CN114996874B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114996874B CN114996874B CN202210627902.2A CN202210627902A CN114996874B CN 114996874 B CN114996874 B CN 114996874B CN 202210627902 A CN202210627902 A CN 202210627902A CN 114996874 B CN114996874 B CN 114996874B
- Authority
- CN
- China
- Prior art keywords
- layer
- radiation pattern
- target
- pattern
- parameters
- 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
- 230000005855 radiation Effects 0.000 title claims abstract description 55
- 238000001308 synthesis method Methods 0.000 title claims abstract description 11
- 238000005457 optimization Methods 0.000 title claims description 24
- 230000006870 function Effects 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000013461 design Methods 0.000 claims abstract description 12
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 230000003139 buffering effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 2
- 230000015572 biosynthetic process Effects 0.000 description 10
- 238000003786 synthesis reaction Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 244000186140 Asperula odorata Species 0.000 description 1
- 235000008526 Galium odoratum Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明提供了基于多层感知器网络的天线阵列辐射方向图的高效优化合成方法。该方法包括：步骤1、根据目标方向图的设计要求，对目标方向图的特征进行人工筛选，选择重要的特征参数输入多层感知器网络进行训练和学习。步骤2、根据目标方向图的要求，确定对应的多参数控制的掩膜函数，将其与感知器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训练时梯度下降的方向。步骤3：根据需求确定多层感知器网络的层结构和参数，在输入目标方向图重要的特征参数后，输出对应阵列天线单元的幅度与相位信息。
Description
技术领域
本发明涉及深度学习与天线阵列辐射方向图优化合成技术领域，尤其涉及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
背景技术
阵列天线由于波束设计的灵活性而被广泛应用于雷达、通信、检测和成像等诸多领域。通过对天线元件的排布和激励信号的设计，阵列天线可以实现许多单一天线无法实现的优良性能，如更高的增益、更低的副瓣电平和多波束等。在过去的几十年里，许多阵列天线辐射远场方向图的优化合成方法的到了发展。根据这些方法的特点，可分为:数学优化综合方法、智能进化算法和凸优化算法。目前已有几种较为成熟的数学优化合成方法，如:Woodward采样、Chebyshev分布、Taylor分布等，通过调整天线单元的激励信号来合成目标辐射远场方向图。这些数学优化综合方法一般适用于当天线阵列中天线单元均匀分布时，而在处理天线单元排布不均匀和目标辐射远场方向图复杂等问题时，这些方法在效率上没有优势。
智能进化算法对解决阵列天线优化合成问题具有很好的效果。虽然这些算法在处理复杂的优化问题时具有较强的鲁棒性，但当阵列天线数量较大时，会导致优化模型的参数增多，最终使得优化合成效率较低。同时，凸优化算法作为优化领域的另一个算法分支，在天线阵辐射远场方向图的优化合成中也得到了广泛的应用。然而，对于不同的问题，在凸算法框架中需要构造不同的凸模型，其灵活性受到限制。近年来，随着计算机技术的进步，机器学习技术也得到了迅速的发展。神经网络作为机器学习的主要技术，已被广泛研究和应用。这些机器学习方法在处理组合优化问题时表现良好。许多研究者受到了吸引，并逐渐开始采用机器学习技术来解决天线领域的问题。
发明内容
针对在天线阵列远场辐射方向图优化合成上现有的计算方法存在效率较低、优化合成效果不理想、适用性不广等问题，本文提出了一种基于多层感知器网络的天线阵列辐射方向图的高效优化合成方法。
本发明提出了一种基于多层感知器网络的天线阵列辐射方向图的高效优化合成方法，包括以下几个步骤：
