企业官网建设流程全解析

简介：本资源面向本科及硕士阶段信号处理方向的学习者与科研人员，聚焦阵列信号处理中的核心问题——信源数目估计，提供AIC、MDL、HQ与EDC四种经典信息论准则的完整MATLAB实现方案。代码兼容MATLAB 2014a/2019a/2021a，含可直接运行的主程序（.m文件）、4幅关键结果图（.png）直观展示不同算法在不同信噪比或快拍数下的估计性能对比，以及简明readme.txt说明文档，便于快速理解原理、复现实验与开展算法对比分析。压缩包共6个文件，总计27KB，结构精炼、无冗余，适合作为课程设计、毕业论文基础模块或科研入门参考。目前已有254人学习下载，内容紧扣阵列信号处理实际需求，可直接用于DOA估计、波束形成等后续环节的前置步骤，显著降低初学者在模型阶数选择上的实践门槛。

1. 项目概述：从“听声辨位”到“数人头”

在阵列信号处理这个行当里，有一个经典且基础的问题，就像你在一个嘈杂的房间里，需要先搞清楚到底有几个人在同时说话，才能去分辨他们各自说了什么、又站在哪里。这个“搞清楚有几个人”的步骤，就是信源数目估计。它是一切后续高级处理，如波达方向（DOA）估计、盲源分离、波束形成的前提和基石。如果这一步就数错了，后面的所有算法性能都会大打折扣，甚至完全失效。

我手头这个项目，就是聚焦于用几种经典的信息论准则来解决这个“数人头”的问题。AIC（Akaike Information Criterion）、MDL（Minimum Description Length）、HQ（Hannan-Quinn）和EDC（Efficient Detection Criterion），这四个名字对于信号处理领域的研究者和工程师来说，可谓是如雷贯耳。它们不是直接去“听”信号，而是通过一种非常巧妙的方式——分析接收数据的协方差矩阵的特征值——来做出判断。简单来说，我们把接收到的混合信号看成是一堆数据，计算其协方差矩阵并分解得到特征值。理论上，大特征值的个数就对应着信源的数目，但实际中由于噪声和有限快拍数（数据量），大特征值和小特征值之间并没有一条清晰的鸿沟，而是平滑过渡。这时候，AIC、MDL这些准则就扮演了“裁判”的角色，它们通过构建一个包含拟合优度和模型复杂度惩罚项的代价函数，自动地、客观地找出那个最优的“分界点”，从而估计出信源的个数。

这个项目的价值在于，它提供了一个完整、可复现的MATLAB实现框架。网上能找到的代码往往零散、注释不清，或者只实现了一两种方法。而这个项目将四种主流准则集成在一起，附带了仿真数据生成的脚本，让你能从数据生成、算法应用到性能对比，走完一个完整的流程。这对于学生理解算法原理，对于工程师快速验证和集成到自己的系统中，都是一个非常实用的工具包。接下来，我就带你深入拆解这其中的门道。

2. 核心算法原理与选型逻辑

为什么是AIC、MDL、HQ和EDC？这四种算法并非凭空出现，它们背后有着深刻的统计学和信息论基础，可以看作是在“模型选择”这个通用框架下的不同变体。理解它们的共性与差异，是正确使用和解读结果的关键。

2.1 统一的理论框架：特征值分解与模型选择

所有这四种方法都基于同一个观测模型：我们用一个均匀线阵接收来自多个远场窄带信源的信号。假设阵元数为M，信源数为K（K<M），接收到的数据矩阵经过处理，可以得到一个M×M的样本协方差矩阵。对这个矩阵进行特征值分解，会得到M个特征值，我们将其按降序排列：λ₁ ≥ λ₂ ≥ … ≥ λ_M。

