CN106355245A - 一种基于神经网络算法的阵列天线方向图综合方法 - Google Patents

Abstract

本发明提供了一种基于神经网络算法的阵列天线方向图综合方法，以解决传统阵列天线方向图综合技术计算量大，计算时间长，最优权值的寻找非常困难的问题。所述的方法包括天线阵模型建立步骤、最优权值获取步骤以及天线阵列方向图生成步骤。本发明在阵列天线方向图综合技术中使用神经网络算法，经过训练的RBF神经网络可有效地用于阵列天线方向图综合，即利用神经网络算法实现阵列天线方向图综合，合成速度特别快，零陷电平低，主瓣突出，且方向图形状稳定。

Description

一种基于神经网络算法的阵列天线方向图综合方法

技术领域

本发明涉及的是移动通信天线技术领域。

背景技术

阵列天线方向图综合技术应用于带有精密信号处理器的任何天线阵，它可以调整或自适应其波束方向图，目的是增强感兴趣的信号和减小干扰信号，还能够减轻多径效应的不利影响，它是智能天线的研究领域之一。随着社会信息交流的急剧增加、个人移动通信的迅速普及，频谱已成为越来越宝贵的资源，而智能天线采用空分多址技术，利用信号传播方向上的差别，通过调节各阵元信号的加权幅度和相位来改变阵列天线方向图，从而抑制干扰，提高信噪比、***容量和允许的信号带宽，有效节约频谱和功率等资源。

天线阵***的方向图是依靠各个振子的方向图的叠加而实现的，如果各个振子的电压激励的幅值和相位有所变化，那么该智能天线***所要对应的方向图也会发生变化。在移动通信应用中，很多时候基站是相对固定的，而终端是移动的；为了维持他们之间良好的无线信道，保证链路的正常工作，就要求智能天线的主瓣能够时刻的跟踪终端，也就是说智能天线***的方向图要随着用户的位置变化来做自我的调整。本发明利用最短的时间内找到一个矢量，使得它所对应的天线方向图的主瓣对准用户的方向。

本发明主要利用智能算法实现直线阵天线方向图综合，神经网络算法有很强的容错和函数逼近能力，利用多组理想的方向图样本数据训练径向基神经网络，训练网络时非线性映射的自变量和因变量，分别是信号波达角的快照和阵元的最优权系数值，信号快照是随机选取的、大量的。网络训练好后，当输入不同角的波达角时，天线阵***自适应的生成方向图。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于神经网络算法的阵列天线方向图综合方法，该方法合成速度特别快，零陷电平低，主瓣突出，且方向图形状稳定。

本发明的目的通过以下技术方案实现：一种基于神经网络算法的阵列天线方向图综合方法，包括：

天线阵模型建立步骤：N个COCO天线组成阵列，所述阵列包含N²个单极子天线，天线阵列采用均匀直线阵形式，天线阵元间距d≤λ，单元节边长为1/2介质波长：

$a={\mathrm{\λ}}_g/2=\frac{\mathrm{\λ}}{2\sqrt{{\mathrm{\ϵ}}_r}}---\left(1\right)$

根据天线的工作中心频率f＝1.8GHz，基片材料的介电常数ε_r＝2.56，为使正反面微带段错落有致，产生适合的传输模式和辐射模式，需a≈b；同时介质板长度L是介质板宽度W的6.5倍，其中b为贴片单元间隔；

最优权值获取步骤：包括信息确定步骤、网络参数选择步骤、学习训练算法选择步骤、调整与获取步骤；

信息确定步骤：将问题转化为网络所能表达的方式并能处理的形式，确定各节点的输入输出；用K均值聚类法计算各个样本中心，N为样本中心个数，即：先聚类，再按取值的方法求每类的样本中心，以所求的样本中心为隐含层单元；

网络参数选择步骤：确定输入、输出神经元的数目、多层网络的层数和隐层神经元的数目，快照次数为K，训练样本数目为A，其中A为复数，分成实部和虚部计算，期望输出为阵元的复数权系数的实部和虚部，训练样本输入是通过随机取与训练样本数相同组的波达角得到的，复数权系数利用共轭梯度算法得到；期望误差的选取通过对两个不同的期望误差值的网络进行训练，从中确定一个网络；

学习训练算法选择步骤：先进行初始化，然后利用径向基网络完成函数逼近，确定输入样本和期望输出，其中，天线阵K×N矩阵的快照A设为输入样本，各个阵元的权向量ω设为期望输出；对天线阵阵元数进行设置，确定来波方向，归一化后得到信号输入向量，实现信号输入向量到权向量的映射；

调整与获取步骤：对聚类方法、隐节点数、隐节点数据中心学习系数、隐节点扩展常数学习系数及隐节点输出权值学习系数进行调整，完成训练后网络连接权得到确定，可直接利用网络来获取期望信号的最优权值；

