CN103675799A - 一种相控阵声纳***换能器稀疏面阵优化方法 - Google Patents
一种相控阵声纳***换能器稀疏面阵优化方法 Download PDFInfo
- Publication number
- CN103675799A CN103675799A CN201310505409.4A CN201310505409A CN103675799A CN 103675799 A CN103675799 A CN 103675799A CN 201310505409 A CN201310505409 A CN 201310505409A CN 103675799 A CN103675799 A CN 103675799A
- Authority
- CN
- China
- Prior art keywords
- matrix
- transducer
- energy value
- optimization
- energy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/523—Details of pulse systems
- G01S7/526—Receivers
- G01S7/527—Extracting wanted echo signals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种相控阵声纳***换能器稀疏面阵优化方法,包括如下步骤:(1)初始化步骤、(2)模拟退火优化步骤、(3)教与学优化步骤和(4)终止步骤。本发明以阵列的主瓣宽度和旁瓣峰值等空间响应性能为约束条件,求解使稀疏面阵满足空间响应性能所需激活的最小换能器数目。本发明利用改进教与学优化算法对模拟退火算法所得可行解进行二次优化,具有更好的收敛速度和收敛精度,可获得全局最优解,利用尽量少的换能器工作,获得换能器面阵所需的空间响应性能,能够很好的降低相控阵成像声纳***所需的硬件成本。
Description
技术领域
本发明属于相控阵成像声纳波束形成技术领域,具体涉及一种相控阵声纳***换能器稀疏面阵优化方法。
背景技术
相控阵三维前视声纳***是近几年发展起来的水下应用***,该***采用一个单频声脉冲透射整个观察场景,运用相控阵技术同时产生上万个实时波束强度信号,经过实时信号处理得到一幅三维场景的图像。现代高分辨率相控阵声纳***为获得较小主波束宽度,要求换能器阵列具有较长的几何尺寸。同时,为了阻止栅瓣的出现,阵元间距(换能器与换能器之间的距离)不得大于半波长,因此,高分辨率相控阵三维成像***往往由几千个半波长间距换能器组成二维面阵,硬件成本极高。
声纳***发射出的声波在遇到障碍物后反射产生的回波作用在接收换能器面阵上时,可根据换能器面阵接收到的声压幅值响应确定回波方向。换能器的声压幅值随着回波方向的变化会出现一个主瓣和若干个旁瓣,主瓣的峰值为最大值,旁瓣的峰值为声压幅度极大值。主瓣中声压强度最小值所对应的回波角度称为主波束宽度,旁瓣中峰值最大的声压幅值称为最大旁瓣峰值。在相控阵声纳***中,降低最大旁瓣峰值和减小主波束宽度都有利于提高声纳***定位精度,提高成像清晰度。
换能器稀疏面阵优化是指对声纳***中换能器接收到的声场回波进行幅度调制,只让面阵中的部分换能器工作,获得成像声纳***所要求的最大旁瓣峰值和最大主波束宽度。***中不工作的换能器数目与全部换能器数目之比称为稀疏率,稀疏率越高表明声纳***中工作的换能器数目越少。引入换能器稀疏面阵优化技术可以使***在保持原有波束特性的情况下,减少所需激活的换能器数目,大大降低相控阵声纳***硬件成本。
模拟退火算法是一种用于解决多目标优化问题的随机方法,算法以一定概率接收搜索过程中获得的差解,具有良好的全局搜索能力。模拟退火算法接受准则表达式如下:
其中k为波尔兹曼常数,T为***退火温度,Eo为搜索前能量值,En为搜索后能量值。随着退火温度下降,算法接受差解的概率降低,最终达到结晶状态,得到最优解。
受课堂教学模式的启发,R.V Rao教授在2011年提出教与学优化算法(TLBO),基本的教与学优化算法分为教阶段和学阶段两部分:在教阶段,班级个体根据教师矩阵Wt和学生平均水平的差异性进行学习;在学阶段,班级个体之间相互比较,适应度低的个体向适应度高的个体学习。
目前换能器稀疏阵列优化主要采用遗产算法和种群粒子优化算法等种群进化算法,容易早熟陷入局部最优且收敛速度较慢,常用于优化一维换能器线阵或者小型面阵,并不适用于换能器数目较多的相控阵成像声纳***。
发明内容
本发明提供了一种相控阵声纳***换能器稀疏面阵优化方法,该相控阵声纳***换能器稀疏面阵优化方法采用改进模拟退火——教与学优化算法既可获得全局解同时也具有较快的收敛速度,适用于大型成像声纳***换能器面阵。
本发明所提供的技术方案如下:
一种相控阵声纳***换能器稀疏面阵优化方法,包括如下步骤:
(1)初始化步骤:
初始化换能器稀疏面阵中的换能器权重系数矩阵W、退火初始温度T、退火系数kt、灭活概率Pi、激活概率Pa、最大迭代次数maxGen;所述换能器权重系数矩阵W是三维矩阵,包含Pz个M×N的个体矩阵Wi;其中Pz表示预先设定的班级种群规模,M和N表示换能器稀疏面阵两轴线方向的换能器数目,i代表班级种群个体序号i=1,2,……Pz;
定义与第i个个体矩阵Wi相对应的***能量函数E(Wi),
