CN105572658A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN105572658A CN105572658A CN201610033074.4A CN201610033074A CN105572658A CN 105572658 A CN105572658 A CN 105572658A CN 201610033074 A CN201610033074 A CN 201610033074A CN 105572658 A CN105572658 A CN 105572658A
- Authority
- CN
- China
- Prior art keywords
- value
- individuality
- array element
- array
- sparse
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Acoustics & Sound (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种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包括下述步骤:1)将所述的问题转化为染色体串,将三维成像声纳的平面阵阵元位置的开启情况进行编码;2)初始种群确定;3)三维成像声纳阵元稀疏的适应度函数确定;4)选择确定;5)交叉确定;6)变异确定。本发明提出的阵元稀疏优化方法实现了在满足波束方向图的最大旁瓣值和阵元稀疏率的情况下需要开启的最少阵元数目。
Description
技术领域
本发明涉及平面阵三维成像声纳技术领域,特别涉及一种基于改进的遗传算法的三维成像声纳接收平面阵阵元稀疏优化方法,即在满足波束方向图的最大旁瓣值和阵元稀疏率的情况下需要开启的最少阵元数目。
背景技术
随着近几年海洋事业的快速发展,为了满足水下地貌侦查、水下障碍物及目标探测、水下作战、工程勘察及民用领域物体打捞等要求,高分辨三维成像声纳***起到了至关重要的作用。该声纳***发射的单频脉冲信号遇到水下目标后得到的回波信号作用于接收平面阵上,但是,此时需要进行波束形成运算的回波数据量很大,在实际应用中能够实现大规模的波束运算是很难的。同时,需要了解的是,波束形成运算量与接收平面阵阵元数存在一定的正比关系。另外,当接收平面阵具有较长的几何尺寸时,三维成像声纳才能获得较小的主瓣波束宽度,而且,当平面阵的阵元之间的距离小于或接近半波长时才能抑制栅瓣的出现,所以,高分辨三维成像声纳的平面阵所需的阵元数由几千个甚至上万个间距接近半波长的阵元组成,此时,***硬件复杂度和成本开销非常大。
接收平面阵上获得的回波信号经过波束形成运算会随着波束方向变化得到一个主瓣及若干个旁瓣峰值。主瓣峰值中最小值对应的角度为主瓣波束宽度,旁瓣峰值中最大值记为最大旁瓣峰值。为了提高三维成像效果,可以减小主瓣波束宽度及降低最大旁瓣峰值。
三维成像声纳接收平面阵的稀疏优化主要是将平面阵中的部分阵元进行关闭,通过波束形成计算得到波束图。获得成像声纳***所要求的最大旁瓣峰值和最大主瓣波束宽度。***中不工作的平面阵的阵元数与满阵平面阵的阵元数目之比称为稀疏率,稀疏率越高表明声纳***中工作的平面阵阵元数越少。引入平面阵阵元优化技术可以使***在保持原有波束图特性的情况下,减少所需开启的阵元数,大大降低三维成像声纳***的硬件成本。
在稀疏优化过程中不考虑保留下来的换能器阵元的加权系数,所以对于均匀平面阵的阵元的稀疏化,等同于对满阵元的阵元位置进行0、1编码,表示阵元是否开启状态,这就与遗传算法中的二进制编码具有相似的对应关系,模型简单,所以三维成像声呐的接收平面阵阵元稀疏采用改进遗传算法。
遗传算法是在达尔文的遗传学说的机理基础上,通过对自然进化过程的模拟而搜索到优化问题的最优解的方法。物种的个体状态完全由基因控制,每个基因产生的个体对环境具有一定的适应性,父代是通过基因的杂交和基因变异完成子代的产生,子代表现出的新状态通过自然的选择,适应度高的个体则被保留下来。适应度较高的个体则以更高的机率充当父代以便产生新的子代。
遗传算法将问题转化成染色体,从而构成一个染色体串,然后再将这些染色体放在预设的环境中,根据环境的取向性,进行自然选择,产生新的染色体,进而产生新的问题解。遗传算法主要包括基因复制、交叉和变异几个操作,如此反复下去,直到找到一个在某种度量下足够优秀的个体,将其作为问题的解。
