CN112013833B - 一种基于深度神经网络的victs天线对星跟踪方法 - Google Patents
一种基于深度神经网络的victs天线对星跟踪方法 Download PDFInfo
- Publication number
- CN112013833B CN112013833B CN202010716146.1A CN202010716146A CN112013833B CN 112013833 B CN112013833 B CN 112013833B CN 202010716146 A CN202010716146 A CN 202010716146A CN 112013833 B CN112013833 B CN 112013833B
- Authority
- CN
- China
- Prior art keywords
- difference value
- neural network
- deep neural
- pitch angle
- antenna
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/02—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by astronomical means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明提供一种基于深度神经网络的VICTS天线对星跟踪方法。该方法包括:步骤1、对VICTS天线进行方向图测试,得到波束中心根据俯仰角变化的天线远场方向图;步骤2、根据天线远场方向图生成深度神经网络的训练数据和测试数据,并对深度神经网络进行训练;步骤3、对采集到的四点电平A、B、C和D求差值,将四点电平的差值作为输入,利用训练好的的深度神经网络求出目标与初始波束中心的方位角差值和俯仰角差值。本发明利用天线远场方向图生成训练数据进行深度神经网络的训练,相比于波束建模的方法提高了天线对星跟踪的精度和速度。
Description
技术领域
本发明涉及卫星通信天线技术领域,尤其涉及一种基于深度神经网络的VICTS天线对星跟踪方法。
背景技术
VICTS(可变倾角连续断面节阵列)天线是一种新型超薄动中通天线,该天线通过各功能层的一维平面旋转,实现波束的方位、俯仰二维扫描和极化角的调整与匹配。天线馈电简单,整机纵向剖面低,具有高增益、波束扫描灵活、高机动性等特点,在卫星移动通信领域具有广阔的应用前景。
卫星动中通天线在载体运动时波束总会偏离目标方向,这时需要跟踪算法将波束调整到卫星的方向。VICTS天线一般采用步进跟踪的方法对卫星进行跟踪,传统步进跟踪算法效率较低,而采用天线波束参数的步进算法虽然能够提高跟踪效率但是会存在误差。
中国专利文献CN109522658A公开了一种VICTS天线四点式跟踪方法,该方法首先对VICTS天线进行方向图测试,得到波束中心根据俯仰角变化的天线远场方向图;然后根据天线远场方向图进行波束建模;最后对采集到的四点电平求差值,并利用波束建模解出目标方向相对于初始波束中心的方位角、俯仰角差值。该跟踪方法在一定程度上提高了VICTS天线跟踪的精度和跟踪效率,但是需要根据天线远场方向图进行波束建模,建模过程较为繁琐复杂。
发明内容
针对现有的VICTS天线对星跟踪方法存在的跟踪速度较慢或者跟踪精度较差的问题,本发明提供一种基于深度神经网络的VICTS天线对星跟踪方法。
本发明提供的一种基于深度神经网络的VICTS天线对星跟踪方法,包括以下步骤:
步骤1、对VICTS天线进行方向图测试,得到波束中心根据俯仰角变化的天线远场方向图;
步骤2、根据天线远场方向图生成深度神经网络的训练数据和测试数据,并对深度神经网络进行训练;
步骤3、对采集到的四点电平A、B、C和D求差值,将四点电平的差值作为输入,利用训练好的的深度神经网络求出目标与初始波束中心的方位角差值和俯仰角差值。
进一步地,步骤2具体为:
针对10°~70°范围内的初始波束中心俯仰角,利用天线远场方向图求出卫星来波在距离初始波束中心方位角差值和俯仰角差值均在1.5°范围内的A和C的信号强度差值以及B和D的信号强度差值;其中,A、B、C和D四点是指与初始波束中心方位角差值和俯仰角差值均为2°的点;
将求出的A和C的信号强度差值、B和D的信号强度差值与初始波束中心位置作为输入,目标卫星来波的方位角和俯仰角作为输出,对深度神经网络进行训练;其中,在训练过程中,将目标卫星来波的俯仰角为1.5°~2°所对应的数据作为测试深度神经网络的外推性能的测试数据。
进一步地,步骤3具体为:
使用时在初始波束俯仰角的基础上,将波束转到四点电平A、B、C和D四个点读取信号强度,将A和C的信号强度差值、B和D的信号强度差值以及初始波束中心的俯仰角作为深度神经网络的输入,输出即为目标与初始波束中心的方位角差值和俯仰角差值。
本发明的有益效果:
相比于文献CN109522658A公开的一种VICTS天线四点式跟踪方法,本发明提供的一种基于深度神经网络的VICTS天线对星跟踪方法,省去了繁琐复杂的建模过程,而是利用天线远场方向图生成训练数据进行深度神经网络的训练,相比于波束建模的方法提高了天线对星跟踪的精度和速度;在训练过程中,通过将目标卫星来波的俯仰角为1.5°~2°的数据作为测试深度神经网络的外推性能的测试数据,提升了本发明方法的外推性能。并且,由于之前的VICTS天线四点式跟踪方法在进行建模时,不可避免地需要忽略掉一些方向图细节,进而必然会影响到跟踪精度,而本发明则不存在该问题,因此在一定程度上也提高了跟踪精度。
附图说明
图1为本发明实施例提供的一种基于深度神经网络的VICTS天线对星跟踪方法的流程示意图;
图2为本发明实施例提供的采集的四点电平A、B、C和D与初始波束俯仰角的关系示意图;
图3为本发明实施例提供的深度神经网络的结构示意图。
具体实施方式
为使本发明的目的、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清楚地描述,显然,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。基于本发明中的实施例,本领域普通技术人员在没有做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。
如图1所示,本发明实施例提供一种基于深度神经网络的VICTS天线对星跟踪方法,该方法包括以下步骤:
S101、对VICTS天线进行方向图测试,得到波束中心根据俯仰角变化的天线远场方向图;
S102、根据天线远场方向图生成深度神经网络的训练数据和测试数据,并对深度神经网络进行训练;
具体地,针对10°~70°范围内的初始波束中心俯仰角,利用天线远场方向图求出卫星来波在距离初始波束中心方位角差值和俯仰角差值均在1.5°范围内的A和C的信号强度差值以及B和D的信号强度差值;其中,A、B、C和D四点是指与初始波束中心方位角差值和俯仰角差值均为2°的点;
例如,以初始波束中心俯仰角为10°为例,则卫星来波方向的范围可以大致确定为(10°-1.5°)~(10°+1.5°),假设卫星的步进为0.1°,则需要针对8.5°、8.6°、8.7°、8.8°、……、11.5°的卫星来波,利用远场方向图求出天线波束指向A、B、C和D四点时的接收信号强度,进而求出A和C的信号强度差值、B和D的信号强度差值。
将求出的A和C的信号强度差值、B和D的信号强度差值与初始波束中心位置作为输入,目标卫星来波的方位角和俯仰角作为输出,对深度神经网络进行训练;其中,在训练过程中,将目标卫星来波的俯仰角为1.5°~2°所对应的数据作为测试深度神经网络的外推性能的测试数据。
S103、对采集到的四点电平A、B、C和D求差值,将四点电平的差值作为输入,利用训练好的的深度神经网络求出目标与初始波束中心的方位角差值和俯仰角差值。
具体地,使用时在初始波束俯仰角的基础上,将波束转到四点电平A、B、C和D四个点读取信号强度,将A和C的信号强度差值、B和D的信号强度差值以及初始波束中心的俯仰角作为深度神经网络的输入,输出即为目标与初始波束中心的方位角差值和俯仰角差值。
如图2所示,O点为初始波束俯仰角;图中绘制的A、B、C和D是在初始波束2°内的四点电平。
如图3所示,其中PA-PC为天线波束指到AC两点时的信号强度差值,PB-PD为天线波束指到BD两点时的信号强度差值,为初始波束中心的俯仰角,和为目标与初始波束中心的方位角差值和俯仰角差值。
最后应说明的是: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 (2)
1.一种基于深度神经网络的VICTS天线对星跟踪方法,其特征在于,包括:
步骤1、对VICTS天线进行方向图测试,得到波束中心根据俯仰角变化的天线远场方向图;
步骤2、根据天线远场方向图生成深度神经网络的训练数据和测试数据,并对深度神经网络进行训练;具体为:针对10°~70°范围内的初始波束中心俯仰角,利用天线远场方向图求出卫星来波在距离初始波束中心方位角差值和俯仰角差值均在1.5°范围内的A和C的信号强度差值以及B和D的信号强度差值;其中,A、B、C和D四点是指与初始波束中心方位角差值和俯仰角差值均为2°的点;
将求出的A和C的信号强度差值、B和D的信号强度差值与初始波束中心位置作为输入,目标卫星来波的方位角和俯仰角作为输出,对深度神经网络进行训练;其中,在训练过程中,将目标卫星来波的俯仰角为1.5°~2°所对应的数据作为测试深度神经网络的外推性能的测试数据;
步骤3、对采集到的四点电平A、B、C和D求差值,将四点电平的差值作为输入,利用训练好的深度神经网络求出目标与初始波束中心的方位角差值和俯仰角差值。
2.根据权利要求1所述的方法,其特征在于,步骤3具体为:
使用时在初始波束俯仰角的基础上,将波束转到四点电平A、B、C和D四个点读取信号强度,将A和C的信号强度差值、B和D的信号强度差值以及初始波束中心的俯仰角作为深度神经网络的输入,输出即为目标与初始波束中心的方位角差值和俯仰角差值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010716146.1A CN112013833B (zh) | 2020-07-23 | 2020-07-23 | 一种基于深度神经网络的victs天线对星跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010716146.1A CN112013833B (zh) | 2020-07-23 | 2020-07-23 | 一种基于深度神经网络的victs天线对星跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112013833A CN112013833A (zh) | 2020-12-01 |
CN112013833B true CN112013833B (zh) | 2022-08-05 |
Family
ID=73498918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010716146.1A Active CN112013833B (zh) | 2020-07-23 | 2020-07-23 | 一种基于深度神经网络的victs天线对星跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112013833B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114430294B (zh) * | 2021-12-16 | 2022-12-13 | 北京邮电大学 | 一种对geo卫星的对地波束校准方法、装置、电子设备及存储介质 |
CN116366131B (zh) * | 2023-03-22 | 2024-07-16 | 中国电信股份有限公司卫星通信分公司 | 移动终端与卫星通信的调整方法、装置及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11227700A (ja) * | 1998-02-19 | 1999-08-24 | Mitsubishi Electric Corp | 衛星間通信用オンボードアンテナポインティング装置 |
CN109031349A (zh) * | 2018-04-20 | 2018-12-18 | 南京航空航天大学 | 一种geo卫星的智能自主运行系统 |
CN109379752A (zh) * | 2018-09-10 | 2019-02-22 | 中国移动通信集团江苏有限公司 | Massive MIMO的优化方法、装置、设备及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6919854B2 (en) * | 2003-05-23 | 2005-07-19 | Raytheon Company | Variable inclination continuous transverse stub array |
CN106355245B (zh) * | 2016-09-12 | 2018-09-21 | 哈尔滨工业大学 | 一种基于神经网络算法的阵列天线方向图综合方法 |
CN109522658B (zh) * | 2018-11-20 | 2019-12-06 | 中国人民解放军战略支援部队信息工程大学 | 一种victs天线四点式跟踪方法 |
CN111062466B (zh) * | 2019-12-11 | 2023-08-04 | 南京华苏科技有限公司 | 基于参数和神经网络预测天线调整后小区场强分布的方法 |
CN111275740B (zh) * | 2020-01-19 | 2021-10-22 | 武汉大学 | 一种基于高分辨率孪生网络的卫星视频目标跟踪方法 |
-
2020
- 2020-07-23 CN CN202010716146.1A patent/CN112013833B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11227700A (ja) * | 1998-02-19 | 1999-08-24 | Mitsubishi Electric Corp | 衛星間通信用オンボードアンテナポインティング装置 |
CN109031349A (zh) * | 2018-04-20 | 2018-12-18 | 南京航空航天大学 | 一种geo卫星的智能自主运行系统 |
CN109379752A (zh) * | 2018-09-10 | 2019-02-22 | 中国移动通信集团江苏有限公司 | Massive MIMO的优化方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
"Neural Networks for Improved Tracking";Leonid I Perlovsky 等;《IEEE TRANSACTIONS ON NEURAL NETWORKS》;20071230;第18卷(第6期);正文第1854-1857页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112013833A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2256266C2 (ru) | Способ улучшения зоны обслуживания интеллектуальной антенной решетки | |
CN112013833B (zh) | 一种基于深度神经网络的victs天线对星跟踪方法 | |
CN101848021B (zh) | 一种智能天线阵广播波束权值的生成方法和装置 | |
CN109522658B (zh) | 一种victs天线四点式跟踪方法 | |
CN116711156A (zh) | 相控阵天线及其扫描方法、天线系统 | |
CN101359948B (zh) | 一种波束赋形中修正扇区边缘业务波束指向的方法 | |
CN110535518B (zh) | 一种宽波束发射波束形成优化设计方法 | |
CN109214088A (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 | |
CN206564605U (zh) | 一种动中通端站系统 | |
CN114175800A (zh) | 使用无线通信生成环境信息 | |
CN114222310B (zh) | 一种联合3d波束赋形和智能反射面反射优化方法 | |
CN114584192A (zh) | 一种毫米波无人机通信系统抗抖动鲁棒波束成形优化方法 | |
CN1925219B (zh) | 无线网络装置及其调整式数字波束形成的方法 | |
CN107064888B (zh) | 一种大型共形相控阵天线激活区选择的方法 | |
CN115996094B (zh) | 一种基于栅瓣的太赫兹近场多波束扫描方法 | |
CN115037352B (zh) | 一种面向卫星波束对准增强的降噪方法 | |
CN116701882A (zh) | 一种基于问答式学习的自适应多波束对准方法 | |
WO2023103356A1 (zh) | 近场宽带波束赋形方法、装置、电子设备及存储介质 | |
CN115459826A (zh) | 一种基于三级优化的联合波束赋形方法及装置 | |
CN114499615B (zh) | 一种太赫兹通信系统中近远场统一的发射波束成形方法 | |
CN104181529A (zh) | 一种Ka波段合成孔径雷达SAR信号处理方法和设备 | |
CN113765562A (zh) | 基于离散幅值调控的全息天线的波束成形优化方法和系统 | |
CN109639331B (zh) | 一种动态调整收敛因子的波束成形方法 | |
CN108717196B (zh) | 一种阵列天线接收信号的去干扰方法及系统 | |
CN110244288A (zh) | 一种基于聚焦归位原理的水声阵列信号处理方法 |
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 |