其中,Nai表示Wi中激活的换能器数目,Pd表示最大旁瓣峰值阈值,Md表示最大主波束宽度阈值,k1表示最大旁瓣峰值的惩罚系数,k2表示最大主波束宽度的惩罚系数;P(Wi,u,v)表示换能器稀疏阵列的远场空间响应,u,v分别表示波束方向单位矢量在x轴和y轴的分量;S表示旁瓣声压值大于最大旁瓣峰值阈值Pd的集合;
令迭代次数gen的初始值为1;
(2)模拟退火优化步骤:
(2.1)从换能器权重系数矩阵W中随机选择一个个体矩阵Wi;
(2.2)从Wi中随机选择任一个换能器权重系数wmn,判断wmn是否等于0,若是,则以激活概率Pa启动激活流程;否则,以灭活概率Pi启动灭活流程;
所述激活流程包括如下步骤:
(2.1.1)随机生成一个0到1的数R1,若R1小于激活概率Pa,则令wmn=2*rand,得到新权重系数矩阵Winew和新能量En,其中rand表示0到1的随机数;否则,转入步骤(2.3);
(2.1.2)比较新能量En和原始能量Eo,按照模拟退火接受准则决定是否用Winew替代Wi;
所述灭活流程包括如下步骤:
(2.2.1)随机生成一个0到1的数R2,若R2小于灭活概率Pi,则令wmn=0,得到新权重系数矩阵Winew和新能量En;否则,转入步骤(2.3);
(2.2.2)比较新能量En和原始能量Eo,根据模拟退火算法接受准则决定是否用Winew替代Wi,若是,则保持wmn=0;否则,令wmn=wmn+s(gen)*(rand-0.5),其中,rand表示0到1的随机数,
(2.3)按照步骤(2.2)的方法,遍历Wi中的所有换能器权重系数,完成第i个个体矩阵Wi的模拟退火优化;
(2.4)按照步骤(2.2)~(2.3)的方法,遍历换能器权重系数矩阵W中所有的个体矩阵Wi,完成Pz个个体矩阵Wi的模拟退火优化;
(3)教与学优化步骤:
(3.1)计算班级种群中所有个体矩阵Wi的能量值E(Wi),并选择其中能量值最低的个体作为教师矩阵Wt,其余个体作为学生矩阵Ws;
(3.2)教师自学阶段:
(3.2.1)令Wtn=Wt+0.1*rand(M,N),其中rand(M,N)表示一个由M×N个0到1的随机数组成的二维矩阵;计算与Wtn对应的矩阵能量值Etn,若Etn小于Wt对应的能量值Et,则令Wt=Wtn;否则,不做处理;
(3.2.2)重复步骤(3.2.1)Pz-1次;
(3.3)教阶段:
(3.3.1)随机选择一个学生矩阵Ws,
令 其中, Wsn表示学习之后的个体矩阵,Tf表示教学系数;
计算与Wsn对应的矩阵能量值Esn,若Esn小于Ws对应的能量值Es,则令Ws=Wsn;否则,不做处理;
(3.3.2)按照步骤(3.3.1)的方法遍历所有学生矩阵,完成所有学生矩阵向教师矩阵Wt的学习;
(3.4)学阶段:
(3.4.1)随机选择两个学生矩阵Wsi和Wsj,计算Wsi和Wsj所对应的能量值分别为Esi和Esj;
若Esi<Esj,则Wsj向Wsi学习,即令Wnsj=Wsj+rand*(Wsi-Wsj);
否则,学生矩阵Wsi向Wsj学习,即令Wnsi=Wsi+rand*(Wsj-Wsi);
(3.4.2)若Wnsi对应的矩阵能量值Ensi小于Esi,则令Wsi=Wnsi;否则,不做处理;
若Wnsj对应的矩阵能量值Ensj小于Esj,则令Wsj=Wnsj;否则,不做处理;
(3.4.3)重复执行步骤(3.4.1)~(3.4.2)Pz次,使多个班级个体之间互相学习;
(3.5)计算经过教与学优化之后的班级种群中所有个体的能量值E(Wi),并得到班级种群中的最优个体能量值min(E(Wi));
(4)终止步骤:
如果***的最小能量值min(E(Wi))小于预定值Eobjv,而且连续g次迭代中能量值最小的个体中激活换能器数目Nai不发生变化时,优化过程终止;
或者当前迭代次数达到最大迭代次数时,优化过程终止;其中,g为预先设定的收敛次数;
否则令gen=gen+1,T=T*kt,返回步骤(2)。
与现有技术相比,本发明具有以下优点:
(1)本发明可激活几百个换能器工作,可达到几千个换能器***工作的波束性能要求,大大降低***硬件成本。
(2)本发明结合传统的模拟退火算法与新型的教与学优化算法,大大的提高了算法对最优解的搜索能力,模拟退火算法中的自适应搜索步长,有利于提高算法精度和收敛性。
(3)本发明引入教师矩阵的自我学习阶段,增强了算法的搜索能力,有助于提高教师矩阵的适应度,帮助学生个体更好的学习,使算法更快的收敛到最优解。
(4)本发明利用改进教与学优化算法对模拟退火算法所得可行解进行二次优化,具有更好的收敛速度和收敛精度,可获得全局最优解,利用尽量少的换能器工作,获得换能器面阵所需的空间响应性能,能够很好的降低相控阵成像声纳***所需的硬件成本。
附图说明
图1为本发明的实现流程图;
图2为相控阵声纳***坐标系示意图;
图3为本发明的换能器稀疏面阵权重系数示意图;
图4为本发明的换能器稀疏面阵远场波束响应能量图;
图5为得到的最终稀疏换能器阵示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是,对于这些实施方式的说明用于帮助理解本发明,但并不构成对本发明的限定。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供了一种相控阵声纳***换能器稀疏面阵优化方法,采用改进的模拟退火-教与学优化算法对平面阵中的换能器阵元进行稀疏优化,即指在一个平面阵的换能器阵中激活部分换能器并调整相应换能器的权重系数,使优化后的稀疏换能器阵波束方向图同时满足最大旁瓣峰值条件和最大主波束宽度约束条件,求解使稀疏面阵满足空间响应性能所需激活的最小换能器数目。
