CN106772256A - 一种有源相控阵雷达天线子阵划分方法 - Google Patents

Abstract

本发明公开了一种有源相控阵雷达天线子阵划分方法。所述有源相控阵雷达天线子阵划分方法包括如下步骤:步骤1：获取阵元分布形式、阵元间距、阵元编号并计算坐标向量；步骤2：得到加权向量；步骤3：通过遗传算法对加权向量进行计算，得到初始化聚类中心；步骤4：对初始化聚类中心进行聚类划分，从而得到有源相控阵雷达天线子阵划分形式，并对得到的有源相控阵雷达天线子阵划分形式计算适应度评价函数；步骤5：预设阈值，并判断适应度评价函数是否超过所述阈值；若否，则结束。本申请的有源相控阵雷达天线子阵划分方法融合了遗传算法和模糊C—均值聚类算法，充分发掘两种算法的优点，提出了一种遗传聚类算法。

Description

一种有源相控阵雷达天线子阵划分方法

技术领域

本发明涉及雷达技术领域，特别是涉及一种有源相控阵雷达天线子阵划分方法。

背景技术

为扩展相控阵天线系统的瞬时带宽，增强雷达系统抗干扰能力，满足雷达系统性能日益增长的需求，同时考虑到雷达系统体积、造价、工程可实现性等约束条件，在大型的有源相控阵天线中，通常采用子阵划分技术对天线阵列进行最优划分，即先由若干个辐射单元构成一个子阵列，在子阵列内，仍采用移相器来控制子阵的相位波前，每个子阵后面接入一个可变时延器，然后由若干个子阵列构成一个全阵列，阵列因子的扫描则靠控制与频率无关的时延器来实现。

关于最优子阵划分的求解，现有的方法并未将射频馈电网络、T/R组件结构以及供电及波控网络布局等实际工程约束条件列入考虑，有些子阵划分结果工程很难实现甚至无法实现。同时，多数子阵划分的研究是基于雷达的单一功能(副瓣电平或者信干噪比)展开的，但实际应用时却需要天线同时满足多功能要求。

因此，希望有一种技术方案来克服或至少减轻现有技术的至少一个上述缺陷。

发明内容

名词解释：

第二状态信干噪比是指存在干扰情况下阵列允许输出的最小信干噪比。

第一状态最高副瓣电平是指天线系统宽带宽角工作时方位以及俯仰最大扫描角度时所允许的最高副瓣电平。

本发明的目的在于提供一种有源相控阵雷达天线子阵划分方法来克服或至少减轻现有技术的中的至少一个上述缺陷。

为实现上述目的，本发明提供一种有源相控阵雷达天线子阵划分方法，所述有源相控阵雷达天线子阵划分方法包括如下步骤:步骤1：获取待划分有源相控阵雷达天线子阵的阵元分布形式、阵元间距、阵元编号并计算坐标向量；步骤2：对坐标向量进行加权计算，得到加权向量；步骤3：通过遗传算法对加权向量进行计算，得到初始化聚类中心，其中，遗传算法中引入工程约束条件；步骤4：对所述初始化聚类中心进行聚类划分，从而得到有源相控阵雷达天线子阵划分形式，并对得到的有源相控阵雷达天线子阵划分形式计算适应度评价函数；步骤5：预设阈值，并判断适应度评价函数是否超过所述阈值，若是，进行迭代处理直至所述结果为否；若否，则结束。

优选地，其特征在于，所述步骤1具体为：根据阵元分布形式以及阵元数量计算各个阵元坐标位置，并生成总坐标向量。

优选地，所述阵元分布形式包括三角栅格分布或矩形栅格分布，所述三角栅格分布采用如下公式进行计算各个阵元坐标位置：

其中，

m_X、n_x为任意一个阵元X的编号；W_三角X为三角栅格分布的各个真元坐标位置；dx、dy为阵元间距；

其中，所述矩形栅格分布采用如下公式进行计算各个阵元坐标位置：

m_X、n_x为任意一个阵元X的编号；W_X为矩形栅格分布的各个阵元坐标位置；dx、dy为阵元间距。

优选地，所述步骤2中的加权计算具体采用如下公式进行计算：W_weight＝W_am⊙W_ph；其中，

⊙表示矢量元素相乘，即Hadamard积；W_weight为加权向量；W_am为幅度加权向量；W_ph为相位加权向量。

优选地，所述步骤3具体为：步骤31：进行遗传算法参数初始化；步骤32：所述引入工程约束条件为引入射频馈电网络、T/R组件结构以及供电及波控网络布局工程约束条件，对W_weight进行二进制编码；步骤33：对编码后的W_weight进行适应度值ObjV计算；步骤34：根据适应度值进行遗传算子运算，并得到初始化聚类中心。

