CN110596700A - 一种阵元排布和发射信号联合优化方法 - Google Patents
一种阵元排布和发射信号联合优化方法 Download PDFInfo
- Publication number
- CN110596700A CN110596700A CN201910878158.1A CN201910878158A CN110596700A CN 110596700 A CN110596700 A CN 110596700A CN 201910878158 A CN201910878158 A CN 201910878158A CN 110596700 A CN110596700 A CN 110596700A
- Authority
- CN
- China
- Prior art keywords
- population
- array element
- element arrangement
- fit
- chromosome set
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Radar, Positioning & Navigation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Electromagnetism (AREA)
- Physiology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明公开了一种阵元排布和发射信号联合优化方法,包括以下步骤:初始化GA算法参数;其中,所述GA算法参数包括种群个数,最大繁衍代数,选择个体数以及交叉个体数;根据所述GA算法参数生成包括阵元排布染色体集合和发射信号序列染色体集合的种群;计算所述种群所有个体的个体适应度,并根据所述GA算法参数和所述个体适应度对所述种群进行选择操作、交叉操作、变异操作,得到更新的种群;若判断更新的种群的遗传代数小于所述最大繁衍代数,则重复更新种群。本发明提供的阵元排布和发射信号联合优化方法提高了辐射场的随机性,提升了算法效果,从而降低了雷达成像误差,提高了雷达的成像质量。
Description
技术领域
本发明属于雷达成像技术领域,具体涉及一种阵元排布和发射信号联合优化方法。
背景技术
雷达关联成像是一种新的凝视高分辨率成像方法,依靠多个相互独立的天线阵元发射随机信号,在空间形成时空两维随机辐射场,将接收的散射回波信号形成的辐射场与预存的随机辐射场进行关联处理,从而获得凝视区域内的高分辨率反演图像。雷达关联成像技术能够突破天线的孔径限制,并且与传统的SAR成像相比,其分辨率不决定于多普勒频率,不需要雷达与目标的相对运动即可实现高分辨率的凝视成像,在全天时,全天候,连续的对重点关注区域监测和特定目标识别等领域有着重要的应用价值。雷达关联成像已经成为了雷达成像领域新的发展方向。
雷达关联成像的质量和辐射场的随机性相关,雷达阵元个数、阵列尺寸及信号带宽,阵元排布方式和发射信号形式均对辐射场随机性有影响。目前,对于雷达关联成像的辐射场随机性的提高,常用的方法主要有以下两种:一是基于阵元分布熵最大为准则的阵元排布方法,二是基于条件数最小准则的发射信号优化方法。
然而,以上两种方法仅仅考虑了单一因素对辐射场的影响,即对阵面的排布和阵元的发射信号形式的优化采用了分离的方式进行研究,忽略了阵元排布与阵元的发射信号波形的内在联系,使得辐射场的随机性不高并且成像误差大,影响了雷达关联成像的质量。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种阵元排布和发射信号联合优化方法。本发明要解决的技术问题通过以下技术方案实现:
一种阵元排布和发射信号联合优化方法,包括:
初始化GA算法参数;其中,所述GA算法参数包括种群个数,最大繁衍代数,选择个体数以及交叉个体数;
根据所述GA算法参数生成包括阵元排布染色体集合和发射信号序列染色体集合的种群;
计算所述种群所有个体的个体适应度,并根据所述GA算法参数和所述个体适应度对所述种群进行选择操作、交叉操作、变异操作,得到更新的种群;
若判断更新的种群的遗传代数小于所述最大繁衍代数,则重复更新种群。
在本发明的一个实施例中,还包括:
若判断更新的种群的参考信号矩阵条件数小于预设条件值,则算法终止。
在本发明的一个实施例中,根据所述GA算法参数生成包括阵元排布染色体集合和发射信号序列染色体集合的种群包括:
由N个阵元的坐标的有序组合组成个体I={M1M2…MN|Mn=(xn,yn),1≤n≤N},并随机生成由Zg个个体I组成一个种群的阵元排布染色体集合Ω;其中,N为辐射源的阵元数量,Zg为种群个体;
