技术特征：
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，则否则否则为第n个样本的标签，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：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。7.一种基于多任务学习的单快拍相干超分辨doa估计系统，其特征在于，包括：信号源单独入射接收数据实虚部特征获取模块(1)，用于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；训练集构建模块(2)，用于根据采集的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，则否则否则为第n个样本的标签，多任务学习模型建立与训练模块(3)，用于根据阵元数量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；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；接收数据重构模块(4)，用于根据采集的阵列t时刻每个阵元接收的单快拍数据，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doa估计结果获取模块(5)，用于根据重构出的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。8.根据权利要求7所述的基于多任务学习的单快拍相干超分辨doa估计系统，其特征在于，所述多任务学习模型建立与训练模块(3)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。9.一种计算机可读取存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至6任一项所述的doa估计方法。10.一种基于多任务学习的单快拍相干超分辨doa估计设备，其特征在于，包括处理器及存储介质，所述存储介质为权利要求9所述的计算机可读取存储介质；所述处理器加载并执行所述存储介质中的指令及数据用于实现权利要求1至6任一项所述的doa估计方法。
技术总结
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。列误差等参数具有较高的泛化性。列误差等参数具有较高的泛化性。
技术研发人员：项厚宏 齐美彬
受保护的技术使用者：合肥工业大学
技术研发日：2021.10.25
技术公布日：2022/1/28