【技术实现步骤摘要】
本专利技术涉及信号处理，尤其涉及一种端到端智能与可解释的离格频率估计方法、系统、终端及存储介质。
技术介绍
1、频率估计是信号处理领域的一个基本问题，在雷达、声纳、通信、地球物理等领域有着广泛的应用。为了解决基于离散频率网格划分的估计方法在估计精度方面和复杂度方面存在的矛盾问题，离格估计方法被广泛研究。
2、当前的离格估计方法可以分为基于模型优化的、基于深度学习的，以及结合二者优势的三类方法。基于模型优化的方法有严谨的理论，具有可解释性，但迭代优化的求解方式使算法复杂度高；基于深度学习的方法可解释性差，且泛化性有待验证；结合二者的方法虽然兼具优势，但目前存在以下缺点：半智能化的，稀疏字典需要预先构建；网络学习程度不高，仅学习迭代步长这类超参，无法充分发挥深度学习的强大特征提取能力；部分方法存在矩阵求逆，网络权值更新引起矩阵奇异，导致网络不收敛。
3、在现有技术方案中，离格频率估计无法在保持较高频率估计精度的同时降低计算复杂度。
4、因此，现有技术还有待于改进和发展。
技术实现思路
1、本专利技术的主要目的在于提供一种端到端智能与可解释的离格频率估计方法及系统，旨在解决现有技术中离格频率估计无法在保持较高频率估计精度的同时降低计算复杂度的问题。
2、本申请实施例第一方面提供一种端到端智能与可解释的离格频率估计方法，所述端到端智能与可解释的离格频率估计方法包括如下步骤：采用一阶泰勒展开法对离格频率估计进行建模，得到粗网格频率与细离格频率偏
3、可选地，在本申请的一个实施例中，所述联合优化问题表示为：
4、
5、其中，y表示测量信号，x表示粗网格频率，β表示细离格频率偏差，x和β均为稀疏信号；||·||1表示l1范数；λ1和λ2表示正则化超参数；a、b为稀疏字典，且β＝[β1,…,βn]t；表示归一化频率范围内的第i个采样点的频率值，r表示采样间隔，(·)t表示转置，fk表示频率，表示离fk最近的离散网格。
6、可选地，在本申请的一个实施例中，所述将联合优化问题分解为对所述粗网格频率与所述细离格频率偏差进行交替迭代估计的两个子优化问题，具体包括：当对粗网格频率x进行第k+1次迭代更新时，所述粗网格频率对应的子优化问题表示为：
7、
8、其中，diag(·)表示矩阵函数；当对细离格频率偏差β进行第k+1次迭代更新时，所述细离格频率偏差对应的子优化问题为：
9、
10、可选地，在本申请的一个实施例中，所述采用深度展开技术和ista算法对两个所述子优化问题求解的迭代过程进行展开，得到所述粗网格频率x与细离格频率偏差β各自对应的网络模块，具体包括：两个所述子优化问题的求解过程均包括一次梯度下降运算和一次软阈值运算；求解所述粗网格频率x对应的所述梯度下降运算和所述软阈值运算分别表示为：
11、其中，μ表示学习步长；α表示阈值超参数，和sgn(·)均为符号函数，所述阈值超参数决定变换域信号的稀疏程度；求解所述细离格频率偏差β对应的所述梯度下降运算和所述软阈值运算分别表示为：
12、
13、其中，v＝bdiag(x(k)r)；ρ和κ分别表示学习步长和软阈值超参数，a和b均为可学习的稀疏字典。
14、可选地，在本申请的一个实施例中，所述设计卷积层以求解所述网络模块中具有批统计特性的稀疏字典，具体包括：在学习稀疏变换基时，设计与输入信号长度相等的卷积核，且通道个数为感兴趣的频点数，得到卷积权重；对所述卷积权重进行训练，得到稀疏字典；所述稀疏字典的数学表达式为：其中，χ表示卷积层长度为m的输入信号；k表示卷积核的数量，m表示序号；表示k个长度为m卷积核，conv1d表示一维卷积运算。
15、可选地，在本申请的一个实施例中，所述自编码软阈值模块包括编码器、软阈值子模块和解码器；所述设计带注意力机制的自编码软阈值模块以求解所述网络模块中具有实例统计特性的稀疏度阈值，具体包括：在所述软阈值子模块中，使用batchnorm层对各通道的批数据进行归一化处理；使用平均池化和卷积层计算每个通道的实例统计特征；对所述编码器的输出结果通过实例特征加权后，利用可学习的阈值参数实现信号的稀疏性。
16、可选地，在本申请的一个实施例中，所述获取训练集，根据所述训练集对两个所述网络模块进行训练，得到收敛的网络模型，具体包括：构造高斯白噪背景下含有多个正弦分量的训练数据；构造所述训练数据对应的真实值标签；其中，对应所述训练数据的粗网格频率真实值xgt与细离格频率偏差真实值βgt作为所述真实值标签，表达式分别为：
17、其中fp表示频率；
18、定义损失函数，所述损失函数包括xgt和βgt的稀疏表示误差，以及两个自编码软阈值模块的重构损失，所述损失函数表达为：