在没有噪声的理想情况下，前K个大特征值对应信源信号的能量，剩下的(M-K)个小特征值都等于噪声功率σ²，会完全相等。此时，信源数K一目了然。但现实是骨感的：噪声总是存在，我们只能基于有限时间（有限快拍数N）的数据来估计样本协方差矩阵，这会导致小特征值不再相等，而是散布在噪声功率真值附近。于是，大特征值序列和小特征值序列之间出现了一个模糊的过渡区。

四种准则的核心思想，就是为每一个可能的信源数假设k（k = 0, 1, 2, …, M-1）计算一个“代价”J(k)。这个代价通常由两部分组成：

1. 似然函数（拟合优度）：基于当前假设的k个信源，模型对观测数据的拟合程度。拟合得越好，这部分值越小。
2. 惩罚项（模型复杂度）：对模型参数数量的惩罚。参数越多（k越大），模型越复杂，越容易过拟合，所以这部分值随k增大而增大。

最终的估计信源数 (\hat{K})，就是使得总代价J(k)最小的那个k： (\hat{K} = \arg\min_{k} J(k))

2.2 四大准则的数学表达式与性格剖析

虽然框架相同，但惩罚项的强度不同，导致了它们迥异的“性格”。

2.2.1 AIC准则：宽容的激进派AIC的代价函数形式为： ( AIC(k) = -2 \log(L(k)) + 2k(2M - k) ) 其中，L(k)是在信源数为k假设下的似然函数最大值。在阵列信号估计的经典推导中，其具体形式可简化为： ( AIC(k) = -2N (M-k) \log \left( \frac{g(k)}{a(k)} \right) + 2k(2M - k) ) 这里，( a(k) = \frac{1}{M-k} \sum_{i=k+1}^{M} \lambda_i ) 是剩余(M-k)个小特征值的算术平均，( g(k) = \left( \prod_{i=k+1}^{M} \lambda_i \right)^{\frac{1}{M-k}} ) 是它们的几何平均。比值g(k)/a(k)衡量了特征值的分散程度，越接近1说明越像纯噪声。

注意：AIC的惩罚项是2k(2M-k)，这是一个关于k的线性函数（当k远小于M时）。它的惩罚力度相对最轻。这意味着AIC倾向于选择更复杂的模型，即更容易高估信源数。在信噪比较低或样本数较少时，它可能把一些噪声起伏也当成小信源报出来。它的优点是计算简单，在数据量非常大时渐近最优。

2.2.2 MDL准则：保守的稳健派MDL准则的代价函数为： ( MDL(k) = -\log(L(k)) + \frac{1}{2} k(2M - k) \log N ) 同样，在阵列估计中的形式为： ( MDL(k) = -N (M-k) \log \left( \frac{g(k)}{a(k)} \right) + \frac{1}{2} k(2M - k) \log N )

MDL的惩罚项是0.5 * k(2M-k) * log(N)。注意，这里多了一个关键因子log(N)，其中N是快拍数。这意味着：

1. 惩罚力度比AIC强。
2. 惩罚随着数据量N的增加而增加。这符合直觉：数据越多，我们越有底气拒绝复杂的模型，除非有非常强的证据支持。 MDL准则在有限样本情况下被证明是一致估计，即当快拍数N趋于无穷时，它估计正确的概率趋于1。因此，MDL通常比AIC更稳健，更不容易过拟合，尤其在工程实践中备受青睐。但它也可能在信源非常弱或靠得很近时，出现低估。

2.2.3 HQ准则：中庸的调和派HQ准则试图在AIC和MDL之间取得平衡： ( HQ(k) = -2 \log(L(k)) + 2k(2M - k) c \log \log N ) 其中c是一个大于1的常数，通常取c=1。其阵列估计形式： ( HQ(k) = -2N (M-k) \log \left( \frac{g(k)}{a(k)} \right) + 2k(2M - k) \log \log N )

HQ的惩罚项是2k(2M-k) * log(log(N))。log(log(N))的增长速度比log(N)慢得多。因此，它的惩罚力度介于AIC和MDL之间：比AIC保守，比MDL激进。它也是一致估计。HQ准则在中等样本量和中等信噪比下，有时能表现出更好的综合性能。