所述换能器稀疏面阵由M×N个阵元间距d为半波长λ/2的换能器组成(d=λ/2),所述换能器在矩形区域内均匀分布。所述的主波束宽度为-3dB波束角宽度。如图1所示,本发明所述相控阵声纳***换能器稀疏面阵优化方法的过程如下:
(1)初始化
换能器权重系数矩阵W(种群矩阵)是三维矩阵,包含Pz个M×N的二维个体矩阵Wi,M和N表示换能器稀疏面阵两轴线方向的换能器数目,i代表班级种群个体序号i=1,2,……Pz。
初始化W时,以概率p激活换能器并赋值1,以概率1-p灭活换能器并赋值0,通常取p值在0.1~0.4之间。W的初始化表达式如下:
W=round(rand(Pz,M,N)+p-0.5) (1)
其中Pz表示预先设定的班级种群规模,比如可以为10~20之间的任意整数。rand(Pz,M,N)表示生成一个由Pz×M×N个0到1的随机数组成的三维矩阵,round()表示取整。以p取0.35为例,表述其具体操作如下:
a.rand(Pz,M,N)+p-0.5表示将0到1之间的随机数,转化为-0.15到0.85之间的随机数。
b.round()表示取整,对-0.15到0.85之间的随机数取整,得到0的概率为0.65,得到1的概率为0.35。
为保证模拟退火全局搜索性能退火初始温度T要求取足够高的值,通常取900~9000度之间,按照模拟退火算法规则退火系数kt通常取0.7~0.9。设置灭活概率Pi,激活概率Pa=1-Pi,Pi取值与换能器阵的稀疏率相关,一般取0.7~1。迭代次数gen初始值取1,最大迭代次数maxGen取100。
定义***能量函数E,***能量函数的表达式如(2)式所示:
其中i代表班级种群个体序号i=1,2,……Pz,Wi表示第i个个体矩阵,Nai表示Wi中激活的换能器数目,即Wi中权重系数不为0的换能器个数,Pd表示最大旁瓣峰值阈值,根据成像声纳***所要求的最大旁瓣峰值确定。Md表示最大主波束宽度阈值,根据成像声纳***所允许的最大主波束宽度值确定,一般为未经稀疏优化的面阵主波束宽度的1~2倍。k1表示最大旁瓣峰值的惩罚系数,k2表示最大主波束宽度的惩罚系数,为保证约束条件对目标函数的约束作用,惩罚系数常取较大值,通常k1取10~100之间的任意整数,k2取104~106之间任意整数。P(Wi,u,v)表示换能器阵列的远场空间响应,定义如(3)式所示:
S表示旁瓣声压值大于最大旁瓣峰值阈值Pd的集合,即满足(5)式条件的u,v。
(2)模拟退火优化;
(2.1)从换能器权重系数矩阵W中随机选择一个个体矩阵Wi;
(2.2)从Wi中随机选择任一个换能器权重系数wmn,判断wmn是否等于0,若是,则以激活概率Pa启动激活流程;否则,以灭活概率Pi启动灭活流程;
激活流程包括如下:
(2.1.1)随机生成一个0到1的数R1,若R1比激活概率Pa小,则给换能器wmn赋一个新生成的随机值,即令wmn=2*rand;其中rand表示0到1的随机数;得新的权重系数矩阵Winew和能量En;若R1比激活概率Pa大,则跳过该换能器,程序进入下一个换能器的优化,转入步骤(2.3)。
(2.1.2)比较新获得的能量值En和原始能量Eo,按照模拟退火接受准则决定是否用新的权重系数矩阵Winew替代原始矩阵Wi。所述原始能量Eo是指换能器权重系数未改变时(即初始化后)的能量值,可以通过公式(2)计算出。
其中,模拟退火算法接受准则定义如下:以概率Pr接受新解,Pr的表达式如下:
其中k表示玻尔兹曼常数,如果新解对应的能量值En比原始能量Eo小,说明搜索到更优解,则Pr=1,新获得的权重系数矩阵一定取代旧的权重系数矩阵。如果新解对应的能量值En比原始能量Eo大,则Pr的值由***温度和En与Eo的差值决定,此时Pr∈(0,1),其中Pr随***温度T的下降而趋近于0。
若换能器处于激活状态wmn>0,则以灭活概率Pi启动灭活流程。
灭活流程包括如下:
(2.2.1)随机生成一个0到1的数R2,若R2比灭活概率Pi大,则跳过该换能器,程序进入下一个换能器的优化,转入步骤(2.3)。若R2比灭活概率Pi小,则灭活该换能器,给换能器wmn赋0值,即wmn=0,得到新的权重系数矩阵Winew和能量En。
(2.2.2)根据模拟退火算法接受准则决定是否用Winew替代Wi,若是,则将该换能器保持在灭活状态(即保持wmn=0)。否则,在原有换能器权重系数上加一个微小扰动,作为新的换能器权重系数并更新权重系数矩阵,即令wmn=wmn+s(gen)*(rand-0.5),其中其中rand表示0到1的随机数;
(2.3)按照步骤(2.2)的方法,遍历Wi中的所有换能器权重系数,完成第i个个体矩阵Wi的模拟退火优化;
(2.4)按照步骤(2.2)~(2.3)的方法,遍历换能器权重系数矩阵W中所有的个体矩阵Wi,完成Pz个个体矩阵Wi的模拟退火优化;
(3)教与学优化
(3.1)计算班级种群中所有个体矩阵Wi的能量值E(Wi),并选择其中能量值最低的个体作为教师矩阵Wt,其余个体作为学生矩阵Ws。优化过程分为教师自学、教阶段和学阶段三部分:
(3.2)在教师自学阶段,教师矩阵在自身周围随机搜索Pz次,以寻求适应度更高的解;具体包括:
(3.2.1)令Wtn=Wt+0.1*rand(M,N),其中rand(M,N)表示一个由M×N个0到1的随机数组成的二维矩阵;
计算与Wtn对应的矩阵能量值Etn,若Etn比Wt对应的能量值Et小,则将Wtn作为教师矩阵Wt,否则教师矩阵Wt保持原有值不变。
(3.2.2)重复步骤(3.2.1)Pz-1次。
具体包括:
