Deep learning of the sparse array configurations in optimum beamform 第二章 深度学习架构与数据工程 2.2 卷积神经网络架构设计

系统级规划与详细设计方案

本系统旨在完整复现第二章"深度学习架构与数据工程"的全部技术思想，构建一个端到端的稀疏阵列配置识别框架。系统采用分层架构，包含数据生成层、特征工程层、神经网络模型层、训练优化层和可视化验证层五大子系统，所有模块集成于单一可执行脚本内，通过中文注释和打印输出实现全程可观测性。

系统整体设计

核心架构采用双分支并行设计：分支一对应2.2.1节，实现协方差矩阵的图像化处理，支持标准2D-CNN、轻量级简化CNN及残差连接增强网络；分支二对应2.2.2节，实现向量化处理流程，支持全连接网络及其正则化变体。两分支共享底层数据生成与评估基础设施，确保对比实验的严格一致性。

数据流从N 元阵列接收信号开始，经样本协方差矩阵估计R^∈CN×N ，通过特征工程层分叉：图像化分支将Hermitian矩阵转换为单通道灰度图I∈RN×N ，输入CNN系列；向量化分支提取上三角元素v∈RN(N+1)/2 ，输入FCNN系列。最终输出为配置类别概率分布p∈RC ，其中C 为候选阵列配置类别数。

各子系统详细设计

数据生成层负责模拟阵列信号环境。阵列几何配置器定义阵元位置集合S={d1​,d2​,…,dN​} ，信号仿真引擎基于窄带假设生成远场信源数据，构建导向矩阵A(θ) 和理论协方差R=ARs​AH+σn2​I 。样本估计器通过有限快拍T 计算R^=T1​XXH ，引入统计波动模拟真实场景。

特征工程层实现双模态转换。图像化通道执行复数到实数映射（模值提取或实虚部分离）、尺寸归一化和数据增强（对角线置零、高斯噪声注入）。向量化通道利用Hermit