优选地，所述步骤31具体为：将遗传算法参数设置为：个体数目40；最大遗传代数800；变量的二进制位数为20。

优选地，所述步骤32的具体约束为：每个T/R组件的所有通道进行统一编码，确保同一个组件的所有通道在同一个子阵内；预留供电及波控网络等模块布局的空间，约定预设位置的T/R组件必须在同一个子阵内；约定每个子阵中包含的阵元数相当，约定所有子阵中最长列与最短列阵元个数比不超过2。

优选地，所述步骤33具体为：设聚类中心个数为K，聚类中心序列为U＝[(x1，y1),…,(xn，yn),…,(xk，yk)]，则

ObjV＝α*D(x₁,x₂,…,x_k)+β*D(y₁,y₂,…,y_k)；

其中，D(x₁,x₂,…,x_k)、D(y₁,y₂,…,y_k)分别表示对序列求方差，α、β分别表示权重控制系数；ObjV为编码后的W_weight的适应度值。

优选地，所述步骤34中的遗传算子选择采用随机竞争选择；交叉算子采用单点交叉，交叉概率0.7；变异算子采用变异概率0.0017。

优选地，所述步骤4具体为：根据第一状态最高副瓣电平以及第二状态信干噪比确定阈值。

本申请的有源相控阵雷达天线子阵划分方法融合了遗传算法和模糊C—均值聚类算法，充分发掘两种算法的优点，提出了一种遗传聚类算法。遗传算法在新算法中起到了预处理的作用，因为其具有全局搜索能力，所以不会陷入局部的最优解，但执行需要耗费过长的时间才能完成收敛，而模糊C—均值聚类算法具有完善的理论基础，运行速度快，可以在较短时间内完成收敛，但在运行开始阶段必须给出初始聚类中心和簇的个数，人工干预对聚类结果影响很大，且易陷入局部最优解的困境。针对两种算法的特点，将二者进行结合，新算法第一阶段使用遗传算法进行初步聚类，获取一系列聚类中心，将其作为第二阶段模糊C—均值聚类的输入，通过这种组合方式很好地结合了二者的优点弥补了二者的缺陷，从而获得较为优异的聚类效果。此外，本发明中引入了射频馈电网络、T/R组件结构以及供电及波控网络布局等实际工程约束条件，减少了系统的硬件复杂度，降低了工程实现难度；以天线宽带宽角性能、低副瓣电平和子阵级自适应波束形成性能为适应度评价函数，实现了多约束条件下的子阵划分优化方法。相对于现有技术具有如下优点：

1.解决传统子阵划分结果在工程上难以实现甚至无法实现的问题；

2.解决聚类算法需要人工干预和易陷入局部最优的困境；

3.满足系统宽带宽角性能、低副瓣电平和子阵级自适应波束形成的多条件约束要求，实现雷达系统多功能要求下的子阵划分方法。

附图说明

图1是根据本发明第一实施例的有源相控阵雷达天线子阵划分方法的流程示意图。

具体实施方式

为使本发明实施的目的、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更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。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。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作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。下面结合附图对本发明的实施例进行详细说明。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。

图1是根据本发明第一实施例的有源相控阵雷达天线子阵划分方法的流程示意图。

如图1所示的有源相控阵雷达天线子阵划分方法包括如下步骤:

步骤1：获取待划分有源相控阵雷达天线子阵的阵元分布形式、阵元间距、阵元编号并计算坐标向量；

步骤2：对坐标向量进行加权计算，得到加权向量；

步骤3：通过遗传算法对加权向量进行计算，得到初始化聚类中心，其中，遗传算法中引入工程约束条件；

步骤4：对所述初始化聚类中心进行聚类划分，从而得到有源相控阵雷达天线子阵划分形式，并对得到的有源相控阵雷达天线子阵划分形式计算适应度评价函数；

步骤5：预设阈值，并判断适应度评价函数是否超过所述阈值，若是，进行迭代处理直至所述结果为否；若否，则结束。

本申请的有源相控阵雷达天线子阵划分方法融合了遗传算法和模糊C—均值聚类算法，充分发掘两种算法的优点，提出了一种遗传聚类算法。遗传算法在新算法中起到了预处理的作用，因为其具有全局搜索能力，所以不会陷入局部的最优解，但执行需要耗费过长的时间才能完成收敛，而模糊C—均值聚类算法具有完善的理论基础，运行速度快，可以在较短时间内完成收敛，但在运行开始阶段必须给出初始聚类中心和簇的个数，人工干预对聚类结果影响很大，且易陷入局部最优解的困境。针对两种算法的特点，将二者进行结合，新算法第一阶段使用遗传算法进行初步聚类，获取一系列聚类中心，将其作为第二阶段模糊C—均值聚类的输入，通过这种组合方式很好地结合了二者的优点弥补了二者的缺陷，从而获得较为优异的聚类效果。此外，本发明中引入了射频馈电网络、T/R组件结构以及供电及波控网络布局等实际工程约束条件，减少了系统的硬件复杂度，降低了工程实现难度；以天线宽带宽角性能、低副瓣电平和子阵级自适应波束形成性能为适应度评价函数，实现了多约束条件下的子阵划分优化方法。相对于现有技术具有如下优点：