比较学习后的个体矩阵能量值Esn和学习前的个体矩阵能量值Es,若学习后的个体矩阵能量值更小,即Esn<Es,则用新个体Wsn代替原有个体Ws。否则,不做处理;
(3.3.2)按照步骤(3.3.1)的方法遍历所有学生矩阵,完成所有学生矩阵向教师矩阵Wt的学习;
(3.4)在学阶段,班级个体之间相互比较,能量值高的个体向能量值低的个体学习。
具体包括:
(3.4.1)随机选择两个学生矩阵Wsi和Wsj,计算Wsi和Wsj所对应的能量值分别为Esi和Esj;
若Esi<Esj,则Wsj向Wsi学习,即令Wnsj=Wsj+rand*(Wsi-Wsj);
否则,学生矩阵Wsi向Wsj学习,即令Wnsi=Wsi+rand*(Wsj-Wsi);
(3.4.2)比较学习后的个体矩阵能量值和学习前的个体矩阵能量值,若学习后的个体矩阵能量值更小,则用新个体Wnsi(或Wnsj)代替原有个体Wsi(或Wsj),否则保持原有值不变。
(3.4.3)重复执行步骤(3.4.1)~(3.4.2)Pz次,使多个班级个体之间有机会互相学习;
经过教师自学阶段、教阶段、学阶段的三阶段优化后,计算经过教与学优化之后的班级种群中所有个体的能量值E(Wi),并得到班级种群中的最优个体能量值min(E(Wi)),进入优化步骤(4)终止判断。
(4)算法终止
当***的最小能量值min(E(Wi))小于预定值Eobjv,而且连续g次迭代中能量值最小的个体中激活换能器数目Nai不发生变化时,优化过程终止;
或者当前迭代次数达到最大迭代次数,即gen=maxGen时,优化过程终止;
否则令迭代次数gen加1,即令gen=gen+1,同时降低***温度按退火系数,令T=T*kt,返回步骤(2)进行模拟退火优化。
其中Eobjv=Naobjv 2,Naobjv为声纳***激活的换能数目标值,常取换能器总数的10%~50%。g为预先设定的收敛次数,为了保证程序收敛到最优解,一般取10~50,g<maxGen。
实施例:
以64×64的矩形换能器阵(即M=N=64)为例,换能器以半波长(λ/2)阵元间距均匀分布,主波束宽度为-3dB波束角宽度。
(1)初始化
换能器权重系数矩阵W(种群矩阵)是三维矩阵,包含Pz个M×N的二维个体矩阵Wi,M和N表示换能器稀疏面阵两轴线方向的换能器数目,i代表班级种群个体序号i=1,2,……Pz。
初始化W时,以概率p=0.35激活换能器并赋值1,以概率0.65灭活换能器并赋值0,退火温度T=5000,班级规模Pz=10,预设置灭活概率Pi=0.8,激活概率Pa=0.2,最大迭代次数maxGen=100。
***能量函数的表达式如(1)式所示:
其中i代表班级种群个体序号i=1,2,……10,Wi表示第i个体矩阵,Nai表示激活的换能器数目,Pd表示最大旁瓣峰值阈值,对应的旁瓣峰值为-21.2dB,即Pd=10^(-21.2/20);Md表示最大主波束宽度阈值,Md=0.045;k1表示最大旁瓣峰值的惩罚系数,k1=10。k2表示最大主波束宽度的惩罚系数,k2=1e4。P(W,u,v)表示换能器阵列的远场空间响应,定义如(2)式所示:
u∈[-1,1],v∈[-1,1],根据波束图形的中心对称性质,只需计算u∈[-1,1],v∈[0,1]区域内的波束响应。取K=L=50,u∈[-K/K,K/K],分度值为1/K;v∈[0,L/L],分度值1/L。
S表示旁瓣声压值大于最大旁瓣峰值阈值Pd的集合,满足如下条件
其中阵列长度(M-1)d=31.5λ,未经稀疏优化的面阵主波束宽度为
(2)模拟退火优化;
(2.1)从换能器权重系数矩阵W中随机选择一个个体矩阵Wi;
(2.2)从Wi中随机选择任一个换能器权重系数wmn,判断wmn是否等于0,若是,则以激活概率Pa启动激活流程;否则,以灭活概率Pi启动灭活流程;
激活流程包括如下:
(2.1.1)随机生成一个0到1的数R1,若R1比激活概率0.2小,则给换能器wmn赋一个新生成的随机值,即令wmn=2*rand;得新的权重系数矩阵Winew和能量En;若R1比激活概率0.2大,则跳过该换能器,程序进入下一个换能器的优化,转入步骤(2.3)。
(2.1.2)比较新获得的能量值En和原始能量Eo,按照模拟退火接受准则决定是否用新的权重系数矩阵Winew替代原始矩阵Wi。
其中,模拟退火算法接受准则定义如下:以概率Pr接受新解,Pr的表达式如下:
其中k表示玻尔兹曼常数,如果新解对应的能量值En比原始能量Eo小,说明搜索到更优解,则Pr=1,新获得的权重系数矩阵一定取代旧的权重系数矩阵。如果新解对应的能量值En比原始能量Eo大,则Pr的值由***温度和En与Eo的差值决定,此时Pr∈(0,1),其中Pr随***温度T的下降而趋近于0。
若换能器处于激活状态wmn>0,则以灭活概率0.8启动灭活流程。
灭活流程包括如下:
(2.2.1)随机生成一个0到1的数R2,若R2比灭活概率0.8大,则跳过该换能器,程序进入下一个换能器的优化,转入步骤(2.3)。若R2比灭活概率0.8小,则灭活该换能器,给换能器wmn赋0值,即wmn=0,得到新的权重系数矩阵Winew和能量En。
(2.2.2)根据模拟退火算法接受准则决定是否用Winew替代Wi,若是,则将该换能器保持在灭活状态(即保持wmn=0)。否则,在原有换能器权重系数上加一个微小扰动,作为新的换能器权重系数并更新权重系数矩阵,即令wmn=wmn+s(gen)*(rand-0.5),其中
(2.3)按照步骤(2.2)的方法,遍历Wi中的所有换能器权重系数,完成第i个个体矩阵Wi的模拟退火优化;
(2.4)按照步骤(2.2)~(2.3)的方法,遍历换能器权重系数矩阵W中所有的个体矩阵Wi,完成10个个体矩阵Wi的模拟退火优化;
