CN110427590B - 基于自适应概率学习的大型稀疏阵列天线高效综合方法 - Google Patents
基于自适应概率学习的大型稀疏阵列天线高效综合方法 Download PDFInfo
- Publication number
- CN110427590B CN110427590B CN201910708470.6A CN201910708470A CN110427590B CN 110427590 B CN110427590 B CN 110427590B CN 201910708470 A CN201910708470 A CN 201910708470A CN 110427590 B CN110427590 B CN 110427590B
- Authority
- CN
- China
- Prior art keywords
- probability
- sparse array
- array
- antenna
- array antenna
- 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.)
- Active
Links
Images
Classifications
-
- 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
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明公开了基于自适应概率学习的大型稀疏阵列天线高效综合方法,解决了大型阵列天线稀疏阵列综合存在阵列口径内天线单元的渐变密度分布不好、方向图的副瓣高,造成辐射特性差、效率不高问题。本发明将稀疏阵列的布局结合天线单元的挑选概率估计,将阵列综合问题结合自适应概率学习模型的优化来实现,实现步骤为:随机初始化天线阵元分布并构建初始概率估计模型;利用快速傅里叶变换由激励系数快速计算远场方向图;基于概率学习的策略,根据概率模型产生新的解决方案参与竞争;调整远场方向图;由快速傅里叶变换求得阵元激励,更新概率模型。当满足目标函数要求或达到最大迭代次数,则输出最优稀疏化布阵方案,解决大型稀疏阵列天线综合问题。
Description
技术领域
本发明涉及阵列天线技术领域,涉及天线的稀疏布阵方法,尤其是大型阵列天线的稀疏化设计,具体涉及基于自适应概率学习的大型稀疏阵列天线高效综合方法。
背景技术
大型阵列天线具有高增益,窄波束等特性,在远距离探测,识别等领域中,大型阵列具有无可替代的作用。但是阵列天线随着口径的增大,单元数目急剧增加,***复杂度和制作成本也相应增加。因此,在主要要求窄波束而不追求最大增益的应用中,可以在不明显展宽波束的前提下通过移除满阵中部分天线单元形成稀疏阵列。稀疏阵列有助于阵列的轻量化与低成本,特别是对于大型阵列口径。稀疏阵列的另一个重要的优点是在等幅度激励下,其可以实现比相同尺寸的满阵更低的副瓣电平。因此,使用稀疏布局的阵列可以省去复杂的馈电网络设计,通过优化阵列的布局就可以实现低副瓣的方向图,进一步降低了***的复杂度。基于这些特征,稀疏阵列天线在雷达、通信***以及射电天文等领域得到了广泛应用。比如耳熟能详的Pave Paws,Cobra Dane以及SBX等装备于美国军方的大型高性能雷达***中都应用了大型稀疏阵列的设计。因此,对稀疏阵列天线综合方法的研究具有重要的现实意义。
稀疏阵列的综合是通过优化阵列口径内天线单元的分布密度以达到期望的辐射特性。因此,将阵列单元的工作状态作为未知量,阵列稀疏可以看成是一个参数优化问题,通过对单元激励系数的优化实现单元的取舍。为了解决这个问题,过去几十年就有学者提出将遗传算法,粒子群算法等全局优化算法用于稀疏阵列综合。但是,这些随机类优化算法通常需要消耗较长的时间去寻找全局最优解。随着阵列规模的扩大,优化参数急剧增加,给此类优化算法带来巨大的难度。近年来,W.Keizer将傅里叶变换用于阵列综合问题,称为迭代傅里叶方法(IFT)。因为傅里叶变换的高效性,IFT算法可以用于快速综合大型阵列。但是,IFT算法存在收敛不稳定,易陷入局部最优的缺陷。一些学者将遗传算法等全局优化算法与IFT算法结合用于改善IFT算法综合稀疏阵列的全局收敛效果。但是,对于大型稀疏阵列的综合问题,仍然值得去寻求更高效的综合方法。
发明内容
