CN116306199A - 一种基于多元矢量控制交叉眼干扰技术实现的高效优化方法 - Google Patents
一种基于多元矢量控制交叉眼干扰技术实现的高效优化方法 Download PDFInfo
- Publication number
- CN116306199A CN116306199A CN202211099919.1A CN202211099919A CN116306199A CN 116306199 A CN116306199 A CN 116306199A CN 202211099919 A CN202211099919 A CN 202211099919A CN 116306199 A CN116306199 A CN 116306199A
- Authority
- CN
- China
- Prior art keywords
- optimization
- network
- algorithm
- amplitude
- population
- 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.)
- Pending
Links
Images
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
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/38—Jamming means, e.g. producing false echoes
-
- 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
该发明公开了一种基于多元矢量控制交叉眼干扰技术实现的高效优化方法,属于无线通信技术领域。本发明在对生成干扰天线目标点的寻优阶段,采用嵌入式混合算法,选择以PSO算法作为主导,将GA算法特有的交叉、变异思想融入到寻优过程,通过交叉、变异扩充种群多样性,使得算法在寻优时不易陷入局部最优,且能在全局参数范围内快速缩小解空间,有效提高优化精度。本发明在对幅度、相位参数择优筛选的过程中引入基于神经网络的快速建模方案,以减少正演数值建模的整体耗时并淘汰不满足精度要求的馈电参数组合。
Description
技术领域
本发明涉及一种基于多元矢量控制交叉眼干扰技术实现的高效优化算法,属于无线通信技术领域。
背景技术
目前,交叉眼干扰被认为是干扰单脉冲雷达最有效的方式,但是交叉眼可以实施有效干扰的前提是两路干扰信号必须接近等幅、反相,现今的硬件设备并不能保证准确馈电。为改善交叉眼干扰技术的缺陷,提出了一种多元矢量控制交叉眼干扰技术,该技术通过引入多个天线,提升干扰系统自由度,可使得合成出的“假目标”处于二维平面中,大大的提高了干扰的可选范围和广度。为了实现良好的干扰效果,基于多元矢量控制的交叉眼干扰技术对多天线的幅度和相位也有要求,所以干扰天线阵的馈电幅度和馈电相位的准确性尤为重要,否则不仅不能实施有效干扰,甚至可能使自身飞行器或舰船成为信标。此外,导弹速度已经普遍达到数倍音速,先进的洲际导弹甚至达到了二十倍音速。因而在电子对抗领域中,对来袭导弹快速精准的反应是至关重要的,而其中高效、高精度的控制算法则尤为关键。
目前,基于多元矢量控制的交叉眼干扰技术对多天线的幅度和相位的选择,可以利用坡印廷矢量定理来计算多天线阵元的幅度、相位组合与等效合成干扰中心的位置,但因多个天线涉及的幅度、相位的组合数量相当庞大,计算量加剧。如何快速的在这些所有的组合中,找到可以利于硬件实现的幅度、相位中心点对成功实施干扰尤为重要,因此采用优化算法和神经网络结合来加快运行速度,通过优化算法寻优在耗时、计算量以及精度上面都会有明显的效果提升。但是单一的算法各有优劣,应用混合算法来取长补短,加快计算速度和提高计算精度也逐渐成为主流。而机器学习经历了几十年的快速发展,已经拥有大量的模型和强大的算法基础,对于解决高内存占用、高耗时问题有着显著的效果,在解决实际问题中扮演越来越重要的角色。
发明内容
本发明要解决的技术问题是提供一种基于多元矢量控制交叉眼干扰技术实现的高效优化算法,用于解决当飞行器或舰船面对精确制导武器的打击时,能够快速高效且准确的计算出各天线单元的馈电幅度和相位,生成诱惑敌方导引头的假目标,从而对单脉冲雷达实施有效干扰。
本发明通过以下技术方案实现:
一种基于多元矢量控制交叉眼干扰技术实现的高效优化方法,包括:
步骤1:设定需要产生干扰的目标点位置;