(3)教与学优化
(3.1)计算班级种群中所有个体矩阵Wi的能量值E(Wi),并选择其中能量值最低的个体作为教师矩阵Wt,其余个体作为学生矩阵Ws。优化过程分为教师自学、教阶段和学阶段三部分:
(3.2)在教师自学阶段,教师矩阵在自身周围随机搜索10次,以寻求适应度更高的解;具体包括:
(3.2.1)令Wtn=Wt+0.1*rand(M,N),并计算对应的矩阵能量值Etn,若Etn比Wt对应的能量值Et小,则将Wtn作为教师矩阵Wt,否则教师矩阵Wt保持原有值不变。
(3.2.2)重复步骤(3.2.1)9次。
具体包括:
比较学习后的个体矩阵能量值Esn和学习前的个体矩阵能量值Es,若学习后的个体矩阵能量值更小,即Esn<Es,则用新个体Wsn代替原有个体Ws。否则,不做处理;
(3.3.2)按照步骤(3.3.1)的方法遍历所有学生矩阵,完成所有学生矩阵向教师矩阵Wt的学习;
(3.4)在学阶段,班级个体之间相互比较,能量值高的个体向能量值低的个体学习。
具体包括:
(3.4.1)随机选择两个学生矩阵Wsi和Wsj,计算Wsi和Wsj所对应的能量值分别为Esi和Esj;
若Esi<Esj,则Wsj向Wsi学习,即令Wnsj=Wsj+rand*(Wsi-Wsj);
否则,学生矩阵Wsi向Wsj学习,即令Wnsi=Wsi+rand*(Wsj-Wsi);
(3.4.2)比较学习后的个体矩阵能量值和学习前的个体矩阵能量值,若学习后的个体矩阵能量值更小,则用新个体Wnsi(或Wnsj)代替原有个体Wsi(或Wsj),否则保持原有值不变。
(3.4.3)重复执行步骤(3.4.1)~(3.4.2)10次,使多个班级个体之间有机会互相学习;
经过教师自学阶段、教阶段、学阶段的三阶段优化后,计算经过教与学优化之后的班级种群中所有个体的能量值E(Wi),并得到班级种群中的最优个体能量值min(E(Wi))。进入优化步骤(4)终止判断。
(4)算法终止
当***的最小能量值min(E(Wi))小于预定值Eobjv,而且连续g次迭代中能量值最小的个体中激活换能器数目Nai不发生变化时,优化过程终止;
或者当前迭代次数达到最大迭代次数,即gen=maxGen时,优化过程终止;
否则令迭代次数gen加1,即令gen=gen+1,同时降低***温度按退火系数,令T=T*kt,返回步骤(2)进行模拟退火优化。
本例中取Eobjv=1.6×105,表示接受激活换能器数目在400以下,而且连续30次迭代能量值最小的个体中Nai数目不发生变化的解。如图3所示为得到的稀疏换能器阵的波束输出空间响应图,图4为稀疏换能器阵在x轴和y轴方向的波束响应图,其最大旁瓣能量为-21.35dB,主波束宽度为0.0428,u和v分别为波束单位矢量在x轴和y轴的分量坐标。
如图5为得到的最终稀疏换能器阵示意图,激活的最少换能器数目为345个,其中最大换能器权重系数为2.31,最小换能器权重系数为0.62。
以上所述为本发明的较佳实施例而已,但本发明不应该局限于该实施例和附图所公开的内容。所以凡是不脱离本发明所公开的精神下完成的等效或修改,都落入本发明保护的范围。
Claims (3)
1.一种相控阵声纳***换能器稀疏面阵优化方法,其特征在于,包括如下步骤:
(1)初始化步骤:
初始化换能器稀疏面阵中的换能器权重系数矩阵W、退火初始温度T、退火系数kt、灭活概率Pi、激活概率Pa、最大迭代次数maxGen;所述换能器权重系数矩阵W是三维矩阵,包含Pz个M×N的个体矩阵Wi;其中Pz表示预先设定的班级种群规模,M和N表示换能器稀疏面阵两轴线方向的换能器数目,i代表班级种群个体序号i=1,2,……Pz;
定义与第i个个体矩阵Wi相对应的***能量函数E(Wi),
其中,Nai表示Wi中激活的换能器数目,Pd表示最大旁瓣峰值阈值,Md表示最大主波束宽度阈值,k1表示最大旁瓣峰值的惩罚系数,k2表示最大主波束宽度的惩罚系数;P(Wi,u,v)表示换能器稀疏阵列的远场空间响应,u,v分别表示波束方向单位矢量在x轴和y轴的分量;S表示旁瓣声压值大于最大旁瓣峰值阈值Pd的集合;
令迭代次数gen的初始值为1;
(2)模拟退火优化步骤:
(2.1)从换能器权重系数矩阵W中随机选择一个个体矩阵Wi;
(2.2)从Wi中随机选择任一个换能器权重系数wmn,判断wmn是否等于0,若是,则以激活概率Pa启动激活流程;否则,以灭活概率Pi启动灭活流程;
(2.3)按照步骤(2.2)的方法,遍历Wi中的所有换能器权重系数,完成第i个个体矩阵Wi的模拟退火优化;
(2.4)按照步骤(2.2)~(2.3)的方法,遍历换能器权重系数矩阵W中所有的个体矩阵Wi,完成Pz个个体矩阵Wi的模拟退火优化;
(3)教与学优化步骤:
(3.1)计算班级种群中所有个体矩阵Wi的能量值E(Wi),并选择其中能量值最低的个体矩阵作为教师矩阵Wt,其余个体矩阵均作为学生矩阵Ws;
(3.2)进行教师自学,具体包括:
(3.2.1)令Wtn=Wt+0.1*rand(M,N),其中rand(M,N)表示一个由M×N个0到1的随机数组成的二维矩阵;计算与Wtn对应的矩阵能量值Etn,若Etn小于Wt对应的能量值Et,则令Wt=Wtn;否则,不做处理;
(3.2.2)重复步骤(3.2.1)Pz-1次;
(3.3)进行教师教学,具体包括:
(3.3.1)随机选择一个学生矩阵Ws,
令 其中, Wsn表示学习之后的个体矩阵,Tf表示教学系数;
计算与Wsn对应的矩阵能量值Esn,若Esn小于Ws对应的能量值Es,则令Ws=Wsn;否则,不做处理;