步骤1：根据目标方向图的设计要求，对目标方向图的特征进行人工筛选，选择重要的特征参数输入多层感知器网络进行训练和学习。
步骤2：根据目标方向图的要求，确定对应的多参数控制的掩膜函数，将其与感知器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训练时梯度下降的方向。
步骤3：根据需求确定多层感知器网络的层结构和参数，在输入目标方向图重要的特征参数后，输出对应阵列天线单元的幅度与相位信息。
进一步地，步骤1具体为：
本专利为了减小多层感知器网络在输入数据中进行特征学习的难度，同时也是为了减小多层感知器网络输入参数的冗余进一步提高计算效率。因此，在设计多层感知器网络的输入参数时进行了人工选择。根据目标方向图的设计要求，选择主波束位置作为重要特征输入多层感知器网络进行训练和学习。
进一步地，步骤2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要求。
本专利设计了两个二维数据矩阵来重新定义所需的辐射远场方向图要求，分别命名为下掩模函数和上掩模函数。上掩模函数代表期望辐射方向图的上限约束，下掩模函数/>代表期望辐射方向图的下限约束。上掩模函数/>中存在若干控制参数，包括指向主波束方向/>控制副瓣电平SLL，以及期望辐射方向图的主波束宽度θw。下掩模函数/>中则包括主波束的-3dB宽度，期望辐射方向图电平的最小值L。
根据目标远场辐射方向图确定了两种掩膜函数中的控制参数后，优化的目标被转化为在训练过程中多层感知器网络计算的幅度与相位合成的远场辐射方向图应该满足：
上误差函数lossU以及下误差函数lossL是由训练过程中多层感知器网络计算的幅度与相位合成的远场辐射方向图与对应的掩膜函数的差值：
在优化过程中，不同的注意力机制ν1、ν2被分配给上误差函数lossU以及下误差函数lossL：
loss＝ν1·lossU+ν2·lossL
进一步地，步骤3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多层感知器网络的层结构和参数，在本发明中，放置了4个隐层，分别为4096、2048、2048和1024个感知单元，通过数据降维提取信息。第二层和第三层之间的相等映射为数据流计算提供了必要的缓冲作用，以避免信息崩溃。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”，但输出层的激活函数为“tanh”。在输入目标方向图重要的特征参数后，输出对应阵列天线单元的幅度与相位信息。以目标方向图重要的特征参数作为输入，将天线阵列单元的幅度与相位信息作为输出。
本发明的有益效果：本发明提出了一种基于多层感知器网络的天线阵列辐射方向图的高效优化合成方法。设计了多层感知网络的结构，与目标辐射方向图特征要求的描述策略。通过构建相应的上掩膜函数与下掩膜函数，不同的辐射远场方向图被成功优化合成。除此之外，掩模函数设计的灵活性使优化方法具有足够的灵活性，可以有效地处理任意需求下的辐射远场方向图优化问题。该优化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是本发明中基于多层感知器网络的天线阵列辐射方向图的高效优化合成方法的流程图
图2是本发明中掩膜函数的示意图
图3是本发明中多层感知器网络的结构
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时本发明中远场辐射方向图主波束位置在(50°,50°)的优化合成结果。
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，本发明实施提供了一种基于多层感知器网络的天线阵列辐射方向图的高效优化合成方法，该方法包括以下步骤：
S101、根据目标方向图的设计要求，对目标方向图的特征进行人工筛选，选择重要的特征参数输入多层感知器网络进行训练和学习；
具体地，本专利为了减小多层感知器网络在输入数据中进行特征学习的难度，同时也是为了减小多层感知器网络输入参数的冗余进一步提高计算效率。因此，在设计多层感知器网络的输入参数时进行了人工选择。根据目标方向图的设计要求，选择主波束位置作为重要特征输入多层感知器网络进行训练和学习。
S102、根据目标方向图的要求，确定对应的多参数控制的掩膜函数，将其与感知器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训练时梯度下降的方向；
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要求。
本专利设计了两个二维数据矩阵来重新定义所需的辐射模式要求，分别命名为下掩模函数和上掩模函数如图2所示。上掩模函数代表期望辐射方向图的上限约束，下掩模函数/>代表期望辐射方向图的下限约束。上掩模函数/>中存在若干控制参数，包括指向主波束方向/>控制副瓣电平SLL，以及期望辐射方向图的主波束宽度θw。下掩模函数/>中则包括主波束的-3dB宽度，期望辐射方向图电平的最小值L。
根据目标远场辐射方向图确定了两种掩膜函数中的控制参数后，优化的目标被转化为在训练过程中多层感知器网络计算的幅度与相位合成的远场辐射方向图应该满足：
上误差函数lossU以及下误差函数lossL是由训练过程中多层感知器网络计算的幅度与相位合成的远场辐射方向图与对应的掩膜函数的差值：
在优化过程中，不同的注意力机制ν1、ν2被分配给上误差函数lossU以及下误差函数lossL：
loss＝ν1·lossU+ν2·lossL