1.解决传统子阵划分结果在工程上难以实现甚至无法实现的问题；

2.解决聚类算法需要人工干预和易陷入局部最优的困境；

3.满足系统宽带宽角性能、低副瓣电平和子阵级自适应波束形成的多条件约束要求，实现雷达系统多功能要求下的子阵划分方法。

2、如权利要求1所述的有源相控阵雷达天线子阵划分方法，其特征在于，其特征在于，所述步骤1具体为：根据阵元分布形式以及阵元数量计算各个阵元坐标位置，并生成总坐标向量。

在本实施例中，阵元分布形式包括三角栅格分布或矩形栅格分布，三角栅格分布采用如下公式进行计算各个阵元坐标位置：

其中，

m_X、n_x为任意一个阵元X的编号；W_三角X为三角栅格分布的各个真元坐标位置；dx、dy为阵元间距。

矩形栅格分布采用如下公式进行计算各个阵元坐标位置：

其中，

m_X、n_x为任意一个阵元X的编号；W_X为矩形栅格分布的各个阵元坐标位置；dx、dy为阵元间距。

在本实施例中，步骤2中的加权计算具体采用如下公式进行计算：

W_weight＝W_am⊙W_ph；其中，

⊙表示矢量元素相乘，即Hadamard积；W_weight为加权向量；W_am为幅度加权向量；W_ph为相位加权向量。其中，W_am＝(a_am1,a_am2,…,a_amN)^H；(W_weight＝W_am⊙W_ph)。

具体地，加权计算包括幅度加权和相位加权两部分，W_am＝(a_am1,a_am2,…,a_amN)^H代表幅度加权，代表相位加权，相位由波束扫描范围决定，则加权向量为：

W_weight＝W_am⊙W_ph。

在本实施例中，所述步骤3具体为：

步骤31：进行遗传算法参数初始化；

步骤32：引入工程约束条件为引入射频馈电网络、T/R组件结构以及供电及波控网络布局工程约束条件，对W_weight进行二进制编码；

步骤33：对编码后的W_weight进行适应度值ObjV计算；

步骤34：根据适应度值进行遗传算子运算，并得到初始化聚类中心。

举例来说，步骤31具体为：将遗传算法参数设置为：

个体数目40；最大遗传代数800；变量的二进制位数为20。可以理解的是，该举例并不对本申请具有限制意义，遗传算法参数可以根据需要而任意设置，例如，个体数目30；最大遗传代数600；变量的二进制位数为20。

在本实施例中，步骤32的具体约束为：

每个T/R组件的所有通道进行统一编码，确保同一个组件的所有通道在同一个子阵内；

预留供电及波控网络等模块布局的空间，约定预设位置的T/R组件必须在同一个子阵内；

约定每个子阵中包含的阵元数相当，约定所有子阵中最长列与最短列阵元个数比不超过2。

在本实施例中，步骤33具体为：设聚类中心个数为K，聚类中心序列为U＝[(x1，y1),…,(xn，yn),…,(xk，yk)]，则

ObjV＝α*D(x₁,x₂,…,x_k)+β*D(y₁,y₂,…,y_k)；

其中，D(x₁,x₂,…,x_k)、D(y₁,y₂,…,y_k)分别表示对序列求方差，α、β分别表示权重控制系数。

在本实施例中，步骤34中的遗传算子选择采用随机竞争选择；交叉算子采用单点交叉，交叉概率0.7；变异算子采用变异概率0.0017。可以理解的是，该举例并不对本申请具有限制意义，遗传算法参数可以根据需要而任意设置，例如，交叉概率0.8；变异算子采用变异概率0.0018。

在本实施例中，步骤4具体为：根据第一状态最高副瓣电平以及第二状态信干噪比确定阈值。

下面给一种步骤4中的聚类划分例子如下：

根据给定的聚类中心对W_weight进行模糊C—均值聚类算法计算隶属度。

隶属度的计算公式如下，假设样本空间为(x1,x2,…，xn),而簇空间可以分为C个模糊组，这些模糊组均有各自的模糊中心，描述为Cj(j＝1,2,…,C)，其中μ_ij表示的是数据点i属于聚类中心j的隶属程度，Cj表示聚类中心，α表示模糊度。

其中，i＝1,2,…,C,j＝1,2,…,n。

将样本空间用W_weight替代，C用子阵个数替代，将n用阵元数替代进行计算并通过聚类结果得到天线子阵划分形式。

最后需要指出的是：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 (10)

