一种特征增强多任务神经网络训练及复数型目标参数预测方法及系统

本发明涉及人工智能与机器学习，具体涉及一种特征增强多任务神经网络训练与复数型目标参数预测方法及系统。所述方法适用于有限观测数据条件下的特征提取、参数学习、性能优化和在线推理。

背景技术：

1、随着人工智能和机器学习技术的发展，神经网络已广泛应用于复杂参数预测、非线性映射和数据驱动优化等任务。对于输入数据维度较高、变量之间存在复杂关联的应用场景，传统基于人工特征设计或固定数学模型的方法通常难以充分提取数据中的局部特征和全局关联信息，预测精度和适应性受到限制。

2、现有的神经网络参数预测方法通常依赖大量带有最优参数标签的训练样本，通过监督学习完成网络训练。最优参数的获取往往需要额外执行迭代优化、矩阵分解或穷举搜索，计算过程复杂，数据生成成本较高。当输入观测数据长度有限、反馈信息存在量化误差或样本分布发生变化时，现有网络的预测稳定性也容易下降。

3、此外，部分现有方法主要采用单一特征提取结构或单一输出任务，难以同时处理离散参数索引和连续矩阵参数；在训练过程中通常仅以参数标签误差作为优化依据，未能充分利用预测参数在实际任务中的性能评价信息。因此，有必要提出一种能够从有限反馈数据中提取多层次特征，并通过分类与回归协同预测、无监督性能优化和在线推理实现目标参数预测的方法及系统。

技术实现思路

1、本发明的目的在于提供一种特征增强多任务神经网络训练与复数型目标参数预测方法及系统，以解决现有参数预测方法对完整观测数据和人工监督标签依赖较强、有限反馈数据中的有效特征提取不足以及预测结果难以满足性能约束的问题。

2、为实现上述目的，本发明采用如下技术方案：获取有限反馈观测样本以及与所述有限反馈观测样本对应的性能评价数据，对所述有限反馈观测样本进行量化、归一化和预设长度选取，构建输入矩阵；将所述输入矩阵输入特征增强多任务神经网络，通过卷积特征提取、残差增强特征提取、通道注意力加权以及局部特征与全局统计特征融合，获得融合特征；将所述融合特征分别输入分类分支和回归分支，由分类分支输出各候选离散参数索引对应的预测概率，由回归分支输出复数预测矩阵的实部参数和虚部参数；根据各候选离散参数索引分别生成候选目标参数，并结合所述复数预测矩阵和性能评价数据计算各候选目标参数对应的下游任务性能指标；根据所述下游任务性能指标和分类分支输出的预测概率构建概率加权性能损失，根据所述复数预测矩阵和性能评价数据构建预测矩阵性能损失，根据所述下游任务性能指标确定性能排序结果并构建分类分支训练损失，将所述概率加权性能损失、预测矩阵性能损失、分类分支训练损失以及约束惩罚项按照预设权重进行组合，得到无监督损失函数，并通过反向传播更新所述特征增强多任务神经网络的网络参数；利用训练完成的特征增强多任务神经网络对新的有限反馈观测样本进行前向推理，输出对应的复数型目标参数。

3、与现有技术相比，本发明通过卷积特征提取、残差增强、通道注意力加权以及局部特征与全局统计特征融合，提高了有限反馈数据的特征表达能力；通过分类分支与回归分支协同输出参数索引和预测矩阵参数，提高了多类型目标参数的联合预测能力；通过基于性能指标的无监督损失函数减少了对最优参数矩阵监督标签的依赖，降低了训练数据构建成本；通过训练完成的网络对新的有限反馈观测样本进行快速推理，降低了在线计算复杂度。

1.一种特征增强多任务神经网络训练及复数型目标参数预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，当所述有限反馈观测样本选取无线通信场景的接收信号强度指示测量值时，步骤（1）包括：将多个观测信号对应的接收信号强度指示测量值按照预设量化位数转换为量化值；按照预设测量长度从所述量化值中选取数据；对选取的数据进行归一化处理，并按照多个测量对象的排列顺序构建输入矩阵。