S103、根据需求确定多层感知器网络的层结构和参数，在输入目标方向图重要的特征参数后，输出对应阵列天线单元的幅度与相位信息，合成远场方向图的结果如图5中(a)、(b)所示。
具体地，本发明中所设计的多层感知器网络如图3所示，在本发明中，放置了4个隐层，分别为4096、2048、2048和1024个感知单元，通过数据降维提取信息。第二层和第三层之间的相等映射为数据流计算提供了必要的缓冲作用，以避免信息崩溃。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”，但输出层的激活函数为“tanh”。在输入目标方向图重要的特征参数后，输出对应阵列天线单元的幅度与相位信息。
仿真实验的设计分别平面阵列和共形阵列两种，如图4所示，(a)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，(b)100个贴片天线单元在半球面上进行共形分布。优化合成的目标是在天线阵的上半空间内优化合成主波束方向为(50°,50°)、副瓣电平低于-20dB辐射远场方向图。图5中(a)为平面阵列、(b)为共形阵列。
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 (1)
1.一种基于多层感知器网络的天线阵列辐射方向图的高效优化合成方法，其特征在于：
步骤1：根据目标方向图的设计要求，对目标方向图的特征进行人工筛选，选择重要的特征参数输入多层感知器网络进行训练和学习，
步骤2：根据目标方向图的要求，确定对应的多参数控制的掩膜函数，将其与感知器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训练时梯度下降的方向，
步骤3：根据需求确定多层感知器网络的层结构和参数，在输入目标方向图重要的特征参数后，输出对应阵列天线单元的幅度与相位信息；
为了减小多层感知器网络在输入数据中进行特征学习的难度，同时也是为了减小多层感知器网络输入参数的冗余进一步提高计算效率，因此，在设计多层感知器网络的输入参数时进行了人工选择，根据目标方向图的设计要求，选择主波束位置作为重要特征输入多层感知器网络进行训练和学习；
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要求，分别命名为下掩模函数和上掩模函数，上掩模函数代表期望辐射方向图的上限约束，下掩模函数/>代表期望辐射方向图的下限约束，上掩模函数/>中存在若干控制参数，包括指向主波束方向/>控制副瓣电平SLL，以及期望辐射方向图的主波束宽度θw，下掩模函数/>中则包括主波束的-3dB宽度，期望辐射方向图电平的最小值L，根据目标远场辐射方向图确定了两种掩膜函数中的控制参数后，优化的目标被转化为在训练过程中多层感知器网络计算的幅度与相位合成的远场辐射方向图/>应该满足：
上误差函数lossU以及下误差函数lossL是由训练过程中多层感知器网络计算的幅度与相位合成的远场辐射方向图与对应的掩膜函数的差值：
在优化过程中，不同的注意力机制ν1、ν2被分配给上误差函数lossU以及下误差函数lossL：
loss＝ν1·lossU+ν2·lossL
根据目标辐射远场方向图的具体需求来确定多层感知器网络的层结构和参数，放置了4个隐层，分别为4096、2048、2048和1024个感知单元，通过数据降维提取信息，第二层和第三层之间的相等映射为数据流计算提供了必要的缓冲作用，以避免信息崩溃，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”，但输出层的激活函数为“tanh”，在输入目标方向图重要的特征参数后，输出对应阵列天线单元的幅度与相位信息，以目标方向图重要的特征参数作为输入，将天线阵列单元的幅度与相位信息作为输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210627902.2A CN114996874B (zh) | 2022-06-06 | 2022-06-06 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210627902.2A CN114996874B (zh) | 2022-06-06 | 2022-06-06 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114996874A CN114996874A (zh) | 2022-09-02 |
| CN114996874B true CN114996874B (zh) | 2024-06-04 |
Family
ID=83031318
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210627902.2A Active CN114996874B (zh) | 2022-06-06 | 2022-06-06 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114996874B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117892641B (zh) * | 2024-03-18 | 2024-05-31 | 艾索信息股份有限公司 | 阵列天线的模型训练方法、预测方法、装置、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110058361A (ko) * | 2009-11-26 | 2011-06-01 | 국방과학연구소 | 고해상도 영상 레이더의 안테나 복사패턴 합성방법 |
