CN114818513A - 5g应用领域中一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法 - Google Patents

5g应用领域中一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法 Download PDF

Info

Publication number
CN114818513A
CN114818513A CN202210627989.3A CN202210627989A CN114818513A CN 114818513 A CN114818513 A CN 114818513A CN 202210627989 A CN202210627989 A CN 202210627989A CN 114818513 A CN114818513 A CN 114818513A
Authority
CN
China
Prior art keywords
target
radiation pattern
network
radiation
layer
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
Application number
CN202210627989.3A
Other languages
English (en)
Other versions
CN114818513B (zh
Inventor
白明
张师源
石川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202210627989.3A priority Critical patent/CN114818513B/zh
Publication of CN114818513A publication Critical patent/CN114818513A/zh
Application granted granted Critical
Publication of CN114818513B publication Critical patent/CN114818513B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Variable-Direction Aerials And Aerial Arrays (AREA)

Abstract

本发明提供了5G应用领域中一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法。该方法包括：步骤1、根据目标方向图的要求，设计一种目标数据矩阵来描述不同合成目标辐射方向图的重要特征。步骤2、根据不同网络层结构的特点确定深度网络的结构与参数，并在训练中将目标数据矩阵与神经网络预测出的辐射方向图的差值作为损失函数以此来指导梯度下降的方向。步骤3：将所有所需合成的目标辐射方向图描述为目标数据矩阵并合并成一个张量输入神经网络进行小批量并行计算，一次性全部输出满足对应目标设计要求的天线阵列单元的幅度与相位信息。