2.2.4 EDC准则：灵活的通用派EDC是一个更通用的准则族，其形式为： ( EDC(k) = -2 \log(L(k)) + k(2M - k) C(N) ) 其中，( C(N) ) 是一个关于快拍数N的函数，只要满足当 ( N \to \infty ) 时，( C(N) \to \infty ) 且 ( C(N)/N \to 0 )，就能保证估计的一致性。 常见的取法有 ( C(N) = \sqrt{N} ) 或 ( C(N) = \log N )。当 ( C(N) = 2 ) 时，EDC退化为AIC；当 ( C(N) = \log N ) 时，它类似于MDL（但系数不同）。因此，EDC给了使用者根据先验知识调整惩罚力度的灵活性。

2.3 算法选型与场景适配心得

在实际项目中，如何选择？这没有银弹，但有一些经验法则：

• 追求稳健，首选MDL：在大多数工程应用场景，尤其是雷达、声呐等对虚警（高估）控制要求较高的领域，MDL因其一致性和保守性，通常是第一选择。它的表现最可预测。
• 数据量极大时，可考虑AIC：如果你有海量数据（N极大），AIC的渐近最优性可能带来轻微的性能优势，但需承担轻微高估的风险。
• 折中考虑HQ：当你对样本量和信噪比没有绝对把握，想找一个相对平衡的点时，HQ值得一试。
• EDC用于特殊调优：当你有充足的仿真或实验数据来验证时，可以通过调整EDC中的C(N)函数来针对特定场景（如极低信噪比、相干信源）进行算法微调，但这属于高级用法。

实操心得：永远不要只看一个准则的结果。最可靠的做法是同时运行这四种算法，对比它们的估计结果。如果AIC、MDL、HQ给出了相同的K，那么这个结果非常可靠。如果AIC给出的数比MDL大，通常意味着可能存在弱信源或信噪比较低，需要你结合物理场景进一步判断。这个对比过程本身，就是加深对数据理解的过程。

3. MATLAB实现核心细节与代码解析

有了理论铺垫，我们来看如何在MATLAB中实现这些准则。项目的代码结构通常是清晰的，核心在于特征值计算和准则函数的循环评估。

3.1 数据准备与特征值提取

第一步永远是准备数据。我们需要模拟一个阵列接收场景。

% 参数设置 M = 8; % 阵元数 K_true = 3; % 真实信源数 N = 500; % 快拍数 SNR_dB = 10; % 信噪比 (dB) theta = [-10, 5, 20]; % 三个信源的来波方向（度） % 生成阵列流型矩阵 A (M x K_true) lambda = 1; % 波长 d = lambda / 2; % 阵元间距 A = exp(-1j * 2 * pi * d * (0:M-1).' * sind(theta) / lambda); % 生成信源信号 S (K_true x N) S = (randn(K_true, N) + 1j * randn(K_true, N)) / sqrt(2); % 复高斯信号 % 生成噪声 No (M x N) noisePower = 10^(-SNR_dB/10); % 噪声功率（假设信号功率归一化为1） No = sqrt(noisePower/2) * (randn(M, N) + 1j * randn(M, N)); % 接收数据 X (M x N) X = A * S + No; % 计算样本协方差矩阵 Rxx (M x M) Rxx = (X * X') / N; % 特征值分解，按降序排列 [~, D] = eig(Rxx); eig_values = sort(diag(D), 'descend'); % 这是核心输入

关键细节：这里使用的是(X * X') / N来计算样本协方差矩阵。对于复信号，这是标准做法。确保噪声是圆对称复高斯白噪声，其实部和虚部独立同分布，方差各为noisePower/2，这样总噪声功率才是noisePower。特征值eig_values是一个M×1的向量，将作为所有估计器的输入。

