11月13日下午，信息学院举办了2024年第20期IT讲座。本次讲座邀请到国防科技大学的苏晓龙博士为我们开展线上报告，主题为《基于深度展开网络的非均匀阵列信号测向方法研究》。李秀梅院长主持此次讲座，众多信息学院师生到场参加。

苏老师深入探讨了“基于深度展开网络的非均匀阵列信号测向”这个课题，将内容分成了三个重要部分，分别是研究背景、主要工作、总结展望，并在最后同信息学院研究生分享了相关经验。

讲座伊始，苏老师先为我们介绍了应用背景，并讲述了经典的两种方法，即模型驱动方法和数据驱动方法的优势。然而模型驱动方法存在依赖先验知识和假设，对参数敏感，当模型失配时，参数估计性能严重下降甚至失效的缺点，而数据驱动方法存在网络参数可解释性差，泛化能力相对较差的问题。

基于深度展开网络的优点，苏老师提出了"如何通过构建高效的深度展开网络解决稀疏重构方法对参数敏感和高级算复杂度"等科学问题，并深入展开研究。

在远场信号的离网格角度估计方法中，提出了深度展开交替方向乘子法，对网格上空间谱和离网格量化误差进行交替求解，苏老师团队的ADMM网络算法，相比ADMM算法实现了收敛速度的提升，相比GRSBL算法等实现了估计精度的提高。

为解决离网格角度估计方法在量化误差较大时，产生的角度估计精度降低的问题，苏老师还引入了无网格角度估计的概念，并基于无网格角度估计提出了深度展开AP网络。为平衡估计精度和计算复杂度，将网络设置为6层，实现了收敛速度的提升，且AP网络的估计精度高于模型驱动AP算法。

基于非理想情况中的阵列互耦，设计了深度展开SBL网络，实现了估计精度的提高。针对多径传播情况，提出了深度展开IAA网络，实现复数域原始词典上的角度和功率估计。在性能上，实现了收敛速度的提升、计算时间的减少，并对不同信号场景下都具有很好的泛化能力。

综合上述三种成果，构建了深度展开FISTA网络，相比于深度深度展开ISTA网络实现了收敛速度的提高，与其他算法相比实现了估计误差的降低，并在泛化能力上有优秀表现。

讲座的尾声阶段，师生们就深度展开网络在有标签数据、正则化项的训练，数据集的选取，优化算法的选择、范数在网络中的展开等方面进行了热烈的交流。苏老师为我们分享了宝贵的科研经历，鼓励我们抓住机会，在总结前人经验的基础上，结合自身的能力，开展研究。

本次讲座让同学们实际接触到了深度展开网络的应用，并为他们解决相应工程问题提供了思路和技巧。通过本次讲座，大家不仅掌握到了理论知识，更看到了这一理论知识在实际应用中的技术细节，进一步提高了同学们解决复杂问题的工程思维能力。

(文/高俊逊 刘光宇 图/刘光宇)