CN104485513A - 宽频带天线阵列实时综合方法 - Google Patents
宽频带天线阵列实时综合方法 Download PDFInfo
- Publication number
- CN104485513A CN104485513A CN201410784185.XA CN201410784185A CN104485513A CN 104485513 A CN104485513 A CN 104485513A CN 201410784185 A CN201410784185 A CN 201410784185A CN 104485513 A CN104485513 A CN 104485513A
- Authority
- CN
- China
- Prior art keywords
- particle
- antenna
- optimal solution
- neural net
- antenna array
- 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
Links
Landscapes
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明公开了一种宽频带天线阵列实时综合方法,包括以下步骤:1)将天线模型在工作频段上进行离散,离线训练神经网络至收敛,将训练好的神经网络及粒子群优化算法写入可编程逻辑器件;2)对于实时需求的最大辐射方向,将神经网络作为替代电磁仿真的替代模型进行综合优化,使用粒子群优化算法,优化计算得出每个天线阵元所需的馈电源的振幅和相位;3)将优化得出的振幅、相位输出至信号源部分的放大器和移相器,完成天线综合优化。本发明使用神经网络作为天线场强分布的替代模型加入综合计算,可较好的处理宽频带、超宽频带的天线综合;综合快速实时,实现简单,可广泛用于通信、雷达及电子对抗。
Description
技术领域
本发明涉及一种宽频带天线阵列,尤其涉及一种宽频带天线阵列的实时综合方法,属于天线微波技术领域。
背景技术
天线阵列由于其良好的方向性,广泛的应用于雷达无线通信、电子对抗等领域。天线阵列的发展方向大体可以概括为宽带、有源和相控,宽带指天线元为宽频带天线,有源指每个天线元馈电源的幅值可调,相控指天线元馈电源的相位可调。远场方向图是接收点距离发射天线较远距离时,所测得的天线在各个方向的场强或增益,远场方向图可以较好的评判天线在无线通信系统中各个方向上的性能。而由于宽频带天线频率的连续性,若想将频率与远场方向图的数据一一记录于存储器中,必然需要将频率进行精细离散,并将每个离散点的方向图记录于存储器,这需要大量内存空间,且数据量大必然导致取得天线性能最优的过程即天线综合优化过程的速度较慢,无法及时响应通信系统的需求。
发明内容
本发明的目的在于提供一种宽频带天线阵列实时综合方法,通过使用神经网络拟合天线方向图与频率的映射关系,再使用粒子群算法计算优化神经网络方向图的阵列响应到最优值,并将最优的幅值相位输出到天线阵列的各馈电端。
本发明的目的通过以下技术方案予以实现:
一种宽频带天线阵列实时综合方法,包括以下步骤:
1)将天线模型在工作频段上进行离散,使用电磁数值方法离线仿真出各个频点上的方向图,使用BP神经网络,附加动量学习规则,将频率、方向角作为神经网络输入变量,仿真出天线在此方向上的场强作为输出变量,离线训练神经网络至收敛,将训练好的神经网络及粒子群优化算法写入可编程逻辑器件;
2)对于实时需求的最大辐射方向,将神经网络作为替代电磁仿真的替代模型进行综合优化,使用粒子群优化算法,优化计算得出每个天线阵元所需的馈电源的振幅和相位;
3)将优化得出的振幅、相位输出至信号源部分的放大器和移相器,完成天线综合优化,返回步骤2)等待下一条综合需求。
本发明的目的还可以通过以下技术措施来进一步实现:
前述宽频带天线阵列实时综合方法,其中粒子群优化算法具体步骤为:
A.初始化粒子群:确定粒子群大小NP,粒子群算法迭代次数NG,初始化随机分布粒子位置,计算每个粒子的适应度并将初始化粒子中最优解作为全局最优,初始化粒子作为个体最优;
B.更新粒子群,粒子群的运动方程如下:
v(t)=ω·v(t-1)+c1·(lbest-x(t))+c2·(gbest-x(t))
x(t+1)=x(t)+c3·v(t)
其中ω取为1-0.6·(i/NP),v(t)为第t次迭代粒子的速度,x(t)为第t次迭代粒子的位置,i为粒子群算法的本次迭代次数,c1、c2、c3为常数,lbest为每个粒子搜索过的个体最优解,gbest为所有粒子搜索过的全局最优解;
C.计算粒子适应度,更新个体最优解与全局最优解;粒子适应度的计算使用神经网络替代模型进行计算,如下:
其中,j为虚数,分别为球坐标下的方向角,表示天线阵的辐射方向,为天线元的远场场强,为天线阵的远场场强,x,y为天线元的相对位置,由将输入神经网络得到,Amplitude(x,y)、Phase(x,y)分别为天线元的幅值和相位,k为电波传播常数, 这样对每个粒子,此次迭代产生的适应度,与个体最优相比,取较优的为个体最优解,与全局最优相比,取较优的为全局最优解;
D.判断是否达到迭代NG次,若是,则输出全局最优解,若否,则返回步骤B。
前述宽频带天线阵列实时综合方法,其中c1、c2取2,c3取0.5。
前述宽频带天线阵列实时综合方法,其中附加动量学习法即在传统BP学习方法基础上,在加权调节时赋予更新动量,以调出训练的局部最优解,具体更新规则如下式:
其中Δω(t)=ω(t)-ω(t-1),ω(t)表示第t次学习后神经网络各节点的权重向量,η表示神经网络的训练学习权重,ET为神经网络的训练误差,a为动量因子。
前述宽频带天线阵列实时综合方法,其中动量因子a取0.95。
