Angular Sector-Based Sparse Array Design for Adaptive Beamforming Using Deep Learning

Resumo Técnico: Design de Matriz Esparsa Baseada em Setores Angulares para Beamforming Adaptativo Usando Aprendizado Profundo

Definição do Problema
Em ambientes de radiofrequência (RF) dinâmicos, maximizar a Relação Sinal-Interferência Mais Ruído (SINR) frequentemente exige matrizes esparsas com espaçamento não uniforme. Diferente dos Arrays Lineares Uniformes (ULAs), onde o beamforming depende apenas de pesos, os arrays esparsos dependem do posicionamento preciso dos elementos para aumentar os graus de liberdade. No entanto, as características de interferência que mudam rapidamente exigem reconfigurações frequentes dessas matrizes. Métodos tradicionais para determinar configurações ideais, como otimização convexa ou enumeração exaustiva, sofrem com alta complexidade computacional, tornando-os impraticáveis para a detecção cognitiva em tempo real dentro do Ciclo Percepção-Ação (PAC). Além disso, a troca frequente de antenas pode ser intensiva para o hardware e ineficiente. O desafio central é projetar um sistema que selecione configurações ideais de matrizes esparsas com base nos ângulos de interferência, minimizando reconfigurações desnecessárias e mantendo um desempenho robusto de SINR.

Metodologia
Os autores propõem um framework de aprendizado profundo que mapeia matrizes de correlação espacial para configurações de matrizes esparsas ideais, deslocando o ônus da otimização para uma fase de treinamento offline.

• Modelo do Sistema: O estudo considera um Array Linear Uniforme (ULA) com $M=12$ localizações de antena possíveis e $N=6$ cadeias de RF ativas. O objetivo é selecionar o melhor subconjunto de 6 antenas das 12 localizações disponíveis para maximizar o SINR para um sinal desejado em broadside ($90^\circ$) contra um interferente varrendo o campo de visão (FoV).
• Geração de Dataset: Matrizes de correlação espacial completas são computadas para 924 configurações potenciais de matrizes esparsas. O ângulo de interferência é amostrado uniformemente em incrementos de $1^\circ$ de $10^\circ$ a $90^\circ$.
• Estratégia de Redução de Classes: Para reduzir a complexidade de classificação, os autores implementam uma redução de classes baseada em setores angulares. Bins angulares adjacentes dominados pela mesma configuração de matriz ideal são fundidos. Este processo reduz os 80 bins iniciais para 72 e, finalmente, para 56 classes representativas (configurações únicas baseadas em setores).
• Variantes de Dataset: Para avaliar sistematicamente o impacto do volume e distribuição de dados, quatro variantes de dataset são criadas:
  1. Alta contagem de amostras, Desbalanceado (distribuição natural).
  2. Alta contagem de amostras, Balanceado (via up/down-sampling).
  3. Baixa contagem de amostras, Desbalanceado.
  4. Baixa contagem de amostras, Balanceado.
• Arquiteturas de Rede: Duas redes são treinadas e avaliadas:
  1. Uma rede Neural Convolucional (CNN) leve com 32 filtros paralelos, utilizando componentes reais, imaginários e de fase da matriz de correlação como entrada.
  2. Uma arquitetia ResNet-50 mais profunda com conexões de salto residuais (residual skip connections).
     Ambos os modelos produzem um vetor de codificação one-hot representando uma das 56 configurações. O treinamento utiliza uma estratégia híbrida de validação k-fold, onde os pesos são transferidos entre os folds para acelerar a convergência e melhorar a generalização.

Principais Resultados

• Acurácia de Classificação: A ResNet-50 superou consistentemente a CNN leve em todas as variantes de dataset. A maior acurácia alcançada foi de 97,3% pela ResNet-50 no dataset balanceado de baixa contagem de amostras. A CNN atingiu um máximo de 94,6% no mesmo dataset.
• Tendências de Regimes de Dados: Contrariando as expectativas típicas, os datasets de baixa contagem de amostras geraram acurácias mais altas do que os de alta contagem. Os autores atribuem isso ao fato de os datasets de alta contagem introduzirem maior variabilidade intra-classe devido às diversas realizações de interferência, o que cria sobreposição próxima aos limites dos setores. Por outro lado, os datasets de baixa contagem formaram clusters mais compactos no espaço de características.
• Impacto do Balanceamento: O balanceamento de classes melhorou a acurácia no regime de baixa contagem de amostras ao fornecer uma melhor representação para as classes minoritárias. No entanto, no regime de alta contagem, o balanceamento degradou ligeiramente o desempenho, provavelmente porque o down-sampling das classes majoritárias reduziu a diversidade natural e causou overfitting em amostras replicadas de classes minoritárias.
• Desempenho de SINR: As configurações selecionadas mantiveram um SINR próximo ao ideal. Para a maioria dos bins angulares, o desvio do SINR teoricamente ideal foi inferior a 1%. Mesmo em cenários desafiadores onde o interferente se aproximava da direção de broadside (próximo ao sinal desejado), o desvio máximo permaneceu em torno de 5%. O SINR médio alcançado em todo o dataset foi de 5,628 dB.

Significância e Alegações
O artigo afirma que a abordagem proposta fornece um framework escalável e prático para o deployment de matrizes esparsas adaptativas em ambientes de RF dinâmicos. Ao fundir setores adjacentes em classes representativas, o sistema reduz reconfigurações desnecessárias enquanto preserva um forte desempenho de SINR. Os resultados demonstram que o aprendizado profundo pode identificar efetivamente configurações de matrizes esparsas ideais a partir de dados de correlação, oferecendo uma alternativa viável à otimização em tempo real computacionalmente cara. O estudo destaca que o design cuidadoso do dataset — especificamente quanto à contagem de amostras e distribuição de classes — é crítico para alcançar resultados de aprendizado confiáveis. O framework suporta a detecção cognitiva em tempo real e a mitigação eficaz de interferência, com a ResNet-50 oferecendo superior acurácia para cenários de dados limitados e a CNN leve fornecendo uma alternativa computacionalmente eficiente.