(3.3.2)按照步骤(3.3.1)的方法遍历所有学生矩阵,完成所有学生矩阵向教师矩阵Wt的学习;
(3.4)进行学生互相学习,具体包括:
(3.4.1)随机选择两个学生矩阵Wsi和Wsj,计算Wsi和Wsj所对应的能量值分别为Esi和Esj;
若Esi<Esj,则Wsj向Wsi学习,即令Wnsj=Wsj+rand*(Wsi-Wsj);
否则,学生矩阵Wsi向Wsj学习,即令Wnsi=Wsi+rand*(Wsj-Wsi);
(3.4.2)若Wnsi对应的矩阵能量值Ensi小于Esi,则令Wsi=Wnsi;否则,不做处理;
若Wnsj对应的矩阵能量值Ensj小于Esj,则令Wsj=Wnsj;否则,不做处理:
(3.4.3)重复执行步骤(3.4.1)~(3.4.2)Pz次,使多个班级个体之间互相学习;
(3.5)计算经过教与学优化之后的班级种群中所有个体的能量值E(Wi),并得到班级种群中的最优个体能量值min(E(Wi));
(4)终止步骤:
如果***的最小能量值min(E(Wi))小于预定值Eobjv,而且连续g次迭代中能量值最小的个体中激活换能器数目Nai不发生变化时,优化过程终止;或者当前迭代次数达到最大迭代次数时,优化过程终止;其中,g为预先设定的收敛次数;
否则,令gen=gen+1,T=T*kt,返回步骤(2)进行模拟退火优化。
2.根据权利要求1所述的所述的相控阵声纳***换能器稀疏面阵优化方法,其特征在于,所述激活流程包括如下步骤:
(2.1.1)随机生成一个0到1的数R1,若R1小于激活概率Pa,则令wmn=2*rand,得到新权重系数矩阵Winew和新能量En,其中rand表示0到1的随机数;否则,转入步骤(2.3);
(2.1.2)比较新能量En和原始能量Eo,按照模拟退火接受准则决定是否用Winew替代Wi。
3.根据权利要求1所述的所述的相控阵声纳***换能器稀疏面阵优化方法,其特征在于,所述灭活流程包括如下步骤:
(2.2.1)随机生成一个0到1的数R2,若R2小于灭活概率Pi,则令Wmn=0,得到新权重系数矩阵Winew和新能量En;否则,转入步骤(2.3);
(2.2.2)比较新能量En和原始能量Eo,根据模拟退火算法接受准则决定是否用Winew替代Wi,若是,则保持Wmn=0否则,令
wmn=wmn+s(gen)*(rand-0.5),其中,rand表示0到1的随机数,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310505409.4A CN103675799B (zh) | 2013-10-24 | 2013-10-24 | 一种相控阵声纳***换能器稀疏面阵优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310505409.4A CN103675799B (zh) | 2013-10-24 | 2013-10-24 | 一种相控阵声纳***换能器稀疏面阵优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103675799A true CN103675799A (zh) | 2014-03-26 |
CN103675799B CN103675799B (zh) | 2016-04-20 |
Family
ID=50313938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310505409.4A Expired - Fee Related CN103675799B (zh) | 2013-10-24 | 2013-10-24 | 一种相控阵声纳***换能器稀疏面阵优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103675799B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354351A (zh) * | 2015-09-25 | 2016-02-24 | 浙江大学 | 一种基于改进模拟退火算法的极限稀疏阵列优化方法 |
CN105572658A (zh) * | 2016-01-19 | 2016-05-11 | 苏州桑泰海洋仪器研发有限责任公司 | 基于改进遗传算法的三维成像声纳接收平面阵阵元稀疏优化方法 |
CN106528996A (zh) * | 2016-11-04 | 2017-03-22 | 江西理工大学 | 基于适应性教学优化的变压器优化设计方法 |
CN107064888A (zh) * | 2017-01-13 | 2017-08-18 | 北京理工大学 | 一种大型共形相控阵天线激活区选择的方法 |
CN108255057A (zh) * | 2017-12-29 | 2018-07-06 | 杭州电子科技大学 | 一种基于自学习式超声波蔬菜瓜果清洗机的控制方法 |
CN108803330A (zh) * | 2018-06-20 | 2018-11-13 | 南京航空航天大学 | 一种基于性格系数调节的教与学优化滑模控制方法 |
CN108828603A (zh) * | 2018-06-14 | 2018-11-16 | 浙江大学 | 一种基于十字型的三维成像声纳阵列的稀疏优化方法 |
CN109506763A (zh) * | 2018-11-30 | 2019-03-22 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于教与学优化的矢量水听器稀疏布阵方法 |