本发明所要解决的技术问题是:对于大型稀疏阵列天线的综合存在响应时间长、效率不高,阵列口径内天线单元的渐变密度分布不好,进而造成阵列天线方向图副瓣偏高,抗干扰能力不强、辐射效果不佳的问题。现有技术中大都是将阵列单元的激励作为未知量,将阵列稀疏看成是一个参数优化问题,通过对单元激励系数的优化实现单元的取舍,而目前采用的优化方法不能高效地适应阵列天线的大规模扩大,综合时耗时过长,收敛质量差,易陷入局部最优。
本发明提供了解决上述问题的基于自适应概率学习的大型稀疏阵列天线高效综合方法,将稀疏阵列的布局结合天线单元的挑选概率估计,将阵列综合问题结合自适应概率学习模型的优化来实现,实现了一种具有高效的全局收敛特性的大型稀疏阵列天线综合方法,且整个综合方法时间响应快、效率高,使大型阵列口径内天线单元的分布特性好,方向图副瓣极低、干扰抑制能力强、分辨率高。
本发明通过下述技术方案实现:
基于自适应概率学习的大型稀疏阵列天线高效综合方法,该方法包括如下步骤:
步骤1,初始化天线稀疏阵元分布并建立天线稀疏阵列的初始化模型,具体包括如下步骤:
(1)设置稀疏阵列天线的阵面规模Nx×Ny;对于一维稀疏阵列,则设置Ny的值为1;
(2)设置稀疏阵列天线的填充系数Fc,Fc定义为稀疏阵列中激活的单元数M0与满阵单元总数Mt的比值;
(3)建立初始的天线稀疏阵元分布,以随机方式挑选M0个阵元,设置其初始激励权值Amn为1,其余单元激励权值设为0;
(4)定义适应度函数为副瓣区峰值电平值,设置初始的最优适应度Fit_best=10。
步骤2,计算稀疏阵列天线方向图,并评估适应度;
(1)对阵列激励权值{Amn}采用逆傅里叶变换得到阵列方向图Far_field;
Far_field=IFFT({Amn})
(2)基于以下公式计算适应度:
其中,X代表当前阵列分布形式,S代表方向图副瓣区域,u=sin(θ)cos(φ),v=sin(θ)sin(φ),θ和φ分别表示阵列面的俯仰角和方位角。
判断FitT的值是否小于初始的最优适应度Fit_best,若是,则记当前的阵列分布为最优,并将FitT的值赋给Fit_best;否则,保持最优适应度Fit_best不变;
步骤3,针对稀疏阵列天线,基于概率学习进行优化;
(1)建立稀疏阵列天线概率估计模型;
将天线单元(m,n)从(T-T0)次迭代到(T-1)次迭代的激励权值取平均值,作为评估该天线单元在T0次迭代中被挑选激活的概率Pmn,公式如下:
(2)根据稀疏阵列天线概率估计模型产生新的扰动解,并评估其适应度Fit_pert;
概率估计模型结合优化历史信息,对优化方向进行指导,利用概率估计模型产生新的扰动解,扰动解W的产生公式如下:
其中,Wmn是新产生阵列中第(m,n)个单元的激励权值,Pmn是该单元的估计概率,Rand是均匀分布在(0,1)区间的随机数。
(3)进行稀疏阵列天线方向图扰动操作判断:判断Fit_pert是否小于FitT,若是,则用扰动解的方向图替换原解的方向图,用Fit_pert替换FitT;否则,不执行替换操作;
(4)进行稀疏阵列天线概率模型更新操作;
判断扰动解的适应度Fit_pert是否小于FitT,若是,则用扰动解更新概率模型;否则不更新概率模型;
其中,概率模型的更新方法是将扰动解加入优化过程解集求解平均值。
(5)重复执行3(1)至3(4)的概率学习优化过程,直到达到最大学习次数;
步骤4,根据预设置的最大副瓣电平阈值MSL调整当前稀疏阵列天线方向图的副瓣,公式如下
其中,D为正的常数,S代表方向图副瓣区域,u=sin(θ)cos(φ),v=sin(θ)sin(φ),θ和φ分别表示阵列面的俯仰角和方位角;
对方向图主瓣区不作改变,对调整后的方向图Far_field进行傅里叶变换生成新的阵列激励系数{Amn};
步骤5,对{Amn}按幅度由大到小进行排序,选取幅度最大的M0个激励系数将阵元激励权值设置为1,其余单元激励权值设置为0;用最新稀疏布阵方式得到的解更新概率模型;
步骤6,设置算法的最大迭代次数为MaxIter,判断当前是否达到最大迭代次数,若是,则输出稀疏阵列天线的最优阵列分布解;否则,返回步骤2。
进一步地,在经历G次迭代后,为防止算法过早收敛,对稀疏阵列天线概率模型重新初始化,步骤3(1)中的稀疏阵列天线概率模型重新初始化操作,具体实现如下:
取当前求得的最优激励权值,将当前求得的最优激励权值乘以概率控制系数Sc得到新的概率估计模型:
P=Abest×Sc
其中,P为新的概率估计模型,Abest为当前稀疏阵列最优激励权值向量,控制系数Sc<1。
本发明具有如下的优点和有益效果:
1、本发明将概率估计与自适应学习方法应用到稀疏阵列综合问题中,基于迭代傅里叶变换计算并快速调整阵列的方向图,对大型阵列同样具有极高的运行效率;
