近场定位因其高分辨率而被视为未来无线系统的关键技术，但散射导致的相干传播会显著削弱定位精度。传统方法通常将参数估计与路径/源关联分离，计算开销大且误差会累积，且缺乏可靠性保证。为此，本文提出 MUSIC‑Net——一种端到端的深度学习框架，利用两阶段 MUSIC 在混合视距 (LoS) 与非视距 (NLoS) 多径环境中的信息。框架在训练阶段嵌入两阶段 MUSIC 对象，首先分离出 LoS 相关的信号子空间，其次构造一个代理距离，用以直接恢复多用户位置，无需显式估计 NLoS 参数或进行路径关联。进一步引入拆分共形预测 (SCP)，将点估计扩展为具统计置信度的集合估计，为所有用户提供可靠的定位区间。数值实验表明，MUSIC‑Net 在平均定位误差 (MPER) 上优于现有基准，并且在 SCP 校准后得到更紧凑的预测区域，体现了在相干多径环境下的高精度 LoS 定位与高效不确定性量化能力。
点评