| 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 |
| CN114218849A (zh) * | 2021-09-23 | 2022-03-22 | 浙江金乙昌科技股份有限公司 | 基于深度强化学习的复杂阵列天线智能设计方法 |
| CN114330695A (zh) * | 2021-12-31 | 2022-04-12 | 西安电子科技大学 | 一种基于多层感知神经网络的相控阵驱动方法 |
-
2022
- 2022-06-06 CN CN202210627902.2A patent/CN114996874B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110058361A (ko) * | 2009-11-26 | 2011-06-01 | 국방과학연구소 | 고해상도 영상 레이더의 안테나 복사패턴 합성방법 |
| CN114218849A (zh) * | 2021-09-23 | 2022-03-22 | 浙江金乙昌科技股份有限公司 | 基于深度强化学习的复杂阵列天线智能设计方法 |
| 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 |
| CN114330695A (zh) * | 2021-12-31 | 2022-04-12 | 西安电子科技大学 | 一种基于多层感知神经网络的相控阵驱动方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114996874A (zh) | 2022-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111294096A (zh) | 一种智能反射面miso无线通信***的信道容量优化方法 | |
| Robustillo et al. | ANN characterization of multi-layer reflectarray elements for contoured-beam space antennas in the Ku-band | |
| Xu et al. | Pattern synthesis of conformal antenna array by the hybrid genetic 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 | |
| CN107302140B (zh) | 基于量子蜘蛛群演化机制的平面天线阵列稀疏方法 | |
| CN107896129B (zh) | 一种稀布同心圆环阵的降维优化算法 | |
| CN104899374B (zh) | 基于小波变异风驱动优化算法直线天线阵方向图综合方法 | |
| CN106650104A (zh) | 考虑互耦效应的宽带非频变稀疏阵列综合方法 | |
| CN108733924B (zh) | 一种数字编码超材料单元的智能化设计方法 | |
| CN104020448B (zh) | 等阵元约束的雷达子阵级和波束/差波束形成优化方法 | |
| CN112115597B (zh) | 基于时间调制稀疏阵列的最小阵元数目优化方法 | |
| CN108763708B (zh) | 基于深度学习设计多波束多极化人工电磁表面的方法 | |
| CN114330695B (zh) | 一种基于多层感知神经网络的相控阵驱动方法 | |
| 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 | |
| CN114117565A (zh) | 一种基于深度学***面阵列天线辐射方向图综合方法 | |
| CN110069896B (zh) | 基于稀疏2d线性阵列的涡旋电磁波产生与优化方法 | |
| Oraizi et al. | Sum, difference and shaped beam pattern synthesis by non-uniform spacing and phase control | |
| CN110427669B (zh) | 一种相控阵扫描辐射波束的神经网络模型计算方法 | |
| CN112632742A (zh) | 一种多尺度天线平台辐射特性的快速分析方法 | |
| 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 | |
| CN116882147A (zh) | 基于混合麻雀搜索算法的阵列天线合成方法 | |
| CN109547083B (zh) | 一种基于神经网络的平顶波束赋形方法 | |
| 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 | |
| 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 | |
| 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 |
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 |