2、本发明采用随机初始分布,没有复杂的预处理过程,方法简洁易操作,能直接方便地用于不同阵列的稀疏综合;
3、本发明通过自适应学习策略优化阵列分布的概率估计模型,具备强大的全局搜索能力和收敛稳定性,使大型稀疏阵列天线的综合响应时间明显缩短,保证阵列口径内天线单元的渐变密度分布良好且稳定;
4、本发明实现了一种具有高效的全局收敛特性的稀疏阵列综合方法,且整个综合方法时间响应快、效率高,使大型阵列口径内天线单元的分布特性好,方向图副瓣极低、干扰抑制能力强、分辨率高;且本发明可用于大型雷达与通信***领域,能大幅降低阵列馈电网络的复杂度,有助于***的轻量化与低成本。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明的基于自适应概率学习的大型稀疏阵列天线高效综合方法流程图。
图2为本发明的实施例中直径为100λ的圆平面稀疏阵的阵列单元分布图。
图3a和图3b为本发明的图2阵列的方向图。
图4为本发明的实施例中直径为500λ的圆平面稀疏阵的阵列单元分布图。
图5a和图5b为本发明的图4阵列的方向图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
如图1至图5b所示,基于自适应概率学习的大型稀疏阵列天线高效综合方法,该方法包括如下步骤:
步骤1,初始化天线稀疏阵元分布并建立天线稀疏阵列的初始化模型,具体包括如下步骤:
(1)设置稀疏阵列天线的阵面规模Nx×Ny;对于一维稀疏阵列,则设置Ny的值为1;
(2)设置稀疏阵列天线的填充系数Fc,Fc定义为稀疏阵列中激活的单元数M0与满阵单元总数Mt的比值;
(3)建立初始的天线稀疏阵元分布,以随机方式挑选M0个阵元,设置其初始激励权值Amn为1,其余单元激励权值设为0;
(4)定义适应度函数为副瓣区峰值电平值,设置初始的最优适应度Fit_best=10。
步骤2,计算稀疏阵列天线方向图,并评估适应度;
(1)对阵列激励权值{Amn}采用逆傅里叶变换得到阵列方向图Far_field;
Far_field=IFFT({Amn})
(2)基于以下公式计算适应度:
其中,X代表当前阵列分布形式,S代表方向图副瓣区域,u=sin(θ)cos(φ),v=sin(θ)sin(φ),θ和φ分别表示阵列面的俯仰角和方位角。
判断FitT的值是否小于初始的最优适应度Fit_best,若是,则记当前的阵列分布为最优,并将FitT的值赋给Fit_best;否则,保持最优适应度Fit_best不变;
步骤3,针对稀疏阵列天线,基于概率学习进行优化;
(1)建立稀疏阵列天线概率估计模型;
将天线单元(m,n)从(T-T0)次迭代到(T-1)次迭代的激励权值取平均值,作为评估该天线单元在T0次迭代中被挑选激活的概率Pmn,公式如下:
(2)根据稀疏阵列天线概率估计模型产生新的扰动解,并评估其适应度Fit_pert;
概率估计模型结合优化历史信息,对优化方向进行指导,利用概率估计模型产生新的扰动解,扰动解W的产生公式如下:
其中,Wmn是新产生阵列中第(m,n)个单元的激励权值,Pmn是该单元的估计概率,Rand是均匀分布在(0,1)区间的随机数。
(3)进行稀疏阵列天线方向图扰动操作判断:判断Fit_pert是否小于FitT,若是,则用扰动解的方向图替换原解的方向图,用Fit_pert替换FitT;否则,不执行替换操作;
(4)进行稀疏阵列天线概率模型更新操作;
判断扰动解的适应度Fit_pert是否小于FitT,若是,则用扰动解更新概率模型;否则不更新概率模型;
其中,概率模型的更新方法是将扰动解加入优化过程解集求解平均值。
(5)重复执行3(1)至3(4)的概率学习优化过程,直到达到最大学习次数;
步骤4,根据预设置的最大副瓣电平阈值MSL调整当前稀疏阵列天线方向图的副瓣,公式如下
其中,D为正的常数,S代表方向图副瓣区域,u=sin(θ)cos(φ),v=sin(θ)sin(φ),θ和φ分别表示阵列面的俯仰角和方位角;
对方向图主瓣区不作改变,对调整后的方向图Far_field进行傅里叶变换生成新的阵列激励系数{Amn};
步骤5,对{Amn}按幅度由大到小进行排序,选取幅度最大的M0个激励系数将阵元激励权值设置为1,其余单元激励权值设置为0;用最新稀疏布阵方式得到的解更新概率模型;
步骤6,设置算法的最大迭代次数为MaxIter,判断当前是否达到最大迭代次数,若是,则输出稀疏阵列天线的最优阵列分布解;否则,返回步骤2。
