[发明专利]基于多任务学习的单快拍相干超分辨DOA估计技术

权利要求书

1.一种基于多任务学习的单快拍相干超分辨DOA估计方法，其特征在于，包括：

S1、分别获取每个远场信号源单独入射到阵列的接收数据实虚部特征，第k个信号源单独入射到阵列，第m个阵元的接收数据实虚部特征为k＝1,2,…,K；其中M为均匀线阵中阵元的数量，K为远场信号源的数量，信号源之间相干；

S2、采集不同信号源组合入射到阵列的接收数据，建立训练集，其中第n个样本N为样本总数；y_n＝(y_1,n,y_2,n,…,y_m,n,…,y_M,n)，为M个阵元接收数据实虚部特征构成的向量；为K个远场信号源的入射标识，当采集第n个样本时第k个信号源入射到阵列，则否则为第n个样本的标签，

S3、根据阵元数量M和信号源数量K建立多任务学习模型，所述模型的输入层神经元个数为2M，输出层神经元分为K组，每组包括2M个神经元；

S4、将训练集样本的阵元接收数据实虚部特征构成的向量y_n作为多任务学习模型的输入，样本标签作为输出，训练所述多任务学习模型每层神经元的权重和偏置参数；

S5、在估计阶段，采集阵列t时刻每个阵元接收的单快拍数据，并提取实虚部特征，构成2M维待估计向量y_e(t)；将y_e(t)作为训练好的多任务学习模型的输入，根据所述模型的K组输出重构K个接收数据，其中第k个接收数据为：

其中j为虚数符号，为多任务学习模型输出层中第k组中表示第m个阵元接收数据实部特征神经元的值，为多任务学习模型输出层中第k组中表示第m个阵元接收数据虚部特征神经元的值；

S6、根据重构出的K个接收数据，采用数字波束形成算法进行DOA估计得到信号源入射角度；估计过程为：

其中为阵列导向矢量，λ为入射信号波长为，d为阵列中的阵元间距，H表示共轭转置，T表示转置；即第k个信号源的入射角度估计值为取最大值时的θ取值。

2.根据权利要求1所述的基于多任务学习的单快拍相干超分辨DOA估计方法，其特征在于，所述步骤S3中建立的多任务学习模型包括4层隐含共享层，每层中包括4096个神经元。

3.根据权利要求1所述的基于多任务学习的单快拍相干超分辨DOA估计方法，其特征在于，所述步骤S2中还包括对训练集中的样本进行归一化，归一化后的阵元接收数据实虚部特征组成的向量为：

为归一化前的向量，μ和σ分别表示训练集中接收数据实虚部特征构成的向量的统计均值和标准差；

所述步骤S5先对待估计向量y_e(t)进行归一化，再将归一化后的待估计向量输入多任务学习模型中。

4.根据权利要求1所述的基于多任务学习的单快拍相干超分辨DOA估计方法，其特征在于，所述步骤S4中，对多任务学习模型进行训练时，目标函数为最小化如下损失函数：

其中表示以第n个样本中的实虚部特征构成的向量y_n作为多任务学习模型输入时，模型输出层中第k组分别表示阵元接收数据实部特征、虚部特征神经元的值和构成的向量；为y_n对应的标签；R(W)表示对多任务学习模型的权重矩阵W正则化项；|| ||表示2范数。

5.根据权利要求3所述的基于多任务学习的单快拍相干超分辨DOA估计方法，其特征在于，所述步骤S4中，对多任务学习模型进行训练时，目标函数为最小化如下损失函数：

6.根据权利要求1-5中任一项所述的基于多任务学习的单快拍相干超分辨DOA估计方法，其特征在于，多任务学习模型的参数优化公式为：

其中α表示学习率，W_ij表示第i层第j个神经元的权值，b_i表示第i层神经网络的偏置；W′_ij和b′_i分别表示更新后的权值和偏置。