3.2 四大准则的MATLAB函数实现

接下来，我们实现四个核心函数。它们的结构高度相似，主要区别在于代价函数的计算。

function K_est = aic_estimate(eig_vals, N) % AIC准则估计信源数 % 输入：eig_vals - 降序排列的特征值向量， N - 快拍数 % 输出：K_est - 估计的信源数 M = length(eig_vals); cost = zeros(1, M); % 存储每个假设k下的代价 for k = 0:M-1 if k == M-1 % 避免log(0)，当k=M-1时，剩余特征值只有一个，算术平均=几何平均 cost(k+1) = 2 * k * (2*M - k); else small_eigs = eig_vals(k+1:end); a_mean = mean(small_eigs); % 算术平均 g_mean = prod(small_eigs)^(1/length(small_eigs)); % 几何平均 % 防止数值问题，确保比值<=1 ratio = max(min(g_mean / a_mean, 1), eps); L = -2 * N * (M-k) * log(ratio); penalty = 2 * k * (2*M - k); cost(k+1) = L + penalty; end end [~, K_est] = min(cost); K_est = K_est - 1; % 因为循环从k=0开始 end

function K_est = mdl_estimate(eig_vals, N) % MDL准则估计信源数 M = length(eig_vals); cost = zeros(1, M); for k = 0:M-1 if k == M-1 cost(k+1) = 0.5 * k * (2*M - k) * log(N); else small_eigs = eig_vals(k+1:end); a_mean = mean(small_eigs); g_mean = prod(small_eigs)^(1/length(small_eigs)); ratio = max(min(g_mean / a_mean, 1), eps); L = -N * (M-k) * log(ratio); % 注意这里与AIC差一个因子2 penalty = 0.5 * k * (2*M - k) * log(N); cost(k+1) = L + penalty; end end [~, K_est] = min(cost); K_est = K_est - 1; end

function K_est = hq_estimate(eig_vals, N) % HQ准则估计信源数 M = length(eig_vals); cost = zeros(1, M); c = 1; % 通常取1 for k = 0:M-1 if k == M-1 cost(k+1) = 2 * k * (2*M - k) * c * log(log(N)); else small_eigs = eig_vals(k+1:end); a_mean = mean(small_eigs); g_mean = prod(small_eigs)^(1/length(small_eigs)); ratio = max(min(g_mean / a_mean, 1), eps); L = -2 * N * (M-k) * log(ratio); penalty = 2 * k * (2*M - k) * c * log(log(N)); cost(k+1) = L + penalty; end end [~, K_est] = min(cost); K_est = K_est - 1; end

function K_est = edc_estimate(eig_vals, N, C_N) % EDC准则估计信源数 % 输入：C_N - 惩罚函数，可以是函数句柄，如 @(N) log(N)， 或标量值 M = length(eig_vals); cost = zeros(1, M); if isa(C_N, 'function_handle') penalty_func = C_N(N); else penalty_func = C_N; end for k = 0:M-1 if k == M-1 cost(k+1) = k * (2*M - k) * penalty_func; else small_eigs = eig_vals(k+1:end); a_mean = mean(small_eigs); g_mean = prod(small_eigs)^(1/length(small_eigs)); ratio = max(min(g_mean / a_mean, 1), eps); L = -2 * N * (M-k) * log(ratio); penalty = k * (2*M - k) * penalty_func; cost(k+1) = L + penalty; end end [~, K_est] = min(cost); K_est = K_est - 1; end

代码实现的避坑指南：

1. 数值稳定性：g_mean / a_mean的比值理论上在(0,1]之间，但由于数值计算误差，可能略微大于1，导致log(ratio)为复数或正值，这会完全扰乱代价函数。用max(min(ratio, 1), eps)将其钳制在[eps, 1]区间是必须的。
2. 边界条件处理：当k = M-1时，small_eigs只剩下最后一个特征值，其算术平均等于几何平均，log(ratio)=0，似然项L为0。此时代价完全由惩罚项决定。单独处理这个边界情况可以避免计算log(1)时的潜在浮点误差。
3. 索引偏移：MATLAB索引从1开始，而我们的假设k从0开始。所以cost(k+1)对应假设k的代价，最后找到最小值索引后需要减1。
4. EDC的灵活性：将C_N设计为可输入函数句柄或标量，方便测试log(N),sqrt(N),N^(1/3)等不同惩罚函数。