CN109635486A (zh) * | 2018-12-20 | 2019-04-16 | 华中科技大学 | 一种高分辨率三维成像声纳换能器阵列稀疏优化方法 |
CN109917647A (zh) * | 2019-03-06 | 2019-06-21 | 南京航空航天大学 | 一种基于教学策略改进的教与学算法及充液航天器优化滑模控制方法 |
CN110298109A (zh) * | 2019-06-28 | 2019-10-01 | 中国人民解放军军事科学院国防科技创新研究院 | 一种失效阵元条件下的水听器阵列波束修复方法 |
CN111360463A (zh) * | 2020-03-22 | 2020-07-03 | 中南民族大学 | 基于混合离散教与学优化算法的焊接路径规划方法和*** |
CN115032592A (zh) * | 2022-04-26 | 2022-09-09 | 苏州清听声学科技有限公司 | 一种换能器阵列的阵形优化方法及换能器阵列 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625408A (zh) * | 2009-08-03 | 2010-01-13 | 浙江大学 | 一种三维成像声纳***换能器阵的稀疏优化方法 |
EP2549296A1 (en) * | 2010-03-19 | 2013-01-23 | Hitachi Information & Control Solutions, Ltd. | Phased-array synthetic aperture sonar system |
CN103308904A (zh) * | 2013-05-31 | 2013-09-18 | 浙江大学 | 一种兼顾近场和远场性能的三维摄像声纳***换能器阵列的稀疏优化方法 |
-
2013
- 2013-10-24 CN CN201310505409.4A patent/CN103675799B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625408A (zh) * | 2009-08-03 | 2010-01-13 | 浙江大学 | 一种三维成像声纳***换能器阵的稀疏优化方法 |
EP2549296A1 (en) * | 2010-03-19 | 2013-01-23 | Hitachi Information & Control Solutions, Ltd. | Phased-array synthetic aperture sonar system |
CN103308904A (zh) * | 2013-05-31 | 2013-09-18 | 浙江大学 | 一种兼顾近场和远场性能的三维摄像声纳***换能器阵列的稀疏优化方法 |
Non-Patent Citations (1)
Title |
---|
陈客松等: "平面稀布天线阵列的优化算法", 《电波科学学报》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354351A (zh) * | 2015-09-25 | 2016-02-24 | 浙江大学 | 一种基于改进模拟退火算法的极限稀疏阵列优化方法 |
CN105572658A (zh) * | 2016-01-19 | 2016-05-11 | 苏州桑泰海洋仪器研发有限责任公司 | 基于改进遗传算法的三维成像声纳接收平面阵阵元稀疏优化方法 |
CN106528996A (zh) * | 2016-11-04 | 2017-03-22 | 江西理工大学 | 基于适应性教学优化的变压器优化设计方法 |
CN106528996B (zh) * | 2016-11-04 | 2019-05-03 | 江西理工大学 | 基于适应性教学优化的变压器优化设计方法 |
CN107064888B (zh) * | 2017-01-13 | 2019-09-13 | 北京理工大学 | 一种大型共形相控阵天线激活区选择的方法 |
CN107064888A (zh) * | 2017-01-13 | 2017-08-18 | 北京理工大学 | 一种大型共形相控阵天线激活区选择的方法 |
CN108255057A (zh) * | 2017-12-29 | 2018-07-06 | 杭州电子科技大学 | 一种基于自学习式超声波蔬菜瓜果清洗机的控制方法 |
CN108828603A (zh) * | 2018-06-14 | 2018-11-16 | 浙江大学 | 一种基于十字型的三维成像声纳阵列的稀疏优化方法 |
WO2019237621A1 (zh) * | 2018-06-14 | 2019-12-19 | 浙江大学 | 一种基于十字型的三维成像声纳阵列的稀疏优化方法 |
CN108803330A (zh) * | 2018-06-20 | 2018-11-13 | 南京航空航天大学 | 一种基于性格系数调节的教与学优化滑模控制方法 |
CN108803330B (zh) * | 2018-06-20 | 2020-12-11 | 南京航空航天大学 | 一种基于性格系数调节的教与学优化滑模控制方法 |
CN109506763B (zh) * | 2018-11-30 | 2020-09-25 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于教与学优化的矢量水听器稀疏布阵方法 |