Description

5G应用领域中一种基于深度学习网络的天线阵列辐射方向图 高效小批量合成方法
技术领域
本发明涉及深度学习与天线阵列辐射方向图合成技术领域，尤其涉及5G应用中一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法
背景技术
5G技术的广泛应用，推动了信息技术的发展，并不断影响其他技术领域。与4G技术相比，5G可以提供更大的通信容量、更高的通信速度和更低的通信延迟，这使得它在工业互联网、车联网、医疗等中领域中广受欢迎。毫米波通信技术是5G通信技术的主要手段之一。但是由于毫米波的穿透性差、波长短，通信质量容易受到环境因素的干扰。针对上述问题，将多个天线单元排列成阵列以获得更高的增益，并采用多波束技术以减少传播路径的损失，扩大信号的覆盖范围。
通过求解各天线单元的激励，可以得到性能优异的天线阵列的辐射方向图。最初，研究人员试图在天线单元排布均匀且规则的阵列中解决这个问题。在这种条件下发展出了Woodward抽样法、Ddolphi-chebyshev设计法、Taylor展开法等方法。然而，随着天线单元的排列越来越不规则，期望的辐射远场方向图也越来越复杂，上述方法将不再适用。为此，一些研究人员将这一问题转化为组合优化过程，将期望的辐射图作为目标函数，将每个天线单元的激励作为待求解的参数。智能进化算法和凸优化算法在解决组合优化问题中表现出了极大的优势，因此，利用它们来解决辐射方向图的合成问题受到了许多研究者的关注。虽然这些算法在处理辐射方向图的合成问题上是有效的，但随着同时计算不同辐射方向图总数的增加，时间开销有时是不可接受的。如果采用串行计算，优化模型的参数会大大增加，也会导致计算效率下降。因此，为了在不损失计算效率的情况下同时计算不同的辐射方向图，有必要研究并行合成方法。上述优化算法不适合并行综合，因为不同的辐射方向图会导致组合优化过程中最优方向的混乱。
如今，随着计算机技术的进步，深度学习技术也得到了迅速的发展，许多神经网络框架被研究人员用来解决天线领域的问题。并行的批计算是神经网络训练中常见的一种操作，可以将大量输入数据分散到不同批次进行分布式计算，以此提高计算效率。然而，由于网络结构设计的复杂性和不同层次结构的特点，会影响到综合结果和计算效率，因此，利用神经网络进行并行批处理运算的天线阵辐射图综合研究较少。
发明内容
针对在5G应用领域中天线阵列辐射方向图的合成上存在随着同时计算不同辐射方向图总数的增加而时间开销也随之加大、合成效果不理想等问题，本文提出了一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法。
本发明提出了在5G应用领域中一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法，包括以下几个步骤：
步骤1：根据目标方向图的要求，设计一种目标数据矩阵来描述不同合成目标辐射方向图的重要特征。
步骤2：根据不同网络层结构的特点确定深度网络的结构与参数，并在训练中将目标数据矩阵与神经网络预测出的辐射方向图的差值作为损失函数以此来指导梯度下降的方向。
步骤3：将所有所需合成的目标辐射方向图描述为目标数据矩阵并合并成一个张量输入神经网络进行小批量并行计算，一次性全部输出满足对应目标设计要求的天线阵列单元的幅度与相位信息。
进一步地，步骤1具体为：
本专利中由于辐射图形要求的多样性，设计一个通用方法来描述目标辐射方向图的各种特征要求。
本专利设计了两个边界来重新描述所需的辐射方向图的显著特征，分别命名为下边界上边界。上边界函数
Figure BDA0003678435290000011
代表期望辐射方向图的上特征，下边界
Figure BDA0003678435290000015
代表期望辐射方向图的下限特征。以上边界均由不同的参数控制，在上边界
Figure BDA0003678435290000012
中包括指向主波束方向
Figure BDA0003678435290000013
控制副瓣电平SLL，以及期望辐射方向图的主波束宽度θw。在下边界
Figure BDA0003678435290000014
中包括则包括主波束的-3dB宽度，期望辐射方向图电平的最小值L。将目标辐射方向图的所有扫描方向
Figure BDA0003678435290000016
进行离散化，将上述两个边界分别表示为以θ和
Figure BDA0003678435290000017
为坐标轴的单通道目标矩阵。为了便于数据的小批量并行处理和提高计算效率，最后将两个单通道目标矩阵按通道合并为一个双通道目标数据矩阵。
在小批量并行计算的过程中，如果有S种目标辐射方向图，根据目标远场辐射方向图一旦确定了所有目标数据矩阵中的参数后，在训练过程中由多深度学习网络计算的第s组幅度与相位合成的远场辐射方向图
Figure BDA0003678435290000021
应该满足：
Figure BDA0003678435290000022
上误差函数Ulosss以及下误差函数Vlosss是由训练过程中深度学习网络计算的幅度与相位合成的远场辐射方向图
Figure BDA0003678435290000023
与对应目标数据矩阵之间的差值：
Figure BDA0003678435290000024
Figure BDA0003678435290000025
M和N是空间采样角
Figure BDA0003678435290000026
进行离散后的采样总数。在训练过程中，不同的注意力机制ν1、ν2被分配给上误差函数Ulosss以及下误差函数Vlosss：
losss＝ν1s·Ulosss+ν2s·Vlosss
进一步地，步骤2具体为：