步骤2:根据设定的目标点位置,利用坡印廷矢量法结合粒子群-遗传混合优化算法提取干扰天线组初始幅度、相位参数;
步骤2.1:根据选择的目标点A(x,y),设置干扰天线模型尺寸,归一化干扰天线模型参数;根据先验信息设置幅度、相位参数的优化范围,其中幅度的最大范围为(0,1),相位为(0,2π);设置种群规模,额定迭代次数以及目标精度;
步骤2.2:将正演求解结果与目标位置参数的误差定义为算法的种群代价函数,即损失函数:
C(m)=||S(m)-Sgoal||2
其中,为待优化的干扰天线馈电幅度、相位参数,S(m)为干扰天线正演响应,Sgoal为目标点位置参数,An表示待优化的第n个天线的馈电幅度,/>表示待优化的第n个天线的馈电相位;将粒子种群成员带入目标函数计算每个粒子的适应度大小值,评估各个粒子的适应度,更新每个粒子的历史个体最优pbest和历史全局极值gbest;
步骤2.3:根据粒子群算法的位置以及速度更新公式对粒子的速度和位置进行更新,评估粒子适应度值;
步骤2.3中粒子群算法的位置以及速度更新公式为:
其中,代表第i个粒子到第t代为止至今搜寻得到的最佳结果,gbest(t)为所有粒子群至今最佳解,/>各自为第i个粒子当今的位置和运行速度,c1、c2为学习因子,r1、r2为[0,1]上的随机数,ω为惯性权重。
步骤2.4:选择种群中个体的一定比例按照一定的交叉概率优化出新种群;
步骤2.5:选择种群中个体的一定比例按照一定规则进行变异操作,产生变异新个体;
步骤2.6:评估经过上述优化操作后的种群最优值是否直到达到额定收敛次数或满足目标点优化精度,如果不满足,返回步骤2.3继续执行新一轮优化;如果满足输出条件,则输出种群多个最优解,一个解为一个干扰天线组的初始馈电幅度、初始相位信息;
步骤3:将各初始馈电幅度、初始相位信息输入训练好的GA-BP或PSO-SVM多元矢量合成网络,生成等效辐射中心的拟合坐标;
步骤4:计算适应度值,其适应度函数定义为等效辐射中心拟合坐标与真实位置之间的误差,具体如下:
其中,n为网络输出的目标点位置参数个数,yi为等效辐射中心真实位置;oi为第个i节点的预测目标点位置,k为系数,abs(·)表示取绝对值;
根据计算出的误差筛选出满足精度要求的馈电幅度、相位信息;若都不满足则返回步骤2进行重新计算;
步骤5:输出满足硬件要求的馈电幅度、相位参数。
进一步的,步骤3中的GA-BP多元矢量合成网络训练流程,则具体包括:
步骤3.1:对初始幅度和相位参数进行数据预处理,确定BP网络结构,并创建BP神经网络。
步骤3.2:利用遗传算法对初始值编码,并进行适应度值的计算;
步骤3.3:判断适应度值是否满足终止条件;若满足,则将GA算法优化后种群的权阈值作为多元矢量合成BP网络的初始参量;如不满足,则对初始值进行选择、交叉、变异,产生新的种群,进行下一次迭代;
步骤3.4:计算BP网络输出误差,判断是否满足终止条件;若满足则完成GA-BP网络建模;若不满足则更新权阈值,进行下一次迭代,直至满足精度要求。
进一步的,步骤3中的PSO-SVM多元矢量合成网络训练流程,则具体包括:
步骤3.1:对样本数据进行预处理;
步骤3.2:初始化参数c和g,设置参数优化范围;
其中,c参数为SVM的惩罚因子,表示网络训练复杂度和误差容忍性之间的平衡;c过高则会刺激模型复杂度会导致过拟合,而c越小又会使决策平面过渡平滑产生欠拟合,影响训练精度;
g为SVM网络的核函数参数。其决定了映射复杂度和特征空间分布,g的值影响支持向量的多少,而支持向量的数量影响着SVM的训练速度,支持向量越多,训练速度越慢,支持向量越少,训练速度越快;
步骤3.3:计算种群适应度值;
步骤3.4:根据步骤3.2中所阐述的关于PSO优化算法步骤更新c、g值;
步骤3.5:判断是否满足终止条件,如若满足就进行下一步,否则转到步骤3.3;
步骤3.6:将优化所得的最佳c、g参数带到SVM进行回归模型训练。
因为每个天线的馈电幅度的范围是(0,1),相位是(0,2π),多个天线进行计算时,计算量太大;通过步骤2大致确定出每个天线的幅度和相位,再将得出的初始幅度、相位参数带入步骤3训练好的神经网络,可以计算出等效合成中心(目标点的位置)、通过步骤4判断此时馈电幅度、相位参数计算的目标点和真实值的误差是否满足精度要求,不满足则进行下一次迭代。若满足精度要求则通过步骤5判断是否满足硬件条件(因为硬件不可能对每一个幅度和相位都能进行输出),若满足则输出,不满足则进行下一次迭代。(其中训练好的神经网络用来代替电磁仿真的多次重复迭代来提高精度,可以大大降低计算时间)。