工作原理:对于大型稀疏阵列天线的综合存在响应时间长、效率不高,阵列口径内天线单元的渐变密度分布不好,进而造成阵列天线方向图副瓣偏高,抗干扰能力不强、辐射效果不佳的问题。本发明采用上述方案将稀疏阵列的布局结合天线单元的挑选概率估计,将阵列综合问题结合自适应概率学习模型的优化来实现。基于迭代傅里叶变换计算并快速调整阵列的方向图,对大型阵列同样具有极高的计算效率。采用自适应学习的概率模型极大地增强了全局优化的能力,针对大型稀疏阵列天线的综合响应时间明显缩短,并且使阵列口径内天线单元的渐变密度分布良好且稳定。实现步骤为:随机初始化天线阵元分布并构建初始概率估计模型;利用快速傅里叶变换由激励系数快速计算远场方向图;基于概率学习的策略,根据概率模型产生新的解决方案参与竞争;调整远场方向图;由快速傅里叶变换求得阵元激励,更新概率模型。当满足目标函数要求或达到最大迭代次数,则输出最优稀疏化布阵方案,从而解决大型稀疏阵列的综合问题,实现了一种具有高效的全局收敛特性的稀疏阵列综合方法,且整个方法简洁,耗时短,阵列口径内天线单元的渐变密度分布良好、使辐射特性好、效率高。
本发明基于迭代傅里叶算法的基本架构,并根据阵列综合过程构建单元激励概率估计模型,并通过模型的自适应学习和更新,引导方法的全局收敛,结合这种自适应概率学习模型能够解决大型稀疏阵列的综合耗时长、易陷入局部收敛的问题,且算法响应速度快,收敛稳定性好,效率高。
本发明在实施例中考虑阵面直径分别为100λ和500λ的圆口径平面阵列,阵列单元为矩形栅格均匀分布,单元间距d=dx=dy=0.5λ。其中100λ阵列的填充系数Fc1=40%,500λ阵列的填充系数Fc2=15%,稀疏阵列为等幅同相馈电,要求实现低副瓣方向图。
本发明的仿真实验基于MATLAB编程仿真平台,最终得到最优稀疏阵列的单元分布以及最优阵列方向图。
图1是本发明的基于自适应概率学习的大型稀疏阵列天线高效综合方法流程图。
图2给出了本发明用于综合直径为100λ的圆平面稀疏阵的阵列单元分布图,在40%的填充率下,阵列口径内存在稀疏分布的12514个单元。
图3画出了图2中所示稀疏阵列的远场方向图,实现了-38.9dB的副瓣电平值,图3a和图3b经过主瓣两个垂直切面的方向图。
图4给出了本发明用于综合直径为500λ的圆平面稀疏阵的阵列单元分布图,在15%的填充率下,阵列口径内存在稀疏分布的117802个单元。
图5画出了图4中所示稀疏阵列的远场方向图,实现了-46.6dB的副瓣电平值,图5a和图5b经过主瓣两个垂直切面的方向图。
综上可以发现:本发明在综合大型平面阵列中的高效性,即使在阵列直径达到500个波长,填充率只有15%,稀疏度达到85%的情况下,仍然可以实现-46.6dB的副瓣电平,使阵列口径内天线单元辐射特性好、效率高,且未发生单元的过于聚拢和主瓣的明显展宽。本发明借助自适应概率学习的策略,实现了一种具有高效的全局收敛特性的稀疏阵列综合方法,整个综合方法时间响应快、效率高,使大型阵列口径内天线单元的分布特性好,方向图副瓣极低、干扰抑制能力强、分辨率高。本发明可用于大型雷达与通信***领域,能大幅降低阵列馈电网络的复杂度,有助于***的轻量化与低成本。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于自适应概率学习的大型稀疏阵列天线高效综合方法,其特征在于:该方法包括如下步骤:
步骤1,建立稀疏阵列天线的初始化模型;
步骤2,利用快速傅里叶变换公式计算稀疏阵列天线方向图Far_field,计算当前的适应度FitT;判断FitT的值是否小于初始的最优适应度Fit_best,若是,则记当前的阵列分布为最优,并将FitT的值赋给Fit_best;否则,保持最优适应度Fit_best不变;
步骤3,针对稀疏阵列天线,基于概率学习进行优化;
(1)建立稀疏阵列天线的概率估计模型;
(2)根据稀疏阵列天线概率估计模型产生新的扰动解,并评估其适应度Fit_pert;
(3)进行稀疏阵列天线方向图扰动操作判断:判断Fit_pert是否小于FitT,若是,则用扰动解的方向图替换原解的方向图,用Fit_pert替换FitT;否则,不执行替换操作;
(4)进行稀疏阵列天线概率模型更新操作;
(5)重复执行3(1)至3(4)的概率学习优化过程,直到达到最大学习次数;
步骤4,根据预设置的最大副瓣电平阈值MSL调整当前稀疏阵列天线方向图的副瓣,公式如下
