CN106845029B - 一种高速高效的基于人工智能的多元近场效应修正方法 - Google Patents

一种高速高效的基于人工智能的多元近场效应修正方法 Download PDF

Info

Publication number
CN106845029B
CN106845029B CN201710138908.2A CN201710138908A CN106845029B CN 106845029 B CN106845029 B CN 106845029B CN 201710138908 A CN201710138908 A CN 201710138908A CN 106845029 B CN106845029 B CN 106845029B
Authority
CN
China
Prior art keywords
neural network
training
data
field effect
group
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.)
Active
Application number
CN201710138908.2A
Other languages
English (en)
Other versions
CN106845029A (zh
Inventor
喻梦霞
岳建刚
邵维
李桂萍
徐军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201710138908.2A priority Critical patent/CN106845029B/zh
Publication of CN106845029A publication Critical patent/CN106845029A/zh
Application granted granted Critical
Publication of CN106845029B publication Critical patent/CN106845029B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种高速高效的基于人工智能的多元近场效应修正方法，步骤为：建立神经网络模型；对神经网络进行训练，使其达到训练终止条件；将目标信号生成区的数据输入至训练完成的神经网络，获得远场接收导引区接收的电场对应的传输函数的系数；依据传输函数拟合出电场强度；依据电场强度通过比相法计算目标信号生成区的定位点。本发明基于神经网络，在多元近场效应修正模型中使用训练成熟的神经网络替代传统电磁仿真方法，神经网络与电磁仿真相比，具有计算时间短、占用内存少的特点。在训练好的神经网络模型基础上，优化算法不直接调用FDTD(或MoM)仿真，而直接调用由FDTD(MoM)仿真训练出的神经网络，能够大大提高近场效应误差修正的速度。