本发明具有如下优点和有益效果:
1、本发明在对生成干扰天线目标点的寻优阶段,采用嵌入式混合算法,选择以PSO算法作为主导,将GA算法特有的交叉、变异思想融入到寻优过程,通过交叉、变异扩充种群多样性,使得算法在寻优时不易陷入局部最优,且能在全局参数范围内快速缩小解空间,有效提高优化精度。
2、本发明在对幅度、相位参数择优筛选的过程中引入基于神经网络的快速建模方案,以减少正演数值建模的整体耗时并淘汰不满足精度要求的馈电参数组合。
附图说明:
此处所说明的附图用来提供对本发明实施的进一步理解,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为本发明的优化方法流程图。
图2为本发明优化方法中的步骤1采用粒子群-遗传混合优化算法(PSO-GA)目标点寻优流程图。
图3(a)GA-BP网络优化结构图。
图3(b)为本发明优化方法中的步骤2中GA-BP网络训练流程图。
图4为本发明优化方法中的步骤2采用PSO-SVM网络训练流程图。
图5(a)为三天线阵归一化模型。
图5(b)为四个测试点的收敛特性。
图6(a)为无遗传算法优化的BP网络的预测误差。
图6(b)为有遗传算法优化的BP网络的预测误差。
图7(a)为无PSO优化后的SVM网络对多元矢量合成模型的拟合性能。
图7(b)为经PSO优化后的SVM网络对多元矢量合成模型的拟合性能。
具体实施方式
下面结合实施例和附图对本发明的技术方案进行详细描述。
针对现有目标寻优反演精度与反演效率受限,以及在择优筛选中采用正演数值建模效率低的问题。本发明提出了一种基于多元矢量控制交叉眼干扰技术实现的高效优化算法,本发明在干扰目标点的寻优过程中采用坡印廷矢量法结合粒子群-遗传混合优化算法(PSO-GA),可高效、高精度的提取干扰天线的初始幅度、相位参数。并引入GA-BP/PSO-SVM多元矢量合成网络对初始幅度和相位参数择优筛选,大大提高了筛选的精度和速度。
如图1所示,本实施例的方法具体包括以下步骤:
步骤1:设定需要产生干扰的目标点位置;
步骤2:根据设定的目标点位置,利用坡印廷矢量法结合粒子群-遗传混合优化算法(PSO-GA)提取干扰天线初始幅度、相位参数;
步骤3:将初始幅度、相位参数带入训练好的GA-BP/PSO-SVM多元矢量合成网络,生成等效辐射中心的拟合坐标;
步骤4:计算适应度值,其适应度函数定义为等效辐射中心拟合坐标与真实位置之间的误差,具体如下:
其中n为网络输出的目标点位置参数个数,yi为等效辐射中心真实位置;oi为第个i节点的预测目标点位置;k为系数。
步骤5:输出满足硬件要求的馈电幅度、相位参数;
图2所示为本发明在步骤2中利用的PSO-GA混合优化算法的具体步骤,在本实施例中的应用如下:
如图5(a)所示,在实施例中,选定三天线阵模型,并对其进行归一化。在三天线阵区域内外选择了四个典型的辐射中心作为优化目标进行分析,(-0.1,0.5)、(1.1,0.5)、(0.5,-0.1)、(0.5,0.2),分别位于不同的特征区域。
种群规模设置为120,最大迭代次数控制在30步,幅度、相位参数的优化范围为(0,0,0,0,0,0)至(1,1,1,π,π,π)。在每次迭代中,种群所有粒子均先进行PSO优化,之后进入GA优化阶段,交叉概率为70%,变异概率设为30%。
图5(b)为基于PSO-GA混合算法四个取样点的收敛特性,从图中可以看出,种群粒子最优适应度随着迭代步数的增加而迅速降低,且经过10次以内的迭代优化便能满足10-6的精度要求。
分别控制反演精度为10-6以及最大迭代次数为30次的作为结果的输出门限,对比考察不同方法的反演性能。结果如表1和表2所示。
表1四个典型目标点的PSO-GA优化结果对比(固定迭代30次误差)
表2四个典型目标点的PSO-GA优化结果对比(固定优化精度10-6)
从结果可以看出,利用PSO-GA混合优化算法对目标点进行寻优,在迭代次数相同的情况下,其精度远远高于单一PSO算法;固定优化精度时,其需要迭代的次数也更少,花费的时间更短。
图3(a)和(b)为本发明在步骤3中利用的GA-BP多元矢量合成网络的具体步骤,在本实施例中的应用如下:
步骤3.1:对初始幅度、相位参数进行数据预处理,创建BP神经网络,并确定BP网络结构:输入层6个节点(干扰天线的幅度、相位矢量x={A1,A2,A3,φ1,φ2,φ3}),神经网络输出矢量为不同参数组合下经过电磁仿真计算出来的目标点坐标即输出层为两个神经元。其中,待优化的三天线阵BP网络具有2个隐含层,分别具有10和6个节点。
