CN112329203B - 宽带宽角扫描相控阵天线阵元失效后的方向图重构及修复方法 - Google Patents

宽带宽角扫描相控阵天线阵元失效后的方向图重构及修复方法 Download PDF

Info

Publication number
CN112329203B
CN112329203B CN202011068355.6A CN202011068355A CN112329203B CN 112329203 B CN112329203 B CN 112329203B CN 202011068355 A CN202011068355 A CN 202011068355A CN 112329203 B CN112329203 B CN 112329203B
Authority
CN
China
Prior art keywords
array
directional diagram
array element
cluster
ideas
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
CN202011068355.6A
Other languages
English (en)
Other versions
CN112329203A (zh
Inventor
陈如山
樊振宏
丁大志
顾鹏飞
秦安琪
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202011068355.6A priority Critical patent/CN112329203B/zh
Publication of CN112329203A publication Critical patent/CN112329203A/zh
Application granted granted Critical
Publication of CN112329203B publication Critical patent/CN112329203B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01Q—ANTENNAS, i.e. RADIO AERIALS
    • H01Q21/00—Antenna arrays or systems
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01Q—ANTENNAS, i.e. RADIO AERIALS
    • H01Q3/00—Arrangements for changing or varying the orientation or the shape of the directional pattern of the waves radiated from an antenna or antenna system
    • H01Q3/26—Arrangements for changing or varying the orientation or the shape of the directional pattern of the waves radiated from an antenna or antenna system varying the relative phase or relative amplitude of energisation between two or more active radiating elements; varying the distribution of energy across a radiating aperture
    • H01Q3/30—Arrangements for changing or varying the orientation or the shape of the directional pattern of the waves radiated from an antenna or antenna system varying the relative phase or relative amplitude of energisation between two or more active radiating elements; varying the distribution of energy across a radiating aperture varying the relative phase between the radiating elements of an array
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Variable-Direction Aerials And Aerial Arrays (AREA)

Abstract

本发明公开了一种宽带宽角扫描相控阵天线在阵元失效后的方向图修复方法，包括：将相关的失效阵元权值系数赋值为0；计算宽带宽角扫描相控阵天线在阵元失效后的阵列方向图函数，针对线阵失效的问题，适应度函数选取各频点重构方向图中的峰值副瓣电平；面阵失效后修复则选取各频点重构方向图对应峰值副瓣电平的累加值作为适应度函数；利用头脑风暴优化算法优化剩余完好的阵元激励；将求解得到的最优个体变量值作为剩余有效阵元的激励权值，得到修复后的阵列方向图结果，并以此评估阵列性能。本发明在不更换阵元的情况下，对部分阵元失效后的阵列进行修复，降低了修复成本；引入头脑风暴优化算法，更容易得到优化问题的全局最优解。