3.3 性能评估与对比脚本

单个场景的估计意义不大，我们需要通过蒙特卡洛仿真来评估算法在不同信噪比和快拍数下的性能。

% 蒙特卡洛仿真：比较四种算法在不同SNR下的正确估计概率 M = 8; K_true = 3; N = 200; mc_trials = 1000; % 蒙特卡洛实验次数 SNR_range = -10:2:20; % 信噪比范围 (dB) num_snr = length(SNR_range); % 初始化正确率矩阵 correct_rate = zeros(4, num_snr); % 行：AIC, MDL, HQ, EDC； 列：SNR for snr_idx = 1:num_snr SNR_dB = SNR_range(snr_idx); correct_count = zeros(4, 1); for trial = 1:mc_trials % 每次实验重新生成数据 theta = sort(rand(1, K_true)*60 - 30); % 随机生成角度在-30到30度之间 A = exp(-1j * pi * (0:M-1).' * sind(theta)); % d=lambda/2 简化 S = (randn(K_true, N) + 1j * randn(K_true, N)) / sqrt(2); noisePower = 10^(-SNR_dB/10); No = sqrt(noisePower/2) * (randn(M, N) + 1j * randn(M, N)); X = A * S + No; Rxx = (X * X') / N; [~, D] = eig(Rxx); eig_vals = sort(diag(D), 'descend'); % 调用四个估计函数 K_aic = aic_estimate(eig_vals, N); K_mdl = mdl_estimate(eig_vals, N); K_hq = hq_estimate(eig_vals, N); K_edc = edc_estimate(eig_vals, N, log(N)); % EDC使用log(N)作为惩罚 % 统计正确次数 if K_aic == K_true, correct_count(1) = correct_count(1) + 1; end if K_mdl == K_true, correct_count(2) = correct_count(2) + 1; end if K_hq == K_true, correct_count(3) = correct_count(3) + 1; end if K_edc == K_true, correct_count(4) = correct_count(4) + 1; end end correct_rate(:, snr_idx) = correct_count / mc_trials; end % 绘制性能对比曲线 figure; plot(SNR_range, correct_rate(1,:), 'o-', 'LineWidth', 1.5, 'DisplayName', 'AIC'); hold on; plot(SNR_range, correct_rate(2,:), 's-', 'LineWidth', 1.5, 'DisplayName', 'MDL'); plot(SNR_range, correct_rate(3,:), '^-', 'LineWidth', 1.5, 'DisplayName', 'HQ'); plot(SNR_range, correct_rate(4,:), 'd-', 'LineWidth', 1.5, 'DisplayName', 'EDC(log(N))'); xlabel('信噪比 (dB)'); ylabel('正确估计概率'); title(['信源数估计性能对比 (M=', num2str(M), ', K=', num2str(K_true), ', N=', num2str(N), ')']); legend('Location', 'best'); grid on; hold off;

这段脚本会生成一张经典的性能对比图，清晰地展示出四种算法随信噪比变化的正确率曲线。通常你会看到，在低信噪比时，所有算法性能都会下降，但AIC可能最先出现高估，MDL则可能坚持低估直到信噪比足够高。HQ和EDC的曲线通常位于两者之间。

4. 实战中的关键问题与调优策略

理论很美好，仿真曲线也漂亮，但把算法用到实际数据或更复杂的仿真模型中时，会遇到一系列棘手的问题。下面是我在多次项目中总结出的核心挑战和应对策略。

4.1 特征值扩散与“信源-噪声”边界模糊

这是最根本的挑战。有限快拍数和噪声会导致样本协方差矩阵的特征值发生扩散，即使没有信源，特征值也不会完全相等。这模糊了大特征值（信号子空间）和小特征值（噪声子空间）的边界。

