CN104485513A - 宽频带天线阵列实时综合方法 - Google Patents

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

宽频带天线阵列实时综合方法

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：

$\mathrm{\ω}(t+1)=\mathrm{\ω}\left(t\right)-(1-a)\mathrm{\η}\frac{\∂E_T}{\∂\mathrm{\ω}\left(t\right)}+\mathrm{a\Δ\ω}\left(t\right)$

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，E_T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：

$\mathrm{\ω}(t+1)=\mathrm{\ω}\left(t\right)-(1-a)\mathrm{\η}\frac{\∂E_T}{\∂\mathrm{\ω}\left(t\right)}+\mathrm{a\Δ\ω}\left(t\right)$

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，E_T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：

$\mathrm{\ω}(t+1)=\mathrm{\ω}\left(t\right)-(1-a)\mathrm{\η}\frac{{\∂E}_T}{\∂\mathrm{\ω}\left(t\right)}+\mathrm{a\Δ\ω}\left(t\right)$

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，E_T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。