一种基于多任务学习卷积神经网络的时延-到达角联合估计方法及系统技术方案

本发明专利技术公开了一种基于多任务学习卷积神经网络的时延

【技术实现步骤摘要】
一种基于多任务学习卷积神经网络的时延
‑
到达角联合估计方法及系统


[0001]本专利技术涉及一种基于多任务学习卷积神经网络的时延
‑
到达角联合估计方法及系统，属于发射探测信号处理


技术介绍

[0002]目前，随着5G和6G技术的进一步发展，室内定位的精度要求越来越高，全球发布的首个6G白皮书对6G性能指标提出了更高要求，其中包括室内定位精度达10cm，室外定位精度达1m，AI技术的加入对定位有了显著的提升，多种数据显示，如今人民80％
‑
90％的时间都在室内度过，基于位置的服务将无处不在；在办公楼、医院、酒店等场景下，高精度位置估计能够提供动向分析，提高运营效率和服务质量；在垂直行业领域,工厂、物流、矿井等场景，精准估计可以实现高效生产，助推工业4.0发展；在特殊领域，如紧急救援，目标识别等领域，对国防安全至关重要；目前基于全球定位系统(GPS)和北斗(BDS)等的卫星定位精度已经达到较高精度，但在一些特殊应用场景中，例如复杂的室内场景、建筑物的阻隔和吸纳后的反射等因素会使卫星定位系统的定位精度大大下降，在军用目标检测方面，卫星受限于天气等因素，仍需基于雷达进行定位。
[0003]军用雷达定位和室内定位系统的高精度位置估计中存在多种位置估计方法，其中指纹定位在真实的应用场景中仍然存在很大的问题，因此，现阶段，基于时延和到达角的目标位置估计方法仍然是最稳定、可靠的定位方法，在现实的应用场景中，反射信号会经多次反射、折射等传播到接收器导致出现多径效应，多径效应的存在会极大的影响到达时间和到达角的估计精度，对于时延和到达角的联合高精度估计可以有效地减弱多径效应导致的影响，此外，随着智能反射面(RIS)通信技术的发展，通过对多反射面汇集到接收机处的信号进行多径时延到达角估计可以实现单基站的目标高精度定位，对于未来6G应用场景下的高精度定位具有重要意义。
[0004]而传统的联合估计算法，主要由基于传统的单参数估计算法复用进行联合估计，近些年来的基于深度学习的联合估计算法通过单个网络进行多个参数的联合估计，能够取得较好的效果，同时，应用范围也非常的广，然而，这种方法忽略了数字信号各参数的关联性与差异性之间的关系，使得网络的结构不够稳定，并且多个参数对实际的估计精度也产生了较大的影响；不同于单参数时延估计，多参数时延
‑
到达角联合估计中，信号相位受到到达角和时延的双重影响，首先，基于传统算法的已知信号相位偏移导致时延
‑
到达角估计精度大大下降，导致实际估计难度增加，此外，传统联合估计算法中的两步法，即先对时延进行估计，把估计值带入到信号模型中，之后对到达角进行估计，导致误差叠加，最终导致估计精度进一步下降。