应对策略：

• 增加快拍数N：这是最直接有效的方法。N越大，样本协方差矩阵越接近真实协方差矩阵，特征值扩散越小。但实际中数据长度常受限制。
• 空间平滑或前后向平滑：当信源是相干（如多径）时，信号协方差矩阵会秩亏，导致大特征值个数减少。空间平滑技术可以解相干，恢复信号子空间秩，从而让特征值方法重新生效。这在通信和雷达中处理多径信号时至关重要。
• 使用正则化或收缩估计：对样本协方差矩阵进行正则化处理，例如线性收缩估计 (\hat{R} = \alpha R_{sample} + (1-\alpha)I)，可以在一定程度上改善特征值分布，尤其在小样本情况下。但需要谨慎选择收缩系数α。

4.2 低信噪比与弱信源检测

在低信噪比下，弱信源对应的特征值可能被淹没在噪声特征值的扩散范围内，导致算法漏检（低估）。

应对策略：

• 算法融合：不要依赖单一准则。同时观察AIC和MDL的结果。如果AIC持续给出比MDL更大的估计值，这可能暗示存在MDL未能检测到的弱信源。需要结合具体应用判断是否接受AIC的结果或采取折中。
• 基于特征值间隔的检测：可以计算相邻特征值之间的差值或比值。信源对应的特征值间隔通常远大于噪声特征值之间的平均间隔。设置一个基于噪声功率估计的阈值，可能比固定准则更灵活。
• 预处理与降噪：在估计信源数之前，先对数据进行降噪预处理，例如通过特征滤波或小波变换等方法，提升信噪比。

4.3 信源角度间隔过近（高分辨率场景）

当两个信源角度非常接近时，它们在阵列流型上几乎不可区分，对应的信号特征向量非常相似，这会导致协方差矩阵中这两个信源对应的特征值发生“合并”，两个大特征值可能变得非常接近，甚至被算法认为是一个。

应对策略：

• 意识到算法的局限性：基于信息论准则的方法本质上是“特征值幅度”检测法，对角度分辨率有理论极限。当信源间隔小于瑞利限时，这类方法性能会急剧下降。
• 结合子空间方法：可以先使用MUSIC、ESPRIT等高分辨率DOA估计算法得到空间谱，观察谱峰个数。但这又变成了“先有鸡还是先有蛋”的问题，因为很多子空间方法需要已知信源数。一种实践方法是迭代：先假设一个较大的信源数进行DOA估计，观察明显的谱峰，再用这个数去指导信息论准则或作为其上限。
• 使用基于特征向量稳定性的方法：例如，利用信号子空间特征向量对快拍的稳定性来估计信源数，这类方法对相干信源和角度密集信源可能更鲁棒，但计算更复杂。

4.4 实际数据中的非理想因素

实际系统中的数据往往不符合算法的理想假设：噪声可能不是白噪声、可能存在通道失配、阵元位置误差、信号非平稳等。

应对策略：

• 噪声预白化：如果噪声是色噪声（协方差矩阵非单位阵），需要先估计噪声协方差矩阵，然后对数据进行白化处理，使算法假设成立。
• 鲁棒协方差估计：使用更能抵抗异常值的协方差矩阵估计方法，例如M估计、最小协方差行列式估计等，替代传统的样本协方差矩阵。
• 离线标定与在线补偿：对于通道不一致和阵元误差，需通过离线标定获取校正参数，在数据处理前进行补偿。