Description

宽带宽角扫描相控阵天线阵元失效后的方向图重构及修复 方法
技术领域
本发明涉及方向图修复技术，特别是一种宽带宽角扫描相控阵天线阵元失效后的方向图重构及修复方法。
背景技术
宽带宽角扫描相控阵天线由于其相对带宽较宽，可以实现天线的复用，因而如今被广泛应用。
然而在系统运行期间，天线单元可能随时发生故障。失效的阵元将引起阵列的性能下降，严重时会导致阵列方向图发生畸变，主要体现于副瓣电平急剧抬高。目前常采用更换阵元的方式进行补偿。直接更换失效单元虽然补偿的效果最佳，但有时难度较大甚至无法实现。
发明内容
本发明的目的在于提供一种宽带宽角扫描相控阵天线阵元失效后的方向图重构及修复方法，用于解决宽带宽角扫描相控阵天线阵元失效的问题。
实现本发明目的的技术解决方案为：一种宽带宽角扫描相控阵天线在阵元失效条件下的方向图修复方法，该方法是在已知阵列失效位置的情况下，进行如下步骤，达到阵元失效修复的目的，具体包括以下步骤：
步骤1、将相关的失效阵元权值系数赋值为0；
步骤2、计算宽带宽角扫描相控阵天线在阵元失效后的阵列方向图函数，针对线阵失效的问题，适应度函数选取各频点重构方向图中的峰值副瓣电平；面阵中则选取各频点重构方向图对应峰值副瓣电平的累加值作为适应度函数；
步骤3、利用头脑风暴优化算法优化剩余完好的阵元激励；
步骤4、将求解得到的最优个体变量值作为剩余有效阵元的激励权值，得到修复后的阵列方向图结果，并以此评估阵列性能。
进一步地，步骤2所述的计算宽带宽角扫描相控阵天线在阵元失效后的阵列方向图函数，针对线阵失效的问题，适应度函数选取各频点重构方向图中的峰值副瓣电平。面阵中则选取各频点重构方向图对应峰值副瓣电平的累加值作为适应度函数，具体如下：
步骤2.1、根据失效阵元的位置，分别建立如下宽带线阵及面阵的阵列方向图函数：
Figure BDA0002714562610000011
式中，xn为线阵中第n个阵元的位置，In为第n个阵元对应的幅度激励，f为阵列对应频率，c为光在真空中的传播速度，θ为俯仰维角度采样，当波束指向为θ0时，各频点下对应的阵元激励的相位为
Figure BDA0002714562610000021
阵元间距dn需满足：
Figure BDA0002714562610000022
式中，L为阵列对应的口径大小，λ为对应波长，λ＝c/f；Sn是一个随机变量，用于描述阵元失效与否，当阵元完好时Sn＝1，失效时则Sn＝0，即：
Figure BDA0002714562610000023
式中，p代表阵元失效情况发生的概率；
一个N个阵元的圆形口径宽带平面阵列的模型为：首先将圆形阵面分为面积相等的P个扇形区域，则每块扇区的圆心角为
Figure BDA0002714562610000024
每个扇区中的阵元数为M＝N/P；区域划分完成后，其中某一个区域内的阵元位置可由极坐标表示为
Figure BDA0002714562610000025
p＝1,2,…,M；rp和
Figure BDA0002714562610000026
的取值范围为rp∈(0,R]，
Figure BDA0002714562610000027
R为圆的半径；将扇区旋转P次，每次转过的角度为
Figure BDA0002714562610000028
每次旋转完成，扇区中每个阵元的极径rp不变，与极轴的夹角
Figure BDA0002714562610000029
k＝1,…,P-1，即剩余扇区中阵元的位置为
Figure BDA00027145626100000210
阵元坐标已知，阵元的激励电流等幅，则失效后极坐标下阵列的阵因子可表示为：
Figure BDA00027145626100000211
步骤2.2、针对线阵失效的问题，适应度函数选取各频点重构方向图中的峰值副瓣电平；面阵中则选取各频点重构方向图对应峰值副瓣电平的累加值作为适应度函数。适应度函数分别表示如下：
fitness＝PSLLdB (5)
式中，PSLL为整个频带内宽带线阵的峰值副瓣电平；算法实现过程中，通过优化算法优化剩余完好各阵元的激励的幅度，求出阵列在不同频点内各波束指向下的重构方向图，然后找出各频点重构方向图中的峰值副瓣电平；
针对宽带稀布面阵中部分阵元损伤的问题，修复算法选取的适应度函数如下：
fitness＝m1*(PSLL1)dB+m2*(PSLL2)dB+m3*(PSLL3)dB (6)
式中，PSLL1、PSLL2、PSLL3分别表示下边频，中心频率以及上边频对应的峰值副瓣电平；m1、m2、m3分别对应其权重系数；算法实现过程中，通过优化算法优化剩余各完好阵元激励的幅度，求出阵列在各频点下的重构方向图，然后找出各频点重构方向图对应的峰值副瓣电平，适应度函数即为其累加值。
进一步地，步骤3中所述的头脑风暴优化算法求解最优值包括如下子步骤：
步骤3.1、初始化种群个体数目，并对每个个体中包含的有效阵元权值进行赋值。BSO算法在搜索空间中随机产生初始种群X即D维的N个个体或思想：
Figure BDA0002714562610000031
其中，维数对应于优化变量的数量；初始种群中的一个主意由一个向量表示，从而第i个主意在整个D维搜索空间中被随机初始化为：