Description

一种高速高效的基于人工智能的多元近场效应修正方法
技术领域
本发明涉及射频制导仿真领域，具体涉及一种高速高效的基于人工智能的多元近场效应修正方法。
背景技术
在射频仿真系统中，从阵元区的天线激励电磁场，通过传输空间区域传播到远场区域的高频头接收，高频头接收到的电磁能量，由比相法计算出等效辐射中心，也就是目标定位位置。由于各阵元天线激励的电磁波非理想平面波，因此实际电磁场在远区场接收天线口面上合成的场与理想电磁场有偏差，需要对此偏差进行修正，以获得精确的阵元矢量控制量。误差修正模型包括馈源区，由不同天线单元馈源激励场叠加形成合成场，空间传输区域以及远场接收的导引区，采用四个高频头天线接收传输空间中的电磁场能量，通过比相法确定实际电磁场传播的目标位置。三个区域模型中，馈源天线及高频头天线模型是基础，利用时域有限差分法或者矩量法获得电磁波在空间中的传输是实现多元近场效应修正的核心关键，但目前的问题集中在电磁仿真时间较长，优化算法实现近场效应修正的效率很低、甚至不可实现，同时不具有重复性，没有记忆性，即进行下一次修正时需要重新进行一次该耗时的优化过程，因此需要研究新的误差修正方法。
发明内容
针对现有传统电磁仿真(FDTD或MoM)耗时长，资源占用大的问题，本发明目的在于提供一种基于神经网络的方法替代传统电磁仿真，能够大大提高近场效应误差修正的速度：
一种高速高效的基于人工智能的多元近场效应修正方法：
所述步骤为：
a：建立神经网络模型；
b：对神经网络进行训练，使其达到训练终止条件；
c：由GA通过随机生成种群方式产生N组初始个体，即N组三元组天线的三个幅度和相位；
d：设置GA算法基本参数，将神经网络作为GA算法的适应度函数；
e：将出N组初始个体数据逐组带入训练完成的神经网络模型，获得远场接收导引区接收的电场对应的传输函数的系数；
f：依据传输函数拟合出电场强度；
g：依据电场强度通过比相法计算目标信号生成区的定位点数据，定位点数据包括度相位、计算定位点坐标值、俯仰角误差；
h：将各组中俯仰角误差与误差精度进行判断，将符合误差精度的条件的该组数据对应的幅度相位、计算定位点坐标值、俯仰角误差输出作为定位点信息；若未有误差精度的条件的数据，直接进行下一步；
i：对N组初始个体进行选择重组变异，产生新的N组个体重复步骤e到h使个体数据的俯仰角误差满足误差精度；
j：目标信号生成区的定位点信息。
进一步的，所述神经网络模型训练方法为：
a：收集神经网络训练数据，包括训练输入数据和目标数据；所述训练输入数据为三元组三个单元A1、A2、A3的输入幅度a1、a2、a3及相位φ1、φ2、φ3；目标数据为四个导引头所接收的电场E1、E2、E3、E4所对应的传输函数的系数；
b：将训练输入数据输入至神经网络获得训练输出数据；
c：将训练输出数据与目标数据进行对比，满足训练终止条件时确定神经网络；不满足训练终止条件进入步骤d；
d：通过误差学习，更新神经网络中输入层、隐含层、输出层中的权重、阀值，所述权重为上下层节点之间的联接强度取值，决定输入层、隐含层、输出层的输出值；所述阈值是每个神经元输出值的判定条件，重复步骤a-c，更新神经网络，直至神经网络满足训练终止条件。
进一步的，所述传递函数为：
进一步的，所述目标数据为训练输入数据使用矩量法MoM仿真获得。
进一步的，所述误差精度为5×10-5。
由GA(遗传算法)通过随机生成种群方式产生50组初始个体，即三元组天线的三个幅度和相位总共6个变量。GA算法将神经网络计算模型作为其适应度函数，把产生的50组幅度相位初始值代入到训练成熟神经网络模型中，幅相控制参量带入传递函数，可快速计算得到四个导引头所接收的电场(E1、E2、E3、E4)，接着采用比相法进行逐组数据的计算，得出50组数据对应的定位点坐标，将计算的结果，即实际计算定位点的坐标值和俯仰角的误差返回给GA算法，GA算法根据适应度函数(神经网络输出)值(计算点的坐标)，进行优化计算，得出新的50组幅度相位(新的种群)，输入到神经网络重复上述计算过程。待计算完成之后，读取神经网络计算的定位点坐标值和俯仰角误差。判断俯仰角误差是否达到5×10-5精度要求。若达到要求，选取最优值，保存该组数据对应的幅度相位、计算定位点坐标值、俯仰角误差等信息，结束；若没有达到精度要求，则返回，进行下一轮的计算，直至找到最优解。这就是近场效应修正的过程，在神经网络之前，都是通过电磁仿真方法获得导引头电场值，全波电磁仿真方法单次的电磁仿真时间较长，但是矩阵填充就需要几小时，优化算法成百上千次地调用电磁仿真程序将导致实现近场效应修正的效率很低，并且优化算法实现近场效应修正不具有重复性，即进行下一次的近场效应修正时需要重新进行一次该耗时的优化过程。神经网络代替电磁仿真方法则只需要几秒就能计算出目标位置点，能大大提高效率。
本发明基于神经网络，采用神经网络的方法期望在未来能够取代矩量法MoM仿真，在近场效应误差修正过程中，训练成熟的神经网络输入一组幅度相位值能够快速得到定位点坐标与目标点误差值，将之与GA优化算法结合，构成新的近场效应修正算法模型。相比较传统电磁仿真方法(MoM或FDTD)，该方法能够大大提高近场效应误差修正的速度。
附图说明
图1为神经网络-传递函数模型结构；
图2为三元组示意图；
图3为四个导引头位置示意图；
图4为神经网络训练示意图；
图5为神经网络训练集(输入输出训练集)示意图；
图6为神经网络的应用示意图；
图7为毫米波仿真系统和电磁模型；
图8为毫米波仿真系统神经网络-传递函数模型；
图9-12为实验结果；
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
下面结合附图对本发明做进一步说明：
实施例
图7给出针对毫米波仿真系统中的三元阵列区和导引区进行电磁数值计算模型示意图，这两个分别属于毫米波系统目标信号生成区和远场接收导引区，包含多个工作天线，三元阵列区的毫米波阵列天线作为目标信号模拟的发射天线，分布在球面上，等边三角分布，天线中心线都指向球心。导引区包含4个射频天线作为接收三元区激励信号的天线，分布在以转台中心对称分布的平面上，对应的图8是其神经网络-传递函数模型，在该模型中，输入数据为三元组三个单元A1、A2、A3的输入幅度(a1、a2、a3)及相位(φ1、φ2、φ3)，输出数据为四个导引头所接收的电场(E1、E2、E3、E4)所对应的传输函数的系数A0～ANmax,B1～BNmax，由此得到传输函数，依据传输函数拟合出电场强度，再采用比相法获得定位点坐标，我们将三元组的幅度及相位作为神经网络的输入，将目标点位置横坐标x和纵坐标y分别作为神经网络的作为输出。经过800组训练数据的训练，我们选取了400组测试数据测试训练成熟的神经网络，神经网络的测试结果如图9-12所示。其中图9-10分别为坐标x的神经网络输出及与MoM方法对比的误差。其中图11-12分别为坐标y的神经网络输出及与MoM方法对比的误差。从实验结果来看将位置(x,y)作为神经网络的输出同样可以达到较好的精度。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于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。