其中,D为正的常数,S代表方向图副瓣区域,u=sin(θ)cos(φ),v=sin(θ)sin(φ),θ和φ分别表示阵列面的俯仰角和方位角;
对方向图主瓣区不作改变,对调整后的方向图Far_field进行傅里叶变换生成新的阵列激励系数{Amn};
步骤5,对{Amn}按幅度由大到小进行排序,选取幅度最大的M0个激励系数将阵元激励权值设置为1,其余单元激励权值设置为0;用最新稀疏布阵方式得到的解更新概率模型;
步骤6,设置算法的最大迭代次数为MaxIter,判断当前是否达到最大迭代次数,若是,则输出稀疏阵列天线的最优阵列分布解;否则,返回步骤2。
2.根据权利要求1所述的基于自适应概率学习的大型稀疏阵列天线高效综合方法,其特征在于:步骤1,建立稀疏阵列天线的初始化模型,具体包括如下步骤:
(1)设置稀疏阵列天线的阵面规模Nx×Ny;对于一维稀疏阵列,则设置Ny的值为1;
(2)设置稀疏阵列天线的填充系数Fc,Fc定义为稀疏阵列中激活的单元数M0与满阵单元总数Mt的比值;
(3)建立初始的天线稀疏阵元分布,以随机方式挑选M0个阵元,设置其初始激励权值Amn为1,其余单元激励权值设为0;
(4)定义适应度函数为副瓣区峰值电平值,设置初始的最优适应度Fit_best=10。
6.根据权利要求1所述的基于自适应概率学习的大型稀疏阵列天线高效综合方法,其特征在于:步骤3(4)中稀疏阵列天线概率模型的更新操作,具体实现如下:
判断扰动解的适应度Fit_pert是否小于FitT,若是,则用扰动解更新概率模型;否则不更新概率模型;
其中,概率模型的更新方法是将扰动解加入优化过程解集求解平均值。
7.根据权利要求1所述的基于自适应概率学习的大型稀疏阵列天线高效综合方法,其特征在于:在经历G次迭代后,对稀疏阵列天线概率模型重新初始化,步骤3(1)中的概率模型重新初始化操作,具体实现如下:
取当前求得的最优激励权值,将当前求得的最优激励权值乘以概率控制系数Sc得到新的概率估计模型:
P=Abest×Sc
其中,P为新的概率估计模型,Abest为当前稀疏阵列最优激励权值向量,控制系数Sc<1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910708470.6A CN110427590B (zh) | 2019-08-01 | 2019-08-01 | 基于自适应概率学习的大型稀疏阵列天线高效综合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910708470.6A CN110427590B (zh) | 2019-08-01 | 2019-08-01 | 基于自适应概率学习的大型稀疏阵列天线高效综合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110427590A CN110427590A (zh) | 2019-11-08 |
CN110427590B true CN110427590B (zh) | 2022-03-25 |
Family
ID=68413834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910708470.6A Active CN110427590B (zh) | 2019-08-01 | 2019-08-01 | 基于自适应概率学习的大型稀疏阵列天线高效综合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110427590B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460619B (zh) * | 2020-03-06 | 2023-04-28 | 中国工程物理研究院应用电子学研究所 | 一种电子***强电磁脉冲环境适应性量化评估方法 |
CN112367103B (zh) * | 2020-11-09 | 2022-06-17 | 重庆两江卫星移动通信有限公司 | 一种可扩展稀疏阵列天线布局的获取方法 |
CN112558499B (zh) * | 2020-12-09 | 2024-05-03 | 武汉雷博合创电子科技有限公司 | 一种相控阵雷达数字仿真*** |
CN113644456B (zh) * | 2021-10-18 | 2022-02-22 | 成都锐芯盛通电子科技有限公司 | 一种w频段一维相扫斜极化喇叭天线阵面的实现方法 |