天线阵列方向图生成步骤：利用获取的最优权值对天线阵模型进行验证，从而生成天线阵列方向图。

所述快照次数K设为200，训练样本数目A设为800，所得输入样本数据为1600个，800个训练样本输入是通过随机取800组波达角得到的，利用共轭梯度算法得到800组复数权系数，以这些数据训练网络。

所述隐节点数据中心学习系数为0.001，隐节点扩展常数学习系数为0.002，隐节点输出权值学习系数为0.005。

所述天线阵阵元数设置为8，来波方向设置在[-π,π]之间。

所述每组波达角中包括一个有用信号和三个干扰信号，并在每个信号中加入高斯噪声。

本发明能容易找出最优权值，合成速度特别快，零陷电平低，主瓣突出，且方向图形状稳定。

附图说明

图1是三次仿真结果的鲁棒性检测值比较。

图2是径向基神经网络结构示意图。

图3是神经网络算法的阵列天线图综合流程图。

图4是天线模型示意图。

图5是直线天线阵示意图。

具体实施方式

具体实施方式一：一种基于神经网络算法的阵列天线方向图综合方法，具体包括以下步骤，

天线阵模型建立步骤：N个COCO天线组成阵列，所述阵列包含N²个单极子天线，天线阵列采用均匀直线阵形式，天线阵元间距d≤λ，单元节边长为1/2介质波长：

$a={\mathrm{\λ}}_g/2=\frac{\mathrm{\λ}}{2\sqrt{{\mathrm{\ϵ}}_r}}---\left(1\right)$

根据天线的工作中心频率f＝1.8GHz，基片材料的介电常数ε_r＝2.56，为使正反面微带段错落有致，产生适合的传输模式和辐射模式，需a≈b；同时介质板长度L是介质板宽度W的6.5倍，其中b为贴片单元间隔；

最优权值获取步骤：包括信息确定步骤、网络参数选择步骤、学习训练算法选择步骤、调整与获取步骤；

信息确定步骤：将问题转化为网络所能表达的方式并能处理的形式，确定各节点的输入输出；用K均值聚类法计算各个样本中心，N为样本中心个数，即：先聚类，再按取值的方法求每类的样本中心，以所求的样本中心为隐含层单元；

网络参数选择步骤：确定输入、输出神经元的数目、多层网络的层数和隐层神经元的数目，快照次数为K，训练样本数目为A，其中A为复数，分成实部和虚部计算，期望输出为阵元的复数权系数的实部和虚部，训练样本输入是通过随机取与训练样本数相同组的波达角得到的，复数权系数利用共轭梯度算法得到；期望误差的选取通过对两个不同的期望误差值的网络进行训练，从中确定一个网络；

学习训练算法选择步骤：先进行初始化，然后利用径向基网络完成函数逼近，确定输入样本和期望输出，其中，天线阵K×N矩阵的快照A设为输入样本，各个阵元的权向量ω设为期望输出；对天线阵阵元数进行设置，确定来波方向，归一化后得到信号输入向量，实现信号输入向量到权向量的映射；

调整与获取步骤：对聚类方法、隐节点数、隐节点数据中心学习系数、隐节点扩展常数学习系数及隐节点输出权值学习系数进行调整，完成训练后网络连接权得到确定，可直接利用网络来获取期望信号的最优权值；

天线阵列方向图生成步骤：利用获取的最优权值对天线阵模型进行验证，从而生成天线阵列方向图。

具体实施方式二：具体实施方式二与具体实施方式一的主要区别在于，首先快照次数K设为200，训练样本数目A设为800，由于A为复数，所以需分开成实部和虚部计算，这样输入样本数据1600个，期望输出为阵元的复数权系数的实部和虚部。这800个训练样本输入是通过随机取800组波达角得到的。利用共轭梯度算法得到800组复数权系数，以这些数据训练网络。

在网络中最大训练次数为5000次。一般情况下，学习速率的选择倾向于选取较小的学习速率以保证***的稳定性，学习速率的选取范围在0.01～0.8之间。太大的学习速率导致学习的不稳定，太小值又导致极长的训练时间。学习率随训练次数进行调节，但在每次训练中整个网络的学习率是相同的。具体有两种方案，一是开始时以较大的学习率训练，然后根据训练情况调节学习率。二是开始时以较小的学习率训练，然后根据训练情况调节学习率。最终隐节点数据中心学习系数为0.001，隐节点扩展常数学习系数为0.002，隐节点输出权值学习系数为0.005。