CN109506763A (zh) * | 2018-11-30 | 2019-03-22 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于教与学优化的矢量水听器稀疏布阵方法 |
CN109635486A (zh) * | 2018-12-20 | 2019-04-16 | 华中科技大学 | 一种高分辨率三维成像声纳换能器阵列稀疏优化方法 |
CN109917647A (zh) * | 2019-03-06 | 2019-06-21 | 南京航空航天大学 | 一种基于教学策略改进的教与学算法及充液航天器优化滑模控制方法 |
CN109917647B (zh) * | 2019-03-06 | 2020-12-11 | 南京航空航天大学 | 一种基于教学策略改进的教与学算法及充液航天器优化滑模控制方法 |
CN110298109A (zh) * | 2019-06-28 | 2019-10-01 | 中国人民解放军军事科学院国防科技创新研究院 | 一种失效阵元条件下的水听器阵列波束修复方法 |
CN111360463A (zh) * | 2020-03-22 | 2020-07-03 | 中南民族大学 | 基于混合离散教与学优化算法的焊接路径规划方法和*** |
CN111360463B (zh) * | 2020-03-22 | 2020-10-02 | 中南民族大学 | 基于混合离散教与学优化算法的焊接路径规划方法和*** |
CN115032592A (zh) * | 2022-04-26 | 2022-09-09 | 苏州清听声学科技有限公司 | 一种换能器阵列的阵形优化方法及换能器阵列 |
CN115032592B (zh) * | 2022-04-26 | 2023-10-31 | 苏州清听声学科技有限公司 | 一种换能器阵列的阵形优化方法及换能器阵列 |
Also Published As
Publication number | Publication date |
---|---|
CN103675799B (zh) | 2016-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103675799B (zh) | 一种相控阵声纳***换能器稀疏面阵优化方法 | |
CN111639429B (zh) | 基于切比雪夫多项式谱的水下声场数值模拟方法、***及介质 | |
CN104749553B (zh) | 基于快速稀疏贝叶斯学习的波达方向角估计方法 | |
CN101819782B (zh) | 一种变步长自适应盲源分离方法及盲源分离*** | |
CN107229287A (zh) | 一种基于遗传蚂蚁算法的无人机全局路径规划方法 | |
CN105842702A (zh) | 多波束成像声呐的旁瓣抑制方法、阵列稀疏方法 | |
CN104317997A (zh) | 一种高负荷风扇/压气机端壁造型优化设计方法 | |
CN105572658A (zh) | 基于改进遗传算法的三维成像声纳接收平面阵阵元稀疏优化方法 | |
CN105354351A (zh) | 一种基于改进模拟退火算法的极限稀疏阵列优化方法 | |
CN104459666A (zh) | 基于LabVIEW的弹载SAR回波仿真及成像方法 | |
CN106022471A (zh) | 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法 | |
CN109992845B (zh) | 一种基于matlab和hfss的波束控制和阵列方向图优化方法 | |
CN105894090A (zh) | 一种基于自适应变异粒子群优化的潮汐智能实时预报方法 | |
CN105335619A (zh) | 适用于高计算代价数值计算模型参数反分析的协同优化法 | |
CN103744072A (zh) | 基于模拟退火算法和分布式并行子阵波束形成算法的稀疏阵列优化方法 | |
CN104517035A (zh) | 一种平面阵列天线有源散射方向图预测方法 | |
CN105427241A (zh) | 一种大视场显示设备的畸变校正方法 | |
CN104915566A (zh) | 一种支持增量更新的深度计算模型设计方法 | |
CN104865584B (zh) | 一种空频自适应导航抗干扰算法的实现方法 | |
Yang et al. | Secure and cooperative target tracking via AUV swarm: A reinforcement learning approach | |
CN106526565A (zh) | 一种基于支持向量机的单比特空间谱估计方法 | |
CN104616072A (zh) | 一种基于区间优化的提高谷氨酸发酵产物浓度的方法 | |
CN109506763B (zh) | 一种基于教与学优化的矢量水听器稀疏布阵方法 | |
CN105842666A (zh) | 基于差分算法的雷达子阵划分优化方法 | |
CN114398949A (zh) | 一种脉冲神经网络模型的训练方法、存储介质及计算设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160420 Termination date: 20191024 |