第四章 可微分声纳物理与端到端自适应处理

4.1 可微分波束形成器层

传统波束形成算法与深度学习网络之间存在计算图割裂。可微分波束形成器通过将阵列信号处理运算嵌入深度神经网络的反向传播路径，实现从原始阵元数据到高层任务目标的端到端梯度优化，突破模块化级联系统的次优性瓶颈。

4.1.1 协方差矩阵求逆（CMV）算法的计算图重构与梯度回传

最小方差无失真响应（MVDR）波束形成器的权重求解依赖于样本协方差矩阵的逆。设阵列接收信号为 x(t)∈CM ，其中 M 为阵元数，样本协方差矩阵估计为：

R^=N1​n=1∑N​x(n)xH(n)

MVDR最优权重由闭式解给出：

wMVDR​=aH(θ)R^−1a(θ)R^−1a(θ)​

其中 a(θ)∈CM 为指向方位 θ 的导向矢量。

在深度学习框架中实现该运算的可微分化，需重构矩阵求逆操作的计算图。直接对矩阵求逆使用自动微分会遭遇数值稳定性问题，特别是当 R^ 条件数较大或接近奇异时。采用Cholesky分解的稳定化求逆策略：

R^=LLH

其中 L 为下三角矩阵。通过前向替换与后向替换求解线性方程组 Ly=a(θ) 与 LHz=y ，得到 z=R^−1a(θ) ，避免显式构造逆矩阵。

梯度回传利用矩阵求逆的梯度公式。设损失函数 L 对权重 w 的梯度为 ∂w∂L​ ，通过链式法则传递至协方差矩阵：

∂R^∂L​=−R^−1∂R^−1∂L​R^−1

其中 ∂R^−1∂L​ 由后续层计算得到。该梯度通过自动微分框架的自定义函数（torch.autograd.Function）实现，在前向传播中执行稳定化矩阵求逆，在反向传播中应用上述梯度公式，确保端到