目前在对三维成像声纳接收平面阵的阵元进行稀疏优化而且能够在实际***中进行应用的研究方法尚处于起步研究阶段,本发明则提供一种基于遗传算法但能够避免早熟的改进遗传算法的三维成像声纳的平面阵阵元稀疏优化方法。
发明内容
本发明提供了一种基于改进遗传算法的三维成像声纳接收平面阵的阵元稀疏优化方法,即在满足波束方向图的最大旁瓣值和阵元稀疏率的情况下需要开启的最少阵元数目。
假设三维成像声纳的平面阵阵元数为M*N,从遗传算法对阵元稀疏率、波束方向图性能及迭代次数出发,本发明提供的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包括下述步骤:
1)将所述的问题转化为染色体串,即将三维成像声纳的平面阵阵元位置的开启情况进行编码,若开启阵元,则对该阵元对应的位置进行置1,否则置0,此时通过进行生成阵元个体开启情况;
2)初始种群确定:
对阵元数为维的矩形面阵进行阵元稀疏布阵,获得阵元位置个数为,其中每个个体表示为行向量,该向量中的每个元素值非0即1,表示该平面阵中的阵元位置处是否有无阵元,此时随机生成初始父代,并确定初始父代种群的数目,假设种群数目为,初始父代的种群可以通过MATLAB的rand和round函数实现,,其中,rand为0到1的随机数,round是取整函数;
3)三维成像声纳阵元稀疏的适应度函数确定:
所述三维成像声纳阵元稀疏的适应度函数表达式为:
(1)
其中表示最大旁瓣峰值的期望值,为波束输出能量值,和分别为波束方向矢量值,对一个固定大小的平面阵来说,为一个常数,满足以下两个条件的集合:
(2)
其中,表示接收平面阵的阵列边长,且主瓣波束方向图的能量不在该集合范围内。为阵元稀疏率,为加权因子,表示稀疏率与波束方向图的最大旁瓣峰值相比在优化目标函数中的重要程度;
4)选择确定:
假设群体的目标平均适应度值为,个体的适应度值为,若则需保留当前个体;否则,需用rand产生一个0到1之间的随机数,记为,若则将当前的个体保留下来,否则剔除该个体;比较该个体对应的适应度值与当前找到的所有最好个体对应的适应值,两者中适应度值较大的对应的个体作为新的最好的个体;
5)交叉确定:
当上述步骤1)中所述的适应度函数中的稀疏率为一随机值时,可以采用均匀交叉法,即随机生成一个的行向量,且该向量由0和1组成,1所在的位置表示两个父代样本需要基因交换的位置,而0的位置是保持两个父代样本不变的位置;
当上述步骤1)中所述的适应度函数中的稀疏率为一固定值时,首先在父代中选择两个个体进行交叉,交叉运算如下:
(3)
其中,和表示两个交叉体的个体,为两个交叉个体的交叉参数,通过对上述计算得到的新的个体中含有1的个数为,则在新的个体中随机选取个数值等于的向上取整的数值,同样的选择个数值等于的向上取整的数值,余下的则为或者个向下取整的整数,这样就保证了新得到的个体中1的个数为,同理,对进行处理,其中,表示稀疏平面阵中阵元的个数;接着对个体、、、分别按照适应度函数进行求解,选取其中适应度函数值较大的两个个体,将其作为交叉后的新个体进行输出,即为本次交叉获得子代个体;
6)变异确定:
变异过程即为个体中出现基因突变的元素,所述的突变过程即由0变1或由1变0的过程,也即是开启还是关闭阵元。
为了避免遗传算法出现早熟现象,加快收敛速度,本发明采用自适应小波变换对上述步骤5)中得到的个体进行变异操作得到新的个体,采用自适应小波变换的变异运算如下:
(4)
其中,为新的子代个体,为旧的子代个体,为第次迭代之后适应度值,为适应度值中最坏值,的表达式遵循Morlet变换表达式:
(5)
其中,较大的产生的变异较大,较小的产生较小的变化,另外,当为正时,此时会产生较好的适应度值,负的会使适应度值向坏的方向发展,这样就会使得收敛速度加快。
(6)
(7)
(8)
其中,为当前迭代次数,为预设的最大迭代次数,和是预设的最小值和最大值,的选取影响收敛的结果。是一个随迭代次数不断增大,刚开始,的值很小使得的值足够大以产生较大的搜索空间,当的值很大时,这样会得到很小的,从而使得搜索空间变小,提高了算法的性能。
本发明提供的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的进一步的特征还在于:上述步骤3)所述的的表达式为:
(9)
其中:
(10)
参考附图2,式(10)中为方位角,为俯仰角,和分别对应初始方位角和俯仰角。
附图说明
图1是本发明实现三维成像声纳接收平面阵的阵元稀疏流程图;