每个所述阵元均随机产生一个N行F列的矩阵RandC,截取每个所述矩阵RandC前W列得到新的矩阵Que={Quek|k=1,…,N}作为初始跳频编码矩阵,并生成发射信号序列染色体集合Ψ;其中,F为每个阵元发射的最大跳频码数。
在本发明的一个实施例中,所述个体适应度的计算公式为:
fit(φ)=T-cond(φ),
其中,T为计算阈值,cond(φ)为参考信号矩阵φ的条件数。
在本发明的一个实施例中,对所述种群进行选择操作包括:
对所述种群当前代进行适应度排序,并从中选择前S个个体适应度较大的个体直接遗传至下一代;其中,S为选择个体数。
在本发明的一个实施例中,对所述种群进行交叉操作包括:
对所述阵元排布染色体集合Ω进行交叉操作;
对所述发射信号序列染色体集合Ψ进行自交和相交操作。
在本发明的一个实施例中,对所述阵元排布染色体集合Ω进行交叉操作包括:
设置所述阵元排布染色体集合Ω的交换阵元位置个数为:a′=a*(1-I1_fit/best_fit),其中,a为当前代可进行交换的总阵元个数,I1_fit为当前父代适应度,best_fit为当前代适应度最大的个体;
对所述阵元排布染色体集合Ω进行阵元交换,当存在可交换阵元时,若计算出a′<1,则令a′=1。
在本发明的一个实施例中,对所述发射信号序列染色体集合Ψ进行自交和相交操作包括:
用概率选择法选出需要交叉的个体,并对所述发射信号序列染色体集合Ψ进行自交,自交概率为:Pc′=Pc*((best_fit-I_fit)/(2*best_fit)+0.5),其中,Pc为初始自交概率,I_fit为当前代适应度;
用概率选择法选出一个父代,同时从所述个体适应度最大的前p个个体中随机选出母代,以行为相交单位进行相交得到C个交叉个体;其中,进行相交的行数为N*(1-I1_fit/best_fit)。
在本发明的一个实施例中,对所述种群进行变异操作包括:
对所述阵元排布染色体集合Ω的所有交叉个体以概率Pb进行点变异操作;
在本发明的一个实施例中,对所述发射信号序列染色体集合Ψ进行点变异操作和行变异操作包括:
设置所述发射信号序列染色体集合Ψ的变异点数为Mu=W*((best_fit-I_fit)/(2*bext_fit)+0.5)/10,从所述变异点对应的RandC后F-W列和前W列中分别随机取Mu列以概率Pa进行点变异操作;其中,W为每个阵元发射的子脉冲数;
对所述发射信号序列染色体集合Ψ随机选取一行以概率Pd进行行变异操作。
本发明的有益效果:
1、本发明提供的方法通过改进GA算法对阵元空间的排布方式与阵元的发射波形进行联合优化,提高了辐射场的随机性,从而提高了雷达成像质量;
2、本发明在运用GA算法时,改进了交叉变异概率的固定性,采用自适应的参数调整,提高算法收敛速度,提升了算法效果,从而降低了成像误差,提高了雷达关联成像的稳健性。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种阵元排布和发射信号联合优化方法流程图;
图2a是本发明实施例提供的单独优化发射信号的曲线图;
图2b是本发明实施例提供的单独优化阵元排布的曲线图;
图2c是本发明实施例提供的分别单独优化阵元排布和发射信号的曲线图;
图2d是本发明实施例提供的使用传统GA算法进行联合优化的曲线图;
图3是本发明实施例提供的改进GA算法的联合优化曲线图;
图4a是本发明实施例提供的改进前和改进后的GA种群平均值对比曲线图;
图4b是本发明实施例提供的改进前和改进后的GA最优值对比曲线图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
请参见图1,图1是本发明实施例提供的一种阵元排布和发射信号联合优化方法流程图,包括:
步骤1:初始化GA算法参数;其中,所述参数包括种群个数Zg,繁衍代数Zp,选择个体数S以及交叉个数C,C=Zg-S;
GA算法(遗传算法)的从父代到子代的概率选择法虽然能保证种群个体的多样性,但是在种群个体数不多的情况下,也可能会丢失多个最优个体,造成种群适应度不升反降。
在本实施例中,设种群个体数为Zg个,繁衍代数为Zp代,从父代到子代的过程中保留固定数目个体数为S,则每代由交叉新生成的个体数为C=Zg-S。
步骤2:根据所述GA算法参数生成包括阵元排布染色体集合和发射信号序列染色体集合的种群;
本发明以阵元排布优化Ω基因和发射信号序列优化Ψ基因作为染色体,在交叉中隐性的表示阵元排布和发射信号序列的联合优化的。
首先,初始化阵元排布Ω。
在本实施例中,设辐射源的阵元数量为N,阵元口径的大小为R,两个阵元之间的最小间距D以及阵面形状为边长为L的正方形。则N个阵元的坐标的有序组合组成个体I={M1M2…MN|Mn=(xn,yn),1≤n≤N}。随机生成Zg个个体I组成一个种群的阵元排布染色体集合Ω。
将N个阵元的有序排布作为GA算法的一个自变量,不仅利于交叉变异操作,也更容易在阵元排布不变的情况下交换各个阵元发射的跳频信号,只需相应改变跳频矩阵的行为顺序,隐形表示了阵元排布与阵元发射的跳频信号之间的关系。
然后,初始化发射信号序列优化Ψ。
设每个阵元发射的子脉冲数为W,可发射的最大跳频码数为F,阵元数量为N,则随机产生一个N行F列的矩阵RandC,其中行代表序列Q={0,1,2,…,F-1}的随机排布;截取矩阵RandC前W列得到新的矩阵Que={Quek|k=1,…,N},而此矩阵即为初始跳频编码矩阵。通过上述方式随机生成Zg个Que跳频编码矩阵,组成一个种群,生成发射信号序列染色体集合Ψ。
在本实施例中,之所以生成矩阵RandC,是为了以后的交叉变异操作的便捷,如矩阵RandC某一行的序列可能为:
然后截取矩阵RandC的前W列,若以上例截取,则:
截取后得第k个阵元的跳频码序列:
N个阵元跳频码序列组成随机调频矩阵Que为:
步骤3:计算所述种群所有个体的个体适应度,并根据所述GA算法参数和所述个体适应度对所述种群进行选择操作、交叉操作、变异操作,得到更新的种群;
计算所有个体适应度fit,并在所述个体参与选择时进行阈值处理,找出当前代适应度最大的个体为best_fit,并记录适应度最大的前p个个体;其中,若计算出fit<0,则令fit=0;
在本实施例中,每个个体适应度fit由参考信号矩阵φ条件数计算所得,fit(φ)=T-cond(φ),T为计算阈值。通过调节合适的阈值T,在进行概率选择时对个体适应度高的有更高的几率选中,有利于保留优良个体以及使算法更快收敛。在处理后的fit中,找出当前代个体适应度最大的记为best_fit,并记录适应度较大的前p个个体。
在本实施例中,假设阵元发射的随机跳频信号Sn(t):
其中,fc为辐射场的载波频率,子脉冲持续时间Δt以及最小子脉冲的频率间隔为Δf,N为阵元个数。W为阵元发射跳频个数,Quenw表示第n个阵元发射的第w个跳频码。
随机跳频脉冲信号是一种将发射信号频带脉间分集后,随机的使用各个子频段作为载频发射的信号波形。将可用工作频带均匀的分成F个子区间,每个子区间用相应的跳频码表示Q={0,1,2,…,F-1}。在这个跳频码序列中,随机选取W个作为阵元发射信号子脉冲的载频。每个阵元发送子脉冲所用跳频码用Quenw={Quenw|n=1,...,N,w=1,...,W}表示,其中n代表第n个阵元,w代表第w个位跳频码。
在成像平面中建立平面直角坐标系。采用均匀划分的方式对成像平面划分为G=Gx×Gy个网格数,其中Gx为方位均匀网格数,Gy为距离均匀网格数。网格的中心坐标矢量用来表示单个网格的位置信息。
则其随机跳频信号Sn(t)对应的参考信号φn(t)为:
其中,当g=1时,即为dng=dn1。c为光速。
将信号按照采样时间间隔ts进行时域采样得到时间采样序列t=[0,ts,...,pts,...,T],其中T为信号时域长度。然后在时间采样序列中随机抽取K个采样点得到时间采样点其中tk+1>tk。利用对参考信号φn(t)进行采样。得到采样后的离散序列:
并形成参考信号矩阵φ:
显然,要保证参考矩阵非奇异,随机抽取的采样点个数K不能少于阵元个数N。求出φ的所有非零特征值σ1,σ2,...,σr,r为非零特征值个数,且有σ1>σ2>,...,>σr则参考信号矩阵φ的条件数为cond(φ)=σ1/σr。
对所述种群进行选择操作、交叉操作、变异操作,得到更新的种群;
首先,对种群进行选择操作主要为对当前代适应度排序,从种群中选择前S个适应度较大的个体直接遗传至下一代,充分保留好的染色体。
然后,对所述种群进行交叉操作;
对阵元排布染色体集合Ω来说,初始化参数a=0,用概率选择法确定两个交叉父代的阵元排布染色体I1、I2,对两条染色体对应位置单次交换,满足两个阵元间距大于最小间距D,则a=a+1。对N个阵元位置逐步判断,则得到可进行交换的总阵元个数为a。
由于GA算法始于大量随机解,采用固定的交叉与突变参数,若迭代次数少,很难收敛,若迭代次数多,计算量大,运行时间长。因此在本实施例中,对GA算法进行了改进,采用一种自适应的交叉参数,使交换阵元位置个数为a′=a*(1-I1_fit/best_fit),I1_fit为当前父代适应度。从表达式看,越偏离最优值,改动越大。在存在可交换阵元时,若算出a′<1,则a′=1,保证达到交换目的。
对发射信号序列染色体集合Ψ来说,交叉分为自交和相交,用概率选择法选出需要交叉的个体,设初始自交概率为Pc,则该个体I自交概率同样采用自适应的方法,由当前适应度与最优适应度决定:
Pc′=Pc*((best_fit-I_fit)/(2*best_fit)+0.5)
在本实施例中,需要保证Pc′>0.5。自交叉方法为打乱该个体的跳频编码矩阵Que的行,意义为让已排布的阵元交换其发射的跳频序列。发射信号序列的自交联系了阵元排布,提高了辐射场的随机性,从而提高了雷达成像质量,凸显了联合优化的作用。
相交的方法同阵元排布相同,用概率选择法选出一个父代,母代从适应度最大的前p个个体中随机选,把每行看作相交单位,进行相交的行数为N*(1-I1_fit/best_fit),得到交叉完毕的C个个体。
在发射信号序列相交过程中,母代从适应度较优的前p个个体中选,使整个种群朝着最优方向发展。
最后对所述种群进行变异操作,并更新所述矩阵RandC和所述矩阵Que
对阵元排布染色体集合Ω来说,设定点变异概率Pb,对所有交叉个体进行点变异操作,即对某个阵元坐标进行随机选取并满足两个阵元间距大于最小间距D。
对发射信号序列染色体集合Ψ来说,变异操作有点变异与行变异,概率分别为为Pa,Pd。
点变异操作中,由于每个阵元发射的子脉冲数为W,故跳频矩阵Que的行共有W个序列,则变异点数不超过总点数的1/10,采用自适应的方法确定变异点数为:
Mu=W*((best_fit-I_fit)/(2*bext_fit)+0.5)/10;
具体操作为从该个体对应的RandC中,在后F-W列和前W列中分别随机取Mu列进行交换。
行变异操作中,参照初始化发射信号序列优化Ψ的方法,即随机取一行进行重排,并更新RandC和Que。
在本实施例中,通过采用自适应的参数调整改进了交叉变异概率的固定性,提高了算法收敛速度,提升了算法效果,从而降低了成像误差,提高了雷达关联成像的稳健性。
步骤5:判断所述种群是否收敛。
在本实施例中,种群收敛可以通过遗传代数来判断,若判断更新的种群的遗传代数小于预设的最大繁衍代数Zp,即种群未完成繁衍,则对更新的种群继续进行个体适应度计算和遗传操作,重复更新种群。
在本实施例中,种群收敛还可以通过种群的参考信号矩阵条件数来判断。在判断更新的种群的遗传代数小于预设的最大繁衍代数Zp时,进一步判断更新的种群的参考信号矩阵条件数是否小于预设条件值,若小于预设条件值,则算法终止;否则,继续更新种群。
本实施例提供了一种在构造随机辐射场背景下的自适应概率与规则,在选择个体时始终保留其一定个体的完整性,而在交叉变异过程中母代变为前几个较优个体而不是随机选取;在概率方面,越接近当前代数最优适应度,交叉变异概率越小,交叉变异规则越少,相当于缩小步长;有利于更快找到最优解,从而减少计算量,加快收敛速度,解决了传统GA算法以一定概率以及固定的规则产生子代时,在逼近最优过程中搜索空间过大而错过最优值,导致适应度曲线震荡的问题,以及由于其固定概率与规则,使算法前期收敛速度慢,从而增加迭代次数,导致计算量增大的问题,并将该种改进的GA算法应用到雷达关联成像的阵元排布和发射信号联合优化算法中,提高了成像质量。
实施例二
下面通过仿真实验对本发明的效果做进一步验证说明。
设置辐射场参数为:雷达阵面为边长为0.5的正方形,雷达发射信号为随机跳频信号,成像平面划分为20×20个网格,每个网格的大小0.5m×0.5m。
在本实施例中,利用以上雷达参数,以最后生成的参考信号矩阵的条件数作为种群适应度评判标准,进行仿真设计。参考信号矩阵的条件数在一定程度上表征了其辐射场的不相关程度。条件数越大,不相关程度越小,条件数越小,不相关程度越大。而辐射场的不相干性影响了雷达成像质量,辐射场越不相干,雷达成像质量越好。
为了体现本发明算法的优势,一共做了四类仿真对比实验。前两次实验对比了阵元排布和发射信号联合优化与只单独优化一种的算法有效性,其中,第一类实验为单独优化发射信号,阵元排布随机生成不优化;第二类实验为单独优化阵元排布,发射信号随机生成不优化;第三类实验为同时优化阵元排布与发射信号,但是在优化过程中彼此不联系,即先优化阵元排布,后优化发射信号;第四类实验为联合优化阵元排布和发射信号,但是对GA算法不改进。以上四次实验都以传统GA算法为优化算法进行设计仿真,其参数如表1所示。
表1 GA算法参数设置
在本实施例中,四次对比实验全部或部分使用了表1的GA算法参数表中的参数,所用参数一致。请参见图2a~2d,图2a~2d分别是四类仿真实验的遗传代数与条件数的仿真曲线图,图中均有两条曲线,其中最优值曲线为前n次遗传代数中产生的父代与子代所有个体的最小值,种群平均值曲线为每代种群的所有个体适应度的平均值。
图2a是本发明实施例提供的单独优化发射信号的曲线图,阵元排布随机生成不优化。从图2a中可以看出种群平均值曲线并没有因为遗传代数增加而减少,而最优值变化也不明显,所以单独对发射信号的优化搜索效率不高,为随机无目的搜索。
图2b是本发明实施例提供的单独优化阵元排布的曲线图,发射信号随机生成不优化。从图2b中可以看出种群平均值曲线下降较快,但是震荡幅度大,不稳定。而最优值曲线有较明显的下降,故该算法较为有效。
图2c是本发明实施例提供的分别单独优化阵元排布和发射信号的曲线图。即先以阵元的相互距离与相位的随机性为种群适应度找出最优的阵元排布,然后在优化发射信号。从图2c可以看出,其算法运行结果与图2a相似。其实算法一与算法三没有本质区别。算法一的阵元排布是随机生成后在进行发射信号的优化,而算法三的阵元排布是随机性较优的情况参与计算。但是结果却基本没有变化,这说明阵元排布与发射信号之间的关系对辐射场的随机性是有共同影响的因素的,不能将两者割裂开来。
图2d是本发明实施例提供的使用传统GA算法进行联合优化的曲线图。从图2d中可以看出最优值较图2a有明显下降,较图2b有小幅下降。算法四将阵元排布与发射信号进行联合优化后的种群平均值比算法二高是因为在联合优化后的交叉与变异变变得的复杂。而传统GA算法又没有做相应的改变,因此搜索空间比算法二大,故平均值较大。
请参见图3,图3是本发明实施例提供的改进GA算法的联合优化曲线图。从图3中可以看出种群平均值曲线下降很快,而且曲线到最后非常平稳,收敛速度快,而最优值较以上曲线图都有较大的下降,从而证明本发明的算法明显有效,能够达到之前所述效果。请参见图4a~4b,图4a~4b是本发明实施例提供的改进前和改进后的GA算法效果曲线图,其中,图4a是本发明实施例提供的改进前和改进后的GA种群平均值对比曲线图;图4b是本发明实施例提供的改进前和改进后的GA最优值对比曲线图。从图中也可看出本发名提供的改进后的GA算法优于改进前的算法。
最后将本发明提供的算法与四类仿真实验的条件数列表做对比,可以看出本发明提供的算法优于其他优化方法,能够得到较低的条件数,其值如表2所示:
表2条件数对比
在本实施例中,通过仿真实验对比,说明了本发明提供的一种基于改进GA算法的阵元排布和发射信号联合优化方法具有更加稳定高效的优点,能够提高雷达成像的质量。
以内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种阵元排布和发射信号联合优化方法,其特征在于,包括:
初始化GA算法参数;其中,所述GA算法参数包括种群个数,最大繁衍代数,选择个体数以及交叉个体数;
根据所述GA算法参数生成包括阵元排布染色体集合和发射信号序列染色体集合的种群;
计算所述种群所有个体的个体适应度,并根据所述GA算法参数和所述个体适应度对所述种群进行选择操作、交叉操作、变异操作,得到更新的种群;
若判断更新的种群的遗传代数小于所述最大繁衍代数,则重复更新种群。
2.根据权利要求1所述的阵元排布和发射信号联合优化方法,其特征在于,还包括:
若判断更新的种群的参考信号矩阵条件数小于预设条件值,则算法终止。
3.根据权利要求1所述的阵元排布和发射信号联合优化方法,其特征在于,根据所述GA算法参数生成包括阵元排布染色体集合和发射信号序列染色体集合的种群包括:
由N个阵元的坐标的有序组合组成个体I={M1M2…MN|Mn=(xn,yn),1≤n≤N},并随机生成由Zg个个体I组成一个种群的阵元排布染色体集合Ω;其中,N为辐射源的阵元数量,Zg为种群个体;
每个所述阵元均随机产生一个N行F列的矩阵RandC,截取每个所述矩阵RandC前W列得到新的矩阵Que={Quek|k=1,…,N}作为初始跳频编码矩阵,并生成发射信号序列染色体集合Ψ;其中,F为每个阵元发射的最大跳频码数。
4.根据权利要求1所述的阵元排布和发射信号联合优化方法,其特征在于,所述个体适应度的计算公式为:
fit(φ)=T-cond(φ),
其中,T为计算阈值,cond(φ)为参考信号矩阵φ的条件数。
5.根据权利要求1所述的阵元排布和发射信号联合优化方法,其特征在于,对所述种群进行选择操作包括:
对所述种群当前代进行个体适应度排序,并从中选择前S个个体适应度较大的个体直接遗传至下一代;其中,S为选择个体数。
6.根据权利要求3所述的阵元排布和发射信号联合优化方法,其特征在于,对所述种群进行交叉操作包括:
对所述阵元排布染色体集合Ω进行交叉操作;
对所述发射信号序列染色体集合Ψ进行自交和相交操作。
7.根据权利要求6所述的阵元排布和发射信号联合优化方法,其特征在于,对所述阵元排布染色体集合Ω进行交叉操作包括:
设置所述阵元排布染色体集合Ω的交换阵元位置个数为:a′=a*(1-I1_fit/best_fit),其中,a为当前代可进行交换的总阵元个数,I1_fit为当前父代适应度,best_fit为当前代适应度最大的个体;
对所述阵元排布染色体集合Ω进行阵元交换,当存在可交换阵元时,若计算出a′<1,则令a′=1。
8.根据权利要求6所述的阵元排布和发射信号联合优化方法,其特征在于,对所述发射信号序列染色体集合Ψ进行自交和相交操作包括:
用概率选择法选出需要交叉的个体,并对所述发射信号序列染色体集合Ψ进行自交,自交概率为:Pc′=Pc*((best_fit-I_fit)/(2*best_fit)+0.5),其中,Pc为初始自交概率,I_fit为当前代适应度;
用概率选择法选出一个父代,同时从所述个体适应度最大的前p个个体中随机选出母代,以行为相交单位进行相交得到C个交叉个体;其中,进行相交的行数为N*(1-I1_fit/best_fit)。
9.根据权利要求8所述的阵元排布和发射信号联合优化方法,其特征在于,对所述种群进行变异操作包括:
对所述阵元排布染色体集合Ω的所有交叉个体以概率Pb进行点变异操作;
对所述发射信号序列染色体集合Ψ进行点变异操作和行变异操作。
10.根据权利要求9所述的阵元排布和发射信号联合优化方法,其特征在于,对所述发射信号序列染色体集合Ψ进行点变异操作和行变异操作包括:
设置所述发射信号序列染色体集合Ψ的变异点数为Mu=W*((best_fit-I_fit)/(2*bext_fit)+0.5)/10,从所述变异点对应的RandC后F-W列和前W列中分别随机取Mu列以概率Pa进行点变异操作;其中,W为每个阵元发射的子脉冲数;
对所述发射信号序列染色体集合Ψ随机选取一行以概率Pd进行行变异操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910878158.1A CN110596700B (zh) | 2019-09-17 | 2019-09-17 | 一种阵元排布和发射信号联合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910878158.1A CN110596700B (zh) | 2019-09-17 | 2019-09-17 | 一种阵元排布和发射信号联合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110596700A true CN110596700A (zh) | 2019-12-20 |
CN110596700B CN110596700B (zh) | 2023-04-18 |
Family
ID=68860428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910878158.1A Active CN110596700B (zh) | 2019-09-17 | 2019-09-17 | 一种阵元排布和发射信号联合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110596700B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0216241D0 (en) * | 2002-07-12 | 2002-08-21 | Fujitsu Ltd | Signal processing using genetic algorithms |
US20040043795A1 (en) * | 2002-03-13 | 2004-03-04 | Gregory Zancewicz | Genetic algorithm-based adaptive antenna array processing method and system |
CN102621528A (zh) * | 2012-04-07 | 2012-08-01 | 西安电子科技大学 | 基于改进遗传算法的m-序列雷达信号波形优化方法 |
CN104597445A (zh) * | 2015-02-09 | 2015-05-06 | 中国科学技术大学 | 一种微波凝视关联成像随机辐射阵元空间排布的优化方法 |
KR20150059087A (ko) * | 2014-09-11 | 2015-05-29 | 성균관대학교산학협력단 | 동적 스펙트럼 액세스를 구현하기 위한 유전자 알고리즘 기반의 전송 파라미터 및 가중치 벡터 최적화 방법, 이를 이용한 인지 엔진 장치 및 인지 통신 무선 시스템 |
CN105426578A (zh) * | 2015-11-03 | 2016-03-23 | 电子科技大学 | 一种基于遗传算法的mimo-sar面阵天线阵元位置优化方法 |
CN106099393A (zh) * | 2016-08-25 | 2016-11-09 | 电子科技大学 | 基于遗传算法的子阵稀布与阵元稀疏天线阵列综合布阵方法 |
CN106372726A (zh) * | 2016-08-30 | 2017-02-01 | 西安电子科技大学 | 一种基于gasa的mimo雷达正交编码信号优化方法 |
-
2019
- 2019-09-17 CN CN201910878158.1A patent/CN110596700B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040043795A1 (en) * | 2002-03-13 | 2004-03-04 | Gregory Zancewicz | Genetic algorithm-based adaptive antenna array processing method and system |
GB0216241D0 (en) * | 2002-07-12 | 2002-08-21 | Fujitsu Ltd | Signal processing using genetic algorithms |
CN102621528A (zh) * | 2012-04-07 | 2012-08-01 | 西安电子科技大学 | 基于改进遗传算法的m-序列雷达信号波形优化方法 |
KR20150059087A (ko) * | 2014-09-11 | 2015-05-29 | 성균관대학교산학협력단 | 동적 스펙트럼 액세스를 구현하기 위한 유전자 알고리즘 기반의 전송 파라미터 및 가중치 벡터 최적화 방법, 이를 이용한 인지 엔진 장치 및 인지 통신 무선 시스템 |
CN104597445A (zh) * | 2015-02-09 | 2015-05-06 | 中国科学技术大学 | 一种微波凝视关联成像随机辐射阵元空间排布的优化方法 |
CN105426578A (zh) * | 2015-11-03 | 2016-03-23 | 电子科技大学 | 一种基于遗传算法的mimo-sar面阵天线阵元位置优化方法 |
CN106099393A (zh) * | 2016-08-25 | 2016-11-09 | 电子科技大学 | 基于遗传算法的子阵稀布与阵元稀疏天线阵列综合布阵方法 |
CN106372726A (zh) * | 2016-08-30 | 2017-02-01 | 西安电子科技大学 | 一种基于gasa的mimo雷达正交编码信号优化方法 |
Non-Patent Citations (6)
Title |
---|
H.-Y. LU: "Joint receive antenna selection and symbol detection for MIMO systems: a heterogeneous genetic approac", 《IEEE COMMUNICATIONS LETTERS》 * |
张昭阳: "MIMO雷达布阵优化和正交波形设计技术研究", 《中国硕士学位论文 信息科技辑》 * |
方红: "基于遗传算法的MIMO发射接收阵列联合优化研究", 《计算机工程与设计》 * |
梁浩等: "基于改进自适应遗传算法的MIMO雷达阵列优化", 《微波学报》 * |
王凯等: "基于遗传算法的空间光调制器鬼成像研究", 《光学学报》 * |
陈志坤: "MIMO雷达自适应波形设计与阵列优化研究", 《中国博士学位论文 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110596700B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10931027B2 (en) | Method for array elements arrangement of l-shaped array antenna based on inheritance of acquired character | |
CN111143983B (zh) | 基于改进水循环算法的稀布天线阵列低副瓣综合优化方法 | |
Xiao et al. | Data-based model for wide nulling problem in adaptive digital beamforming antenna array | |
CN111695233B (zh) | 一种基于改进鲸鱼优化算法的阵元失效校正方法 | |
CN104020448A (zh) | 等阵元约束的雷达子阵级和波束/差波束形成优化方法 | |
CN109214088B (zh) | 一种最小间距可控的大规模超稀疏平面阵列快速布局方法 | |
CN114399044A (zh) | 一种子阵级稀疏阵列发射波束旁瓣电平优化方法 | |
CN110596700B (zh) | 一种阵元排布和发射信号联合优化方法 | |
Yang et al. | Antenna position optimization method based on adaptive genetic algorithm with self‐supervised differential operator for distributed coherent aperture radar | |
CN113792492A (zh) | 基于免疫遗传算法的希布阵天线的优化设计方法 | |
Chakraborty et al. | Beam steering in a time switched antenna array with reduced side lobe level using evolutionary optimization technique | |
CN110376557B (zh) | 一种基于非均匀嵌套mimo雷达的栅瓣抑制方法 | |
CN110427669B (zh) | 一种相控阵扫描辐射波束的神经网络模型计算方法 | |
Mohanty et al. | Implementing Taguchi and cuckoo search to optimize LAA | |
Singh et al. | Evolutionary performance of BBO and PSO algorithms for Yagi-Uda antenna design optimization | |
CN111458698B (zh) | 一种被动声纳稀疏阵位优化方法 | |
Lu et al. | Control of divergence in an extended invertible logistic map | |
Gomez et al. | Design of low-sidelobe linear arrays with high aperture efficiency and interference nulls | |
Shadi et al. | Meta-heuristic multi-objective as an affordable method for improving the grating lobe in a wide scan phased array antenna | |
Yiğit et al. | Pattern synthesis of linear antenna array using Hybrid Particle Swarm-Taguchi Optimization | |
CN117829003A (zh) | 一种多策略优化的mimo阵列设计方法 | |
CN116911166A (zh) | 基于混沌映射-遗传算法的分布式阵列优化方法 | |
US9270354B1 (en) | Blind beamforming using knowledge embedded in transmitted signals | |
Yan et al. | A novel collaborative jamming method based on decoy strategy | |
Shiju et al. | Optimization of linear array antenna pattern synthesis using bacterial foraging algorithm |
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 |