步骤3.2:利用遗传算法对初始值编码,并进行适应度值的计算。
其中,由步骤2得出GA算法待优化的参数个数为120,也即为编码长度120。
其中,适应度函数定义为等效辐射中心拟合坐标与真实位置之间的误差,具体如下:
其中,n为网络输出的目标点位置参数个数,yi为等效辐射中心真实位置;oi为第个i节点的预测目标点位置;k为系数。
步骤3.3:判断适应度值是否满足终止条件。若满足,则将GA算法优化后种群的权阈值作为多元矢量合成BP网络的初始参量。如不满足,则对初始值进行选择,设置交叉概率为70%,变异概率设为30%,产生新的种群,进行下一次迭代。
步骤3.4:计算BP网络输出误差,判断是否满足终止条件。若满足则完成GA-BP网络建模,输出择优选择后的幅度、相位参数。若不满足则更新权阈值,进行下一次迭代,直至满足精度要求。
在本实施例中仅考虑干扰天线馈电幅度可变的情况,设置待优化权阈值个数为120个,限定相同的迭代步数50步,对比分析了GA算法优化前后的BP网络对三天线阵等效辐射中心的预测性能。
如图6(a)所示,未经GA算法优化的BP网络的训练误差为(10-5)。
如图6(b)所示,经过GA算法优化的BP网络的训练误差为(10-6)。
故而,利用GA算法提供优化的初始值,是可以增强网络性能的,其避免了传统网络训练方法易陷入局部最小值的缺陷,提升收敛速度的同时也增加了预测准确度,克服了传统网络性能受参数影响的不确定性。
图4为本发明在步骤2中利用PSO-SVM多元矢量合成网络对幅度和相位参数择优筛选的具体步骤,在本实施例中的应用如下:
设置参数c和g的优化区间为[2-2,22],将步骤2得出的初始幅度和相位参数带入训练好的PSO-SVM网络模型,输出满足硬件要求的的馈电幅度、相位参数。
为了验证经PSO优化后的SVM网络对多元矢量合成模型的拟合性能,选择相同的三干扰天线阵样本,分别进行SVM和PSO-SVM训练,仿真结果如下:
图7(a)为未经PSO优化的SVM网络测试集的实际和网络预测图。
图7(b)为经过PSO优化的SVM网络测试集的实际和网络预测图。
通过SVM对多元矢量合成建模,基于相同的三干扰天线阵数据集在不同训练策略下对模型进行仿真训练,可以得出以下对比,如表3所示。
表3不同优化方案的SVM网络性能对比
SVM优化策略 | SVM | PSO优化SVM |
均方误差 | 0.00113256 | 8.6304e-06 |
相关系数 | 0.989491 | 0.999707 |
通过对比表中数据可以发现,基于PSO参数优化的SVM网络对于三天线阵等效辐射中心的回归建模具有更高的拟合精度,在仅考虑单元馈电幅度的情况下,预测目标点位置与真实辐射中心坐标的均方误差可达10-6量级。此外,PSO算法不必遍历c、g参数调整步长网格内的所有参数点,能够节省内存占用和计算时间。因此,在基于PSO-SVM的多元矢量合成网络模型在对初始馈电幅度和相位参数择优筛选过程中具有更高的应用价值。
为了验证本发明的有效性,本实施例给出部分辐射目标点的优化结果对比,如表4所示。
表4多元矢量合成的网络模型结果对比
通过对比表中数据发现,本发明对于每个目标点均具有更高的计算精度,从而证明了所提出的优化方案的可行性。
通过本实施例的说明,可以有效证明了本文提出的多元矢量合成技术的高效优化算法具有更高的反演精度和计算效率。
Claims (3)
1.一种基于多元矢量控制交叉眼干扰技术实现的高效优化方法,包括:
步骤1:设定需要产生干扰的目标点位置;
步骤2:根据设定的目标点位置,利用坡印廷矢量法结合粒子群-遗传混合优化算法提取干扰天线组初始幅度、相位参数;
步骤2.1:根据选择的目标点A(x,y),设置干扰天线模型尺寸,归一化干扰天线模型参数;根据先验信息设置幅度、相位参数的优化范围,其中幅度的最大范围为(0,1),相位为(0,2π);设置种群规模,额定迭代次数以及目标精度;
步骤2.2:将正演求解结果与目标位置参数的误差定义为算法的种群代价函数,即损失函数:
C(m)=||S(m)-Sgoal||2
其中,为待优化的干扰天线馈电幅度、相位参数,S(m)为干扰天线正演响应,Sgoal为目标点位置参数,An表示待优化的第n个天线的馈电幅度,/>表示待优化的第n个天线的馈电相位;将粒子种群成员带入目标函数计算每个粒子的适应度大小值,评估各个粒子的适应度,更新每个粒子的历史个体最优pbest和历史全局极值gbest;