图2是本发明的三维成像声纳***采用的声纳坐标系示意图;
图3是本发明的三维成像声纳接收平面阵阵元稀疏的示意图;
图4是本发明的稀疏三维成像声纳接收平面阵的归一化波束能量图;
图5是本发明的归一化波束能量的方位角侧视图;
图6是本发明的归一化波束能量的俯仰角侧视图。
具体实施方式
为使公众进一步了解本发明所采用之技术、手段及其有益效果,特举实施例并配合附图对本发明提供的三维成像声纳***的接收平面阵阵元稀疏优化方法进行详细说明如下,相信当可由之得以深入而具体的了解。
三维成像声纳接收平面阵的稀疏优化主要是将平面阵中的部分阵元进行关闭,通过波束形成计算得到波束图,获得成像声纳***所要求的最大旁瓣峰值和最大主瓣波束宽度下需要开启的阵元位置。
假设三维成像声纳的平面阵阵元数为,通过波束形成生成的波束数为,平面阵的阵元间距为半波长或近半个波长。令初始种群数目为100,最大迭代次数为100。
结合图1所示三维成像声纳***接收平面阵阵元稀疏方法的流程图,本实施例方法包括如下步骤:
1)将所述的问题转化为染色体串,即将三维成像声纳的平面阵阵元位置的开启情况进行编码,若开启阵元,则对该阵元对应的位置进行置1,否则置0,此时通过进行生成阵元个体开启情况。
2)初始种群确定:
按照上述步骤1)中个体的生成方式,需对初始种群进行界定。基于改进遗传算法的平面阵阵元稀疏优化设计中,需要选定个体形式,所以需对方形面阵中的阵元位置进行编号,若对阵元数为维的矩形面阵进行阵元稀疏布阵,此时可以获得阵元位置个数为,其中每个个体可以表示为行向量,向量中的每个元素值非0即1,表示该平面阵中的阵元位置处是否有无阵元,此时随机生成初始父代,并确定初始父代种群的数目,假设种群数目为,本实施例中设定初始种群数为,初始父代的种群可以通过MATLAB的rand和round函数实现,即初始种群为。其中,rand为0到1的随机数,round是取整函数。
3)三维成像声纳阵元稀疏的适应度函数确定:
根据图2所示的波束图信号模型,定义了本实例所采用的平面阵波束的方位角和俯仰角,其中为方位角,为俯仰角。
参考图2,根据接收平面阵的阵元分布和回波信号模型,主极大方向为垂直平面回波的波平面而指向声源的单位矢量,假设平面阵的阵元数为,则远场的波束方向图表达式为:
(11)
其中表示单位方向矢量,表示平面阵的阵元权重系数,表示发射信号的波长,表示的是阵元位置的坐标矢量,阵元间距为。阵元位置坐标矢量表达式为:
(12)
其中,,的表达式为:
(13)
同理的表达式为
(14)
所以波束方向图可以重新表示为(9),即其中和的表达式可参见式(10)。观察式(10),可以看出,变量和的值满足,。采用空间进行波束方向图的描述,对于波束图的分析可以通过和的对称性减小计算量。通过观察(9)式和(10)式可以发现,波束方向图是一个偶函数,而且对于均匀方形平面阵来说,每个阵元坐标是阵元间隔的整倍数,所以波束形成的最终范围满足,。
根据以上描述,本实施例所述三维成像声纳阵元稀疏的适应度函数表达式为式(1),其中,和均为0度,表示最大旁瓣峰值期望值,表示期望稀疏率,为加权因子且令,另外,满足公式(9);式(11)中的为平面阵阵元的权重系数,波束方向的单位矢量为,为方位角,为俯仰角,,,为阵元间距;另外,满足条件如式(10),其中,表示接收平面阵的阵列边长,且主瓣波束方向图的能量不在该集合范围内。为阵元稀疏率,为加权因子,表示稀疏率与波束方向图的最大旁瓣峰值相比在优化目标函数中的重要程度。
4)选择确定:
本发明采用概率生存法和最优保留策略相结合的方式进行选择最优个体。其中,假设群体的目标平均适应度值为,个体的适应度值为。
(i)首先按照式(1)对种群中个体的适应度值进行计算处理,记录当前的适应度值及迭代次数,其中,,此时对应旁瓣峰值为-30.5dB,,,R=0.22222。
(ii)判断上述步骤(i)中的输出结果是否满足最大旁瓣峰值或最大迭代次数,若满足则需保留当前个体,则输出此时的个体的最优适应度值及需要开启的阵元位置,并将开启的阵元位置进行保存,然后结束迭代,否则,需进行下述步骤(iii)的操作。
(iii)对个体进行最优选择运算,首先通过rand函数产生一个0到1之间的随机数,记为,且,然后通过条件获得当前个体,然后再经过最优保留策略从个体中选择最优的个体保留下来。即若则将当前的个体保留下来,进入步骤5)的操作;否则剔除该个体并进入(i)的操作。
