编辑推荐：
针对现有基于神经网络的宽带波束形成方法在处理小数值时存在精度误差、性能下降的问题，研究人员提出小数位分离复卷积神经网络（DSCCNN）。实验表明其抗干扰性能优异、计算复杂度低、训练时间短，为工程应用提供新方向。
在遥感技术飞速发展的当下，合成孔径雷达的广泛应用与人们对遥感需求的不断提升，使得宽带波束形成技术成为研究热点。传统波束形成方法在处理宽带信号时面临诸多挑战，而基于深度学习的波束形成方法虽展现出潜力，但因计算设备精度限制，神经网络生成极小数值时易出现精度误差，且波束形成性能对小数值高度敏感，现有方法因这些误差导致性能下降，如何在性能与效率间实现更好平衡成为亟待解决的问题。
为突破上述困境，南京工程学院的研究人员开展了相关研究，成果发表在《Engineering Applications of Artificial Intelligence》。他们提出小数位分离复卷积神经网络（DSCCNN）用于宽带波束形成，旨在提升生成精度，实现性能与效率的优化。研究表明，该方法在抗干扰方面表现出色，计算复杂度低，具备工程应用潜力。
研究主要采用的关键技术方法包括：构建多专家混合框架（Mixture-of-Experts），运用不同网络处理不同小数位以提高拟合精度；借鉴计算机视觉网络架构，利用多层感知机（MLP）增强网络主干的学习能力；基于挤压激励模块（SE）提出改进的注意力模块（MPSE），以更好处理复值特征图的不同部分。
性能对比
研究将 DSCCNN 与 5 种公开的基于深度学习的波束形成方法（WBPNet、BBPCNet、CVCNN、BWGN 等）进行对比，使用相同模拟数据训练。结果显示，DSCCNN 在短采样时间下的信号干扰加噪声比（SINR）与传统长采样时间方法相近，抗干扰效果优异，验证了其在宽带信号处理中的优势。
网络架构与效率
DSCCNN 包含两个共享相同架构的子网络和一个输出混合器，输入时域阵元级采样数据，各子网络生成预测波束形成系数不同小数位的序列。通过采用计算高效的 MLP 替代部分大卷积层，在性能与效率间取得良好平衡。尽管双子网设计效率可进一步提升，如在网络最后几层进行数据流分离以共享更多特征提取层降低计算复杂度，但当前设计已展现较低计算复杂度，且训练耗时短。
模块创新
改进的 MPSE 模块针对复值特征图，对实部和虚部分别处理后计算通道注意力权重，避免了原 SE 模块处理复值时取绝对值导致的信息丢失，增强了对复值特征图的感知能力，且保留了原模块的灵活性和即插即用特性。多专家混合框架则通过不同子网处理不同小数位，提升了对输出值第 5 位及以后小数位分量的拟合能力，弥补了现有方法在拟合极小数值分量上的不足，显著提高了输出精度。
研究结论表明，DSCCNN 通过小数位分离机制、MLP 增强的复卷积块及 MPSE 模块，有效提升了宽带波束形成的精度与性能，计算复杂度低，适合移动和嵌入式平台等工程应用场景。其提出的框架级精度提升机制为解决神经网络在生成小数值时的精度问题提供了新思路，推动了深度学习在雷达与遥感领域波束形成技术中的应用，为高分辨率遥感、抗干扰通信等实际应用奠定了基础，具有重要的理论意义和工程实用价值。