Figure BDA0002714562610000032
其中，n是种群规模，d是问题维度，
Figure BDA0002714562610000033
和
Figure BDA0002714562610000034
分别是函数的下限和上限，rand()表示服从0到1均匀分布的随机变量，返回0到1之间的数字；
步骤3.2、解的聚类；聚类分析是根据个体间相似度的差异把收集到的主意分为多个子集的方法；每个子集被称为类或簇，每个类内部收集的主意要尽量相似，而在不同类之间收集到的主意要尽可能不同。相似或不同通常使用各个主意即向量的距离来进行表示；集群策略是BSO的重要一步，选用了k-means聚类算法。k-means算法流程又分为以下4步：(a)从数据集中任意选择k个对象作为初始类中心；(b)根据类中对象的均值，将每个对象分配到最相似；(c)更新类均值，即重新计算每个类中对象的均值；(d)判断集群中心是否变化，若集群中心没有发生变化，则输出集群中心点；若集群中心点发生变化，则重新执行(b)；
步骤3.3、评估种群中所有个体的适应值；对收集到的想法进行排名即使用预定义的适应度函数对想法评估后，将对每个集群中的想法进行排名。选择每个集群中的最佳想法作为集群中心；
步骤3.4、生成一个介于0和1之间的随机数；若该值小于概率Preplace，则使用上述想法聚类规则随机生成一个想法来替换随机选择的集群中心；
步骤3.5、种群中个体的更新；思想是基于一个集群或者两个集群生成的。这项操作是由Pgeneration控制；然后生成一个介于0和1之间的随机数，如果生成的数量小于Pgeneration，则基于一个集群创建新的想法，否则，将基于两个集群生成一个想法：
Figure BDA0002714562610000035
其中，一个集群路径下生成想法是根据集群包含的想法数量选择集群；然后，使用集群中心或者同一集群中的随机想法生成一个想法；这项操作由Ponecluster控制，并和生成的0和1之间的随机数比较；若该数小于预定的概率Ponecluster，则选择聚类中心；否则，将选择同一集群中的随机想法；在这两种情况下，都将产生以下想法：
Figure BDA0002714562610000041
其中，
Figure BDA0002714562610000042
是选择信息量的第d维，
Figure BDA0002714562610000043
是新产生信息量的第d维，n(μ,σ)是均值为μ方差为σ的高斯函数，ξ是一个加权系数用于控制随机扰动的幅度，即步长，计算如下：
Figure BDA0002714562610000044
其中，max_iteration是最大迭代次数，current_iteration是当前迭代次数，
Figure BDA0002714562610000045
取决于搜索空间的大小，以便在搜索的初始迭代过程中覆盖所有解空间；如公式(8)所示：
Figure BDA0002714562610000046
其中，xmin为优化变量取值范围的最小值，xmax为优化变量取值范围的最大值；
当按照两个集群路径下生成想法时，不是根据与它包含的想法数量成正比的概率选择一个聚类，而是随机选择两个聚类；PTwocluster控制集群中心和随机想法之间的选择，其方式与Ponecluster控制一个集群想法的生成策略相同；然后，将两个选定的主意通过权重总和合并如下：
Figure BDA0002714562610000047
其中，R是0到1之间的随机数，然后根据公式(10)创建新的想法；
步骤3.6、将最终种群按照步骤2.2中计算适应度函数，函数最小值对应的个体即为最优结果。
本发明与现有技术相比，其显著优点为：(1)利用相控阵幅相可控的特殊性，结合优化算法，在无需更换阵元的情况下，解决了宽带宽角扫描下的阵列在阵元失效后旁瓣电平急剧抬高的问题，降低了修复成本；(2)采用头脑风暴优化算法(BSO)解决阵列天线的问题，相比常用的遗传算法(GA)、差分进化算法(DE)和粒子群算法(PSO)更加容易找到最优解。
附图说明
图1是本发明基于头脑风暴优化算法的宽带宽角阵列在失效情况下的方向图修复重构算法示意图。
图2是本发明中采用的头脑风暴优化算法(BSO)的流程图。
图3是过BSO算法，GA算法，PSO算法，DE算法进行优化对比图。
图4是本发明实施例1中构建的宽带线阵部分阵元随机失效后的模型示意图。
图5是本发明实施例1中宽带稀布线阵在不同频点初始的期望方向图、部分子阵失效后的方向图以及修复后的方向图的对比情况；其中(a)为下边频的修复情况，(b)为中心频率的修复情况，(c)为上边频的修复情况。
图6是本发明实施例1中BSO算法的迭代曲线图。
图7是本发明实施例2中构建的宽带面阵部分阵元随机失效后的模型示意图。
图8是本发明实施例2中下边频的阵列方向图，其中(a)为初始辐射方向图，(b)为失效后的辐射方向图，(c)为算法修复后的辐射方向图，(d)为算法修复后的切面图。
图9是本发明实施例2中对应中心频率的阵列方向图。其中(a)为初始辐射方向图的切面图，(b)为失效后辐射方向图的切面图，(c)为算法修复后的切面图，(d)为算法修复后3D方向图。
图10是本发明实施例2中上边频的阵列方向图，其中(a)为初始辐射方向图的切面图，(b)为失效后辐射方向图的切面图，(c)为算法修复后的切面图，(d)为算法修复后3D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作进一步详细描述。
相控阵天线在系统运行期间，由于各种原因会出现阵元失效的情况，严重时导致阵列方向图发生畸变。更换阵元和利用算法修复是两种实用有效的补偿措施，然而有时更换阵元难度较大甚至无法实现，因此本发明的目的在于提供一种方便、有效的基于头脑风暴算法的宽带宽角扫描相控阵阵元失效修复算法。该算法是在已知阵列失效位置的情况下，进行如下步骤，达到阵元失效修复的目的，如图1所示，该方法步骤如下：
步骤1、将相关的失效阵元权值系数赋值为0；
步骤2、计算宽带宽角扫描相控阵天线在阵元失效后的阵列方向图函数，针对线阵失效的问题，适应度函数选取各频点重构方向图中的峰值副瓣电平。面阵中则选取各频点重构方向图对应峰值副瓣电平的累加值作为适应度函数；
步骤3、利用头脑风暴优化算法优化剩余完好的阵元激励；
步骤4、将求解得到的最优个体变量值作为剩余有效阵元的激励权值，得到修复后的阵列方向图结果，并以此评估阵列性能。
进一步地，步骤2所述的计算宽带宽角扫描相控阵天线在阵元失效后的阵列方向图函数，针对线阵失效的问题，适应度函数选取各频点重构方向图中的峰值副瓣电平。面阵中则选取各频点重构方向图对应峰值副瓣电平的累加值作为适应度函数，具体如下：
步骤2.1、根据失效阵元的位置，分别建立如下宽带线阵及面阵的阵列方向图函数：
Figure BDA0002714562610000061
式中，xn为线阵中第n个阵元的位置，c为光在真空中的传播速度，当波束指向为θ0时，各频点下对应的阵元激励的相位为
Figure BDA0002714562610000062
阵元间距dn需满足：
Figure BDA0002714562610000063
Sn是一个随机变量，用于描述阵元失效与否，当阵元完好时Sn＝1，失效时则Sn＝0，即：
Figure BDA0002714562610000064
式中，p代表阵元失效情况发生的概率；
以下介绍一个N个阵元的圆形口径宽带平面阵列的模型。首先将圆形阵面分为面积相等的P个扇形区域，那么每块扇区的圆心角为
Figure BDA0002714562610000065
每个扇区中的阵元数为M＝N/P。区域划分完成后，其中某一个区域内的阵元位置可由极坐标表示为
Figure BDA0002714562610000066
p＝1,2,…,M。rp和
Figure BDA0002714562610000067
的取值范围为rp∈(0,R]，
Figure BDA0002714562610000068
R为圆的半径。将扇区旋转P次，每次转过的角度为
Figure BDA0002714562610000069
每次旋转完成，扇区中每个阵元的极径rp不变，与极轴的夹角
Figure BDA00027145626100000610
k＝1,…,P-1，即剩余扇区中阵元的位置为
Figure BDA00027145626100000611
阵元坐标已知，阵元的激励电流等幅，则失效后极坐标下阵列的阵因子可表示为：
Figure BDA00027145626100000612
步骤2.2、针对线阵失效的问题，适应度函数选取各频点重构方向图中的峰值副瓣电平。面阵中则选取各频点重构方向图对应峰值副瓣电平的累加值作为适应度函数。适应度函数分别表示如下：
fitness＝PSLLdB (5)
式中，PSLL为整个频带内宽带线阵的峰值副瓣电平。算法实现过程中，通过优化算法优化剩余完好各阵元的激励的幅度，求出阵列在不同频点内各波束指向下的重构方向图，然后找出各频点重构方向图中的峰值副瓣电平。
针对宽带稀布面阵中部分阵元损伤的问题，修复算法选取的适应度函数如下：
fitness＝m1*(PSLL1)dB+m2*(PSLL2)dB+m3*(PSLL3)dB (6)式中，PSLL1、PSLL2、PSLL3分别表示下边频，中心频率以及上边频对应的峰值副瓣电平；m1、m2、m3分别对应其权重系数，无特殊说明时默认取1。算法实现过程中，通过优化算法优化剩余各完好阵元激励的幅度，求出阵列在各频点下的重构方向图，然后找出各频点重构方向图对应的峰值副瓣电平，适应度函数即为其累加值。不同于宽带线阵的修复，宽带面阵没有直接选取整个频带内的最高副瓣电平值作为算法修复的适应值，是因为其初始模型在各个频点下旁瓣电平差异较大。
进一步地，如图2所示，步骤3中所述的头脑风暴优化算法(BSO)求解最优值包括如下子步骤：
步骤3.1、初始化种群个体数目，并对每个个体中包含的有效阵元权值进行赋值。BSO算法在搜索空间中随机产生初始种群X即D维的N个个体或思想：
Figure BDA0002714562610000071
其中，维数对应于优化变量的数量。例如，如果通过查找六个变量的最佳值来优化设计，则优化搜索空间具有六个维度，分别为每个维度对应一个变量。初始种群中的一个主意由一个向量表示，从而第i个主意在整个D维搜索空间中被随机初始化为：
Figure BDA0002714562610000072
其中，n是种群规模，d是问题维度，
Figure BDA0002714562610000073
和
Figure BDA0002714562610000074
分别是函数的下限和上限，rand()表示服从0到1均匀分布的随机变量，返回0到1之间的数字；
步骤3.2、解的聚类。聚类分析是根据个体间相似度的差异把收集到的主意分为多个子集的方法。每个子集被称为类或簇，每个类内部收集的主意要尽量相似，而在不同类之间收集到的主意要尽可能不同。相似或不同通常使用各个主意即向量的距离来进行表示。集群策略是BSO的重要一步，选用了k-means聚类算法。k-means算法大致流程又分为以下4步：(a)从数据集中任意选择k个对象作为初始类中心；(b)根据类中对象的均值，将每个对象分配到最相似；(c)更新类均值，即重新计算每个类中对象的均值；(d)判断集群中心是否变化，若集群中心没有发生变化，则输出集群中心点；若集群中心点发生变化，则重新执行(b)；相比遗传算法GA，粒子群方法PSO和差分进化方法DE，能够更有效地产生多样样本和种群，更快地寻找到最优值；
步骤3.3、评估种群中所有个体的适应值。对收集到的想法进行排名即使用预定义的适应度函数对想法评估后，将对每个集群中的想法进行排名。选择每个集群中的最佳想法作为集群中心；
步骤3.4、为了避免坏想法的出现并增加想法多样性，我们有时候会随机产生一个新想法替换集群中心。此操作由Preplace控制。生成一个介于0和1之间的随机数。若该值小于概率Preplace，则使用上述想法聚类规则随机生成一个想法来替换随机选择的集群中心。这一步骤可以帮助想法陷入局部最优，同时产生更多差异化的新样本种群，扩大搜索范围，便于寻找到更优值；
步骤3.5、种群中个体的更新。BSO或任何其他优化算法当中最重要的步骤就是生成新的解决方案。在BSO中，它分为两个部分。思想是基于一个集群或者两个集群生成的。这项操作是由Pgeneration控制。然后生成一个介于0和1之间的随机数，如果生成的数量小于Pgeneration，则基于一个集群创建新的想法，否则，将基于两个集群生成一个想法：
Figure BDA0002714562610000081
从一个集群中产生一个想法可以使解决方案收敛到有限区域内。从两个集群中产生一个想法可以提高探索能力，并有助于避免产生坏想法。本发明中Pgeneration选择为0.8，这样一来，从一个集群产生的新想法比从两个集群产生的想法更多。其中，一个集群路径下生成想法是根据集群包含的想法数量选择集群。集群包含的想法越多，选择集群的机会就越高。然后，使用集群中心或者同一集群中的随机想法生成一个想法。这项操作由Ponecluster控制，并和生成的0和1之间的随机数比较。若该数小于预定的概率Ponecluster，则选择聚类中心。否则，将选择同一集群中的随机想法。在这项工作中，Ponecluster的值设定为0.4。在这两种情况下，都将产生以下想法：
Figure BDA0002714562610000082
其中，
Figure BDA0002714562610000091
是选择信息量的第d维，
Figure BDA0002714562610000092
是新产生信息量的第d维，n(μ,σ)是均值为μ方差为σ的高斯函数，ξ是一个加权系数用于控制随机扰动的幅度，即步长，计算如下：
Figure BDA0002714562610000093
其中，max_iteration是最大迭代次数，current_iteration是当前迭代次数，
Figure BDA0002714562610000096
取决于搜索空间的大小，以便在搜索的初始迭代过程中覆盖所有解空间。如公式(6)所示：
Figure BDA0002714562610000094
其中，xmin为优化变量取值范围的最小值，xmax为优化变量取值范围的最大值。加权系数在初始迭代期间将具有较大的值，而在最终迭代期间将变为较小的值。这意味着在搜索开始时扩大了搜索范围，随着搜索的进行，它将逐步缩小范围寻找最佳想法。当按照两个集群路径下生成想法时，与上一步相似。但是，不是根据与它包含的想法数量成正比的概率选择一个聚类，而是随机选择两个聚类。PTwocluster控制集群中心和随机想法之间的选择，其方式与Ponecluster控制一个集群想法的生成策略相同。本发明中，PTwocluster的值设置为0.5。然后，将两个选定的主意通过权重总和合并如下：
Figure BDA0002714562610000095
其中，R是0到1之间的随机数，然后根据公式(10)创建新的想法。
步骤3.6、将最终种群按照步骤2.2中给出的公式计算适应度函数，函数最小值对应的个体即为最优结果。
图3是本发明中为了证明BSO算法相比于常用的几种优化算法，在解决阵元失效问题时更易于得到优化问题的全局最优解而给出的迭代曲线。其中(a)考虑均匀分布的线阵，阵元数N＝32，阵元间距为半波长，使用切比雪夫加权法预先设计了-30dB的均匀副瓣电平(SLL)，波束指向0°。考虑其中2个阵元随机失效的情况，若副瓣电平降低至-30dB，则实现优化目标。分别通过BSO算法，GA算法，PSO算法，DE算法进行优化。保持各优化算法种群数、方向图的采样点个数以及优化变量的取值范围相同，迭代步数均设置为1000。(b)构造口径大小与上述等间距线阵相同的稀布线阵，阵元数N＝28，得到期望阵列的位置分布，然后通过优化各阵元的幅度得到最高副瓣电平(PSLL)为-30dB的期望阵列，作为初始模型。考虑其中2个阵元随机失效的情况，若副瓣电平降低至-30dB，则实现优化目标。分别通过BSO算法，GA算法，PSO算法，DE算法进行优化。保持各优化算法种群数、方向图的采样点个数以及优化变量的取值范围相同，迭代步数均设置为1000。
下面结合实施例和附图对本发明进行详细说明。
实施例1
结合图4、图5、图6，根据本发明所述修复算法对部分阵元失效后的宽带宽角扫描线阵进行修复，验证其有效性。首先构造宽带稀布线阵的模型，总阵元数为64，带宽为3倍频的宽带稀布阵列。阵元间距的取值范围为[0.6λh,1.2λh]，阵列口径为55.09λh，λh为高频波长，给出扫描角30°的情况。现考虑64个阵元中随机失效4个阵元，位置如图4所示。
使用头脑风暴优化算法优化剩余完好阵元的幅度进行修复，选取的种群数设为200，θ以0.1°为间隔在[-90°,90°]的范围内均匀采样，阈值设为-18.37，迭代步数设置为400。修复后的方向图如图5所示，修复耗时1822.88s。图6给出头脑风暴优化算法的迭代曲线。综上所述，本发明可以在不更换失效阵元的情况下，较为快速地解决宽带宽角线阵阵元失效后的校正问题。表1是本发明实施例1中不同频点下修复后的性能统计。
表1宽带宽角稀布线阵修复后的性能统计
Figure BDA0002714562610000101
由表1中数据可以看出，对于宽频带线阵，在同一波束指向下，阵元失效对中高频段的阵列副瓣性能影响比较大，有较大程度的恶化。造成这一现象的和阵元间对应的波长间距有关，随着频率上升，波长间距变大，副瓣电平难优化。但是对于中、低、高频下阵列副瓣不同程度的恶化，用本专利提出的方法均能较好地实现方向图重构及修复，保证存有失效阵元的阵列在宽带范围内稳定的辐射性能。
实施例2
结合图7～图10，根据本发明所述修复算法对部分阵元失效后的宽带宽角扫描面阵进行修复，验证其有效性。首先构造一圆形口径的宽带平面阵，将圆形区域划分为9个扇区优化，阵元总数N＝108，带宽为3倍频，扫描角30°，各阵元在等幅激励下建立初始宽带阵列模型。得到的期望阵列最小阵元间距为0.49λL，阵列半径为4.05λL，λL为低频波长，因此在中高频时，阵元间距较大，单元间的互耦基本可以忽略。现考虑108个阵元中随机失效10个阵元，如图7所示，图中黑色圆圈表示失效不工作的阵元。
图8(a)给出了初始阵列在低频时的辐射方向图性能，副瓣为-17.92dB，(b)则表示当如图7所示发生阵元失效时，阵列在低频的辐射方向图性能发生了变化，副瓣由-17.92dB抬高至-14.79dB，(c)则表示经过本发明提出的修复算法，实现了对失效后的阵列方向图重构及修复优化，副瓣电平达到了-18.3dB，(d)是(c)对应的切面方向图。
图9(a)给出了初始阵列在中频时的辐射方向图性能，远区副瓣为-14.4dB，靠近主瓣的近区副瓣为-17.92dB，(b)为部分阵元失效后，辐射性能发生变化，远区副瓣为-13.72dB抬高了0.68dB，近区副瓣为-14.65dB抬高了3.65dB，靠近主辐射方向的近区副瓣恶化更明显，(c)则给出经过本发明提出的修复算法对阵列方向图重构及修复优化后的结果，靠近主辐射方向的近区副瓣降至-18.3dB，效果明显，远区副瓣由-13.72dB降至-13.93dB，(d)则给出了修复后的3D方向图结果。
图10(a)给出了初始阵列在高频时的辐射方向图性能，最高副瓣为-13.86dB，(b)为部分阵元失效后，辐射性能发生变化，最高副瓣为-12.67dB抬高了1.19dB，(c)则给出经过本发明提出的修复算法对阵列方向图重构及修复优化后的结果，最高副瓣由-12.67dB降至-13.85dB，较好地实现副瓣降低(d)则给出了修复后的3D方向图结果。
使用BSO算法优化各剩余完好阵元的幅度进行修复。种群数设置为60，θ以1°为间隔在[-90°,90°]的范围内均匀采样，
Figure BDA0002714562610000112
以2°的间隔在[-180°,180°]的范围内均匀采样，迭代步数设为100，耗时9.97h。综上所述，本发明可以在不更换失效阵元的情况下有效解决宽带宽角面阵阵元失效后的校正问题。表2是本发明实施例2中不同频点下修复后的性能统计。
表2宽带宽角稀布面阵修复后的性能统计
Figure BDA0002714562610000111
由表2中数据可以看出，对于中、低、高频下阵列副瓣不同程度的恶化，用本发明提出的方法均能较好地实现方向图重构及修复，保证存有失效阵元的阵列在宽带范围内稳定的辐射性能。

Claims (6)

1.一种宽带宽角扫描相控阵天线在阵元失效条件下的方向图修复方法，其特征在于，该方法是在已知阵列失效位置的情况下，进行如下步骤，达到阵元失效修复的目的，具体包括以下步骤：
步骤1、将相关的失效阵元权值系数赋值为0；
步骤2、计算宽带宽角扫描相控阵天线在阵元失效后的阵列方向图函数，针对线阵失效的问题，适应度函数选取各频点重构方向图中的峰值副瓣电平；面阵中则选取各频点重构方向图对应峰值副瓣电平的累加值作为适应度函数；
步骤3、利用头脑风暴优化算法优化剩余完好的阵元激励，头脑风暴优化算法求解最优值包括如下子步骤：
步骤3.1、初始化种群个体数目，并对每个个体中包含的有效阵元权值进行赋值；BSO算法在搜索空间中随机产生初始种群X即D维的N个个体或思想：
Figure FDA0003719746000000011
其中，维数对应于优化变量的数量；初始种群中的一个主意由一个向量表示，从而第i个主意在整个D维搜索空间中被随机初始化为：
Figure FDA0003719746000000012
其中，n是种群规模，d是问题维度，
Figure FDA0003719746000000013
和
Figure FDA0003719746000000014
分别是函数的下限和上限，rand()表示服从0到1均匀分布的随机变量，返回0到1之间的数字；
步骤3.2、解的聚类；聚类分析是根据个体间相似度的差异把收集到的主意分为多个子集的方法，每个子集被称为类或簇，集群策略选用k-means聚类算法；
步骤3.3、评估种群中所有个体的适应值；使用预定义的适应度函数对想法评估后，将对每个集群中的想法进行排名；选择每个集群中的最佳想法作为集群中心；
步骤3.4、生成一个介于0和1之间的随机数，若该值小于概率Preplace，则使用上述想法聚类规则随机生成一个想法来替换随机选择的集群中心；
步骤3.5、种群中个体的更新；思想是基于一个集群或者两个集群生成的，这项操作是由Pgeneration控制；然后生成一个介于0和1之间的随机数，如果生成的数量小于Pgeneration，则基于一个集群创建新的想法，否则，将基于两个集群生成一个想法：
Figure FDA0003719746000000015
其中，一个集群路径下生成想法是根据集群包含的想法数量选择集群；然后，使用集群中心或者同一集群中的随机想法生成一个想法；这项操作由Ponecluster控制，并和生成的0和1之间的随机数比较；若该数小于预定的概率Ponecluster，则选择聚类中心；否则，将选择同一集群中的随机想法；在这两种情况下，都将产生以下想法：
Figure FDA0003719746000000021
其中，
Figure FDA0003719746000000022
是选择信息量的第d维，
Figure FDA0003719746000000023
是新产生信息量的第d维，n(μ,σ)是均值为μ方差为σ的高斯函数，ξ是一个加权系数用于控制随机扰动的幅度，即步长，计算如下：
Figure FDA0003719746000000024
其中，max_iteration是最大迭代次数，current_iteration是当前迭代次数，
Figure FDA0003719746000000027
取决于搜索空间的大小，如公式(8)所示：
Figure FDA0003719746000000025
其中，xmin为优化变量取值范围的最小值，xmax为优化变量取值范围的最大值；
当按照两个集群路径下生成想法时，不是根据与它包含的想法数量成正比的概率选择一个聚类，而是随机选择两个聚类；PTwocluster控制集群中心和随机想法之间的选择，其方式与Ponecluster控制一个集群想法的生成策略相同；然后，将两个选定的主意通过权重总和合并如下：
Figure FDA0003719746000000026
其中，R是0到1之间的随机数，然后根据公式(10)创建新的想法；
步骤3.6、将最终种群按照步骤2.2中计算适应度函数，函数最小值对应的个体即为最优结果；
步骤4、将求解得到的最优个体变量值作为剩余有效阵元的激励权值，得到修复后的阵列方向图结果，并以此评估阵列性能。
2.根据权利要求1所述的宽带宽角扫描相控阵天线在阵元失效条件下的方向图修复方法，其特征在于，步骤2所述的计算宽带宽角扫描相控阵天线在阵元失效后的阵列方向图函数，针对线阵失效的问题，适应度函数选取各频点重构方向图中的峰值副瓣电平；面阵中则选取各频点重构方向图对应峰值副瓣电平的累加值作为适应度函数，具体如下：
步骤2.1、根据失效阵元的位置，分别建立如下宽带线阵及面阵的阵列方向图函数：
Figure FDA0003719746000000031
式中，xn为线阵中第n个阵元的位置，In为第n个阵元对应的幅度激励，f为阵列对应频率，c为光在真空中的传播速度，θ为俯仰维角度采样，当波束指向为θ0时，各频点下对应的阵元激励的相位为
Figure FDA0003719746000000032
阵元间距dn需满足：
Figure FDA0003719746000000033
式中，L为阵列对应的口径大小，λ为对应波长，λ＝c/f；Sn是一个随机变量，用于描述阵元失效与否，当阵元完好时Sn＝1，失效时则Sn＝0，即：
Figure FDA0003719746000000034
式中，p代表阵元失效情况发生的概率；
一个N个阵元的圆形口径宽带平面阵列的模型为：首先将圆形阵面分为面积相等的P个扇形区域，则每块扇区的圆心角为
Figure FDA0003719746000000035
每个扇区中的阵元数为M＝N/P；区域划分完成后，其中某一个区域内的阵元位置可由极坐标表示为
Figure FDA0003719746000000036
p＝1,2,…,M；rp和
Figure FDA0003719746000000037
的取值范围为rp∈(0,R]，
Figure FDA0003719746000000038
R为圆的半径；将扇区旋转P次，每次转过的角度为
Figure FDA0003719746000000039
每次旋转完成，扇区中每个阵元的极径rp不变，与极轴的夹角
Figure FDA00037197460000000310
即剩余扇区中阵元的位置为
Figure FDA00037197460000000311
阵元坐标已知，阵元的激励电流等幅，则失效后极坐标下阵列的阵因子可表示为：
Figure FDA00037197460000000312
步骤2.2、针对线阵失效的问题，适应度函数选取各频点重构方向图中的峰值副瓣电平；面阵中则选取各频点重构方向图对应峰值副瓣电平的累加值作为适应度函数；适应度函数分别表示如下：
fitness＝PSLLdB (5)
式中，PSLL为整个频带内宽带线阵的峰值副瓣电平；算法实现过程中，通过优化算法优化剩余完好各阵元的激励的幅度，求出阵列在不同频点内各波束指向下的重构方向图，然后找出各频点重构方向图中的峰值副瓣电平；
针对宽带稀布面阵中部分阵元损伤的问题，修复算法选取的适应度函数如下：
fitness＝m1*(PSLL1)dB+m2*(PSLL2)dB+m3*(PSLL3)dB (6)
式中，PSLL1、PSLL2、PSLL3分别表示下边频，中心频率以及上边频对应的峰值副瓣电平；m1、m2、m3分别对应其权重系数；算法实现过程中，通过优化算法优化剩余各完好阵元激励的幅度，求出阵列在各频点下的重构方向图，然后找出各频点重构方向图对应的峰值副瓣电平，适应度函数即为其累加值。
3.根据权利要求1所述的宽带宽角扫描相控阵天线在阵元失效条件下的方向图修复方法，其特征在于，步骤3.2中，k-means算法流程分为以下4步：
(a)从数据集中任意选择k个对象作为初始类中心；
(b)根据类中对象的均值，将每个对象分配到最相似；
(c)更新类均值，即重新计算每个类中对象的均值；
(d)判断集群中心是否变化，若集群中心没有发生变化，则输出集群中心点；若集群中心点发生变化，则重新执行(b)。
4.根据权利要求1所述的宽带宽角扫描相控阵天线在阵元失效条件下的方向图修复方法，其特征在于，Pgeneration的值设置为0.8。
5.根据权利要求1所述的宽带宽角扫描相控阵天线在阵元失效条件下的方向图修复方法，其特征在于，Ponecluster的值设置为0.4。
6.根据权利要求1所述的宽带宽角扫描相控阵天线在阵元失效条件下的方向图修复方法，其特征在于，PTwocluster的值设置为0.5。
CN202011068355.6A 2020-10-08 2020-10-08 宽带宽角扫描相控阵天线阵元失效后的方向图重构及修复方法 Active CN112329203B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011068355.6A CN112329203B (zh) 2020-10-08 2020-10-08 宽带宽角扫描相控阵天线阵元失效后的方向图重构及修复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011068355.6A CN112329203B (zh) 2020-10-08 2020-10-08 宽带宽角扫描相控阵天线阵元失效后的方向图重构及修复方法

Publications (2)

Publication Number Publication Date
CN112329203A CN112329203A (zh) 2021-02-05
CN112329203B true CN112329203B (zh) 2022-09-06

Family

ID=74314557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011068355.6A Active CN112329203B (zh) 2020-10-08 2020-10-08 宽带宽角扫描相控阵天线阵元失效后的方向图重构及修复方法

Country Status (1)

Country Link
CN (1) CN112329203B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326471B (zh) * 2021-05-27 2022-12-09 哈尔滨工业大学 一种星载相控阵部分阵元失效后的方向图重构方法
CN116973855B (zh) * 2023-06-21 2024-04-16 中国人民解放军空军预警学院 一种t/r组件失效阈值确定方法、系统、终端及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129523A (zh) * 2011-03-23 2011-07-20 南京理工大学 基于mda和mlssm的分析复杂目标电磁散射的方法
US8428928B1 (en) * 2003-11-13 2013-04-23 Cadence Design Systems, Inc. System and method for dynamically representing repetitive loads of a circuit during simulation

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8428928B1 (en) * 2003-11-13 2013-04-23 Cadence Design Systems, Inc. System and method for dynamically representing repetitive loads of a circuit during simulation
CN102129523A (zh) * 2011-03-23 2011-07-20 南京理工大学 基于mda和mlssm的分析复杂目标电磁散射的方法

Also Published As

Publication number Publication date
CN112329203A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN112329203B (zh) 宽带宽角扫描相控阵天线阵元失效后的方向图重构及修复方法
CN106407723B (zh) 面向低副瓣的稀疏排布阵列天线激励电流幅度的确定方法
CN107346986B (zh) 一种基于稀疏频控传感器天线阵列的多波束形成方法
CN107944133B (zh) 基于多目标量子蜘蛛群演化机制的环形天线阵列稀疏方法
CN112367103B (zh) 一种可扩展稀疏阵列天线布局的获取方法
CN108508424B (zh) 一种基于天线阵列误差的低副瓣复权向量优化方法
CN107302140B (zh) 基于量子蜘蛛群演化机制的平面天线阵列稀疏方法
CN112100701B (zh) 基于遗传算法的二维分布式天线子阵位置优化方法
CN111160556A (zh) 一种基于自适应遗传算法的阵列稀疏优化方法
CN113252998B (zh) 相控阵天线和、差波束信号电平的平坦度优化方法
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
CN117832845A (zh) 一种矩形口径端射阵列天线以及栅瓣抑制方法
CN113489523A (zh) 基于分离校准迭代fft的唯相位多波束方向图综合方法
Ghayoula et al. Pattern Synthesis Using Hybrid Fourier-Neural Networks for IEEE 802.11 MIMO Application
Gebrekrstos et al. Performance evaluation of elliptical-cylindrical antenna array (EcAA) using SaDE optimized hyper beam
CN113851854A (zh) 一种宽角扫描透镜终端天线及其扫描方式
Fang et al. Grating lobe suppression of planar array with large inter-element spacing by using genetic algorithm
CN113051812B (zh) 一种同心圆环阵的稀布宽带优化方法
CN114386271A (zh) 一种考虑互耦效应的随机阵列天线方向图综合方法
CN111896930B (zh) 基于运动平台空时自适应杂波抑制的子阵划分方法
CN115133291A (zh) 非规则天线子阵、相控阵天线及相控阵天线的设计方法
Li et al. Fast sparse synthesis of large-scale arrays in wideband and wide angle scanning
CN112234336A (zh) 副瓣约束的阵列方向图增益优化方法
CN109031216B (zh) 一种基于改进遗传算法的平面阵稀疏优化方法
CN116632561B (zh) 一种稀布高增益天线阵列设计方法、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