CN105223591B - 一种用于减弱远近效应的伪卫星阵列天线方向图综合计算方法 - Google Patents

Abstract

本发明属于天线与信号传播技术领域，尤其涉及一种用于减弱远近效应的伪卫星阵列天线方向图综合算法，包括：根据赋形发射天线的覆盖范围来确定信号的有效覆盖范围，并计算出目标方向图；将阵列天线作为一个n阵元的阵列，包含n个需要求解的权值，选取m个粒子作为种群，每个粒子都是一个权值解；通过粒子群算法来调整每个阵元的幅度和相位，使方向图函数逼近目标方向图；采用基于统计理论的惯性因子，可克服传统粒子群算法收敛速度慢，易陷入局部最优的缺点，将改进的粒子群算法用于拟合目标方向图，克服伪卫星系统远近效应。

Description

一种用于减弱远近效应的伪卫星阵列天线方向图综合计算 方法

技术领域

本发明属于天线与信号传播技术领域，尤其涉及一种用于减弱远近效应的伪卫星阵列天线方向图综合计算方法。

背景技术

采用伪卫星辅助定位可以增加卫星导航系统可见星的数量，显著改善定位精度因子(DOP)，提高系统的定位精度。在无法接收GPS信号环境中，如室内、矿井、地下车场等应用场合，通过采用4颗以上的伪卫星组成独立的导航定位系统，能够进行小范围的导航定位，因此伪卫星定位具有广阔的应用前景。但与真实GPS导航系统相比，伪卫星和接收机之间的距离要近得多，且在运动过程中接收机的相对距离变化较大，因此在整个工作区域内的接收信号强度会产生明显的差异。在某些特定的位置，当来自不同伪卫星的信号强度差异大于某个门限，就会产生远近效应，使得信号功率较弱的卫星信号被遮蔽，无法进行捕获，因此在伪卫星定位系统中，必须对远近效应采取处理措施。

目前，解决远近效应的主要方案有脉冲调制、功率控制、频率偏移、干扰对消等方法。前3种方法都需要改变信号结构或增加硬件设备，第4种方法无需更改硬件设备，但需要对强信号进行重构，即精确复现接收信号的幅度、载波频率、码相位和载波初始相位，处理过程比较复杂。

对于伪卫星架设在地面的定位系统，当接收机距离卫星较近时，信号功率过强导致接收机射频通道饱和，接收机不能处理伪卫星信号，伪卫星系统失去了辅助定位作用。因此，需要通过一些技术手段，避免远近效应对信号接收的影响。

发明内容

为了有效解决远近效应问题，本发明提出了一种用于减弱远近效应的伪卫星阵列天线方向图综合计算方法，包括：

步骤1、根据赋形发射天线的覆盖范围来确定信号的有效覆盖范围，并计算出目标方向图；

步骤2、将阵列天线作为一个n阵元的阵列，包含n个需要求解的权值，选取m个粒子作为种群，每个粒子都是一个权值解；

步骤3、通过粒子群算法来调整每个阵元的幅度和相位，使方向图函数逼近目标方向图。

所述粒子群算法在开始迭代时采取大范围内搜索，避免陷入局部最优解，当迭代到达一定阶段后，缩小迭代范围，在较小范围内迭代求解，提高求解精度，将惯性因子的取值设为可变。

所述步骤2包括：设一个n维的空间中，由m个粒子所组成的种群 X＝{x₁，…x_i，…x_m}，每个X_i都为一个候选解，其中第i个粒子的位置为 x_i＝{x_i1，x_i2，…x_in}^T，其速度为v_i＝{v_i1，v_i2，…v_in}^T，维数n表示要优化的变量个数；设种群的个体极值为p_i＝{p_i1，p_i2，…p_in}^T，种群的全局最优值为 p_g＝{p_g1，p_g2，…p_gn}^T，粒子x_i按如下两个公式改变速度和位置：

式中：d＝1，2，…，n，i＝1，2，…，m，t为当前进化迭代数，r₁，r₂为分布于[0，1]之间的随机数，c₁、c₂均为加速度因子，通常取为2；ω为惯性因子，通常取为1。

所述惯性因子ω设为可变：

其中，ω_max、ω_min分别表示优化过程中惯性因子的最大最小值，n_p表示当前已迭代的次数，N表示最大迭代次数，A为优化因子，K为优化的粒子个数，当得到一组全局最优解p_g时可得到方位角方向关于增益θ的归一化方向图函数求出与目标方向图函数的相关值即得到优化因子A，它反映了某次粒子群状态与目标值的差距。

本发明的有益效果在于：通过方向图综合有效减弱信号接收的远近效应影响。算法采用基于统计理论的惯性因子，可克服传统粒子群算法收敛速度慢，易陷入局部最优的缺点，将改进的粒子群算法用于拟合目标方向图，克服伪卫星系统远近效应。

附图说明

图1为天线信号有效覆盖范围示意图；

图2为天线目标方向示意图；

图3为本发明的算法流程图。

具体实施方式

下面结合附图，对实施例作详细说明。

考虑如图1所示的情形，天线的覆盖范围约500km，要求信号的有效覆盖范围在CA部分和OB部分，OC部分可不考虑。可以计算出目标方向图，如图 2所示。为了使阵列天线达到目标方向图，需要调整每个阵元的幅度和相位，使方向图函数逼近目标方向图，是一个复杂的优化拟合问题。本发明提出一种用于减弱远近效应的伪卫星阵列天线方向图综合算法。