为了加快收敛速度并保证优秀的个体遗传到下一代,需采用最优保留策略解决该问题。其中,最优保留策略为寻找当代群体中各个个体中适应度值最好的个体,比较该个体对应的适应度值与当前找到的所有最好个体对应的适应值,两者中适应度值较大的对应的个体作为新的最好的个体。
5)交叉确定:
对上述步骤4)中输出的最优个体结果进行交叉运算。
当上述步骤3)中所述的适应度函数中的稀疏率为一随机值时,可以采用均匀交叉法,即随机生成一个的行向量,且该向量由0和1组成,1所在的位置表示两个父代样本需要基因交换的位置,而0的位置是保持两个父代样本不变的位置;
当上述步骤3)中所述的适应度函数中的稀疏率为一固定值时,本发明在算术交叉法基础上进行改进,首先在父代中选择两个个体进行交叉,采用改进的算术交叉运算如式(10)所示,其中,和表示两个交叉的个体,为两个交叉个体的交叉参数,通过对上述计算得到的新的个体中含有1的个数为,则在新的个体中随机选取个数值等于的向上取整的数值,同样的选择个数值等于的向上取整的数值,余下的则为或者个向下取整的整数,这样就保证了新得到的个体中1的个数为,同理,对进行处理,其中,表示稀疏平面阵中阵元的个数;接着对个体、、、分别按照适应度函数进行求解,在、、、中选取其中适应度函数值较大的两个个体,将其作为交叉后的新个体进行输出,即为本次交叉获得子代个体,本实施例中。
6)变异确定:
变异过程即为个体中出现基因突变的元素,所述的突变过程即由0变1或由1变0的过程,也即是开启还是关闭阵元。
为了避免遗传算法出现早熟现象,加快收敛速度,本发明采用自适应小波变换对上述步骤5)中得到的个体进行变异操作,即按照式(11)到式(15)对个体进行变异处理得到新的个体,其中,,,。采用自适应小波变换的变异运算如式(11),其中,为新的子代个体,为旧的子代个体,为第次迭代之后适应度值,为适应度值中最坏值,的表达式遵循Morlet变换表达式(12),其中,较大的产生的变异较大,较小的产生较小的变化,另外,当为正时,此时会产生较好的适应度值,负的会使适应度值向坏的方向发展,这样就会使得收敛速度加快;另外,式(13)到式(14)中,为当前迭代次数,为预设的最大迭代次数,和是预设的最小值和最大值,的选取影响收敛的结果。是一个随迭代次数不断增大,刚开始,的值很小使得的值足够大以产生较大的搜索空间,当的值很大时,这样会得到很小的,从而使得搜索空间变小,提高了算法的性能。
7)对上述步骤6)中的输出结果进行上述步骤3)的运算,然后判断上述步骤3)的输出结果是否满足要求精度或迭代次数,若满足,则输出最优阵元开启位置,否则,进入上述步骤4)操作重新进行选择确定。
如图3所示,本实例三维成像声纳平面阵阵元稀疏之后的阵元开启位置示意图,其中,黑点代表阵元开启,最后得到平面阵的开启阵元数为512。
如图4所示,本实例三维成像声纳平面阵稀疏之后的在处的波束方向图。从图4中可以看出归一化后的波束方向图的最大旁瓣能量值为-30.52,这与期望值-30.5相差无几。
图5和图6分别为图4在方位向和俯仰向的侧视图,其中和分别表示单位矢量在轴和轴上的分量。
所以,本发明的三维成像声纳的接收平面阵阵元稀疏方法能够获得期望的波束方向图的最大旁瓣峰值和固定稀疏率的条件下的阵元位置开启阵列矩阵,本发明所要开启的阵元数为512。
最后应说明的是:以上是实施例仅用以说明本发明的方法及方案而已,但是并非限制本发明。尽管参照前述实例对本发明进行了详细的说明,但是本领域的技术人员应当明白,凡是在本发明技术构思范围内的修改,或者是对其中部分技术特征所作的同等替换,都应涵盖在本发明的权利保护范围之内。
Claims (2)
1.一种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,其特征在于:所述方法包括下述步骤:
1)将所述的问题转化为染色体串,即将三维成像声纳的平面阵阵元位置的开启情况进行编码,若开启阵元,则对该阵元对应的位置进行置1,否则置0,此时通过进行生成阵元个体开启情况;
2)初始种群确定:
对阵元数为维的矩形面阵进行阵元稀疏布阵,获得阵元位置个数为,其中每个个体表示为行向量,该向量中的每个元素值非0即1,表示该平面阵中的阵元位置处是否有无阵元,此时随机生成初始父代,并确定初始父代种群的数目,假设种群数目为,初始父代的种群可以通过MATLAB的rand和round函数实现,,其中,rand为0到1的随机数,round是取整函数;
3)三维成像声纳阵元稀疏的适应度函数确定:
所述三维成像声纳阵元稀疏的适应度函数表达式为:
(1)
其中表示最大旁瓣峰值的期望值,为波束输出能量值,和分别为波束方向矢量值,对一个固定大小的平面阵来说,为一个常数,满足以下两个条件的集合:
