SABER：基于符号回归的到达角和波束图案估计器

《IEEE Transactions on Instrumentation and Measurement》：SABER: Symbolic Regression-based Angle of Arrival and Beam Pattern Estimator

　　```

摘要：

精确的到达角（AoA）估计对于下一代无线通信系统至关重要，它能够实现可靠的波束成形、高精度定位和集成感知功能。不幸的是，传统的高分辨率技术需要多元素阵列和大量数据采集，而通用的机器学习（ML）方法往往产生难以理解的“黑箱”模型。为了解决这些问题，我们提出了一种基于符号回归（SR）的ML框架，即基于符号回归的到达角和波束模式估计器（SABER）。该框架是一种受限的符号回归方法，能够从路径损耗测量数据中自动得出封闭形式的波束模式和AoA模型，并具有可解释性。SABER在提高准确性的同时，缩小了不可理解的ML方法与具有物理意义的估计器之间的差距。首先，我们在受控的自由空间无回声室中对我们的方法进行了验证，结果表明，使用已知的cosn波束的直接反演或低阶多项式替代方法都能将平均绝对误差（MAE）降至0.5度以下。虽然完全不受约束的SR方法可以进一步降低预测角度的误差，但生成的公式过于复杂，缺乏物理意义。随后，我们在实际的可重构智能表面（RIS）辅助的室内测试环境中应用了相同的SR学习反演方法，SABER和不受约束的SR模型均能够以接近零的误差准确恢复真实的AoA。最后，我们将SABER与Cram’er-Rao下界（CRLBs）进行了基准对比。我们的结果表明，SABER是一种可解释且准确的替代方案，优于现有的基于ML的AoA估计方法。

```