Надёжный метод оценки направления прихода сигнала на основе хаотического алгоритма MUSIC

Определение источников сигналов

Современные беспроводные и радиолокационные системы постоянно слушают слабые сигналы, приходящие с разных направлений. Точное определение, откуда пришёл сигнал, критично для таких задач, как поиск телефонов при ЧП, отслеживание самолётов или управление автономным автомобилем. В этой статье исследуется новый способ более надёжно установить направление сигнала в условиях, когда эфир загромождён и непредсказуем — ситуации, которые часто выводят из строя стандартные методы.

Почему «прослушивание» пространства сложно

Инженеры часто используют ряд или сетку датчиков, чтобы определить направление прихода сигнала. Каждый датчик фиксирует одно и то же излучение с небольшой временной и амплитудной задержкой, а математические методы превращают эти различия в угол на небосводе. Популярный метод под названием MUSIC долгое время был рабочей лошадкой для этой задачи, так как он способен разделять несколько сигналов, приходящих с близких направлений. Однако MUSIC предполагает, что фоновый шум ведёт себя по нормальному закону (колоколообразно) и что сигналы не слишком сильногo коррелированы между собой. В реальности такие условия встречаются редко, поэтому точность метода может резко падать при импульсном шуме, эха и смешении сигналов или низкой мощности сигнала.

Добавление хаоса для соответствия реальности

Авторы утверждают, что реальные сигналы больше похожи на управляемый хаос, чем на аккуратные учебные волны. Чтобы отразить это, они моделируют входные данные с помощью математического генератора хаотических чисел на основе функций Чебышёва и логистических отображений. Эти инструменты производят последовательности, полностью определённые уравнениями, но выглядящие случайными и крайне чувствительными к начальным условиям. Вводя такие хаотические фрагменты в процесс определения направления, модель лучше отражает грязные, реальные траектории сигналов с отражениями, взаимными помехами и нелинейными эффектами. Такой подход, учитывающий хаотичность, облегчает алгоритму отделение внутренней структуры сигнала от окружающей помехи.

Обучение метода игнорировать выбросы

Даже при лучшей модели сигнала случайные экстремальные возмущения могут искажать оценку уровня шума. Чтобы справиться с этим, команда заимствует инструмент из робастной статистики — функцию потерь Тьюки (Tukey biweight). Вместо того чтобы считать все образцы данных одинаково надёжными, этот подход автоматически снижает вес образцов, резко отклоняющихся от типичного паттерна. На практике это означает, что внезапные всплески или импульсы в данных не будут чрезмерно влиять на расчёт ковариационной матрицы — ключевого ингредиента, который MUSIC использует для разделения сигнала и шума. В результате получается «робастная» версия алгоритма, гораздо менее чувствительная к выбросам и более устойчивая в тяжёлых условиях.

Тестирование новой идеи

Чтобы проверить преимущества предложенных изменений, исследователи провели большое число вычислительных симуляций, имитирующих работу массива датчиков, принимающего два близко расположенных источника. Они сравнили четыре конфигурации: стандартный MUSIC, MUSIC с функцией Тьюки, хаотическую версию MUSIC и полное сочетание хаотического MUSIC с Тьюки. Оценка производилась в основном двумя способами. Во-первых, среднеквадратичная ошибка показывает, насколько оценённые направления отклоняются от истинных. Во-вторых, вероятность разрешения показывает, как часто алгоритм способен различить два отдельных источника, а не воспринять их как единое размытое пятно. Испытания охватывают широкий диапазон соотношений сигнал/шум и степеней корреляции между источниками.

Что результаты значат для реальных систем

Симуляции показывают, что сочетание хаотического моделирования с функцией Тьюки заметно улучшает работу в самых тяжёлых условиях, например при низкой мощности сигнала или высокой коррелированности источников. Метод хаотического MUSIC с Тьюки даёт меньшие средние ошибки, меньшее разбросание результатов от прогона к прогону и более высокую вероятность правильного разделения близких источников по сравнению с другими подходами. В то время как традиционный MUSIC может иногда показывать лучшие средние характеристики в мягких условиях, новый метод более надёжен в требовательных сценариях, которые важны на практике. Для разработчиков беспроводных связей, радаров и сетей датчиков эта работа предлагает практический путь к системам определения направления, сохраняющим точность и стабильность даже когда реальный мир ведёт себя хаотично.

Цитирование: Muni, B.K., Delwar, T.S., Panigrahi, T. et al. A robust direction of arrival estimation method based on the chaotic MUSIC algorithm. Sci Rep 16, 15877 (2026). https://doi.org/10.1038/s41598-026-40266-3

Ключевые слова: направление прихода, массивы датчиков, обработка сигналов, хаотические сигналы, робастные алгоритмы