算法具体步骤如下：

第一步：初始化。设定好加速度因子c₁和c₂以及最大进化迭代数T_MAX的大小，定义空间Rⁿ中随机产生的m个粒子x₁，…x_i，…，x_m，m为种群的规模；评价初始种群，计算每个粒子的适应度函数的值fitness(x_i)，每个值作为当前自身的最优值Pbest，并把种群中最优的适应度值作为全局的最优值Gbest，相当于初始化个体最优和全局最优；当前进化迭代数t＝1；

fitness(x_i)＝q₁·δ(θ_OB)+q₂·δ(θ_OC)+q₃·δ(θ_CA)

式中：δ_OB，δ_OC，δ_CA分别为OB，OC，CA段某粒子解与期望电平的差值；

q₁，q₂，q₃为不同的加权值，由于本设计更关注OB和CA，根据经验分别取1， 0.8，1。

基本粒子群算法早期收敛速度非常快，但却暴露出局部搜索能力差的缺点，，这使得算法后期收敛速度缓慢且求解精度降低。为了改进粒子群算法，使得开始迭代时尽可能在较大范围内搜索，避免陷入局部最优解，当迭代到达一定阶段后，缩小迭代范围，在较小范围内迭代求解，提高求解精度，将惯性因子的取值变为可变。

第二步：更新粒子的速度和位置，计算当前粒子的适应度值，比较当前粒子的自身适应度值和其历史值，如果比历史值更优，则用当前的值替换掉历史值，同时比较新的粒子种群中全局最优值是否是历史最优值，如果是历史最优值，则替换掉历史的最优值；

第三步：随机产生各个粒子的位移变化v₁，v₂，…v_m，按上面的两个更新公式来改变粒子的速度，产生新的粒子种群X(t+1)；

第四步：检查粒子群的适应度函数是否已经满足给定的精度或者优化的代数是否已经达到T_MAX，如果是则可以结束循环过程；否则t＝t+1，转到第三步继续进行迭代。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (1)

1.一种用于减弱远近效应的伪卫星阵列天线方向图综合计算方法，其特征在于，包括：

步骤1、根据赋形发射天线的覆盖范围来确定信号的有效覆盖范围，并计算出目标方向图；

步骤2、将阵列天线作为一个n阵元的阵列，包含n个需要求解的权值，选取m个粒子作为种群，每个粒子都是一个权值解；

步骤3、通过粒子群算法来调整每个阵元的幅度和相位，使方向图函数逼近目标方向图；

所述步骤2包括：设一个n维的空间中，由m个粒子所组成的种群X＝{x₁，…x_i，…x_m}，每个x_i都为一个候选解，其中第i个粒子的位置为x_i＝{x_i1,x_i2,…x_in}^T，其速度为v_i＝{v_i1,v_i2,…v_in}^T，维数n表示要优化的变量个数；设种群的个体极值为p_i＝{p_i1,p_i2,…p_in}^T,种群的全局最优值为p_g＝{p_g1,p_g2,…p_gn}^T，粒子x_i按如下两个公式改变速度和位置：

式中：d＝1,2,…,n，i＝1,2,…,m，t为当前进化迭代数，r₁,r₂为分布于[0，1]之间的随机数，c₁、c₂均为加速度因子，取为2；ω为惯性因子，取为1；

所述惯性因子ω设为可变：

其中，ω_max、ω_min分别表示优化过程中惯性因子的最大最小值，n_p表示当前已迭代的次数，N表示最大迭代次数，A为优化因子，K为优化的粒子个数，当得到一组全局最优解p_g时可得到方位角方向关于增益θ的归一化方向图函数求出与目标方向图函数的相关值即得到优化因子A，它反映了某次粒子群状态与目标值的差距；

所述粒子群算法在开始迭代时采取大范围内搜索，避免陷入局部最优解，当迭代到达一定阶段后，缩小迭代范围，在较小范围内迭代求解，提高求解精度，将惯性因子的取值设为可变；

所述算法具体步骤如下：

第一步：初始化，设定好加速度因子c₁和c₂以及最大进化迭代数T_MAX的大小，定义空间Rⁿ中随机产生的m个粒子x₁,…x_i,…,x_m，m为种群的规模；评价初始种群，计算每个粒子的适应度函数的值fitness(x_i)，每个值作为当前自身的最优值Pbest，并把种群中最优的适应度值作为全局的最优值Gbest，相当于初始化个体最优和全局最优；当前进化迭代数t＝1；

fitness(x_i)＝q₁·δ_OB+q₂·δ_OC+q₃·δ_CA式中：δ_OB，δ_OC,δ_CA分别为OB,OC,CA段某粒子解与期望电平的差值；；

q₁,q₂,q₃为不同的加权值，根据经验分别取1，0.8，1；

第二步：更新粒子的速度和位置，计算当前粒子的适应度值，比较当前粒子的自身适应度值和其历史值，如果比历史值更优，则用当前的值替换掉历史值，同时比较新的粒子种群中全局最优值是否是历史最优值，如果是历史最优值，则替换掉历史的最优值；

第三步：随机产生各个粒子的位移变化s₁,s₂,…s_m，按更新公式来改变粒子的速度，产生新的粒子种群X(t+1)；

第四步：检查粒子群的适应度函数是否已经满足给定的精度或者优化的代数是否已经达到T_MAX，如果是则可以结束循环过程；否则t＝t+1，转到第三步继续进行迭代。