本专利中根据目标辐射远场方向图的具体需求来确定深度学习网络的层结构和参数，在本发明中，放置了5个卷积层和2个全连接层。每个卷积层的输入被零填充保持恒定的输出形状且其后都连接一个标准化层(Batch Nomalization)为了获得更好的训练效果。卷积层的参数与经典的AlexNet网络参数一致，卷积层后使用Flatten层，目的是将多维输入一维化，它是卷积层和全连接层的过渡。Flatten层后连接2个全连接层，分别有4096，4096个神经元。为了提高收敛速度，防止梯度消失，设置各层的激活函数为“relu”，在输出层的激活函数设置为“tanh”。反向传播过程中使用Adam优化算法来更新网络权重。
进一步地，步骤3具体为：
将所有所需合成的目标辐射方向图描述为目标数据矩阵后并合并成一个张量输入神经网络进行小批量并行计算，一次性全部输出满足对应目标设计要求的天线阵列单元的幅度与相位信息。
本发明的有益效果：本发明提出了5G应用领域的一种基于深度学***行合成方法具有经典进化算法无法比拟的优点，可推广到雷达、通信、成像、近场分布设计等多参数控制的电磁场相干叠加问题。
附图说明
图1是本发明中5G应用领域的一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法
图2是本发明中特征边界与目标数据矩阵的示意图
图3是本发明中深度学习网络的结构
图4是本发明中仿真实验中所使用的天线阵列排布示意图。
图5时本发明中并行合成一组单播与组播辐射方向图结果。
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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施提供了5G应用领域的一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法，该方法包括以下步骤：
S101、根据目标方向图的要求，设计一种目标数据矩阵来描述不同合成目标辐射方向图的重要特征；
具体地，本专利中由于辐射图形要求的多样性，设计一个通用方法来描述目标辐射方向图的各种特征要求。
本专利设计了两个边界来重新描述所需的辐射方向图的显著特征，分别命名为下边界上边界如图2中(a)所示。上边界函数
Figure BDA0003678435290000031
代表期望辐射方向图的上特征，下边界
Figure BDA0003678435290000032
代表期望辐射方向图的下限特征。以上边界均由不同的参数控制，在上边界
Figure BDA0003678435290000033
中包括指向主波束方向
Figure BDA0003678435290000034
控制副瓣电平SLL，以及期望辐射方向图的主波束宽度θw。在下边界
Figure BDA0003678435290000035
中包括则包括主波束的-3dB宽度，期望辐射方向图电平的最小值L。将目标辐射方向图的所有扫描方向
Figure BDA0003678435290000036
进行离散化，将上述两个边界分别表示为以θ和
Figure BDA0003678435290000037
为坐标轴的单通道目标矩阵。为了便于数据的小批量并行处理和提高计算效率，最后将两个单通道目标矩阵按通道合并为一个双通道目标数据矩阵,如图2中(b)所示。
在小批量并行计算的过程中，如果有S种目标辐射方向图，根据目标远场辐射方向图一旦确定了所有目标数据矩阵中的参数后，在训练过程中由多深度学习网络计算的第s组幅度与相位合成的远场辐射方向图
Figure BDA0003678435290000038
应该满足：
Figure BDA0003678435290000039
上误差函数Ulosss以及下误差函数Vlosss是由训练过程中深度学习网络计算的幅度与相位合成的远场辐射方向图
Figure BDA00036784352900000310
与对应目标数据矩阵之间的差值：
Figure BDA00036784352900000311
Figure BDA00036784352900000312
M和N是空间采样角
Figure BDA00036784352900000313
进行离散后的采样总数。在训练过程中，不同的注意力机制ν1、ν2被分配给上误差函数Ulosss以及下误差函数Vlosss：
losss＝ν1s·Ulosss+ν2s·Vlosss
S102、根据不同网络层结构的特点确定深度网络的结构与参数，并在训练中将目标数据矩阵与神经网络预测出的辐射方向图的差值作为损失函数以此来指导梯度下降的方向；
具体地，如图3所示，本专利中根据目标辐射远场方向图的具体需求来确定深度学习网络的层结构和参数。在本发明中，放置了5个卷积层和2个全连接层，每个卷积层的输入被零填充保持恒定的输出形状且其后都连接一个标准化层(Batch Nomalization)为了获得更好的训练效果。卷积层的参数与经典的AlexNet网络参数一致，卷积层后使用Flatten层，目的是将多维输入一维化，它是卷积层和全连接层的过渡。Flatten层后连接2个全连接层，分别有4096，4096个神经元。为了提高收敛速度，防止梯度消失，设置各层的激活函数为“relu”，在输出层的激活函数设置为“tanh”。反向传播过使用Adam优化算法来更新网络权重。
S103、将所有所需合成的目标辐射方向图描述为目标数据矩阵并合并成一个张量输入神经网络进行小批量并行计算，一次性全部输出满足对应目标设计要求的天线阵列单元的幅度与相位信息，合成远场方向图的结果如图5所示。
具体地，将所有所需合成的目标辐射方向图描述为目标数据矩阵后并合并成一个张量输入神经网络进行小批量并行计算，一次性全部输出满足对应目标设计要求的天线阵列单元的幅度与相位信息。
仿真实验的设计为一种平面阵列，阵列排布如图4所示，在XOY平面上，每个单元间距为半个波长的100个贴片天线单元均匀分布，合成的目标是在天线阵的上半空间内分别小批量并行计算合成四种不同通讯终端个数且副瓣电平低于-20dB辐射远场方向图。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (4)

