Beamforming is an essential technique used in array signal processing applications that allows for the recovery of single or multiple signals of interest in the presence of interfering signals and noise. Traditional beamforming techniques rely on statistical assumptions and require knowledge of the signal steering vectors, which are often not available in practice. Deep learning-based beamforming has improved upon traditional techniques while relaxing the restrictive assumptions and the need for prior knowledge. However, many of the existing solutions focus on single signal beamforming, and some require estimates of the signal steering vector properties. To address these limitations, this thesis proposes a neural beamformer that combines steering vector property estimation and beamforming into a single model. The proposed model utilizes capsule networks to first estimate the steering vector properties of received signals and subsequently conditions the computation of the beamforming weights on these properties. This design enables end-to-end beamforming without prior steering vector knowledge while also allowing the use of external information for precise conditioning. The proposed model is trained and tested on simulated sensor array data generated under varying operating conditions. The simulation results showcase near optimal beamforming performance for multiple signals as well as for a single signal in the presence of interferers and steering vector mismatches. These findings indicate the two-stage capsule network-based model as a promising solution to beamforming.Säteenmuodostus on keskeinen sensoripohjaisissa signaalinkäsittelysovelluksissa käytettävä tekniikka, joka mahdollistaa yksittäisten tai useiden kiinnostavien signaalien palauttamisen häiriösignaalien ja kohinan läsnä ollessa. Perinteiset säteenmuodostustekniikat perustuvat tilastollisiin oletuksiin ja vaativat tietoa signaalien ohjausvektoreista, joita ei usein ole käytännössä saatavilla. Syväoppimiseen perustuva säteenmuodostus tuo parannuksia perinteisiin tekniikoihin verrattuna ja samaan aikaan lieventää rajoittavia oletuksia ja ennakkotiedon tarvetta. Monet ehdotetuista ratkaisuista keskittyvät kuitenkin vain yksittäisten signaalien säteenmuodostukseen, ja jotkut vaativat arvioita signaalien ohjausvektorien ominaisuuksista. Näiden rajoitusten ratkaisemiseksi tässä opinnäytetyössä kehitetään neuroverkkopohjainen säteenmuodostaja, joka yhdistää ohjausvektorien ominaisuuksien estimoinnin ja säteenmuodostuksen yhteen malliin. Ehdotettu malli hyödyntää kapseliverkkoja ensin vastaanotettujen signaalien ohjausvektorin ominaisuuksien arvioimiseen ja sen jälkeen säteenmuodostuspainojen ehdolliseen laskemiseen näiden ominaisuuksien perusteella. Tämä rakenne mahdollistaa päästä päähän -säteenmuodostuksen ilman aiempaa ohjausvektoritietoa ja samalla mahdollistaa ulkoisen tiedon käytön tarkan ehdollistamisen saavuttamiseksi. Ehdotettu malli koulutetaan ja testataan vaihtelevissa toimintaolosuhteissa generoidulla, simuloiduilla sensoriryhmädatalla. Simulaatiotulokset osoittavat lähes optimaalisen säteenmuodostuskyvyn useille signaaleille sekä yksittäisille signaaleille häiriösignaalien ja ohjausvektorien epätarkkuuksien läsnä ollessa. Nämä tulokset viittaavat kaksivaiheisen kapseliverkkoihin pohjautuvan mallin olevan lupaava ratkaisu säteenmuodostukseen.
