[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

说明书

本发明公开了一种基于多任务学习的单快拍相干超分辨DOA估计方法，该方法通过构建适合相干源的多任务特征分离模型，对天线阵列接收数据中的相干源进行有效分离，然后采用实时性较强的数字波束形成算法即可实现超分辨DOA估计。该DOA估计方法实时性高，且对信噪比和阵列误差等参数具有较高的泛化性。

技术领域

本发明属于天线阵列信号处理技术领域，具体地说，是一种基于多任务学习的单快拍相干超分辨波达方向估计方法、系统、存储介质和设备。

背景技术

波达方向(Direction of arrival，DOA)估计问题是宇航、通信和雷达等领域的经典问题。对于相干源的DOA估计，经典的超分辨算法包括多重信号分类算法(MultipleSignal Classification，MUSIC)、最大似然算法(Maximum Likelihood，ML)。ML算法已知噪声的统计分布特征，算法性能较优。对于单源信号，通常可以直接采用ML算法进行角度估计，但如果涉及到多源估计问题，ML算法涉及到多个维度的投影矩阵计算问题，计算量较大，实时性较差，通常可以采用多维交替迭代的优化算法，降低计算复杂度，但交替迭代过程不能总是优化到全局最优解，性能会略有损失；若采用MUSIC算法，则必须先进行解相干处理，恢复协方差矩阵的秩，经典的秩恢复手段是采用子阵平滑的方法实现，即空间平滑MUSIC算法(Spatial Smoothing MUSIC，SSMUSIC)。显而易见，平滑处理造成了阵列孔径损失，测角性能下降，此外，MUSIC算法涉及到特征值分解运算，计算量较大。对于这几种超分辨算法，在理想远场平面波模型条件下，若快拍数和信噪比(Signal-to-noise ratio，SNR)较高时，能取得良好的估计性能；但是，当实际接收信号模型不满足远场平面波模型匹配度较高，快拍数较少时，则超分辨算法性能大大降低。

近些年，随着计算机算力的提升，深度学习技术在语音、图像领域得到广泛应用，算法性能较传统算法而言，具有更高的精度。受样本量的影响，深度学习技术与雷达的研究相对较少，也有少量科研工作者研究基于深度学习的超分辨DOA估计算法。2019年1月，Xiang等人在IET Radar SonarNavigation期刊上发表了一种基于自编码器的DOA估计方法，通过挖掘接收数据的空域数据特征，并对目标仰角进行表征，进而反演DOA信息。该方法在复杂多径条件下性能比已有的SSMUSIC方法精度更高，且计算量比SSMUSIC方法更小。2019年4月，针对宽带雷达的多源DOA估计问题，Wang等人在IEEE Signal ProcessingLetters期刊提出了一种基于支持向量回归(Support Vector Regression，SVR)的DOA估计方法，通过利用支持向量机学习接收数据的实部和虚部数据与DOA信息的复杂映射关系，进而实现DOA估计，方法性能与子空间类的MUSIC相比性能更高。此外，国防科技大学LiuZhangmeng通过构建多个自编码器网络，分别滤出阵列接收信号中蕴含的多点源的角度信息，算法对阵列误差具有良好的泛化性。

已有的基于深度学习的超分辨算法性能虽高，但仅利用到目标的空域特征，即空域稀疏性，通过深度神经网络学习阵列接收数据与目标仰角的映射关系，对阵列接收数据要求要有较高的快拍数。

发明内容

发明目的：本发明提供一种基于多任务学习(Multi-task learning，MTL)的单快拍相干超分辨DOA估计方法和系统，该方法计算量小，实时性高，仅需要单快拍数据即可实现超分辨DOA估计。

技术方案：本发明一方面提供了一种基于多任务学习的单快拍相干超分辨DOA估计方法，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；