与现有技术相比,本发明的有益效果是:1.使用神经网络作为天线场强分布的替代模型加入综合计算,相比现有技术更具有实用价值;2.可较好的处理宽频带、超宽频带的天线综合;3.综合快速实时,实现简单,可广泛用于通信、雷达及电子对抗。
附图说明
图1是本发明整体系统的逻辑结构示意图;
图2是本发明综合算法实现的流程图;
图3是本发明中粒子群算法流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
如图1所示,本发明的整体系统的逻辑结构图,将整个天线综合过程分为3个逻辑框,分别为信号源(馈源)部分、综合算法部分、离线处理部分。先利用电磁数值方法离线仿真,再进行离线训练神经网络,将训练好的神经网络及粒子群优化算法写入可编程逻辑器件;使用粒子群优化算法,优化计算得出每个天线阵元所需的馈电源的振幅和相位;将优化得出的振幅、相位输出至信号源部分的放大器和移相器,完成天线阵列的综合优化。具体实现方法如下:
如图2所示,为本发明综合方法的流程图,包括以下步骤:
1)将天线模型在工作频段上进行离散,使用电磁数值方法离线仿真出各个频点上的方向图,使用BP神经网络,附加动量学习规则,将频率、方向角作为神经网络输入变量,仿真出天线在此方向上的场强作为输出变量,离线训练神经网络至收敛,将训练好的神经网络及粒子群优化算法写入可编程逻辑器件;
2)对于实时需求的最大辐射方向,将神经网络作为替代电磁仿真的替代模型进行综合优化,使用粒子群优化算法,优化计算得出每个天线阵元所需的馈电源的振幅和相位;
如图3所示,它是本发明中使用的粒子群算法的流程图,具体步骤为:
A.初始化粒子群:确定粒子群大小NP,粒子群算法迭代次数NG,初始化随机分布粒子位置,计算每个粒子的适应度并将初始化粒子中最优解作为全局最优,初始化粒子作为个体最优;
B.更新粒子群,粒子群的运动方程如下:
v(t)=ω·v(t-1)+c1·(lbest-x(t))+c2·(gbest-x(t))
x(t+1)=x(t)+c3·v(t)
其中ω取为1-0.6·(i/NP),v(t)为第t次迭代粒子的速度,x(t)为第t次迭代粒子的位置,i为粒子群算法的本次迭代次数,c1、c2、c3为常数,c1、c2取2,c3取0.5。lbest为每个粒子搜索过的个体最优解,gbest为所有粒子搜索过的全局最优解;
C.计算粒子适应度,更新个体最优解与全局最优解;粒子适应度的计算使用神经网络替代模型进行计算,如下:
其中,j为虚数,分别为球坐标下的方向角,表示天线阵的辐射方向,为天线元的远场场强,为天线阵的远场场强,x,y为天线元的相对位置,由将输入神经网络得到,Amplitude(x,y)、Phase(x,y)分别为天线元的幅值和相位,k为电波传播常数, 这样对每个粒子,此次迭代产生的适应度,与个体最优相比,取较优的为个体最优解,与全局最优相比,取较优的为全局最优解;
D.判断是否达到迭代NG次,若是,则输出全局最优解,若否,则返回步骤B。
前述附加动量学习法即在传统BP学习方法基础上,在加权调节时赋予更新动量,以调出训练的局部最优解,具体更新规则如下式:
其中Δω(t)=ω(t)-ω(t-1),ω(t)表示第t次学习后神经网络各节点的权重向量,η表示神经网络的训练学习权重,ET为神经网络的训练误差,a为动量因子,动量因子a取0.95。
3)将优化得出的振幅、相位输出至信号源部分的放大器和移相器,完成天线综合优化,返回步骤2)等待下一条综合需求。
除上述实施例外,本发明还可以有其他实施方式,凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围内。
Claims (5)
1.一种宽频带天线阵列实时综合方法,其特征在于,包括以下步骤:
1)将天线模型在工作频段上进行离散,使用电磁数值方法离线仿真出各个频点上的方向图,使用BP神经网络,附加动量学习规则,将频率、方向角作为神经网络输入变量,仿真出天线在此方向上的场强作为输出变量,离线训练神经网络至收敛,将训练好的神经网络及粒子群优化算法写入可编程逻辑器件;
2)对于实时需求的最大幅射方向,将神经网络作为替代电磁仿真的替代模型进行综合优化,使用粒子群优化算法,优化计算得出每个天线阵元所需的馈电源的振幅和相位;
3)将优化得出的振幅、相位输出至信号源部分的放大器和移相器,完成天线综合控制,返回步骤2)等待下一条综合需求。
2.如权利要求1所述的宽频带天线阵列实时综合方法,其特征在于,所述粒子群优化算法具体步骤为:
A.初始化粒子群:确定粒子群大小NP,粒子群算法迭代次数NG,初始化随机分布粒子位置,计算每个粒子的适应度并将初始化粒子中最优解作为全局最优,初始化粒子作为个体最优;
B.更新粒子群,粒子群的运动方程如下:
v(t)=ω·v(t-1)+c1·(lbest-x(t))+c2·(gbest-x(t))
x(t+1)=x(t)+c3·v(t)
其中ω取为1-0.6·(i/NP),v(t)为第t次迭代粒子的速度,x(t)为第t次迭代粒子的位置,i为粒子群算法的本次迭代次数,c1、c2、c3为常数,lbest为每个粒子搜索过的个体最优解,gbest为所有粒子搜索过的全局最优解;
C.计算粒子适应度,更新个体最优解与全局最优解;粒子适应度的计算使用神经网络替代模型进行计算,如下:
其中,j为虚数,分别为球坐标下的方向角,表示天线阵的幅射方向,为天线元的远场场强,为天线阵的远场场强,x,y为天线元的相对位置,由将输入神经网络得到,Amplitude(x,y)、Phase(x,y)分别为天线元的幅值和相位,k为电波传播常数, 这样对每个粒子,此次迭代产生的适应度,与个体最优相比,取较优的为个体最优解,与全局最优相比,取较优的为全局最优解;
D.判断是否达到迭代NG次,若是,则输出全局最优解,若否,则返回步骤B。
3.如权利要求2所述的宽频带天线阵列实时综合方法,其特征在于,所述c1、c2取2,c3取0.5。