3.根据权利要求1所述的方法，其特征在于，步骤（2）包括：对输入特征进行卷积映射、批归一化和非线性激活处理，得到残差特征；通过跨层恒等连接将输入特征与所述残差特征相加，得到残差增强特征；对所述残差增强特征进行全局平均池化，通过全连接映射和激活函数生成通道权重，并利用所述通道权重对不同特征通道进行自适应加权；对通道加权特征进行全局池化得到全局统计特征，并将所述全局统计特征与局部特征进行拼接，得到融合特征。

4.根据权利要求1所述的方法，其特征在于，步骤（3）至步骤（5）包括：通过分类输出层输出各候选离散参数索引对应的预测概率，通过回归分支分别输出复数预测矩阵的实部参数和虚部参数；根据各候选离散参数索引分别生成候选目标参数，并结合所述复数预测矩阵和性能评价数据计算各候选目标参数对应的下游任务性能指标；根据所述下游任务性能指标和分类分支输出的预测概率构建概率加权性能损失，根据所述复数预测矩阵和性能评价数据构建预测矩阵性能损失，并根据所述下游任务性能指标确定性能排序结果以构建分类分支训练损失；将所述概率加权性能损失、预测矩阵性能损失、分类分支训练损失以及约束惩罚项按照预设权重进行组合，得到无监督损失函数，计算所述无监督损失函数相对于网络参数的梯度，并通过反向传播更新所述特征增强多任务神经网络的网络参数。

5.根据权利要求1所述的方法，其特征在于，当所述复数型目标参数用于无线通信系统的预编码参数生成时：根据所述离散参数索引获得模拟参数矩阵a，根据所述复数预测矩阵获得全数字参数矩阵u；利用所述模拟参数矩阵a的摩尔-彭罗斯伪逆与所述全数字参数矩阵u相乘，得到数字基带参数矩阵；将所述模拟参数矩阵a与所述数字基带参数矩阵相乘，并按照预设功率约束进行归一化，得到组合预编码矩阵w。

6.一种特征增强多任务神经网络训练及复数型目标参数预测系统，其特征在于，包括输入数据构建模块、特征增强模块、多任务预测模块、目标参数生成模块、无监督训练模块以及在线推理模块；所述输入数据构建模块用于获取有限反馈观测样本和与所述有限反馈观测样本对应的性能评价数据，并对所述有限反馈观测样本进行量化、归一化及预设长度选取，构建输入矩阵；所述特征增强模块用于将所述输入矩阵输入特征增强多任务神经网络，依次执行卷积特征提取、残差增强特征提取、通道注意力加权以及局部特征与全局统计特征融合，得到融合特征；所述多任务预测模块用于将所述融合特征分别输入分类分支和回归分支，输出各候选离散参数索引对应的预测概率以及复数预测矩阵的实部参数和虚部参数；所述目标参数生成模块用于根据各候选离散参数索引分别生成候选目标参数，将所述候选目标参数与所述复数预测矩阵结合，并根据所述性能评价数据计算各候选目标参数对应的下游任务性能指标；所述无监督训练模块用于根据各候选目标参数对应的下游任务性能指标和分类分支输出的预测概率构建概率加权性能损失，根据所述复数预测矩阵和性能评价数据构建预测矩阵性能损失，根据各候选目标参数对应的下游任务性能指标确定性能排序结果并构建分类分支训练损失，将所述概率加权性能损失、预测矩阵性能损失、分类分支训练损失以及约束惩罚项按照预设权重进行组合，得到无监督损失函数，计算所述无监督损失函数相对于网络参数的梯度，并通过反向传播更新所述特征增强多任务神经网络的网络参数；所述在线推理模块用于将新的有限反馈观测样本输入训练完成的特征增强多任务神经网络，输出对应的复数型目标参数。

7.一种电子设备，包括处理器和存储器，其特征在于，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，实现权利要求1至5任一项所述的方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至5任一项所述的方法。