(2)
其中,表示接收平面阵的阵列边长,且主瓣波束方向图的能量不在该集合范围内,为阵元稀疏率,为加权因子,表示稀疏率与波束方向图的最大旁瓣峰值相比在优化目标函数中的重要程度;
4)选择确定:
假设群体的目标平均适应度值为,个体的适应度值为,若则需保留当前个体;否则,需用rand产生一个0到1之间的随机数,记为,若则将当前的个体保留下来,否则剔除该个体;比较该个体对应的适应度值与当前找到的所有最好个体对应的适应值,两者中适应度值较大的对应的个体作为新的最好的个体;
5)交叉确定:
当上述步骤1)中所述的适应度函数中的稀疏率为一随机值时,可以采用均匀交叉法,即随机生成一个的行向量,且该向量由0和1组成,1所在的位置表示两个父代样本需要基因交换的位置,而0的位置是保持两个父代样本不变的位置;
当上述步骤1)中所述的适应度函数中的稀疏率为一固定值时,首先在父代中选择两个个体进行交叉,交叉运算如下:
(3)
其中,和表示两个交叉体的个体,为两个交叉个体的交叉参数,通过对上述计算得到的新的个体中含有1的个数为,则在新的个体中随机选取个数值等于的向上取整的数值,同样的选择个数值等于的向上取整的数值,余下的则为或者个向下取整的整数,这样就保证了新得到的个体中1的个数为,同理,对进行处理,其中,表示稀疏平面阵中阵元的个数;接着对个体、、、分别按照适应度函数进行求解,选取其中适应度函数值较大的两个个体,将其作为交叉后的新个体进行输出,即为本次交叉获得子代个体;
6)变异确定:
变异过程即为个体中出现基因突变的元素,所述的突变过程即由0变1或由1变0的过程,也即是开启还是关闭阵元;
为了避免遗传算法出现早熟现象,加快收敛速度,本发明采用自适应小波变换对上述步骤5)中得到的个体进行变异操作得到新的个体,采用自适应小波变换的变异运算如下:
(4)
其中,为新的子代个体,为旧的子代个体,为第次迭代之后适应度值,为适应度值中最坏值,的表达式遵循Morlet变换表达式:
(5)
其中,较大的产生的变异较大,较小的产生较小的变化,另外,当为正时,此时会产生较好的适应度值,负的会使适应度值向坏的方向发展,这样就会使得收敛速度加快:
(6)
(7)
(8)
其中,为当前迭代次数,为预设的最大迭代次数,和是预设的最小值和最大值,的选取影响收敛的结果,是一个随迭代次数不断增大,刚开始,的值很小使得的值足够大以产生较大的搜索空间,当的值很大时,这样会得到很小的,从而使得搜索空间变小,提高了算法的性能。
2.根据权利要求1所述的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,其特征在于:所述步骤3)所述的的表达式为:
(9)
其中:
(10)
式(10)中为方位角,为俯仰角,和分别对应初始方位角和俯仰角2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610033074.4A CN105572658B (zh) | 2016-01-19 | 2016-01-19 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610033074.4A CN105572658B (zh) | 2016-01-19 | 2016-01-19 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105572658A true CN105572658A (zh) | 2016-05-11 |
CN105572658B CN105572658B (zh) | 2018-06-08 |
Family
ID=55883007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610033074.4A Active CN105572658B (zh) | 2016-01-19 | 2016-01-19 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105572658B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650171A (zh) * | 2017-01-05 | 2017-05-10 | 重庆大学 | 变压器局部放电超高频检测Hilbert分形天线优化方法 |