19、
20、
21、
22、其中，eds(·)表示自编码软阈值模块的运算；γ是正则化参数；表示总损失函数，表征频率估计精度损失，表征自编码器信号重构误差，x(k)表示第k次迭代的粗网格频率估计值，re(·)表示取实部，β(k)表示第k次迭代中离格频率估计偏差，edsx(x(k))表示第k次迭代中x经过eds(·)模块的输出，edsβ(β(k))表示第k次迭代中β经eds(·)模块的输出；根据所述训练数据和所述真实值标签对两个所述网络模块同时进行相应的训练，得到收敛的网络模型。
23、本申请实施例第二方面还提供一种端到端智能与可解释的离格频率估计系统，其中，所述端到端智能与可解释的离格频率估计系统包括：联合优化问题建模模块，用于采用一阶泰勒展开法对离格频率估计进行建模，得到粗网格频率与细离格频率偏差的联合优化问题，并将所述联合优化问题分解为对所述粗网格频率与所述细离格频率偏差进行交替迭代估计的两个子优化问题；网络模块构建模块，采用深度展开技术和ista算法对两个所述子优化问题的迭代估计过程进行展开，得到所述粗网格频率和所述细离格频率偏差各自对应的网络模块；其中，设计卷积层以求解所述网络模块中具有批统计特性的稀疏字典，以及设计带注意力机制的自编码软阈值模块以求解所述网络模块中具有实例统计特性的稀疏度阈值；模块训练与频率输出模块，用于本文档来自技高网...
【技术保护点】
1.一种端到端智能与可解释的离格频率估计方法，其特征在于，所述端到端智能与可解释的离格频率估计方法包括：
2.根据权利要求1所述的端到端智能与可解释的离格频率估计方法，其特征在于，所述联合优化问题表示为：
3.根据权利要求2所述的端到端智能与可解释的离格频率估计方法，其特征在于，所述将联合优化问题分解为对所述粗网格频率与所述细离格频率偏差进行交替迭代估计的两个子优化问题，具体包括：
4.根据权利要求2所述的端到端智能与可解释的离格频率估计方法，其特征在于，所述采用深度展开技术和ISTA算法对两个所述子优化问题求解的迭代过程进行展开，得到所述粗网格频率x与细离格频率偏差β各自对应的网络模块，具体包括：
5.根据权利要求4所述的端到端智能与可解释的离格频率估计方法，其特征在于，所述设计卷积层以求解所述网络模块中具有批统计特性的稀疏字典，具体包括：
6.根据权利要求5所述的端到端智能与可解释的离格频率估计方法，其特征在于，所述自编码软阈值模块包括编码器、软阈值子模块和解码器；
7.根据权利要求1所述的端到端智能与可
8.一种端到端智能与可解释的离格频率估计系统，其特征在于，所述端到端智能与可解释的离格频率估计系统包括：
9.一种终端，其特征在于，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的端到端智能与可解释的离格频率估计程序，所述端到端智能与可解释的离格频率估计程序被所述处理器执行时实现如权利要求1-7任一项所述的端到端智能与可解释的离格频率估计方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有端到端智能与可解释的离格频率估计程序，所述端到端智能与可解释的离格频率估计程序被处理器执行时实现如权利要求1-7任一项所述的端到端智能与可解释的离格频率估计方法的步骤。
...【技术特征摘要】
1.一种端到端智能与可解释的离格频率估计方法，其特征在于，所述端到端智能与可解释的离格频率估计方法包括：
2.根据权利要求1所述的端到端智能与可解释的离格频率估计方法，其特征在于，所述联合优化问题表示为：
3.根据权利要求2所述的端到端智能与可解释的离格频率估计方法，其特征在于，所述将联合优化问题分解为对所述粗网格频率与所述细离格频率偏差进行交替迭代估计的两个子优化问题，具体包括：
4.根据权利要求2所述的端到端智能与可解释的离格频率估计方法，其特征在于，所述采用深度展开技术和ista算法对两个所述子优化问题求解的迭代过程进行展开，得到所述粗网格频率x与细离格频率偏差β各自对应的网络模块，具体包括：
5.根据权利要求4所述的端到端智能与可解释的离格频率估计方法，其特征在于，所述设计卷积层以求解所述网络模块中具有批统计特性的稀疏字典，具体包括：
6.根据权利要求5所述的端到端智能与可解释的离格频率估计方法，其特征在于...
【专利技术属性】
技术研发人员：潘萍平，李游，李敏敏，郭胜，钱春海，姚萌萌，杨琦，
申请(专利权)人：人工智能与数字经济广东省实验室深圳，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。