技术实现思路

[0005]本专利技术的目的在于提供一种基于多任务学习卷积神经网络的时延
‑
到达角联合估
计方法及系统，解决现有技术中时延
‑
到达角联合估计精度较低的问题。
[0006]为实现以上目的，本专利技术是采用下述技术方案实现的：
[0007]第一方面，本专利技术提供了一种基于多任务学习卷积神经网络的时延
‑
到达角联合估计方法，包括：
[0008]获取包含时延和到达角信息的待测信号；
[0009]将待测信号的实部和虚部进行分离得到一个双通道信号，对双通道信号进行归一化处理得到输入信号；
[0010]将输入信号输入到预训练好的多任务学习卷积神经网络中，得到输出向量；
[0011]对输出向量采用寻峰函数进行寻峰处理，得到时延和到达角的初始估计值；
[0012]采用最小化均方根误差法从时延和到达角的初始估计值中筛选出时延和到达角的最终估计值。
[0013]结合第一方面，进一步的，所述待测信号是阵列信号，其对应的导向矢量为：
[0014][0015]其中，a
k
(θ)表示阵列上第k个阵元的导向矢量，θ是到达角，d是阵元间距，λ是入射信号的波长；
[0016]所述待测信号的表达式为：
[0017][0018]其中，P是待测信号的多径数目，λ
i
是待测信号第i条路径的振幅值，a
k
(θ
i
)是第k个阵元接收到的到达角的导向矢量，θ
i
是待测信号第i条路径的到达角，s(nT
sp
‑
t
i
)是待测信号第i条路径经过t
i
时延后得到的信号，t
i
表示待测信号第i条路径的时延，ω
k
(nT
sp
)是第k个阵元上待测信号的噪声，n是采样的序号，N是采样的总点数，T
sp
是采样间隔。
[0019]结合第一方面，进一步的，所述多任务学习卷积神经网络通过以下方法进行训练：
[0020]获取包含已知时延和到达角信息的接收信号，采用辛格核函数对时延和到达角分别进行变换得到对应的辛格核表示，将接收信号的实部和虚部进行分离得到一个双通道信号，对双通道信号进行归一化处理得到归一化信号；
[0021]将归一化信号输入到多任务学习卷积神经网络中，得到由时延和到达角的辛格核表示估计组成的输出向量；
[0022]重复上述迭代步骤，以时延和到达角的辛格核表示误差最小化作为优化目标设置优化函数，直至完成训练，得到训练好的多任务学习卷积神经网络。
[0023]结合第一方面，进一步的，所述多任务学习卷积神经网络的优化函数的表达式为：
[0024][0025][0026]其中，F
T
是时延向量优化函数，f
θ
是到达角向量优化函数，R
T
(p
m
)是在时延参数网格空间中第p
m
个网格点的核表示，C
T
(p
m
)是多任务学习卷积神经网络输出的时延的辛格核
表示估计中第p
m
位置的值，R
D
(q
m
)是在到达角参数网格空间中第q
m
个网格点的核表示，C
D
(q
m
)是多任务学习卷积神经网络输出的到达角的辛格核表示估计中第q
m
位置的值，M表示时延/到达角参数网格空间的总网格点数，m表示网格序号，p
m
表示时延参数网格空间中第m个网格点对应的时延参数，q
m
表示到达角参数网格空间中第m个网格点对应的到达角参数。
[0027]结合第一方面，进一步的，所述辛格核函数为：
[0028][0029]其中，x为时延或到达角参数；
[0030]时延和到达角的辛格核表示为：
[0031][0032][0033]其中，R
T
(p
m
)是在时延本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多任务学习卷积神经网络的时延
‑
到达角联合估计方法，其特征在于，包括：获取包含时延和到达角信息的待测信号；将待测信号的实部和虚部进行分离得到一个双通道信号，对双通道信号进行归一化处理得到输入信号；将输入信号输入到预训练好的多任务学习卷积神经网络中，得到输出向量；对输出向量采用寻峰函数进行寻峰处理，得到时延和到达角的初始估计值；采用最小化均方根误差法从时延和到达角的初始估计值中筛选出时延和到达角的最终估计值。2.根据权利要求1所述的一种基于多任务学习卷积神经网络的时延
‑
到达角联合估计方法，其特征在于，所述待测信号是阵列信号，其对应的导向矢量为：其中，a
k
(θ)表示阵列上第k个阵元的导向矢量，θ是到达角，d是阵元间距，λ是入射信号的波长；所述待测信号的表达式为：其中，P是待测信号的多径数目，λ
i
是待测信号第i条路径的振幅值，a
k
(θ
i
)是第k个阵元接收到的到达角的导向矢量，θ
i
是待测信号第i条路径的到达角，s(nT
sp
‑
t
i
)是待测信号第i条路径经过t
i
时延后得到的信号，t
i
表示待测信号第i条路径的时延，ω
k
(nT
sp
)是第k个阵元上待测信号的噪声，n是采样的序号，N是采样的总点数，T
sp
是采样间隔。3.根据权利要求1所述的一种基于多任务学习卷积神经网络的时延
‑
到达角联合估计方法，其特征在于，所述多任务学习卷积神经网络通过以下方法进行训练：获取包含已知时延和到达角信息的接收信号，采用辛格核函数对时延和到达角分别进行变换得到对应的辛格核表示，将接收信号的实部和虚部进行分离得到一个双通道信号，对双通道信号进行归一化处理得到归一化信号；将归一化信号输入到多任务学习卷积神经网络中，得到由时延和到达角的辛格核表示估计组成的输出向量；重复上述迭代步骤，以时延和到达角的辛格核表示误差最小化作为优化目标设置优化函数，直至完成训练，得到训练好的多任务学习卷积神经网络。4.根据权利要求3所述的一种基于多任务学习卷积神经网络的时延
‑
到达角联合估计方法，其特征在于，所述多任务学习卷积神经网络的优化函数的表达式为：
其中，f
T
是时延向量优化函数，f
θ
是到达角向量优化函数，R
T
(p
m
)是在时延参数网格空间中第p
m
个网格点的核表示，C
T
(p
m
)是多任务学习卷积神经网络输出的时延的辛格核表示估计中第p
m
位置的值，R
D
(q
m
)是在到达角参数网格空间中第q
m
个网格点的核表示，C
D
(q
m
)是多任务学习卷积神经网络输出的到达角的辛格核表示估计中第q
m
位置的值，M表示时延/到达角参数网格空间的总网格点数，m表示网格序号，p
m
表示时延参数网格空间中第m个网格点对应的时延参数，q
m
表示到达角参数网格空间中第m个网格点对应的到达角参数。5.根据权利要求3所述...

【专利技术属性】
技术研发人员：魏爽，潘恒，陆吉玉，李嘉新，牛智超，朱根村，张睿，
申请(专利权)人：上海师范大学，
类型：发明
国别省市：