期望误差的选取：一般情况下作为对比，可以同时对两个不同的期望误差值的网络进行训练，最后通过综合因素的考虑来确定其中一个网络，确定期望目标误差为0.09。

其次，天线阵阵元数设置为8。来波方向在[-π,π]之间，随机选取的800组波达角，每组波达角中包括一个有用信号和三个干扰信号，还在每个信号中加入了高斯噪声。

工作原理：

径向基函数神经网络由三层组成，结构图如图2，输入层节点只传递输入信号到隐层，隐层节点由各种各样的传递函数构成，最常用的像高斯函数那样的辐射状函数构成，而输出层节点通常是简单的线性函数。

当n为0时，径向基函数输出最大值1，即权值向量ω和输入向量p之间距离减小时，输出就会增加。也就是说，径向基函数对输入信号在局部产生响应。函数的输入信号n靠近函数的中央范围时，隐层节点将产生较大的输出。由此可以看出这种网络具有局部逼近能力，所以径向基函数网络也成为局部感知场网络。阈值b用于调整径向基神经元的敏感度。

假设得到归一化后的信号输入向量为F，当数据由输入层靠近隐层时，隐层RBF被激活，输出端需要逼近的非线性量是时变的权向量，从而实现F到权向量ω的映射。可表示为：

${\mathrm{\ω}}_i=\underset{l=1}{\overset{L}{\Σ}}{H}_{i,l}{G}_l\left(\right||F-C_l|\left|\right)---\left(2\right)$

其中，L、M分别是隐层和输出层节点数，H_i,l是隐层第l个节点与输出层第i个节点的连接权值，C_l是高斯函数中心，|| ||是欧氏范数。可得到第l个单元对应的输出为：

$z_l\left(k\right)=\exp \[-\frac{\underset{n=1}{\overset{N}{\Σ}}{\left(x_n\right(t)-c_{t,n})}^2}{2{{\mathrm{\σ}}_l}^2}\]---\left(3\right)$

式中，z_i(k)为第l个隐单元的输出，x_n(t)为第t个输入样本矢量的第n个分量，c_t,n为隐层中第l个变换中心矢量的第n个分量，σ_l是对应第l个中心矢量的控制参数。

全向天线进行仿真：

由COCO天线组成阵列天线的一个巨大优点就是：由N个COCO天线组成的阵列相当于包含了N²个单极子天线(假设每个COCO天线也是由N段微带线节构成)，但它却只有N个馈电点，相比较而言，若一个阵列是由N个单极子天线阵列组成，则它必须要有N²个馈电点(假设每个单极子阵列也是由N个单极子组成)。当然，由于COCO天线结构简单，具有价格优势和性能优势。

单元节边长为1/2介质波长：

$a={\mathrm{\λ}}_g/2=\frac{\mathrm{\λ}}{2\sqrt{{\mathrm{\ϵ}}_r}}---\left(1\right)$

根据天线的工作中心频率f＝1.8GHz，基片材料的介电常数εr＝2.56，为使正反面微带段错落有致，产生适合的传输模式和辐射模式，需a≈b；同时介质板长度L是介质板宽度W的6.5倍左右，可以得到a＝52mm,b＝58.5mm,L＝520mm,W＝80mm,Wa＝69.5mm,Wb＝11.4mm,h＝2.5mm，在天线远离馈电端的贴片上打孔，孔连接着上下表面，孔的半径为3mm，在距馈电端480mm处。其中h为基片厚度，b为贴片单元间隔。天线示意图如图4所示。天线的馈电点的输入阻抗要求为50Ω。观察在中心频率下的馈电端口的输入阻抗Z参数。调整贴片的尺寸以及馈电点位置都可改变天线的输入阻抗值，目的使得输入阻抗的实部为50Ω和虚部为0Ω。

利用FEKO软件进行仿真，根据以上数据创建模型并调整网格密度，通过调节媒质控制卡、输出控制卡、电磁场计算卡，考虑趋服效应、计算远场、计算驻波等。天线的馈电电压的幅值为1V，相位为0°。模拟建立了8阵元直线阵列天线，在已知波达角情况下，通过使用算法获得的权值来控制各天线单元电压的幅值和相位，采用各阵元单独馈电的方式。在存在较小的天线阵单元间耦合互感的情况下，检验生成的方向图的可靠性和稳定性。如图5为8阵元直线天线阵放置的示意图。线阵设计采用均匀直线阵形式，防止在天线的H面上出现栅瓣，需要保证天线阵元中心间距d≤λ，而当天线阵元间距d≤λ/2时，会出现互感耦合现象，所以选择d≈0.6λ。每一个天线阵元享有一个馈电电压源。

实际运行过程的有益效果：

本发明通过大量实验仿真得出各组数据均值，可以看出各处零陷电平的均值和旁瓣电平的均值都满足预定指标要求(详见表1)。

表1各组部分参数的平均值

每组仿真，平均出现了3.5～3.8个低于-30dB的零陷，说明神经网络算法比较容易产生低电平零陷，但是在这些较低电平的零陷中，有些会出现在非期望的方向上，但肯定不会出现在有用信号主方向上，出现的概率占深零陷出现的20％～50％，说明在应该出现旁瓣的角度上出现了零陷。