CN114154403B (zh) * | 2021-11-17 | 2022-12-16 | 中国电子科技集团公司第三十八研究所 | 一种共域多口径混合阵列天线布阵方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568031A (zh) * | 2011-09-23 | 2012-07-11 | 苏州大学 | 三维图像并行数字构建方法 |
CN106355245A (zh) * | 2016-09-12 | 2017-01-25 | 哈尔滨工业大学 | 一种基于神经网络算法的阵列天线方向图综合方法 |
CN106505310A (zh) * | 2016-10-28 | 2017-03-15 | 电子科技大学 | 具有宽带和宽角度扫描特性的低剖面阵列天线 |
CN106777601A (zh) * | 2016-12-02 | 2017-05-31 | 中国船舶重工集团公司第七二四研究所 | 基于mift与qp算法相结合的平面阵列天线方向图综合方法 |
CN107729640A (zh) * | 2017-10-10 | 2018-02-23 | 金陵科技学院 | 一种使用最少阵元的稀疏天线阵列综合布阵方法 |
CN109190193A (zh) * | 2018-08-14 | 2019-01-11 | 西安电子科技大学 | 基于果蝇算法的子阵级相控阵天线方向图综合方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9026404B2 (en) * | 2005-10-20 | 2015-05-05 | Syracuse University | Methods of improving detectors and classifiers using optimized stochastic resonance noise |
-
2019
- 2019-08-01 CN CN201910708470.6A patent/CN110427590B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568031A (zh) * | 2011-09-23 | 2012-07-11 | 苏州大学 | 三维图像并行数字构建方法 |
CN106355245A (zh) * | 2016-09-12 | 2017-01-25 | 哈尔滨工业大学 | 一种基于神经网络算法的阵列天线方向图综合方法 |
CN106505310A (zh) * | 2016-10-28 | 2017-03-15 | 电子科技大学 | 具有宽带和宽角度扫描特性的低剖面阵列天线 |
CN106777601A (zh) * | 2016-12-02 | 2017-05-31 | 中国船舶重工集团公司第七二四研究所 | 基于mift与qp算法相结合的平面阵列天线方向图综合方法 |
CN107729640A (zh) * | 2017-10-10 | 2018-02-23 | 金陵科技学院 | 一种使用最少阵元的稀疏天线阵列综合布阵方法 |
CN109190193A (zh) * | 2018-08-14 | 2019-01-11 | 西安电子科技大学 | 基于果蝇算法的子阵级相控阵天线方向图综合方法 |
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 |
Non-Patent Citations (4)
Title |
---|
A Hybrid Method Based on the Iterative Fourier Transform and the Differential Evolution for Pattern Synthesis of Sparse Linear Arrays;Wang, Xin-Kuan等;《International Journal of Antennas and Propagation》;20180705;1-7 * |
GRADUAL THINNING SYNTHESIS FOR LINEAR ARRAY BASED ON ITERATIVE FOURIER TECHNIQUES;Wang, XK等;《PROGRESS IN ELECTROMAGNETICS RESEARCH-PIER》;20111229;第123卷(第02期);299-320 * |