Claims (4)

1.一种高速高效的基于人工智能的多元近场效应修正方法，其特征在于，所述步骤为：
a：建立神经网络模型；
b：对神经网络进行训练，使其达到训练终止条件；
c：由GA通过随机生成种群方式产生N组初始个体，即N组三元组天线的三个幅度和相位；
d：设置GA算法基本参数，将神经网络作为GA算法的适应度函数；
e：将N组初始个体数据逐组带入训练完成的神经网络模型，获得远场接收导引区接收的电场对应的传递函数的系数；
f：依据传递函数拟合出电场强度；
g：依据电场强度通过比相法计算目标信号生成区的定位点数据，定位点数据包括度相位、计算定位点坐标值、俯仰角误差；
h：将各组中俯仰角误差与误差精度进行判断，将符合误差精度的条件的该组数据对应的幅度相位、计算定位点坐标值、俯仰角误差输出作为定位点信息；若未有误差精度的条件的数据，直接进行下一步；
i：对N组初始个体进行选择重组变异，产生新的N组个体重复步骤e到h使个体数据的俯仰角误差满足误差精度；
j：目标信号生成区的定位点信息。
2.根据权利要求1所述的一种高速高效的基于人工智能的多元近场效应修正方法，其特征在于，所述神经网络模型训练方法为：
a：收集神经网络训练数据，包括训练输入数据和目标数据；所述训练输入数据为三元组三个单元A1、A2、A3的输入幅度a1、a2、a3及相位φ1、φ2、φ3；目标数据为四个导引头所接收的电场E1、E2、E3、E4所对应的传递函数的系数；
b：将训练输入数据输入至神经网络获得训练输出数据；
c：将训练输出数据与目标数据进行对比，满足训练终止条件时确定神经网络；不满足训练终止条件进入步骤d；
d：通过误差学习，更新神经网络中输入层、隐含层、输出层中的权重、阈值，所述权重为上下层节点之间的联接强度取值，决定输入层、隐含层、输出层的输出值，所述阈值是每个神经元输出值的判定条件，重复步骤a-c，更新神经网络，直至神经网络满足训练终止条件。
3.根据权利要求2所述的一种高速高效的基于人工智能的多元近场效应修正方法，其特征在于，所述目标数据为训练输入数据使用矩量法MoM仿真获得。
4.根据权利要求1所述的一种高速高效的基于人工智能的多元近场效应修正方法，其特征在于，所述误差精度为5×10-5。
CN201710138908.2A 2017-03-09 2017-03-09 一种高速高效的基于人工智能的多元近场效应修正方法 Active CN106845029B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710138908.2A CN106845029B (zh) 2017-03-09 2017-03-09 一种高速高效的基于人工智能的多元近场效应修正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710138908.2A CN106845029B (zh) 2017-03-09 2017-03-09 一种高速高效的基于人工智能的多元近场效应修正方法

Publications (2)

Publication Number Publication Date
CN106845029A CN106845029A (zh) 2017-06-13
CN106845029B true CN106845029B (zh) 2019-10-29

Family

ID=59144057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710138908.2A Active CN106845029B (zh) 2017-03-09 2017-03-09 一种高速高效的基于人工智能的多元近场效应修正方法

Country Status (1)