1.5G应用领域中一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法：
步骤1：根据目标方向图的要求，设计一种目标数据矩阵来描述不同合成目标辐射方向图的重要特征。
步骤2：根据不同网络层结构的特点确定深度网络的结构与参数，并在训练中将目标数据矩阵与神经网络预测出的辐射方向图的差值作为损失函数以此来指导梯度下降的方向。
步骤3：将所有所需合成的目标辐射方向图描述为目标数据矩阵并合并成一个张量输入神经网络进行小批量并行计算，一次性全部输出满足对应目标设计要求的天线阵列单元的幅度与相位信息。
2.根据权利要求1所述的方法，其特征在于，步骤1具体为：
本专利中由于辐射图形要求的多样性，设计一个通用方法来描述目标辐射方向图的各种特征要求。
本专利设计了两个边界来重新描述所需的辐射方向图的显著特征，分别命名为下边界上边界。上边界函数
Figure FDA0003678435280000011
代表期望辐射方向图的上特征，下边界
Figure FDA0003678435280000012
代表期望辐射方向图的下限特征。以上边界均由不同的参数控制，在上边界
Figure FDA0003678435280000013
中包括指向主波束方向
Figure FDA0003678435280000014
控制副瓣电平SLL，以及期望辐射方向图的主波束宽度θw。在下边界
Figure FDA0003678435280000015
中包括则包括主波束的-3dB宽度，期望辐射方向图电平的最小值L。将目标辐射方向图的所有扫描方向
Figure FDA0003678435280000016
进行离散化，将上述两个边界分别表示为以θ和
Figure FDA0003678435280000017
为坐标轴的单通道目标矩阵。为了便于数据的小批量并行处理和提高计算效率，最后将两个单通道目标矩阵按通道合并为一个双通道目标数据矩阵。
在小批量并行计算的过程中，如果有S种目标辐射方向图，根据目标远场辐射方向图一旦确定了所有目标数据矩阵中的参数后，在训练过程中由多深度学习网络计算的第s组幅度与相位合成的远场辐射方向图
Figure FDA0003678435280000018
应该满足：
Figure FDA0003678435280000019
上误差函数Ulosss以及下误差函数Vlosss是由训练过程中深度学习网络计算的幅度与相位合成的远场辐射方向图
Figure FDA00036784352800000110
与对应目标数据矩阵之间的差值：
Figure FDA00036784352800000111
Figure FDA00036784352800000112
M和N是空间采样角
Figure FDA00036784352800000113
进行离散后的采样总数。在训练过程中，不同的注意力机制ν1、ν2被分配给上误差函数Ulosss以及下误差函数Vlosss：
losss＝ν1s·Ulosss+ν2s·Vlosss
3.根据权利要求1所述的方法，其特征在于，步骤2具体为：
本专利中根据目标辐射远场方向图的具体需求来确定深度学习网络的层结构和参数，在本发明中，放置了5个卷积层和2个全连接层。每个卷积层的输入被零填充保持恒定的输出形状且其后都连接一个标准化层(Batch Nomalization)为了获得更好的训练效果。卷积层的参数与经典的AlexNet网络参数一致，卷积层后使用Flatten层，目的是将多维输入一维化，它是卷积层和全连接层的过渡。Flatten层后连接2个全连接层，分别有4096，4096个神经元。为了提高收敛速度，防止梯度消失，设置各层的激活函数为“relu”，在输出层的激活函数设置为“tanh”。反向传播过程中使用Adam优化算法来更新网络权重。
4.根据权利要求1所述的方法，其特征在于，步骤3具体为：
将所有所需合成的目标辐射方向图描述为目标数据矩阵后并合并成一个张量输入神经网络进行小批量并行计算，一次性全部输出满足对应目标设计要求的天线阵列单元的幅度与相位信息。
CN202210627989.3A 2022-06-06 2022-06-06 5g应用领域中一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法 Active CN114818513B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210627989.3A CN114818513B (zh) 2022-06-06 2022-06-06 5g应用领域中一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210627989.3A CN114818513B (zh) 2022-06-06 2022-06-06 5g应用领域中一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法