基于紧缩基函数法的频域快速插值方法;吴利锋等;《2019年全国天线年会论文集(中册)》;20190722;1197-1200 * |
改进的迭代傅里叶算法在稀疏阵列天线综合中的应用;崔灿等;《2017年全国微波毫米波会议论文集(上册二)》;20170508;1-5 * |
Also Published As
Publication number | Publication date |
---|---|
CN110427590A (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427590B (zh) | 基于自适应概率学习的大型稀疏阵列天线高效综合方法 | |
Rocca et al. | A hybrid approach to the synthesis of subarrayed monopulse linear arrays | |
CN105842702A (zh) | 多波束成像声呐的旁瓣抑制方法、阵列稀疏方法 | |
CN112367103B (zh) | 一种可扩展稀疏阵列天线布局的获取方法 | |
CN111143983B (zh) | 基于改进水循环算法的稀布天线阵列低副瓣综合优化方法 | |
CN108446437B (zh) | 一种阵列天线宽波束功率增益优化方法 | |
CN106357316A (zh) | 阵列天线的波束赋形方法和装置 | |
CN111985145A (zh) | 一种大间距相控阵天线栅瓣抑制方法及抑制*** | |
CN105842666B (zh) | 基于差分算法的雷达子阵划分优化方法 | |
CN109711046B (zh) | 基于多智能体遗传算法的大型稀疏阵列综合方法 | |
Mohanty et al. | Implementing Taguchi and cuckoo search to optimize LAA | |
CN111487594A (zh) | 一种基于粒子群优化的圆阵列波束形成方法 | |
Wang et al. | Synthesis of large planar thinned arrays using IWO-IFT algorithm | |
CN114861446A (zh) | 天线阵列稀疏稀布优化方法、装置、设备及可读存储介质 | |
CN113051812B (zh) | 一种同心圆环阵的稀布宽带优化方法 | |
Monorchio et al. | An efficient interpolation scheme for the synthesis of linear arrays based on Schelkunoff polynomial method | |
Shadi et al. | Meta-heuristic multi-objective as an affordable method for improving the grating lobe in a wide scan phased array antenna | |
Borah et al. | Design of Thinned Linear Antenna Array using Particle Swarm Optimization (PSO) Algorithm | |
CN113656747B (zh) | 基于分支定界的多期望信号下的阵列自适应波束形成方法 | |
CN116632561B (zh) | 一种稀布高增益天线阵列设计方法、存储介质 | |
Satrusallya et al. | Invasive weed optimization for side lobe reduction in antenna array | |
CN116796640B (zh) | 一种基于蛇优化算法的共形稀疏阵列优化方法 | |
CN115036710B (zh) | 一种多级分形子阵平面阵列及其排布方法 | |
Gu et al. | A hybrid method for conformal antenna array pattern synthesis | |
Ji et al. | Optimal design of a printed patch antenna using Water Cycle Algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |