CN110364829B - 一种稀疏直线阵天线 - Google Patents
一种稀疏直线阵天线 Download PDFInfo
- Publication number
- CN110364829B CN110364829B CN201910475591.0A CN201910475591A CN110364829B CN 110364829 B CN110364829 B CN 110364829B CN 201910475591 A CN201910475591 A CN 201910475591A CN 110364829 B CN110364829 B CN 110364829B
- Authority
- CN
- China
- Prior art keywords
- array
- vector
- array element
- excitation
- sparse
- 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.)
- Expired - Fee Related
Links
- 230000005284 excitation Effects 0.000 claims abstract description 64
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 77
- 238000000034 method Methods 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 239000013604 expression vector Substances 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 abstract description 8
- 238000003786 synthesis reaction Methods 0.000 abstract description 8
- 238000011084 recovery Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 13
- 238000003491 array Methods 0.000 description 9
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 241000041853 Garcinia oliveri Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 229940127032 viani Drugs 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01Q—ANTENNAS, i.e. RADIO AERIALS
- H01Q21/00—Antenna arrays or systems
- H01Q21/0087—Apparatus or processes specially adapted for manufacturing antenna arrays
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01Q—ANTENNAS, i.e. RADIO AERIALS
- H01Q21/00—Antenna arrays or systems
- H01Q21/29—Combinations of different interacting antenna units for giving a desired directional characteristic
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01Q—ANTENNAS, i.e. RADIO AERIALS
- H01Q21/00—Antenna arrays or systems
- H01Q21/29—Combinations of different interacting antenna units for giving a desired directional characteristic
- H01Q21/293—Combinations of different interacting antenna units for giving a desired directional characteristic one unit or more being an array of identical aerial elements
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Manufacturing & Machinery (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明提出一种稀疏直线阵天线，涉及无线通信领域，包括若干个阵元，所述若干个阵元非均匀分布在给定的阵列口径内，所述阵列的阵元数目、阵元位置以及阵元激励的参数最优值根据给定的方向图指标要求计算获得，根据参数最优值确定所述稀疏直线阵天线的最终结构。本发明稀疏直线阵天线结合参数学习和稀疏恢复理论，将仅对稀疏激励进行优化的压缩感知模型修订为对阵元位置和稀疏激励同时优化的广义压缩感知模型，从而可采用已有的交替优化算法对阵列综合问题进行有效求解，有效地降低了栅格量和由栅格划分带来的失配误差，通过优化阵元数目、阵元位置以及阵元激励，在节省阵元数的同时，能够适用于各种赋形波束的综合。
Description
技术领域
本发明涉及无线通信领域，具体而言，尤其涉及一种稀疏直线阵天线。
背景技术
众所周知，相比于均匀阵，稀疏阵则是指在与之相同的阵列口径内，通过阵元位置的非均匀分布，从而用尽可能少的阵元实现与之相当的辐射性能。显而易见，稀疏阵具有阵元数少，天线结构和馈电网络简单，系统造价低等显著优势，其已在雷达，卫星通信和射电望远镜等无线电系统中得到了很好的应用，如参考文献[1]：(X.Zhao,Y.Zhang,Q.Yang,"AHybrid Algorithm for Synthesizing Linear Sparse Arrays,"Prog.Electromagn.Res.C,vol.63,pp.75-83,2016)。尽管稀疏阵具备显著的阵列优势和应用前景，但由于这类天线需要通过优化阵元数目、阵元位置以及阵元激励的幅度和相位这四类参数，从而使阵列方向图满足指标要求，因此，稀疏阵的设计是一个包含多个未知参数的高度非线性优化问题，也一直是阵列天线综合中的热点问题和难点问题，如参考文献[2](C.Yan,P.Yang,Z.Xing,Y.Huang,“Synthesis of Planar Sparse Arrays With MinimumSpacing Constraint,”IEEE Antennas Wireless Propag.Lett.,vol.17,no.6,pp.1095-1098,2018)。
近年来，信号处理领域中的压缩感知理论作为一种有效的技术手段，将稀疏直线阵的优化设计等效为高维稀疏信号的重建问题，对阵元数、阵元位置和相应的阵元激励这些阵列参数实现整体优化提供了新的求解思路。纵观压缩感知在稀疏直线阵综合中的发展和应用可知，根据稀疏重建算法的不同，当前基于压缩感知的稀疏直线阵设计方法大体分为以下三类：基于贝叶斯估计的稀疏阵设计方法，如参考文献[3](G.Oliveri,A.Massa,“Bayesian compressive sampling for pattern synthesis with maximally sparsenon-uniform linear arrays”,IEEE Trans.Antennas Propag.,vol.59,no.2,pp.467-481,2011)，基于1-范数最小化的稀疏直线阵设计方法，如参考文献[4](X.Zhao,Q.Yang,Y.Zhang,“Compressed sensing approach for pattern synthesis of maximallysparse non-uniform linear array,”IET Microwav.Antennas Propag.,vol.8,pp.301-307,2014，)以及基于欠定系统解的稀疏直线阵设计方法，如参考文献[5](P.Yang,F.Yan,F.Yang,“Sparse array synthesis with regularized FOCUSS algorithm”,IEEEAntennas and Propag.Society International Symposium,pp.1406-1407,2013)。时至今日，这些方法也已被拓展应用到稀疏平面阵，如参考文献[6](F.Viani,G.Oliveri,A.Massa,“Compressive sensing pattern matching techniques for synthesizingplanar sparse arrays”,IEEE Trans.Antennas Propag.,vol.61,no.9,pp.4577-4587,2013)、稀疏同心圆环阵，如参考文献[7](X.Zhao,Q.Yang,Y.Zhang,“A Hybrid Method forthe Optimal Synthesis of 3-D Patterns of Sparse Concentric Ring Arrays”,IEEETrans.Antennas Propag.,vol.64,no.2,pp.515-524,2016)、以及稀疏直线阵和稀疏平面阵的波束最大效率综合，如参考文献[8](A.Morabito,“Synthesis of Maximum-Efficiency Beam Arrays via Convex Programming and Compressive Sensing”,IEEEAntennas Wireless Propag.Lett.,vol.17,no.6,pp.1095-1098,2018)中。此外，申请人也将稀疏直线阵压缩感知方法从综合单一方向图推广应用到对多方向图的重构中，如参考文献[9](一种方向图可重构的稀布直线阵综合方法的发明创造专利，申请号为：201710149527.4)。由这些公开的研究可知，不管采用何种稀疏重建算法，基于压缩感知的设计方法均是建立在对阵列口径进行固定栅格划分，并假设起作用的阵元恰巧落在某些栅格之上的前提下。但实际中，真实的阵元位置并不一定刚好落在这些离散化的栅格上，这样就会存在栅格失配误差，并且稀疏阵设计效果的好坏很大程度上取决于栅格点的疏密程度，尽管栅格越密，失配误差越小，稀疏阵的稀疏度和方向图的辐射性能越好，但密集栅格会极大地增加计算量和对计算机内存的需求。最近，基于修订加权函数的压缩感知方法，如参考文献[10](D.Pinchera D,M.Migliore,F.Schettino,“An Effective Compressed-Sensing Inspired Deterministic Algorithm for Sparse Array Synthesis”,IEEETrans.Antennas Propag.,vol.66,no.1,pp.149-159,2018)可以将栅格间距从λ/50增大到λ/20的数量级,但栅格密度的改善量有限，远不能满足大型直线阵的设计需求。因此，当前的压缩感知方法对稀疏直线阵的阵元数目，阵元位置以及阵元激励的优化设计依然受限于固定栅格的划分。
发明内容
本发明的目的在于克服当前无线电系统天线存在的对稀疏直线阵的阵元数目，阵元位置以及阵元激励的优化设置受限于固定栅格的划分的问题。
为了实现上述目的，本发明提出了一种稀疏直线阵天线，所述天线在设计过程中通过引入动态栅格，赋予天线阵列的阵元具有在连续口径上随机分布的能力，并结合参数学习和稀疏信号恢复，建立了稀疏直线阵的广义压缩感知优化模型，模型中由阵元位置决定的感知矩阵不再是固定的，而变成了含未知参数的矩阵，相应的优化问题不仅要重建稀疏激励，而且要优化初始栅格以便找到真实的阵元位置，进而获得一种更实用有效的稀疏直线阵天线。
本发明提出的一种稀疏直线阵天线，包括若干个阵元，所述若干个阵元非均匀分布在给定的阵列口径内，所述阵列的阵元数目、阵元位置以及阵元激励的参数最优值根据给定的方向图指标要求计算获得，根据参数最优值确定所述稀疏直线阵天线的最终结构。
作为所述装置的一种改进，所述阵列的阵元数目、阵元位置以及阵元激励的参数最优值根据方向图指标要求计算获得，具体包括：
步骤S01)对期望的参考方向均匀采样，形成测量矢量Fref；
步骤S02)初始化阵元位置矢量d和阵元激励矢量w，形成初始直线阵；
步骤S03)以阵元位置矢量d和阵元激励矢量w为参数变量，建立稀疏直线阵的广义压缩感知优化模型；
步骤S04)根据步骤S02)所得的阵元位置矢量d和阵元激励矢量w初始值，利用基于最小二乘法和最陡梯度下降法的交替优化策略迭代求解所述压缩感知优化模型，计算稀疏直线阵的阵元位置矢量d和阵元激励矢量w的优化值。
作为所述装置的一种改进，步骤S01)具体包括：
在观测方向u＝-1到u＝+1内对期望参考方向进行均匀采样，得到测量矢量Fref：
Fref＝[Fref(u1),Fref(u2),…,Fref(uK)]T (1)
其中，K为Fref的长度，Fref(uk)是期望方向上第k个采样值，k＝1,2,…,K；uk为采样点，且uk＝sin(θk)，uk∈[-1,1]，θk为第k个观测角，T表示转置。
作为所述装置的一种改进，所述步骤S02)具体包括：
步骤S02-1)对所述天线阵列口径L以步长δ进行均匀离散化，在每个离散点上设置一个天线阵元，形成初始直线阵；
步骤S02-2)所述直线阵的初始位置矢量d＝[d1,d2...,dN]，其中第n个阵元位置dn＝(n-1)δ，n＝1,2,…,N；
步骤S02-3)根据初始位置矢量d，利用最小二乘法对激励矢量w初始化：
w＝(A(d)TA(d))-1A(d)TFref (6)
其中A(d)为由K个导向矢量a(d,uk)构成的字典矩阵：
其中，j表征复数，即j＝sqrt(-1),
表示位于dn处的第n个阵元在采样点uk上的导向值；导向矢量a(d,u)为：
作为所述装置的一种改进，所述步骤S02)中，初始化过程中的离散步长δ满足：0.1λ≤δ≤0.3λ。
作为所述装置的一种改进，所述步骤S03)具体包括：
步骤S03-1)以阵元位置矢量d和阵元激励矢量w为参数变量，建立稀疏直线阵的优化模型：
其中γ为正则化参数，
表示矢量的2-范数求平方，||·||0表示矢量的0-范数；
步骤S03-2)用2-范数代替优化模型中的0-范数，并采用加权2-范数算法来增强解的稀疏性，获得相应的广义压缩感知优化模型为：
其中，X为对角矩阵，wH表示对激励矢量w求共轭转置，上标H表示共轭转置运算，所述模型约束激励矢量w为稀疏矢量，当第n个激励值wn＝0时表明对应位置dn上不存在阵元。
作为所述装置的一种改进，所述步骤S04)具体包括：
步骤S04-1)正则化参数γ取值为50，初次迭代d(0)的取值为初始位置矢量d＝[d1,d2...,dN]；w(0)为公式(6)得到的初始化的激励矢量w；ξ的初始值ξ(0)＝1；
步骤S04-2)当m＜Itermax时，第m次迭代中的取值为ξ(m)：
其中，Itermax为最大迭代次数，w(m-2)为第m-2次迭代的阵元激励矢量，w(m-1)为第m-1次迭代的阵元激励矢量；
第m次迭代中的对角矩阵X(m)为：
其中，
为第m-1次迭代中第n个阵元的激励值，n＝1,2,…,N；
将阵元激励矢量w(m-1)与X(m)带入公式(8)，利用最陡梯度下降法计算出当前次迭代中的阵元位置矢量d(m)；
然后，利用最小二乘法计算出第m次迭代的阵元激励矢量w(m)为：
w(m)＝(γX(m)+A(d(m))HA(d(m)))-1A(d(m))HFref (11)
并将当前迭代次数m的值加1；
步骤S04-3)当迭代次数m≥Itermax或者||w(m-2)-w(m-1)||2≤10^(-3)时，停止迭代，输出稀疏直线阵的阵元位置d和激励w的优化值，即稀疏直线阵的阵元位置d＝d(m-1)，激励w＝w(m-1)；
否则执行步骤S04-2)。
与现有技术相比，本发明的有益效果在于：
1、本发明稀疏直线阵天线在设计时采用动态栅格代替原稀疏直线阵压缩感知设计方法中的固定栅格，有效地降低了栅格量和由栅格划分带来的失配误差。
2、本发明稀疏直线阵天线在设计时结合栅格参数学习和稀疏恢复理论，将仅对稀疏激励进行优化的压缩感知模型修订为对阵元位置和稀疏激励同时优化的广义压缩感知模型，从而可采用已有的交替优化算法对阵列综合问题进行有效求解；
3、本发明的稀疏直线阵天线可以采用整体优化的阵列参数，通过优化的阵元数目、阵元位置以及阵元激励，在节省阵元数的同时，能够适用于各种赋形波束的采集。
附图说明
图1是本发明的稀疏直线阵示意图；
图2是本发明的稀疏直线阵天线参数最优值的确定流程图；
图3是本发明的稀疏直线阵天线的阵列口径为9.5λ时的采用12元稀疏直线阵实现的切比雪夫方向图；
图4是本发明的稀疏直线阵天线的阵列口径为9.5λ时的采用15元稀疏直线阵实现的余割波束方向图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细的说明。
现结合附图对本发明作进一步的描述。
如图1所示，本发明的一种稀疏直线阵天线，包括若干个阵元，所述若干个阵元非均匀分布在给定的阵列口径内，直线阵天线的最终结构由根据方向图指标要求确定的阵元数目、阵元位置以及阵元激励的参数最优值共同决定。
如图2所示，所述阵元数目、阵元位置以及阵元激励的参数最优值的确定过程具体包括以下步骤：
S01：形成测量值矢量；
对期望的参考方向图均匀采样，形成测量矢量Fref。
步骤S01具体包括如下过程：
在观测方向u＝-1到u＝+1内对期望方向图Fref(u)进行均匀采样，所得的K个采样值构成一个测量矢量Fref，具体表示为：
Fref＝[Fref(u1),Fref(u2),…,Fref(uK)]T,uk∈[-1,1] (1)
其中Fref(uk)是期望方向图上第k(k＝1,2,…,K)个采样值，采样点uk＝sin(θk)，θk为第k个观测角，T表示转置操作，Fref是一个长度为K的列矢量。
S02：初始化直线阵；
初始化阵元位置矢量d和激励矢量w，形成初始直线阵。
步骤S02具体包括如下步骤：
对给定的阵列口径L以步长δ进行均匀离散化，并假定每个离散点上分布一个天线阵元，该直线阵的初始位置矢量d＝[d1,d2…,dN]，其中第n个阵元位置dn＝(n-1)δ(n＝1,2,…,N)，δ通常取0.1λ～0.3λ。若假定该直线阵的阵元激励矢量w＝[w1,w2,…,wN]T，那么由阵元位置和阵元激励确定的阵列方向图为
其中导向矢量a(d,u)具体表示为
要求该阵可以重建期望的参考方向图，即在步骤S01中的采样点上，F(uk)＝Fref(uk),K个观测点上的矢量形式具体表示为：
A(d)w＝Fref (4)
其中由K个导向矢量a(d,uk)构成的字典矩阵A(d)为：
那么，根据初始化的阵元位置d，就可以利用最小二乘法对激励矢量w初始化，即
w＝(A(d)TA(d))-1A(d)TFref (6)
由上述初始化的阵元位置d和激励矢量w则可形成的过采样均匀间隔阵。
S03：建立稀疏直线阵的广义压缩感知优化模型；
以阵元位置d和激励矢量w为优化变量，结合参数学习和稀疏恢复理论，建立稀疏直线阵的广义压缩感知优化模型；
步骤S03具体过程如下：
将阵元位置d和激励w均作为优化变量，建立稀疏直线阵的优化模型：
其中γ为正则化参数，该模型约束激励矢量w为稀疏矢量，并且第n个激励值wn＝0，则表明对应位置dn上不存在阵元。为了防止过拟合，提高模型的泛化能力，这里用2-范数代替上述模型中的0-范数，并采用加权2-范数算法来增强激励w的稀疏性，由此建立的稀疏直线阵广义压缩感知优化模型为：
其中，第m次迭代中的对角矩阵X(m)为：
S04：采用交替优化策略求解模型；
利用基于最小二乘法和最陡梯度下降法的交替优化算法迭代求解步骤S03)建立的优化模型(8)，计算出稀疏直线阵的阵元位置和激励。
步骤S04具体过程如下：
根据步骤S02中变量的初始值，采用基于最小二乘法和最陡梯度下降法的交替优化算法迭代求解步骤S03建立的优化模型(8)，提取出稀疏直线阵的阵元位置d和激励w。在迭代过程中，正则化参数γ取值为50，ξ的取值与所采用的交替优化算法的参数设置相同，即ξ的初始值ξ(0)＝1，第m次迭代中的取值为：
对于第m次迭代，将阵元激励矢量w(m-1)与X(m)带入公式(8)，利用最陡下降法计算出当前次迭代中的阵元位置矢量d(m)；
然后，利用最小二乘法交替计算出当前迭代中的阵元激励矢量w(m)，即
w(m)＝(γX(m)+A(d(m))HA(d(m)))-1A(d(m))HFref (11)
并且设置迭代次数m＝m+1。若m≥Itermax或者||w(m-2)-w(m-1)||2≤10^(-3)时，停止迭代，输出稀疏直线阵的阵列参数。
根据上述方法本发明提出的稀疏直线阵天线，可以进一步通过以下具体的仿真实例来验证并说明。
实例1在给定的阵列口径L＝9.5λ内综合稀疏直线阵来实现副瓣电平为-20dB的切比雪夫方向图。已有研究表明，若采用相邻元间隔为0.5λ的均匀满阵，则需要20个阵元；若将该满阵实现的方向图作为参考方向图，考虑到阵列的对称结构，这里仅在阵列口径正半轴划分栅格，利用传统的压缩感知方法设计稀疏直线阵天线，在初始栅格数为951个的前提下，实现期望的参考方向图需要13个阵元。采用本发明提出的稀疏直线阵天线，初始栅格数仅为23个的情况下，仅需要12个阵元就可以实现与之相同的辐射特性，综合的方向图如图3所示，由此可知，本发明的稀疏的直线阵天线可以采用的较少栅格和阵元实现了期望的辐射特性。相应的阵元位置与激励分布如表1所示，由于阵列结构的对称性，表1也仅列出了位于正半轴上的阵元位置和对应的阵元激励。
表1
| 阵元序号 | 1 | 2 | 3 | 4 | 5 | 6 |
| 阵元位置(λ) | 0.4355 | 1.3056 | 2.1722 | 3.0313 | 3.8730 | 4.7019 |
| 阵元激励 | 1 | 0.9424 | 0.8344 | 0.6890 | 0.5225 | 0.6971 |
实例2在给定的阵列口径L＝9.5λ内设计稀疏直线阵实现如图3所示的余割波束方向图。利用本发明方法，设置初始的阵元数为37，仿真结果表明，本发明设计的天线仅需15个阵元，方向图的对比结果如图4所示，由此可知，本发明的稀疏直线阵天线实现了期望的辐射特性，相应的阵元位置与激励如表2所示，由此实例可知，本发明的天线可以为任意赋形波束的稀疏直线阵天线。
表2
| 阵元序号 | 阵元位置(λ) | 阵元激励 | 阵元序号 | 阵元位置(λ) | 阵元激励 |
| 1 | 0 | 0.1336-j0.1031 | 9 | 5.3580 | -0.6477+j0.5463 |
| 2 | 0.6736 | 0.1241-j0.1060 | 10 | 5.8512 | -0.0507+j0.3894 |
| 3 | 1.4289 | 0.1479-j0.1737 | 11 | 6.3657 | -0.0843+j0.3999 |
| 4 | 1.9729 | 0.0383-j0.2591 | 12 | 7.1374 | 0.0134+j0.3760 |
| 5 | 2.5927 | -0.0261-j0.3437 | 13 | 7.9124 | 0.1504+j0.2898 |
| 6 | 3.3727 | -0.0776-j0.5596 | 14 | 8.7347 | 0.1235+j0.1113 |
| 7 | 4.0776 | -0.5909-j0.6536 | 15 | 9.4597 | 0.1512+j0.1043 |
| 8 | 4.7212 | -0.9998-j0.0210 |
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种稀疏直线阵天线，其特征在于，包括若干个阵元，所述若干个阵元非均匀分布在给定的阵列口径内，所述阵列的阵元数目、阵元位置以及阵元激励的参数最优值根据给定的方向图指标要求计算获得，根据参数最优值确定所述稀疏直线阵天线的最终结构；
所述阵列的阵元数目、阵元位置以及阵元激励的参数最优值根据方向图指标要求计算获得，具体包括：
步骤S01)对期望的参考方向均匀采样，形成测量矢量Fref；
步骤S02)初始化阵元位置矢量d和阵元激励矢量w，形成初始直线阵；
步骤S03)以阵元位置矢量d和阵元激励矢量w为参数变量，建立稀疏直线阵的优化模型；
步骤S04)根据步骤S02)所得的阵元位置矢量d和阵元激励矢量w初始值，利用基于最小二乘法和最陡梯度下降法的交替优化策略迭代求解压缩感知优化模型，计算稀疏直线阵的阵元位置矢量d和阵元激励矢量w的优化值；
所述步骤S02)具体包括：
步骤S02-1)对所述天线阵列口径L以步长δ进行均匀离散化，在每个离散点上设置一个天线阵元，形成初始直线阵；
步骤S02-2)所述直线阵的初始位置矢量d＝[d1,d2...,dN]，其中第n个阵元位置dn为：dn＝(n-1)δ，n＝1,2,…,N；其中δ为离散步长；
步骤S02-3)根据初始位置矢量d，利用最小二乘法对激励矢量w初始化：
w＝(A(d)TA(d))-1A(d)TFref (6)
其中A(d)为由K个导向矢量a(d,uk)构成的字典矩阵：
其中，j表征复数，即j＝sqrt(-1),
表示位于dn处的第n个阵元在采样点uk上的导向值；导向矢量a(d,u)为：
所述步骤S02)中，初始化过程中的离散步长δ满足：0.1λ≤δ≤0.3λ。
2.根据权利要求1所述的稀疏直线阵天线，其特征在于，步骤S01)具体包括：
在观测方向u＝-1到u＝+1内对期望参考方向进行均匀采样，得到测量矢量Fref：
Fref＝[Fref(u1),Fref(u2),…,Fref(uK)]T (1)
其中，K为Fref的长度，Fref(uk)是期望方向上第k个采样值，k＝1,2,…,K；
uk为采样点，且uk＝sin(θk)，uk∈[-1,1]，θk为第k个观测角，上标T表示转置。
3.根据权利要求1所述的稀疏直线阵天线，其特征在于，所述步骤S03)具体包括：
步骤S03-1)以阵元位置矢量d和阵元激励矢量w为参数变量，建立稀疏直线阵的优化模型：
其中γ为正则化参数，
表示矢量的2-范数求平方，||·||0表示矢量的0-范数；
步骤S03-2)用2-范数代替优化模型中的0-范数，并采用加权2-范数算法来增强解的稀疏性，获得相应的广义压缩感知优化模型为：
其中，X为对角矩阵，wH表示对激励矢量w求共轭转置，上标H表示共轭转置运算，所述模型约束激励矢量w为稀疏矢量，当第n个激励值wn＝0时表明对应位置dn上不存在阵元。
4.根据权利要求1所述的稀疏直线阵天线，其特征在于，所述步骤S04)具体包括：
步骤S04-1)正则化参数γ取值为50，初次迭代d(0)的取值为初始位置矢量d；w(0)为公式(6)得到的初始化的激励矢量w；ξ的初始值ξ(0)＝1；
步骤S04-2)当m＜Itermax时，第m次迭代中的取值为ξ(m)：
其中，Itermax为最大迭代次数，w(m-2)为第m-2次迭代的阵元激励矢量，w(m-1)为第m-1次迭代的阵元激励矢；
第m次迭代中的对角矩阵X(m)为：
其中，
为第m-1次迭代中第n个阵元的激励值，n＝1,2,…,N；
将阵元激励矢量w(m-1)与X(m)带入公式(8)，利用最陡梯度下降法计算出当前次迭代中的阵元位置矢量d(m)；
然后，利用最小二乘法计算出第m次迭代的阵元激励矢量w(m)为：
w(m)＝(γX(m)+A(d(m))HA(d(m)))-1A(d(m))HFref (11)
并将当前迭代次数m的值加1；
步骤S04-3)当迭代次数m≥Itermax或者||w(m-2)-w(m-1)||2≤10^(-3)时，停止迭代，输出稀疏直线阵的阵元位置d和激励w的优化值，即稀疏直线阵的阵元位置
d＝d(m-1)，激励w＝w(m-1)；
否则执行步骤S04-2)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910475591.0A CN110364829B (zh) | 2019-06-03 | 2019-06-03 | 一种稀疏直线阵天线 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910475591.0A CN110364829B (zh) | 2019-06-03 | 2019-06-03 | 一种稀疏直线阵天线 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110364829A CN110364829A (zh) | 2019-10-22 |
| CN110364829B true CN110364829B (zh) | 2021-03-09 |
Family
ID=68215099
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910475591.0A Expired - Fee Related CN110364829B (zh) | 2019-06-03 | 2019-06-03 | 一种稀疏直线阵天线 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110364829B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113268853B (zh) * | 2021-04-14 | 2022-12-16 | 中国电子科技集团公司电子科学研究院 | 一种天线方向图优化方法、装置及可读存储介质 |
| CN116819453B (zh) * | 2023-08-28 | 2023-11-10 | 西安电子科技大学 | 一种基于单快拍角度超分辨的雷达天线阵最稀疏布阵方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102904069A (zh) * | 2012-10-26 | 2013-01-30 | 浙江大学 | 基于Sinc函数的圆形口径场分布的阵列天线的设计方法 |
| JP2016080427A (ja) * | 2014-10-14 | 2016-05-16 | 三菱電機株式会社 | 信号処理装置 |
| CN109033647A (zh) * | 2018-07-31 | 2018-12-18 | 电子科技大学 | 基于l1范数约束的近场稀布天线阵列优化方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9231303B2 (en) * | 2012-06-13 | 2016-01-05 | The United States Of America, As Represented By The Secretary Of The Navy | Compressive beamforming |
-
2019
- 2019-06-03 CN CN201910475591.0A patent/CN110364829B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102904069A (zh) * | 2012-10-26 | 2013-01-30 | 浙江大学 | 基于Sinc函数的圆形口径场分布的阵列天线的设计方法 |
| JP2016080427A (ja) * | 2014-10-14 | 2016-05-16 | 三菱電機株式会社 | 信号処理装置 |
| CN109033647A (zh) * | 2018-07-31 | 2018-12-18 | 电子科技大学 | 基于l1范数约束的近场稀布天线阵列优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| Super-Resolution Compressed Sensing for Line Spectral Estimation: An Iterative Reweighted Approach;Jun Fang et al;《IEEE TRANSACTIONS ON SIGNAL PROCESSING》;20160725;第64卷(第18期);第4649-4661页 * |
| 稀布阵列天线的压缩感知和入侵杂草优化算法研究;赵晓雯;《中国博士学位论文全文数据库》;20160815;第42-44页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110364829A (zh) | 2019-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110109050B (zh) | 嵌套阵列下基于稀疏贝叶斯的未知互耦的doa估计方法 | |
| CN105842702B (zh) | 多波束成像声呐的旁瓣抑制方法、阵列稀疏方法 | |
| CN106981728B (zh) | 一种方向图可重构的稀布直线阵综合方法 | |
| CN108896954B (zh) | 互质阵中一种基于联合实值子空间的波达角估计方法 | |
| CN110364829B (zh) | 一种稀疏直线阵天线 | |
| CN105406203B (zh) | 一种基于地理约束的稀疏天线阵列的优化布阵方法 | |
| CN107302140B (zh) | 基于量子蜘蛛群演化机制的平面天线阵列稀疏方法 | |
| CN110954860B (zh) | 一种doa和极化参数估计方法 | |
| CN113376569B (zh) | 基于最大似然的嵌套阵稀疏表示波达方向估计方法 | |
| CN108446437A (zh) | 一种阵列天线宽波束功率增益优化方法 | |
| CN108987941A (zh) | 一种基于压缩感知的一维子阵划分方法 | |
| CN104750944A (zh) | 一种快速的平面稀疏阵列综合方法 | |
| CN113189538A (zh) | 一种基于互质稀疏排列的三元阵列及其空间谱估计方法 | |
| CN110737873A (zh) | 一种大规模阵列天线散射的快速分析方法 | |
| CN113671439B (zh) | 基于非均匀智能超表面阵列的无人机集群测向系统及方法 | |
| Koziel et al. | Expedited acquisition of database designs for reduced-cost performance-driven modeling and rapid dimension scaling of antenna structures | |
| CN109547083B (zh) | 一种基于神经网络的平顶波束赋形方法 | |
| CN116224215A (zh) | 增广互质雷达中基于泰勒展开dft算法的doa估计方法 | |
| CN115343673A (zh) | 一种基于狄利克雷过程先验的宽带信号doa估计方法 | |
| CN115616478A (zh) | 一种基于混合远近场的新型对称稀疏阵列的设计方法 | |
| CN115146544A (zh) | 一种采用知识和数据混合驱动的阵列天线设计方法 | |
| CN114019445A (zh) | 一种基于位置聚类动态稀疏重构的二维到达角度测量方法 | |
| CN113871899A (zh) | 非均匀间隔线阵的宽带非频变扫描波束快速生成方法 | |
| CN109670228B (zh) | 一种阵列天线单元方向图快速插值计算方法 | |
| CN113268853B (zh) | 一种天线方向图优化方法、装置及可读存储介质 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210309 |