步骤2.3:根据粒子群算法的位置以及速度更新公式对粒子的速度和位置进行更新,评估粒子适应度值;
步骤2.3中粒子群算法的位置以及速度更新公式为:
其中,代表第i个粒子到第t代为止至今搜寻得到的最佳结果,gbest(t)为所有粒子群至今最佳解,/>Vi (t)各自为第i个粒子当今的位置和运行速度,c1、c2为学习因子,r1、r2为[0,1]上的随机数,ω为惯性权重。
步骤2.4:选择种群中个体的一定比例按照一定的交叉概率优化出新种群;
步骤2.5:选择种群中个体的一定比例按照一定规则进行变异操作,产生变异新个体;
步骤2.6:评估经过上述优化操作后的种群最优值是否直到达到额定收敛次数或满足目标点优化精度,如果不满足,返回步骤2.3继续执行新一轮优化;如果满足输出条件,则输出种群多个最优解,一个解为一个干扰天线组的初始馈电幅度、初始相位信息;
步骤3:将各初始馈电幅度、初始相位信息输入训练好的GA-BP或PSO-SVM多元矢量合成网络,生成等效辐射中心的拟合坐标;
步骤4:计算适应度值,其适应度函数定义为等效辐射中心拟合坐标与真实位置之间的误差,具体如下:
其中,n为网络输出的目标点位置参数个数,yi为等效辐射中心真实位置;oi为第个i节点的预测目标点位置,k为系数,abs(·)表示取绝对值;
根据计算出的误差筛选出满足精度要求的馈电幅度、相位信息;若都不满足则返回步骤2进行重新计算;
步骤5:输出满足硬件要求的馈电幅度、相位参数。
2.如权利要求1所述的一种基于多元矢量控制交叉眼干扰技术实现的高效优化方法,其特征在于,步骤3中的GA-BP多元矢量合成网络训练流程,则具体包括:
步骤3.1:对初始幅度和相位参数进行数据预处理,确定BP网络结构,并创建BP神经网络。
步骤3.2:利用遗传算法对初始值编码,并进行适应度值的计算;
步骤3.3:判断适应度值是否满足终止条件;若满足,则将GA算法优化后种群的权阈值作为多元矢量合成BP网络的初始参量;如不满足,则对初始值进行选择、交叉、变异,产生新的种群,进行下一次迭代;
步骤3.4:计算BP网络输出误差,判断是否满足终止条件;若满足则完成GA-BP网络建模;若不满足则更新权阈值,进行下一次迭代,直至满足精度要求。
3.如权利要求1所述的一种基于多元矢量控制交叉眼干扰技术实现的高效优化方法,其特征在于,步骤3中的PSO-SVM多元矢量合成网络训练流程,则具体包括:
步骤3.1:对样本数据进行预处理;
步骤3.2:初始化参数c和g,设置参数优化范围;
其中,c参数为SVM的惩罚因子,表示网络训练复杂度和误差容忍性之间的平衡;c过高则会刺激模型复杂度会导致过拟合,而c越小又会使决策平面过渡平滑产生欠拟合,影响训练精度;
g为SVM网络的核函数参数。其决定了映射复杂度和特征空间分布,g的值影响支持向量的多少,而支持向量的数量影响着SVM的训练速度,支持向量越多,训练速度越慢,支持向量越少,训练速度越快;
步骤3.3:计算种群适应度值;
步骤3.4:根据步骤3.2中所阐述的关于PSO优化算法步骤更新c、g值;
步骤3.5:判断是否满足终止条件,如若满足就进行下一步,否则转到步骤3.3;
步骤3.6:将优化所得的最佳c、g参数带到SVM进行回归模型训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211099919.1A CN116306199A (zh) | 2022-09-07 | 2022-09-07 | 一种基于多元矢量控制交叉眼干扰技术实现的高效优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211099919.1A CN116306199A (zh) | 2022-09-07 | 2022-09-07 | 一种基于多元矢量控制交叉眼干扰技术实现的高效优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116306199A true CN116306199A (zh) | 2023-06-23 |
Family