CN106980733A (zh) * | 2017-03-31 | 2017-07-25 | 电子科技大学 | 一种改进的四维稀布阵旁瓣抑制方法 |
CN107678034A (zh) * | 2017-11-16 | 2018-02-09 | 中科探海(苏州)海洋科技有限责任公司 | 一种掩埋目标高效三维探测声呐 |
CN109031216A (zh) * | 2018-06-29 | 2018-12-18 | 西安电子科技大学 | 一种基于改进遗传算法的平面阵稀疏优化方法 |
CN109711046A (zh) * | 2018-12-26 | 2019-05-03 | 电子科技大学 | 基于多智能体遗传算法的大型稀疏阵列高效综合方法 |
CN109725294A (zh) * | 2018-12-12 | 2019-05-07 | 西安电子科技大学 | 基于改进遗传算法的雷达阵列稀疏优化方法 |
CN109885872A (zh) * | 2019-01-10 | 2019-06-14 | 杭州电子科技大学 | 一种基于差分进化算法的均匀面阵稀疏优化方法 |
CN111313158A (zh) * | 2018-12-12 | 2020-06-19 | 南京理工大学 | 对圆形状阵列进行稀疏的方法 |
CN111458698A (zh) * | 2020-04-02 | 2020-07-28 | 哈尔滨工程大学 | 一种被动声纳稀疏阵位优化方法 |
CN112578345A (zh) * | 2020-11-20 | 2021-03-30 | 福瑞泰克智能***有限公司 | 一种雷达遮挡检测方法、装置、设备及存储介质 |
CN113768539B (zh) * | 2021-09-15 | 2023-07-14 | 南京超维景生物科技有限公司 | 超声三维成像方法和装置、计算机设备、存储介质 |
CN117010132A (zh) * | 2023-09-27 | 2023-11-07 | 中国船舶集团有限公司第七一九研究所 | 一种水下多基地声纳***的空间阵位优化方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2138862A1 (en) * | 2008-06-27 | 2009-12-30 | NEC Corporation | Object detection by evaluating a forward scattered sound wave (FSSW) by comparing the passive-FSSW-phase conjugate with the autocorrelation of the direct, unscattered sound wave |
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 |
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 |
CN103675799A (zh) * | 2013-10-24 | 2014-03-26 | 华中科技大学 | 一种相控阵声纳***换能器稀疏面阵优化方法 |
CN103744072A (zh) * | 2013-12-24 | 2014-04-23 | 浙江大学 | 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 |
US20150346338A1 (en) * | 2013-01-24 | 2015-12-03 | Fondazione Istituto Italiano Di Tecnologia | A method of configuring planar transducer arrays for broadband signal processing by 3d beamforming and signal processing systems using said method, in particular an acoustic camera |
CN105205253A (zh) * | 2015-09-18 | 2015-12-30 | 电子科技大学 | 一种稀布圆形天线阵列的优化方法 |
-
2016