虽然出现非期望零陷，但并不影响神经网络算法自适应的解决阵列天线方向图综合问题，它仍然具有实用性。针对不同阵列天线，只要选好恰当的神经网络算法，给出足够的训练样本，根据实际要求调整网络参数，就可以得到准确的网络权值。神经网络算法实现阵列天线方向图综合，合成速度特别快，零陷电平低，主瓣突出，且方向图形状稳定。

在同一组，三个方向的干扰信号作用下，每次生成的方向图很相同，初步说明了算法的鲁棒性好。将仿真所得数据计算鲁棒性检测值，所得结果见表2。

表2神经网络算法鲁棒性检测值

将其绘成柱状图，如图1。可较直观看出，其每次鲁棒性的检测值变化不大，所以经多次改变干扰信号波达角方向，该算法所得的方向图仍能自适应的随之变换，得到理想的天线接收效果。

从零陷的深度看，零陷电平均较低，使得主瓣很饱满。利用神经网络形成方向图时，效率很高，且鲁棒性好，所得方向图稳定。

完成训练后网络连接权就确定下来了，可直接利用网络来获取期望信号的最优权值，整个过程的流程图如图3，利用多组理想的方向图样本数据训练径向基神经网络，训练网络时非线性映射的自变量和因变量，分别是信号波达角的快照和阵元的最优权系数值，信号快照是随机选取的、大量的。网络训练好后，当输入不同角的波达角时，天线阵***自适应的生成方向图。

以上对本发明所提供的一种基于神经网络算法的阵列天线方向图综合方法，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种基于神经网络算法的阵列天线方向图综合方法，其特征在于，

天线阵模型建立步骤：N个COCO天线组成阵列，所述阵列包含N²个单极子天线，天线阵列采用均匀直线阵形式，天线阵元间距d≤λ，单元节边长为1/2介质波长：

$a={\mathrm{\λ}}_g/2=\frac{\mathrm{\λ}}{2\sqrt{{\mathrm{\ϵ}}_r}}---\left(1\right)$

根据天线的工作中心频率f＝1.8GHz，基片材料的介电常数ε_r＝2.56，为使正反面微带段错落有致，产生适合的传输模式和辐射模式，需a≈b；同时介质板长度L是介质板宽度W的6.5倍，其中b为贴片单元间隔；

最优权值获取步骤：包括信息确定步骤、网络参数选择步骤、学习训练算法选择步骤、调整与获取步骤；

信息确定步骤：将问题转化为网络所能表达的方式并能处理的形式，确定各节点的输入输出；用K均值聚类法计算各个样本中心，N为样本中心个数，即：先聚类，再按取值的方法求每类的样本中心，以所求的样本中心为隐含层单元；

网络参数选择步骤：确定输入、输出神经元的数目、多层网络的层数和隐层神经元的数目，快照次数为K，训练样本数目为A，其中A为复数，分成实部和虚部计算，期望输出为阵元的复数权系数的实部和虚部，训练样本输入是通过随机取与训练样本数相同组的波达角得到的，复数权系数利用共轭梯度算法得到；期望误差的选取通过对两个不同的期望误差值的网络进行训练，从中确定一个网络；

学习训练算法选择步骤：先进行初始化，然后利用径向基网络完成函数逼近，确定输入样本和期望输出，其中，天线阵K×N矩阵的快照A设为输入样本，各个阵元的权向量ω设为期望输出；对天线阵阵元数进行设置，确定来波方向，归一化后得到信号输入向量，实现信号输入向量到权向量的映射；

调整与获取步骤：对聚类方法、隐节点数、隐节点数据中心学习系数、隐节点扩展常数学习系数及隐节点输出权值学习系数进行调整，完成训练后网络连接权得到确定，可直接利用网络来获取期望信号的最优权值；

天线阵列方向图生成步骤：利用获取的最优权值对天线阵模型进行验证，从而生成天线阵列方向图。

2.如权利要求1所述的方法，其特征在于，快照次数K设为200，训练样本数目A设为800，所得输入样本数据为1600个，800个训练样本输入是通过随机取800组波达角得到的，利用共轭梯度算法得到800组复数权系数，以这些数据训练网络。

3.如权利要求2所述的方法，其特征在于，所述隐节点数据中心学习系数为0.001，隐节点扩展常数学习系数为0.002，隐节点输出权值学习系数为0.005。

4.如权利要求3所述的方法，其特征在于，所述天线阵阵元数设置为8，来波方向设置在[-π,π]之间。

5.如权利要求4所述的方法，其特征在于，每组波达角中包括一个有用信号和三个干扰信号，并在每个信号中加入高斯噪声。