Country Link
CN (1) CN106845029B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108021037B (zh) * 2017-11-24 2021-01-22 上海机电工程研究所 三元组目标阵列近场效应修正方法
CN108182316B (zh) * 2017-12-27 2021-12-07 杭州泛利科技有限公司 一种基于人工智能的电磁仿真方法及其电磁大脑
CN111581886B (zh) * 2020-05-12 2022-10-18 上海无线电设备研究所 基于卷积神经网络并行加速的电磁场快速仿真求解方法
CN113702719B (zh) * 2021-08-03 2022-11-29 北京科技大学 一种基于神经网络的宽带近场电磁定位方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5345539A (en) * 1990-11-02 1994-09-06 The Secretary Of State For Defence In Her Britannic Majesty's Government Of The United Kingdom Of Great Britain And Northern Ireland Radar apparatus using neural network for azimuth and elevation detection
CN1740812A (zh) * 2005-06-17 2006-03-01 武汉大学 高频表面波雷达均匀直线阵接收通道的近场校正方法
CN104485513A (zh) * 2014-12-17 2015-04-01 镇江市高等专科学校 宽频带天线阵列实时综合方法
CN104933213A (zh) * 2014-03-19 2015-09-23 南京理工大学 基于空间映射的大规模相控天线阵列宽角扫描优化方法
CN105303252A (zh) * 2015-10-12 2016-02-03 国家计算机网络与信息安全管理中心 基于遗传算法的多阶段神经网络模型训练方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5345539A (en) * 1990-11-02 1994-09-06 The Secretary Of State For Defence In Her Britannic Majesty's Government Of The United Kingdom Of Great Britain And Northern Ireland Radar apparatus using neural network for azimuth and elevation detection
CN1740812A (zh) * 2005-06-17 2006-03-01 武汉大学 高频表面波雷达均匀直线阵接收通道的近场校正方法
CN104933213A (zh) * 2014-03-19 2015-09-23 南京理工大学 基于空间映射的大规模相控天线阵列宽角扫描优化方法
CN104485513A (zh) * 2014-12-17 2015-04-01 镇江市高等专科学校 宽频带天线阵列实时综合方法
CN105303252A (zh) * 2015-10-12 2016-02-03 国家计算机网络与信息安全管理中心 基于遗传算法的多阶段神经网络模型训练方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高精度多元近场效应修正解算方法研究;岳建刚;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20180915(第09期);第C032-9页 *

Also Published As

Publication number Publication date
CN106845029A (zh) 2017-06-13

Similar Documents

Publication Publication Date Title
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
CN107294589B (zh) 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
CN112153616B (zh) 一种基于深度学习的毫米波通信系统中的功率控制方法
CN105048112B (zh) 基于qiwo_ift组合算法的阵列天线唯相位变换波束赋形方法
CN109063266A (zh) 一种基于并行贝叶斯优化的蒙皮天线机电协同设计方法
CN109992845B (zh) 一种基于matlab和hfss的波束控制和阵列方向图优化方法
CN108173578A (zh) 阵列天线模拟多波束赋形方法
CN105842666B (zh) 基于差分算法的雷达子阵划分优化方法
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
CN110311719A (zh) 一种应用于毫米波大规模mimo系统的波束选择方法及其装置
CN112100811A (zh) 一种基于自适应风驱动优化算法的天线阵方向图综合方法
CN105226393A (zh) 阵列天线、阵列天线方向图的赋形装置及赋形方法
Zhang et al. Ultra-wide-scanning conformal heterogeneous phased array antenna based on deep deterministic policy gradient algorithm
WO2022156226A1 (zh) 天线配置参数优化方法、装置及存储介质
Xue et al. A novel intelligent antenna synthesis system using hybrid machine learning algorithms
CN107566051B (zh) 一种mimo ota最大三维测试区域大小的确定方法及装置
CN112149360A (zh) 一种基于alo-lmbp神经网络的双陷波特性超宽带天线逆向建模研究方法
CN109117545B (zh) 基于神经网络的天线快速设计方法
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
CN205039261U (zh) 阵列天线及阵列天线方向图的赋形装置
CN110348106A (zh) 一种基于高斯过程的无线电能传输效率预测方法
CN113067157B (zh) 基于深度强化学习的共形相控阵天线设计系统及设计方法
CN110224785A (zh) 基于有限反馈的分布式干扰波束形成方法
CN113609677A (zh) 一种基于多路径的机器学习辅助天线设计方法
CN106066904A (zh) 一种基于多目标进化算法的高维多目标天线设计方法

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
GR01 Patent grant
GR01 Patent grant