ID=86819131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211099919.1A Pending CN116306199A (zh) | 2022-09-07 | 2022-09-07 | 一种基于多元矢量控制交叉眼干扰技术实现的高效优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116306199A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172163A (zh) * | 2023-08-15 | 2023-12-05 | 重庆西南集成电路设计有限责任公司 | 幅相控制电路的幅相二维优化方法、系统、介质及电子设备 |
-
2022
- 2022-09-07 CN CN202211099919.1A patent/CN116306199A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172163A (zh) * | 2023-08-15 | 2023-12-05 | 重庆西南集成电路设计有限责任公司 | 幅相控制电路的幅相二维优化方法、系统、介质及电子设备 |
CN117172163B (zh) * | 2023-08-15 | 2024-04-12 | 重庆西南集成电路设计有限责任公司 | 幅相控制电路的幅相二维优化方法、系统、介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Grimaccia et al. | Genetical swarm optimization: Self-adaptive hybrid evolutionary algorithm for electromagnetics | |
CN113177356B (zh) | 一种基于深度学习的目标电磁散射特性快速预测方法 | |
CN113311397B (zh) | 基于卷积神经网络的大型阵列快速自适应抗干扰方法 | |
CN108398678A (zh) | 一种集中式mimo雷达快速自适应目标跟踪方法 | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
CN116306199A (zh) | 一种基于多元矢量控制交叉眼干扰技术实现的高效优化方法 | |
CN111122989A (zh) | K聚类智能择取的微波信号多径干扰抑制方法 | |
CN105842666B (zh) | 基于差分算法的雷达子阵划分优化方法 | |
CN106845029B (zh) | 一种高速高效的基于人工智能的多元近场效应修正方法 | |
CN115169517A (zh) | 一种改进的灰狼优化算法的方法 | |
CN109212466B (zh) | 一种基于量子蜻蜓演化机制的宽带测向方法 | |
CN114597970A (zh) | 一种基于图卷积网络的主动配电网分区方法 | |
CN111398890B (zh) | 一种基于协方差矩阵重构的布谷鸟搜索doa估计方法 | |
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 | |
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 | |
CN112906308B (zh) | 一种天线罩辐射特性快速预示方法、设备及存储介质 | |
CN116933948A (zh) | 基于改进海鸥算法与反向传播神经网络的预测方法和系统 | |
CN111487594A (zh) | 一种基于粒子群优化的圆阵列波束形成方法 | |
CN109117545B (zh) | 基于神经网络的天线快速设计方法 | |
CN113691294B (zh) | 一种近场稀疏阵列天线波束建立方法及装置 | |
CN116070498A (zh) | 一种手持式快速毁伤评估装置 | |
CN113240065B (zh) | 基于改进粒子群优化算法的无源雷达布站方法 | |
CN114218849A (zh) | 基于深度强化学习的复杂阵列天线智能设计方法 | |
Vilovic et al. | A comparison of MLP and RBF neural networks architectures for electromagnetic field prediction in indoor environments | |
CN114065486A (zh) | 一种基于新的优化问题的快速阵列天线方向图综合方法 |
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 |