fontes desejadas. Isso demanda conjuntos de dados massivos e recursos computacionais significativos, limitando a escalabilidade e a capacidade de generalização para direções arbitrárias sem a necessidade de retreinamento. Além disso, implementações práticas enfrentam desafios em relação aos erros de estimativa de Direção de Chegada (DOA), que podem degradar o desempenho do beamforming se o sistema não for robusto a desalinhamentos angulares.

Metodologia
A solução proposta introduz um framework de aprendizado profundo que integra uma estratégia de pré-direcionamento (pre-steering) com Redes Neurais Convolucionais (CNNs) para permitir uma configuração de matriz esparsa rápida e robusta.

1. Transformação de Pré-Direcionamento:
   Em vez de treinar uma rede em cada ângulo de fonte possível, os autores propõem treinar uma única rede exclusivamente na direção de broadside ($90^\circ$). Para qualquer cenário de teste arbitrário com uma fonte desejada no ângulo $\theta_s$, a matriz de covariância espacial recebida $R_x$ é pré-direcionada usando uma matriz de deslocamento de fase diagonal $D(\theta_s)$. Esta transformação alinha o sinal desejado ao broadside ($90^\circ$) antes de ser alimentado na rede:
   $$R_{pre} = D(\theta_s) R_x D^H(\theta_s)$$
   Isso permite que a rede, treinada apenas em cenários de broadside, infira a configuração esparsa ideal para qualquer direção de fonte arbitrária, convertendo efetivamente o problema em um cenário equivalente de broadside.

2. Treinamento Aumentado por Erro Robusto:
   Reconhecendo que o pré-direcionamento prático pode sofrer com erros de calibração ou imprecisões de estimativa de DOA, os autores incorporam perturbações estruturadas durante o treinamento. Em vez de assumir um alinhamento perfeito, o processo de treinamento inclui amostras com pequenos erros de pré-direcionamento controlados (ex: $\pm 0,1^\circ, \pm 0,2^\circ$). Este treinamento "aumentado por erro" força a rede a aprender configurações ideais que permanecem válidas mesmo quando a direção real da fonte desvia ligeiramente da direção de observação assumida.

3. Arquitetura de Rede e Setorização:
   A CNN recebe os componentes real, imaginário e de fase da matriz de correlação $N \times N$ como entrada ($3 \times N \times N$). Para gerenciar a explosão combinatória de possíveis configurações de matriz (ex: 924 combinações para $N=12, M=6$), o campo de visão é particionado em setores angulares. Cada setor é atribuído à configuração ideal que ocorre com maior frequência dentro daquele intervalo, reduzindo a tarefa de classificação para um número gerenciável de classes de saída.

Principais Resultados
Resultados de simulação usando uma Matriz Linear Uniforme (ULA) de 12 elementos com 6 cadeias de RF demonstram a eficácia da abordagem proposta:

• Generalização sem Retreinamento: A estratégia de pré-direcionamento permite com sucesso que uma rede treinada apenas em broadside generalize para ângulos de fonte arbitrários. Sob condições ideais de pré-direcionamento, o método atinge mais de 90% de acurácia de teste através de amplas faixas de ângulos de fonte e interferência.
• Robustez a Erros: Experimentos iniciais mostraram que redes não treinadas sofriam quedas significativas de acurácia (até ~25%) quando expostas a erros de pré-direcionamento. Ao implementar o treinamento aumentado por erro estruturado (treinando com amostras contendo perturbações pequenas e específicas), a robustez da rede melhorou dramaticamente.
• Desempenho com Grandes Erros: A configuração mais robusta, que utilizou um conjunto de dados expandido (16.000 amostras) com pequenos erros sistemáticos de treinamento ($\pm 0,2^\circ$), manteve uma acurácia de teste de 90,66% mesmo quando testada contra erros de pré-direcionamento maiores e aleatórios ($\pm 1^\circ$).
• Compromissos de Setorização: Embora a rotulagem baseada em setores tenha reduzido a complexidade do modelo, o artigo observa que esta abordagem pode degradar o desempenho de SINR se as fronteiras dos setores forem muito largas ou se a configuração ideal variar significativamente dentro de um setor. No entanto, a abordagem de pré-direcionamento mitigou a necessidade de conjuntos de dados de treinamento de múltiplos ângulos que seriam necessários para manter alta acurácia.

Significância e Contribuições
O artigo reivindica três contribuições primárias para o campo do beamforming adaptativo:

1. Framework de Pré-Direcionamento Escalável: A introdução de um framework de pré-direcionamento baseado em DL que permite que uma única rede neural, treinada apenas em broadside, generalize para direções desejadas arbitrárias. Isso reduz significativamente a complexidade de treinamento, requisitos de armazenamento de dados e encargos de generalização em comparação com métodos que exigem cobertura exaustiva de ângulos.
2. Robustez sob Incerteza: A investigação e demonstração de que o método proposto mantém alta acurácia sob incerteza angular. Ao incorporar sistematicamente perturbações de pré-direcionamento estruturadas durante o treinamento, a rede aprende a tolerar erros de estimativa de DOA, garantindo desempenho confiável em ambientes dinâmicos.
3. Adaptação em Tempo Real: A capacidade de selecionar eficientemente antenas ativas para maximizar o SINR de saída para uma fonte desejada e um sinal de interferência. A combinação da eficiência do pré-direcionamento com a capacidade de inferência de redes neurais fornece um caminho prático para a adaptação de matrizes esparsas em tempo real, superando a latência computacional dos métodos tradicionais de otimização iterativa.

Os autores concluem que, embora a abordagem baseada em setores apresente limitações quanto à degradação de SINR em certas regiões angulares, a integração do pré-direcionamento com treinamento consciente de erro oferece uma solução robusta e eficiente para a configuração de matrizes esparsas em tempo real em ambientes de propagação incertos.