4.如权利要求1所述的宽频带天线阵列实时综合方法,其特征在于,所述附加动量学习法即在传统BP学习方法基础上,在加权调节时赋予更新动量,以调出训练的局部最优解,具体更新规则如下式:
其中Δω(t)=ω(t)-ω(t-1),ω(t)表示第t次学习后神经网络各节点的权重向量,η表示神经网络的训练学习权重,ET为神经网络的训练误差,a为动量因子。
5.如权利要求4所述的宽频带天线阵列实时综合方法,其特征在于,所述动量因子a取0.95。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410784185.XA CN104485513B (zh) | 2014-12-17 | 2014-12-17 | 宽频带天线阵列实时综合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410784185.XA CN104485513B (zh) | 2014-12-17 | 2014-12-17 | 宽频带天线阵列实时综合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104485513A true CN104485513A (zh) | 2015-04-01 |
CN104485513B CN104485513B (zh) | 2017-05-03 |
Family
ID=52760034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410784185.XA Active CN104485513B (zh) | 2014-12-17 | 2014-12-17 | 宽频带天线阵列实时综合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104485513B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106845029A (zh) * | 2017-03-09 | 2017-06-13 | 电子科技大学 | 一种高速高效的基于人工智能的多元近场效应修正方法 |
CN106886648A (zh) * | 2017-02-28 | 2017-06-23 | 电子科技大学 | 一种三元矢量合成控制优化方法 |
CN107294589A (zh) * | 2017-08-03 | 2017-10-24 | 哈尔滨工业大学 | 基于粒子群优化算法的多波束卫星阵列天线方向图综合方法 |
CN109301500A (zh) * | 2018-09-25 | 2019-02-01 | 苏州大学 | 切比雪夫微带阵列天线的设计方法 |
CN111710962A (zh) * | 2020-06-28 | 2020-09-25 | 深圳市数聚天源人工智能有限公司 | 一种可重构对抗神经网络的合成的天线 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5768477A (en) * | 1996-09-10 | 1998-06-16 | Southwest Research Institute | Radio direction finding system for narrowband multiple signals |
CN102638296A (zh) * | 2012-03-03 | 2012-08-15 | 天津理工大学 | 一种基于智能天线和神经网络算法的抗干扰方法 |
-
2014
- 2014-12-17 CN CN201410784185.XA patent/CN104485513B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5768477A (en) * | 1996-09-10 | 1998-06-16 | Southwest Research Institute | Radio direction finding system for narrowband multiple signals |
CN102638296A (zh) * | 2012-03-03 | 2012-08-15 | 天津理工大学 | 一种基于智能天线和神经网络算法的抗干扰方法 |
Non-Patent Citations (3)
Title |
---|
FILIZ GONES 等: ""3-D CST Microwave Studio-based Neural Network Characterization and Particle Swarm Optimization of Minkowski Reflectarray in use Microspacecraft applications"", 《2013 6TH INTERNATIONAL CONFERENCE ON RECENT ADVANCES IN SPACE TECHOLOGIES(RAST)》 * |
IVAN VILOVIC 等: ""Microstrip Antenna Design Using Neural Networks Optimized by PSO"", 《2013 21ST INTERNATIONAL CONFERENCE ON APPLIED ELECTROMAGNETICS AND COMMUNICATIONS(ICECOM)》 * |
田雨波 等: ""改进小波变异粒子群优化算法用于直线阵综合"", 《电波科学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106355245B (zh) * | 2016-09-12 | 2018-09-21 | 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 |
