将一些经典的数字阵列信号处理中的AoA估计算法扩展到大规模混合阵列中。由于混合阵列中空间自由度因模拟波束形成而严重损失，这类方法通常采用以增加时间复杂度（即训练时间长度）的方式换取更多的空间自由度。文献将两种经典空间谱估计算法，多重信号分类（MUltiple SIgnal Classification, MUSIC）和旋转不变子空间（Estimation of Signal Parameters by Rotational Invariance Techniques, ESPRIT），分别扩展到部分连接移相器混合阵列。该方法本质上类似于波束域空间谱估计算法，且为了重构高维信号和噪声子空间，以增加训练时间的方法弥补因有限RF组件造成的空间自由度缺失。研究全连接移相器混合阵列下的波束域MUSIC算法，分析波束域情况下的空间谱模糊问题，并设计模拟波束形成器在一定角度区间消除模糊。该类算法的AoA估计精度较好，但是运算复杂度高（需要矩阵分解和空间谱计算与搜索）和训练时间较长。在低信噪比下，该类算法的噪声子空间将难以准确获取。值得注意的是，在该类研究思路下，由于大规模MIMO的高维度和数模混合特性，一些宽带高分辨算法将难以适用，例如相干和非相干信号子空间法以及该类算法的衍生算法。这些方法需要借助可靠的初始AoA估计，通过迭代实现AoA估计的精细化，因而所需的训练码元个数和最终估计性能都将受到初始估计的影响。

充分利用毫米波大规模MIMO的信道特征—— 稀疏、AoA和路径增益有不同衰落特性，以及不同混合阵列特点（例如，图1(a) 中移相器混合阵列的移相器灵活可调，图1.(d) 中Butler矩阵同时形成多波束）设计一些低复杂度、精确的AoA 估计方法。该类研究思路相对于第一类具有较低的运算和时间复杂度。