- 2016-01-19 CN CN201610033074.4A patent/CN105572658B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2138862A1 (en) * | 2008-06-27 | 2009-12-30 | NEC Corporation | Object detection by evaluating a forward scattered sound wave (FSSW) by comparing the passive-FSSW-phase conjugate with the autocorrelation of the direct, unscattered sound wave |
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 |
US20150346338A1 (en) * | 2013-01-24 | 2015-12-03 | Fondazione Istituto Italiano Di Tecnologia | A method of configuring planar transducer arrays for broadband signal processing by 3d beamforming and signal processing systems using said method, in particular an acoustic camera |
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 |
CN103675799A (zh) * | 2013-10-24 | 2014-03-26 | 华中科技大学 | 一种相控阵声纳***换能器稀疏面阵优化方法 |
CN103744072A (zh) * | 2013-12-24 | 2014-04-23 | 浙江大学 | 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 |
CN105205253A (zh) * | 2015-09-18 | 2015-12-30 | 电子科技大学 | 一种稀布圆形天线阵列的优化方法 |
Non-Patent Citations (1)
Title |
---|
梅艳莹等: "二维稀疏相控阵声场优化及阵元故障影响分析", 《压电与声光》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650171A (zh) * | 2017-01-05 | 2017-05-10 | 重庆大学 | 变压器局部放电超高频检测Hilbert分形天线优化方法 |
CN106980733A (zh) * | 2017-03-31 | 2017-07-25 | 电子科技大学 | 一种改进的四维稀布阵旁瓣抑制方法 |
CN107678034A (zh) * | 2017-11-16 | 2018-02-09 | 中科探海(苏州)海洋科技有限责任公司 | 一种掩埋目标高效三维探测声呐 |
CN107678034B (zh) * | 2017-11-16 | 2023-11-10 | 中科探海(苏州)海洋科技有限责任公司 | 一种掩埋目标高效三维探测声呐 |
CN109031216A (zh) * | 2018-06-29 | 2018-12-18 | 西安电子科技大学 | 一种基于改进遗传算法的平面阵稀疏优化方法 |
CN111313158B (zh) * | 2018-12-12 | 2021-07-06 | 南京理工大学 | 对圆形状阵列进行稀疏的方法 |
CN109725294A (zh) * | 2018-12-12 | 2019-05-07 | 西安电子科技大学 | 基于改进遗传算法的雷达阵列稀疏优化方法 |
CN111313158A (zh) * | 2018-12-12 | 2020-06-19 | 南京理工大学 | 对圆形状阵列进行稀疏的方法 |
CN109711046A (zh) * | 2018-12-26 | 2019-05-03 | 电子科技大学 | 基于多智能体遗传算法的大型稀疏阵列高效综合方法 |
CN109885872A (zh) * | 2019-01-10 | 2019-06-14 | 杭州电子科技大学 | 一种基于差分进化算法的均匀面阵稀疏优化方法 |