CN106886648A (zh) * | 2017-02-28 | 2017-06-23 | 电子科技大学 | 一种三元矢量合成控制优化方法 |
CN106886648B (zh) * | 2017-02-28 | 2020-03-10 | 电子科技大学 | 一种三元矢量合成控制优化方法 |
CN106845029A (zh) * | 2017-03-09 | 2017-06-13 | 电子科技大学 | 一种高速高效的基于人工智能的多元近场效应修正方法 |
CN106845029B (zh) * | 2017-03-09 | 2019-10-29 | 电子科技大学 | 一种高速高效的基于人工智能的多元近场效应修正方法 |
CN107294589A (zh) * | 2017-08-03 | 2017-10-24 | 哈尔滨工业大学 | 基于粒子群优化算法的多波束卫星阵列天线方向图综合方法 |
CN109301500A (zh) * | 2018-09-25 | 2019-02-01 | 苏州大学 | 切比雪夫微带阵列天线的设计方法 |
CN111710962A (zh) * | 2020-06-28 | 2020-09-25 | 深圳市数聚天源人工智能有限公司 | 一种可重构对抗神经网络的合成的天线 |
Also Published As
Publication number | Publication date |
---|---|
CN104485513B (zh) | 2017-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106886656B (zh) | 一种三维阵列天线方向图旁瓣抑制方法 | |
CN104485513A (zh) | 宽频带天线阵列实时综合方法 | |
CN104992001A (zh) | 大规模mimo阵列天线远场辐射场的精确快速计算方法 | |
CN105119683B (zh) | 一种基于实时嵌入式控制系统的无人机通信干扰对抗方法 | |
CN103646144A (zh) | 非周期阵列天线设计方法 | |
Anand et al. | A review on the optimization techniques for bio-inspired antenna design | |
CN104899374A (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 | |
Shen et al. | Suppressing sidelobe level of the planar antenna array in wireless power transmission | |
CN107657070A (zh) | 基于遗传算法频率分集共形阵列波束的解耦合方法及天线 | |
CN108319759A (zh) | 一种用于提高同平台天线隔离度的天线布局方法 | |
CN104933213A (zh) | 基于空间映射的大规模相控天线阵列宽角扫描优化方法 | |
CN103513225B (zh) | 一种基于空间增益的稀疏平面阵形优化方法 | |
CN104112901A (zh) | 全息人工阻抗表面共形天线 | |
CN104733850A (zh) | 基于全息调制的人工张量阻抗表面天线及其实现方法 | |
CN104539340A (zh) | 一种基于稀疏表示和协方差拟合的稳健波达角估计方法 | |
CN110427590A (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 | |
CN111276822B (zh) | 一种天线方向图主瓣可控的天线阵列设计方法 | |
CN105224743A (zh) | 一种基于粒子群算法的全频段上的天线布局优化 | |
CN106777601A (zh) | 基于mift与qp算法相结合的平面阵列天线方向图综合方法 | |
CN108446504B (zh) | 基于凸优化的近场阵列天线方向图综合方法 | |
CN103412970A (zh) | 脊波导缝隙阵列天线方向图优化方法 | |
CN105162528A (zh) | 基于卫星通信相控阵天线的抗干扰方法和装置 | |
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 | |
Koziel et al. | Phase-spacing optimization of linear microstrip antenna arrays by EM-based superposition models | |
CN103391557A (zh) | 一种基于网格自动取定室内天线需求及布置的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder |
Address after: 212028 No. 518, Chang Xiang Road, University Park, Zhenjiang, Jiangsu Patentee after: Zhenjiang College Address before: Zhenjiang City, Jiangsu Province, 212003 Jingkou District Road No. 61 Patentee before: Zhenjiang College |
|
CP02 | Change in the address of a patent holder |