1.一种有源相控阵雷达天线子阵划分方法，其特征在于，所述有源相控阵雷达天线子阵划分方法包括如下步骤:

步骤1：获取待划分有源相控阵雷达天线子阵的阵元分布形式、阵元间距、阵元编号并计算坐标向量；

步骤2：对坐标向量进行加权计算，得到加权向量；

步骤3：通过遗传算法对加权向量进行计算，得到初始化聚类中心，其中，遗传算法中引入工程约束条件；

步骤4：对所述初始化聚类中心进行聚类划分，从而得到有源相控阵雷达天线子阵划分形式，并对得到的有源相控阵雷达天线子阵划分形式计算适应度评价函数；

步骤5：预设阈值，并判断适应度评价函数是否超过所述阈值，若是，进行迭代处理直至所述结果为否；若否，则结束。

2.如权利要求1所述的有源相控阵雷达天线子阵划分方法，其特征在于，所述步骤1中的计算坐标向量具体为：根据阵元分布形式以及阵元数量计算各个阵元坐标位置，并生成总坐标向量。

3.如权利要求2所述的有源相控阵雷达天线子阵划分方法，其特征在于，所述阵元分布形式包括三角栅格分布或矩形栅格分布，所述三角栅格分布采用如下公式进行计算各个阵元坐标位置：

其中，

m_X、n_x为任意一个阵元X的编号；W_三角X为三角栅格分布的各个真元坐标位置；dx、dy为阵元间距；

其中，所述矩形栅格分布采用如下公式进行计算各个阵元坐标位置：

$W_X=\left\{\begin{array}{cc}\left(\right(n_X-0.5)*dx,(m_X-0.5)*dy)& (n_X>0,m_X>0)\\ \left(\right(n_X+0.5)*dx,(m_X-0.5)*dy)& (n_X<0,m_X>0)\\ \left(\right(n_X+0.5)*dx,(m_X+0.5)*dy)& (n_X<0,m_X<0)\\ \left(\right(n_X-0.5)*dx,(m_X+0.5)*dy)& (n_X>0,m_X<0)\end{array}\right.$

m_X、n_x为任意一个阵元X的编号；W_X为矩形栅格分布的各个阵元坐标位置；dx、dy为阵元间距。

4.如权利要求3所述的有源相控阵雷达天线子阵划分方法，其特征在于，

所述步骤2中的加权计算具体采用如下公式进行计算：W_weight＝W_am⊙W_ph；其中，

⊙表示矢量元素相乘，即Hadamard积；W_weight为加权向量；W_am为幅度加权向量；W_ph为相位加权向量。

5.如权利要求4所述的有源相控阵雷达天线子阵划分方法，其特征在于，所述步骤3具体为：

步骤31：进行遗传算法参数初始化；

步骤32：所述引入工程约束条件为引入射频馈电网络、T/R组件结构以及供电及波控网络布局工程约束条件，对W_weight进行二进制编码；

步骤33：对编码后的W_weight进行适应度值ObjV计算；

步骤34：根据适应度值进行遗传算子运算，并得到初始化聚类中心。

6.如权利要求5所述的有源相控阵雷达天线子阵划分方法，其特征在于，所述步骤31具体为：将遗传算法参数设置为：

个体数目40；最大遗传代数800；变量的二进制位数为20。

7.如权利要求6所述的有源相控阵雷达天线子阵划分方法，其特征在于，所述步骤32的具体约束为：

每个T/R组件的所有通道进行统一编码，确保同一个组件的所有通道在同一个子阵内；

预留供电及波控网络等模块布局的空间，约定预设位置的T/R组件必须在同一个子阵内；

约定每个子阵中包含的阵元数相当，约定所有子阵中最长列与最短列阵元个数比不超过2。

8.如权利要求7所述的有源相控阵雷达天线子阵划分方法，其特征在于，所述步骤33具体为：设聚类中心个数为K，聚类中心序列为U＝[(x₁，y₁),…,(x_n，y_n),…,(x_k，y_k)]，则

ObjV＝α*D(x₁,x₂,…,x_k)+β*D(y₁,y₂,…,y_k)；

其中，D(x₁,x₂,…,x_k)、D(y₁,y₂,…,y_k)分别表示对序列求方差，α、β分别表示权重控制系数；ObjV为编码后的W_weight的适应度值。

9.如权利要求8所述的有源相控阵雷达天线子阵划分方法，其特征在于，所述步骤34中的遗传算子选择采用随机竞争选择；交叉算子采用单点交叉，交叉概率0.7；变异算子采用变异概率0.0017。

10.如权利要求9所述的有源相控阵雷达天线子阵划分方法，其特征在于，所述步骤4具体为：根据第一状态最高副瓣电平以及第二状态信干噪比确定阈值。