排查技巧实录：当算法在实际数据上表现异常时，请按以下步骤排查：

1. 画特征值分布图：将特征值从大到小画成折线图（对数坐标更佳）。观察“拐点”是否明显。如果曲线平滑下降无拐点，说明信噪比太低或信源数可能为0。
2. 计算并绘制准则函数曲线：把AIC(k)、MDL(k)等函数值随k变化的曲线画出来。看最小值点是否突出。如果曲线很平缓，最小值点不突出，说明估计结果不可靠。
3. 检查数据协方差矩阵的条件数：cond(Rxx)。如果条件数极大（例如>1e10），可能存在数值问题或模型严重不适定（如信源相干）。
4. 进行简单的仿真验证：用与实际数据相近的参数（相同的M， N， 猜测的SNR和K）生成仿真数据，运行你的算法。如果仿真中算法工作正常，那么问题很可能出在实际数据的非理想性上；如果仿真也失败，则需检查代码实现。

5. 超越经典：改进思路与扩展应用

经典的四准则方法虽然强大，但并非终点。在实际研究和工程中，有许多在其基础上的改进和变体，以适应更复杂的场景。

5.1 基于平滑秩序的改进准则

经典准则假设噪声特征值相等。当快拍数少或噪声非白时，这个假设不成立。改进的思路是引入“平滑秩序”的概念，即用多个连续小特征值的统计特性来代替单个特征值。

• 平滑AIC/BIC：不是用前k个大特征值，而是考虑一个滑动窗口，计算窗口内特征值的联合似然。这能更好地应对特征值扩散。
• 基于特征值间隙的准则：直接利用相邻特征值之差 (\lambda_i - \lambda_{i+1}) 来构造检测统计量。信源数对应的位置，这个间隙会有一个局部最大值。

5.2 色噪声环境下的信源数估计

在雷达、声呐中，噪声常常是色的（空域相关）。此时，噪声协方差矩阵不是单位阵的倍数，经典准则完全失效。

• 噪声子空间估计法：需要先估计噪声协方差矩阵（例如，从只有噪声的数据段，或通过迭代方法），然后对数据进行白化。在白化后的数据上应用经典准则。
• 广义似然比检验：构建色噪声下的GLRT统计量，其渐近分布与特征值有关，可以推导出新的准则。这类方法理论更复杂，但更适用于实际环境。

5.3 分布式源与扩散源数目估计

当信源不是点源，而是具有一定角度扩展的分布式源时，信号子空间维数会大于信源个数。经典方法会高估。

• 基于空间谱积分的方法：先使用高分辨率算法生成空间谱，然后对谱进行聚类或区域积分，根据积分区域的数量和大小来推断分布式源的个数和范围。
• 模型阶数选择与参数化方法：将分布式源用参数化模型（如角度扩展模型）表示，然后使用更复杂的模型选择准则（如BIC）同时估计源个数和模型参数。

5.4 与深度学习结合的新范式

近年来，深度学习方法为信源数估计提供了新思路。

• 特征值序列作为输入：将排序后的特征值序列（或其对数值）直接输入一个设计好的神经网络（如全连接网络、1D-CNN），网络输出即为估计的信源数。需要大量不同场景的数据进行训练。
• 端到端学习：直接从接收数据矩阵或协方差矩阵的实部/虚部/幅度图像输入到CNN等网络，让网络自动学习如何估计信源数。这种方法能隐式地处理各种非理想因素，但可解释性差，且依赖训练数据分布。

个人体会：对于绝大多数工程应用，MDL准则及其变体仍然是首选，因为它平衡了性能和稳健性。深度学习方法是一个有趣的研究方向，但在可靠性要求高的领域（如雷达、航空），基于模型的经典方法因其可解释性和确定性，在可预见的未来仍将占据主导地位。这个项目的价值在于，它为你提供了一个坚实可靠的基线。在你尝试任何更 fancy 的算法之前，请务必先用这个工具箱里的方法跑一遍你的数据，理解基线性能在哪里。这能帮你判断新方法的真实增益，而不是在黑暗中摸索。

本文还有配套的精品资源，点击获取