Publications (2)

Publication Number Publication Date
CN114818513A true CN114818513A (zh) 2022-07-29
CN114818513B CN114818513B (zh) 2024-06-18

Family

ID=82521061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210627989.3A Active CN114818513B (zh) 2022-06-06 2022-06-06 5g应用领域中一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法

Country Status (1)

Country Link
CN (1) CN114818513B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104992001A (zh) * 2015-06-19 2015-10-21 中国人民解放军信息工程大学 大规模mimo阵列天线远场辐射场的精确快速计算方法
CN112632742A (zh) * 2020-11-09 2021-04-09 南京理工大学 一种多尺度天线平台辐射特性的快速分析方法
CN113239490A (zh) * 2021-05-13 2021-08-10 武汉博思北和通信技术有限公司 一种微波共形天线的建模方法
US20210390723A1 (en) * 2020-06-15 2021-12-16 Dalian University Of Technology Monocular unsupervised depth estimation method based on contextual attention mechanism
CN114117565A (zh) * 2021-11-22 2022-03-01 北京航空航天大学 一种基于深度学***面阵列天线辐射方向图综合方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104992001A (zh) * 2015-06-19 2015-10-21 中国人民解放军信息工程大学 大规模mimo阵列天线远场辐射场的精确快速计算方法
US20210390723A1 (en) * 2020-06-15 2021-12-16 Dalian University Of Technology Monocular unsupervised depth estimation method based on contextual attention mechanism
CN112632742A (zh) * 2020-11-09 2021-04-09 南京理工大学 一种多尺度天线平台辐射特性的快速分析方法
CN113239490A (zh) * 2021-05-13 2021-08-10 武汉博思北和通信技术有限公司 一种微波共形天线的建模方法
CN114117565A (zh) * 2021-11-22 2022-03-01 北京航空航天大学 一种基于深度学***面阵列天线辐射方向图综合方法

Also Published As

Publication number Publication date
CN114818513B (zh) 2024-06-18

Similar Documents

Publication Publication Date Title
CN104901734B (zh) 一种阵列天线波束赋形方法
Xu et al. Pattern synthesis of conformal antenna array by the hybrid genetic algorithm
CN106850016B (zh) 基于mift与cp混合算法的仅相位加权阵列天线波束赋形优化方法
CN108808266A (zh) 一种用于不规则子阵排列的四维天线阵联合优化方法
CN112115597B (zh) 基于时间调制稀疏阵列的最小阵元数目优化方法
CN114117565A (zh) 一种基于深度学***面阵列天线辐射方向图综合方法
CN104020448A (zh) 等阵元约束的雷达子阵级和波束/差波束形成优化方法
CN114330695B (zh) 一种基于多层感知神经网络的相控阵驱动方法
CN114386270A (zh) 基于改进型遗传算法的多目标优化阵列方向图综合方法
Akdagli et al. Pattern nulling of linear antenna arrays by controlling only the element positions with the use of improved touring ant colony optimization algorithm
CN114996874B (zh) 一种基于多层感知器网络的天线阵列辐射方向图高效优化合成方法
CN116192206B (zh) 基于广义回归神经网络的大规模共形阵实时波束综合方法
CN110427669B (zh) 一种相控阵扫描辐射波束的神经网络模型计算方法
CN114818513B (zh) 5g应用领域中一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法
Omar et al. Null steering beamformer using hybrid algorithm based on Honey Bees Mating Optimisation and Tabu Search in adaptive antenna array
CN109547083B (zh) 一种基于神经网络的平顶波束赋形方法
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
CN115146544A (zh) 一种采用知识和数据混合驱动的阵列天线设计方法
CN116205143A (zh) 一种基于物理信息神经网络实现天线方向图的设计方法
CN113114322B (zh) 无线携能通信***中基于moead的波束赋形方法
CN112307588B (zh) 一种非均匀抛物线阵列天线设计方法
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
CN112165348A (zh) 一种基于遗传算法的波束赋形仿真设计方法
Zheng Application of Swarm Intelligence Optimization Algorithm in Antenna Design
Zhang et al. A generalizing radiation pattern synthesis method for conformal antenna array based on convolutional neural network

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