CN111458698A (zh) * | 2020-04-02 | 2020-07-28 | 哈尔滨工程大学 | 一种被动声纳稀疏阵位优化方法 |
CN111458698B (zh) * | 2020-04-02 | 2022-07-15 | 哈尔滨工程大学 | 一种被动声纳稀疏阵位优化方法 |
CN112578345A (zh) * | 2020-11-20 | 2021-03-30 | 福瑞泰克智能***有限公司 | 一种雷达遮挡检测方法、装置、设备及存储介质 |
CN113768539B (zh) * | 2021-09-15 | 2023-07-14 | 南京超维景生物科技有限公司 | 超声三维成像方法和装置、计算机设备、存储介质 |
CN117010132A (zh) * | 2023-09-27 | 2023-11-07 | 中国船舶集团有限公司第七一九研究所 | 一种水下多基地声纳***的空间阵位优化方法及*** |
CN117010132B (zh) * | 2023-09-27 | 2023-12-26 | 中国船舶集团有限公司第七一九研究所 | 一种水下多基地声纳***的空间阵位优化方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN105572658B (zh) | 2018-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN103675799B (zh) | 一种相控阵声纳***换能器稀疏面阵优化方法 | |
CN111294096B (zh) | 一种智能反射面miso无线通信***的信道容量优化方法 | |
CN107229287A (zh) | 一种基于遗传蚂蚁算法的无人机全局路径规划方法 | |
CN102999783B (zh) | 基于遗传禁忌混合算法的多输入多输出雷达正交多相码信号产生方法 | |
CN105426578A (zh) | 一种基于遗传算法的mimo-sar面阵天线阵元位置优化方法 | |
CN107944133B (zh) | 基于多目标量子蜘蛛群演化机制的环形天线阵列稀疏方法 | |
CN103308904B (zh) | 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 | |
Li et al. | Improved GA and PSO culled hybrid algorithm for antenna array pattern synthesis | |
CN109725294A (zh) | 基于改进遗传算法的雷达阵列稀疏优化方法 | |
CN105974799A (zh) | 一种基于差分进化-局部单峰采样算法的模糊控制***优化方法 | |
CN104900988A (zh) | 一种改变辅助栅格圆半径来设计稀布圆形天线阵列的方法 | |
CN109709517B (zh) | 基于模拟退火算法的srp-phat声源定位网格搜索方法 | |
CN109462427A (zh) | 一种基于改进的自适应混合优化平滑l0范数的mimo水声信道估计方法 | |
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 | |
CN112100701A (zh) | 基于遗传算法的二维分布式天线子阵位置优化方法 | |
CN110059376B (zh) | 一种基于圆柱面共形阵列快速优化设计方法及*** | |
CN101651982A (zh) | 一种基于New-Memetic算法的波束成型方法 | |
CN113792492A (zh) | 基于免疫遗传算法的希布阵天线的优化设计方法 | |
CN117406191A (zh) | 基于改进二进制粒子群优化的广域稀布阵列节点遴选方法 | |
CN111458698B (zh) | 一种被动声纳稀疏阵位优化方法 | |
CN109506763A (zh) | 一种基于教与学优化的矢量水听器稀疏布阵方法 | |
CN116882149A (zh) | 一种基于混合差分果蝇优化算法的天线阵列综合方法 | |
CN106372726A (zh) | 一种基于gasa的mimo雷达正交编码信号优化方法 | |
CN115146544A (zh) | 一种采用知识和数据混合驱动的阵列天线设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |