CN112364528B - 一种基于遗传算法的微波暗室多径效应影响评估方法 - Google Patents
一种基于遗传算法的微波暗室多径效应影响评估方法 Download PDFInfo
- Publication number
- CN112364528B CN112364528B CN202011428357.1A CN202011428357A CN112364528B CN 112364528 B CN112364528 B CN 112364528B CN 202011428357 A CN202011428357 A CN 202011428357A CN 112364528 B CN112364528 B CN 112364528B
- Authority
- CN
- China
- Prior art keywords
- population
- fitness
- individuals
- scattering
- optimal
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 39
- 230000002068 genetic effect Effects 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 230000035772 mutation Effects 0.000 claims abstract description 16
- 210000000349 chromosome Anatomy 0.000 claims description 30
- 108090000623 proteins and genes Proteins 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 8
- 230000013011 mating Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 10
- 238000009395 breeding Methods 0.000 abstract 1
- 230000001488 breeding effect Effects 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000013178 mathematical model Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 239000011358 absorbing material Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于遗传算法的微波暗室多径效应影响评估方法，构建目标函数并采用遗传算法求解函数最小值对应的参数。根据暗室内部散射体的分布，在散射体的边缘位置将散射体离散成多个独立的散射点，并根据散射体的类型，给离散后的散射点赋予不同的散射系数；选择目标函数作为适应度计算函数，随机生成目标解的种群，通过对种群个体进行初始化、选择、交叉和变异步骤后，繁殖得到下一代个体，计算下一代个体的适应度，选择最优适应度的个体组成新的种群，重复上述操作，当迭代次数达到终止条件后，输出最优种群，并选择此种群中最优个体作为最优解，此解即为受暗室内部多径效应影响最低时接收端的布设点位和发射端的布设点位。
Description
技术领域
本发明涉及一种基于遗传算法的微波暗室多径效应影响评估方法，属于射频仿真技术领域。
背景技术
多径传播是无线信道中信号产生衰落的主要原因。复杂的无线传播环境中，电磁波受到外物的阻挡产生了反射、绕射和散射，当信号到达移动台时，已经不是原来的一路信号了，而是多个路径的多个信号的叠加。因为多路径传输造成了路径距离存在远近差别，所以发送的一路信号在发散为多个路径后，各信号到达接收机的时间和相位都不一样。各信号按各自不同相位叠加，相位相同的信号相加，信号增强，反之衰减，信号便产生失真。这样造成叠加的接收信号的幅度和发送的单一信号幅度的快速巨大的差异，这称之为多径衰落。
多径误差与接收机工作环境密切相关，随着接收机天线周围场景的不同而变化，对多径信号接收机精度影响巨大。由于直射信号与多径信号可以看作由同一个信号源发射的，两个信号高度相关甚至相干，矢量相加后进入接收端，引起接收信号再复读和相位上的变化，造成误差。多径效应在无线通信中很常见，关于多径对无线通信信道模型的影响，有大量的研究，由于常规多径效应发生在复杂环境下，产生了大量的多径信号，因此之前的研究多是以统计模型来进行评估。
在暗室环境中，暗室内部各设备的布设相对稳定，暗室内部分布的各种反射体与天线发射端和接收端的位置相对固定，多径信号也相对稳定，多径信号不具备时变特性或具备时变缓慢特性，因此，暗室内部多径效应与无线信道的多径效应之间存在巨大的差异，在验证时不能运用常规的经验统计量。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于遗传算法的微波暗室多径效应影响评估方法，通过离散暗室内部散射体分布，构建多径效应评估模型，实现对暗室内多径效应的评估；并在评估准则的基础上，构建关于收发天线位置的目标函数，求解暗室内部受多径影响最小的天线收发位置。
为达到上述目的，本发明提供一种基于遗传算法的微波暗室多径效应影响评估方法，包括以下步骤：
(1)构建求解目标函数
在构建目标函数时，根据暗室内部散射体的分布，在散射体的边缘位置将散射体离散成多个独立的散射点，并根据散射体的类型，给离散后的散射点赋予不同的散射系数；
(2)求解参数设置
设置求解所需要的参数：设置最大遗传的代数、种群的大小、个体的长度、可行解的取值区域范围、代沟的概率、交叉的概率、变异的概率和遗传迭代的次数；
(3)初始化种群
采用二进制生成随机数的方法对种群生成每一个染色体的值，将初始化的种群转换成十进制的数；
(4)适应度计算
为了求解目标函数最小值对应的接收端的布设点位和发射端的布设点位，选择目标函数作为适应度计算函数，对各种群的适应度大小进行排序；
(5)选择、交叉和变异
从旧的种群中以给定的代沟的概率选择优良的个体组成新的种群，以繁殖得到下一代个体，按照适应度由高到低选择对应的个体；
交叉操作：从种群中随机选择两个个体，每个染色体是否交叉由给定的交叉的概率决定；
变异操作：交叉后的新种群中染色体的每一个基因，根据变异的概率判定该基因是否变异；
重新计算生成的新的种群的适应度，将生成的新的种群按照对应的适应度由高到低依次插入到旧的种群中，并更新最优染色体；
计算新的种群中个体的适应度，新的个体的适应度来源于旧的种群，根据适应度将新的个体与其来源的旧的种群进行重组，得到新的种群；
(6)非线性优化
如果遗传的代数为10的倍数则进行一次非线性优化计算；将步骤(5)中得到的最优适应度对应的种群作为非线性估计的迭代初始值，以此来寻找该种群局部次优值附近的最优值，得到全局最优点作为参数估计的最优值，并把得到的最优值插入到步骤(5)中得到的最优适应度对应的种群中，替代原来适应度最差的种群；
(7)终止条件判断
如果遗传计算次数小于给定的遗传迭代的次数，则转入步骤(4)，计算新的适应度最优的种群直至满足指定的遗传迭代的次数，转入步骤(7)；
(8)选择最优输出
当遗传计算次数大于等于给定的遗传迭代的次数后，输出最优解，此解即为暗室内部多径效应影响最低时接收端的布设点位和发射端的布设点位。
优先地，步骤(1)中，根据离散后散射点的位置和离散后散射点的散射强度，构建目标函数，设发射端坐标为G(xg,yg,zg)，接收端坐标为J(xj,yj,zj)，当发射端和接收端均可调整位置时，目标函数为
公式中，σi为散射点散射系数，α为针对每个散射点的增益函数，n为散射点数量，ri为从发射端G经散射点i到接收端J的路径长度。
优先地，步骤(1)中，当发射端位置固定，只调整接收端位置时，目标函数调整为
此时，计算得到发射端的坐标(xg,yg,zg)。
优先地，最优解的求解位置的上界和求解位置的下界由暗室内发射端和接收端可不设的范围确定，即目标区域的可行解的取值区域范围确定。
优先地，对于每个染色体，生成0～1之间的随机数，如果随机数小于指定的交叉的概率则选定的染色体进行交叉，否则染色体不参与交叉并直接复制到新的种群中；每两个个体按交叉的概率进行交叉，经过两个个体各自的部分基因交换，产生两个新的个体；交叉时随机产生一个有效的交配位置，染色体交换位于交配位置后的所有基因。
优先地，交叉后的新种群中染色体的每一个基因，根据变异的概率判定该基因是否变异，包括以下内容：生成0～1之间的随机数，如果该随机数小于指定的变异概率则选定的基因进行变异，产生新的染色体。
本发明所达到的有益效果：
本发明方法建立符合微波暗室环境下的多径效应数学模型，为多径效应评估的度量构建了目标函数，用以评估多径效益的影响，用遗传(GA)算法与非线性求解算法快速精确的估计目标函数的最优解。本发明构建一种快算准确的位置估计方法，从暗室中快速精确的估计出发射端和接收端的布设位置，该方法结合遗传(GA)算法与非线性求解算法的优点，并采用非线性求解算法加速遗传(GA)算法收敛计算的思想，快速准确的求解得到发射端和接收端收发天线的目标位置。
附图说明
图1是暗室内部多径效应反射示意图；
图2是多径反射模型示意图；
图3是本发明的流程图；
图4是本发明中暗室结构离散化示意图；
图5是本发明中暗室结构离散化示意图；
图6是本发明中直达信号与多径信号的仿真结果图；
图7是目标函数最优值与遗传代数的变化关系示意图。
具体实施方式
以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
需要说明，若本发明实施例中有方向性指示(诸如上、下、左、右、前、后......)，则其仅用于解释在某一特定姿态下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
在暗室环境中，暗室内部各设备的布设相对稳定，暗室内部分布的各种反射体与发射端和接收端的位置相对固定，多径信号也相对稳定，多径信号不具备时变特性或具备时变缓慢特性，因此，暗室内部多径效应与无线信道的多径效应之间存在巨大的差异，在验证时不需要运用经验统计量，针对此类问题，通过离散暗室内部散射体分布，构建多径效应评估模型，实现对暗室内多径效应的评估；并在评估准则的基础上，构建关于接收端位置和发射端位置的目标函数，求解暗室内部受多径影响最小的接收端位置和发射端位置，当发射端固定时求解接收端位置。
如图1所示为暗室多径效应反射示意图，发射端发射的信号经过障碍物的反射面后，反射信号从一条新的路径到达接收端，直射信号与多径信号的主要差异源于传播路径的长度不同和多径信号经过障碍物反射后会衰减。
影响多径信号的因素主要包括：
(1)路径的长度不同导致信号在空间中衰减不同；
(2)反射衰减系数，主要与障碍物反射面的散射特性有关。
因此，根据上述多径效应的数学模型描述，建立以路径长度为参数，以障碍物表面目标散射系数为权值的多径效应影响评估数学模型函数，来表征收发天线在不同位置时，接收端信号多径效应的影响。
因此，根据上述多径效应的数学模型描述，建立以路径长度为参数，以障碍物表面目标散射系数为权值的多径效应影响评估数学模型函数，来表征发射端和接收端在不同位置时，接收端信号多径效应的影响。
本发明构建一种快算准确的位置估计方法，从暗室中快速精确的估计出发射端和接收端的布设位置，该方法结合遗传(GA)算法与非线性求解算法的优点，并采用非线性求解算法加速GA算法收敛计算的思想，快速准确的求解得到发射端和接收端的的目标位置。
实现流程图如图3所示，各个步骤的具体实现如下：
(1)构建求解目标函数
在构建目标函数时，根据暗室内部散射体的分布，在散射体的边缘位置将散射体离散成多个独立的散射点，并根据散射体的类型，给离散后的散射点赋予不同的散射系数。
根据离散后散射点的位置和散射强度，构建目标函数，设发射端坐标为G(xg,yg,zg)，接收端坐标为J(xj,yj,zj)，当发射端和接收端均可调整位置时，目标函数为
公式中，σi为散射点散射系数，α为针对每个散射点的增益函数，n为散射点数量，ri为从发射端G经散射点i到接收端J的路径长度；
当发射端位置固定，只调整接收端位置时，目标函数调整为
此时，计算得到发射端的坐标(xg,yg,zg)。
(2)求解参数设置
设置求解所需要的参数，主要包括如下参数：最大遗传的代数、种群的大小、个体的长度、求解位置的上界、求解位置的下界、代沟的概率、交叉的概率、变异的概率和遗传迭代的次数。
其中，求解位置的上界和求解位置的下界由暗室内发射端和接收端可不设的范围确定，即目标区域的可行解区域。
(3)初始化种群
遗传算法在一个给定的初始化种群中进行迭代搜索。本系统中，采用二进制编码方法，生成种群采用生成随机数的方法生成每一个染色体的值，通过编码函数将初始化的种群转换成十进制的数。
(4)适应度计算
编写适应度计算函数。评估函数根据问题的优化目标来确定。在本发明中，由于求解的问题是目标函数最小值对应的参数，因此将目标函数作为适应度计算函数，其值越小则适应度越好，对各种群的适应度大小进行排序。
(5)选择、交叉和变异
从旧的群体中以给定的代沟概率选择优良的个体组成新的种群，以繁殖得到下一代个体，个体被选中的概率由适应度得到，适应度越大，被选中的概率也越大。
交叉操作是从种群中随机选择两个个体，每个染色体是否交叉由给定的交叉概率决定。其过程是：对于每个染色体，生成0～1之间的随机数，如果随机数小于指定的交叉概率，则选定的染色体进行交叉，否则染色体不参与交叉，并直接复制到新的种群中。每两个个体按交叉概率进行交叉，经过各自的部分基因交换，产生两个新的子代。其具体操作时随机产生一个有效的交配位置，染色体交换位于交配位置后的所有基因。
变异操作是交叉后的新种群中染色体的每一个基因，根据变异概率判定该基因是否变异。其过程是：生成0～1之间的随机数，如果该值小于指定的变异概率，则选定的基因进行变异，产生新的染色体。
完成以上操作后，重新计算生成的新种群的适应度，将生成的新种群按照适应度的大小插入到旧的种群中，并更新最优染色体。
计算新生成种群中个体的适应度，根据适应度将新的个体与旧的种群进行重组，得到新的种群。
(6)非线性优化
如果遗传的代数为10的倍数，如10代、20代等，则进行一次非线性优化计算。将(5)中得到的最优适应度对应的种群作为为非线性估计的迭代初始值，以此来寻找局部次优值附近的最优值，得到全局最优点，作为参数估计的最优值，并把得到的最优值插入到原来的种群中，替代原来适应度最差的种群。
(7)终止条件判断
如果遗传计算次数小于给定的次数，转入步骤(4)，计算新的最优种群，直至满足指定的计算次数。转入步骤(7)。
(7)选择最优输出
当遗传算法达到对应的终止条件后，输出最优解，此解即为暗室内部多径效应影响最低时收发天线的布设点位。
采用数字离散点表示暗室内部的多径散射点，根据相关经验，每个散射点根据经验代表的反射体边缘赋予不同的散射系数大小。离散处理后暗室内部散射点分布如图4所示。除了转台和天线阵列上各点，其余部位均为吸波材料涂覆的位置，多径散射系数相对较小；天线阵列单元为外漏的金属喇叭，散射系数相对较大；转台目标则是一个表面覆盖了吸波材料的金属台体，体积相对较大；
在本次仿真中，每个吸波材料的散射点散射系数取为-30dB，相位随机；每个天线阵元的散射系数取为-10dB，相位随机；转台的散射系数设定为0dB，相位随机。
初始设定收发天线位置后，暗室内部初设设定收发天线位置如图5所示，考虑收发天线具有一定的主瓣宽度，设定主副瓣增益比值为30dB，发射端方向图和接收端方向图在方位向和俯仰向波束宽度均为30°。
图6中为接收端为(10，2，15)和发射端为(10，20，15)时直达信号与多径信号的仿真结果，此时暗室散射特性如上述描述，信号中心频率为10GHz。
目标函数输出为接收直达信号与多径合成信号的功率比，此时比值为-52.9027dB。
采用遗传算法，按照不同的应用场景，仿真天线最优位置，按照上述流程求解，即可得到最优结果。
根据暗室内部结构，考虑收发天线之间需要避开暗室内部转台等多种结构的遮挡，发射端相应的x、y、z取值范围为[7,19]、[2,4]、[12,20]，考虑到收发天线的具有一定的最小距离限制，因此，接收端相应的x、y、z的取值范围为[7,19]、[12,20]、[12,20]。
针对于应用场景，采用多种群遗传算法进行最优位置计算，参数设置如下所示
％％多种群遗传算法参数
NIND＝40； ％个体数目
MAXGEN＝10； ％最优个体最少保持代数
PRECI＝20； ％变量的二进制位数
GGAP＝0.9； ％代沟
MP＝5； ％种群数目
lb＝[7 2 12 10]； ％变量范围
ub＝[19 4 20 20]；
通过遗传算法优化后，多径信号与直达信号的平均功率最优比值随遗传代数的变化如图7所示，最优求解结果为：
最优值为：-130.0119；
对应的自变量取值：9.38621，3.4669，17.7267，11.1623；
即最优发射端的位置为：9.38621，3.4669，17.7267；
最优接收端的位置为：9.38621，11.1623，17.7267。
发射端即发射天线，接收端即接收天线，接收端和发射端上述部件在现有技术中可采用的型号很多，本领域技术人员可根据实际需求选用合适的型号，本实施例不再一一举例。
本发明建立符合微波暗室环境下的多径效应数学模型，为多径效应评估的度量构建了目标函数，用以评估多径效益的影响。本发明方法构建一种快算准确的位置估计方法，从暗室中快速精确的估计出发射端和接收端的布设位置，该方法结合遗传(GA)算法与非线性求解算法的优点，并采用非线性求解算法加速遗传(GA)算法收敛计算的思想，快速准确的求解得到发射端和接收端收发天线的目标位置。
实施例二
相关数学模型如下，以三个散射体为例，假定A、B和C为暗室内部散射体，发射端发射信号，有一路信号直接到达接收端，该路信号为直达信号，另外几路信号通过散射体反射后到达接收端，形成多径效应，暗室内部还存在二次反射波和多次反射波的情形，不过二次反射波和多次反射波的信号幅度远小于直达信号，忽略不计。
如图2所示，其中A、B和C为处于不同位置的不同障碍物，设发射端坐标为G(xg,yg,zg)，接收端坐标为J(xj,yj,zj)，A点坐标为(x1,y1,z1)，B点坐标为(x2,y2,z2)，C点坐标为(x3,y3,z3)，则可知直射信号路径长度为：
其余多径信号路径长度为
并可求得直射信号到达时间
对于经过A，B和C反射的多径信号而言，同样可求出其到达时间τ1、τ2、τ3，构建多径效应的评估函数
其中
Pdj(xg,yg,zg,xj,yj,zj)＝E[szd(n)]
Pzd(xg,yg,zg,xj,yj,zj)＝E[sdj(n)]
szd(n)为直达信号，sdj(n)为多径信号，S0(n)为发射端的发射信号，i为散射点数，|σi|为散射点幅值，为散射点的相位值，Pdj为多径信号平均强度，Pzd为直达信号平均强度，λ为波长，PT为峰值发射功率，GT为发射天线增益，GR为接收天线增益，R0为直达信号路径，GTi为第i个散射点受到的发射天线增益，GRi为第i个散射点受到的接收天线增益；RTi+RRi为多径信号路径，RTi和RRi分别指信号经散射点反射前后的路径长度；j为虚数。
当目标函数值越小，则可认为多径效应影响越小，发射端位置和接收端位置的优化求解变为求解如下模型的最优解
其中，lb和ub是设定的可行解的取值区域范围。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种基于遗传算法的微波暗室多径效应影响评估方法，其特征在于，包括以下步骤：
(1)构建求解目标函数
在构建目标函数时，根据暗室内部散射体的分布，在散射体的边缘位置将散射体离散成多个独立的散射点，并根据散射体的类型，给离散后的散射点赋予不同的散射系数；
(2)求解参数设置
设置求解所需要的参数：设置最大遗传的代数、种群的大小、个体的长度、可行解的取值区域范围、代沟的概率、交叉的概率、变异的概率和遗传迭代的次数；
(3)初始化种群
采用二进制生成随机数的方法对种群中的每一个染色体生成对应的值，将初始化的种群转换成十进制的数；
(4)适应度计算
为了求解目标函数最小值对应的接收端的布设点位和发射端的布设点位，选择目标函数作为适应度计算函数，对各种群的适应度大小进行排序；
(5)选择、交叉和变异
从旧的种群中以给定的代沟的概率选择优良的个体组成新的种群，以繁殖得到下一代个体，按照适应度由高到低选择对应的个体；
交叉操作：从种群中随机选择两个个体，每个染色体是否交叉由给定的交叉的概率决定；
变异操作：交叉后的新种群中染色体的每一个基因，根据变异的概率判定该基因是否变异；
重新计算生成的新的种群的适应度，将生成的新的种群按照对应的适应度由高到低依次插入到旧的种群中，并更新最优染色体；
计算新的种群中个体的适应度，新的个体的适应度来源于旧的种群，根据适应度将新的个体与其来源的旧的种群进行重组，得到新的种群；
(6)非线性优化
如果遗传的代数为10的倍数则进行一次非线性优化计算；将步骤(5)中得到的最优适应度对应的种群作为非线性估计的迭代初始值，以此来寻找该种群局部次优值附近的最优值，得到全局最优点作为参数估计的最优值，并把得到的最优值插入到步骤(5)中得到的最优适应度对应的种群中，替代原来适应度最差的种群；
(7)终止条件判断
如果遗传计算次数小于给定的遗传迭代的次数，则转入步骤(4)，计算新的适应度最优的种群直至满足指定的遗传迭代的次数，转入步骤(7)；
(8)选择最优输出
当遗传计算次数大于等于给定的遗传迭代的次数后，输出最优解，此解即为暗室内部多径效应影响最低时接收端的布设点位和发射端的布设点位。
2.根据权利要求1所述的一种基于遗传算法的微波暗室多径效应影响评估方法，其特征在于，步骤(1)中，根据离散后散射点的位置和离散后散射点的散射强度，构建目标函数，设发射端坐标为G(xg,yg,zg)，接收端坐标为J(xj,yj,zj)，当发射端和接收端均可调整位置时，目标函数为
公式中，σi为散射点散射系数，α为针对每个散射点的增益函数，n为散射点数量，ri为从发射端G经散射点i到接收端J的路径长度。
3.根据权利要求2所述的一种基于遗传算法的微波暗室多径效应影响评估方法，其特征在于，步骤(1)中，当发射端位置固定，只调整接收端位置时，目标函数调整为
此时，计算得到发射端的坐标(xg,yg,zg)。
4.根据权利要求1所述的一种基于遗传算法的微波暗室多径效应影响评估方法，其特征在于，最优解的求解位置的上界和求解位置的下界由暗室内发射端和接收端可不设的范围确定，即目标区域的可行解的取值区域范围确定。
5.根据权利要求1所述的一种基于遗传算法的微波暗室多径效应影响评估方法，其特征在于，对于每个染色体，生成0～1之间的随机数，如果随机数小于指定的交叉的概率则选定的染色体进行交叉，否则染色体不参与交叉并直接复制到新的种群中；每两个个体按交叉的概率进行交叉，经过两个个体各自的部分基因交换，产生两个新的个体；交叉时随机产生一个有效的交配位置，染色体交换位于交配位置后的所有基因。
6.根据权利要求1所述的一种基于遗传算法的微波暗室多径效应影响评估方法，其特征在于，交叉后的新种群中染色体的每一个基因，根据变异的概率判定该基因是否变异，包括以下内容：生成0～1之间的随机数，如果该随机数小于指定的变异概率则选定的基因进行变异，产生新的染色体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011428357.1A CN112364528B (zh) | 2020-12-09 | 2020-12-09 | 一种基于遗传算法的微波暗室多径效应影响评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011428357.1A CN112364528B (zh) | 2020-12-09 | 2020-12-09 | 一种基于遗传算法的微波暗室多径效应影响评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112364528A CN112364528A (zh) | 2021-02-12 |
| CN112364528B true CN112364528B (zh) | 2024-02-13 |
Family
ID=74536723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011428357.1A Active CN112364528B (zh) | 2020-12-09 | 2020-12-09 | 一种基于遗传算法的微波暗室多径效应影响评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112364528B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113285457B (zh) * | 2021-05-19 | 2022-09-13 | 山东大学 | 非理想通信下区域电力系统的分布式经济调度方法及系统 |
| CN115079995B (zh) * | 2022-07-22 | 2022-11-11 | 中南大学 | 一种中子谱仪被测样品测点排序方法和系统 |
| CN117556527B (zh) * | 2024-01-12 | 2024-03-26 | 中国铁路设计集团有限公司 | 一种基于混响时间控制的铁路站房微孔参数优化方法 |
| CN118209540B (zh) * | 2024-05-22 | 2024-08-16 | 浙江康鹏半导体有限公司 | 砷化镓单晶生长状态检测方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106842250A (zh) * | 2017-01-05 | 2017-06-13 | 桂林电子科技大学 | 一种基于遗传粒子滤波的多径抑制码环的设计方法 |
| CN109539884A (zh) * | 2018-11-21 | 2019-03-29 | 南京长峰航天电子科技有限公司 | 一种基于ga的矢量脱靶量参数估计方法 |
| CN109800071A (zh) * | 2019-01-03 | 2019-05-24 | 华南理工大学 | 一种基于改进遗传算法的云计算任务调度方法 |
| CN111856528A (zh) * | 2020-08-20 | 2020-10-30 | 中国电子科技集团公司第五十四研究所 | 一种基于遗传算法的室内多通道伪卫星定位方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9264082B2 (en) * | 2012-06-11 | 2016-02-16 | Bae Systems Information And Electronic Systems Integration Inc. | System and algorithm for multipath mitigation |
-
2020
- 2020-12-09 CN CN202011428357.1A patent/CN112364528B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106842250A (zh) * | 2017-01-05 | 2017-06-13 | 桂林电子科技大学 | 一种基于遗传粒子滤波的多径抑制码环的设计方法 |
| CN109539884A (zh) * | 2018-11-21 | 2019-03-29 | 南京长峰航天电子科技有限公司 | 一种基于ga的矢量脱靶量参数估计方法 |
| CN109800071A (zh) * | 2019-01-03 | 2019-05-24 | 华南理工大学 | 一种基于改进遗传算法的云计算任务调度方法 |
| CN111856528A (zh) * | 2020-08-20 | 2020-10-30 | 中国电子科技集团公司第五十四研究所 | 一种基于遗传算法的室内多通道伪卫星定位方法 |
Non-Patent Citations (1)
| Title |
|---|
| 中段弹道目标ISAR成像及物理特性反演技术研究;金光虎;《中国博士论文全文数据库》;20110415;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112364528A (zh) | 2021-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112364528B (zh) | 一种基于遗传算法的微波暗室多径效应影响评估方法 | |
| CN113343588B (zh) | 一种多约束毫米波车载mimo雷达天线阵列设计方法与装置 | |
| CN109714120B (zh) | 一种模拟耦合多天线室内空间衰落信道传播特性的方法 | |
| JP3704493B2 (ja) | ツリー型マルチホップ無線ネットワークの送信電力設定方法及び送信電力設定プログラム | |
| CN109472066A (zh) | 基于单元中心点位移的反射面天线随机误差分析方法 | |
| CN115329680B (zh) | Vivaldi天线中透镜的优化方法、系统及相关设备 | |
| CN105226393A (zh) | 阵列天线、阵列天线方向图的赋形装置及赋形方法 | |
| CN108449122A (zh) | 一种最小化基站发射功率的mmWave多小区干扰抑制方法 | |
| Zhao et al. | Coverage analysis for reconfigurable intelligent surface-assisted cellular networks over Nakagami-m fading channels | |
| Ho et al. | Optimisation of channel capacity for multiple-input multiple-output smart antenna using a particle swarm optimiser | |
| CN116776638A (zh) | 阵列天线的设计方法及装置 | |
| Grubisic et al. | Optimization model for antenna positioning in indoor environments using 2-D ray-tracing technique associated to a real-coded genetic algorithm | |
| Hirose et al. | Ray tracing parameter optimization system in mobile radio propagation prediction | |
| CN111783301A (zh) | 一种抗干扰散射通信系统天线阵的设计方法 | |
| CN114978253B (zh) | 用于广播波束优化的方法、装置以及存储介质 | |
| CN205039261U (zh) | 阵列天线及阵列天线方向图的赋形装置 | |
| CN113162712B (zh) | 一种基于传播图理论的多波束信道建模方法 | |
| Pesic et al. | ANN-EM Model of Dual Band Square Patch Antenna with a Floating Rectangular Slot | |
| CN117914364B (zh) | 宽零点波束的生成方法、装置、电子设备及存储介质 | |
| CN114124783B (zh) | 基于改进鱼群算法的路径选择方法和计算机存储介质 | |
| CN113890583B (zh) | 一种毫米波亚毫米波频段非对称信道参数预测方法 | |
| Ayestaran et al. | High-accuracy neural-network-based array synthesis including element coupling | |
| Radiom et al. | Optimised small-size tapered monopole antenna for pulsed ultra-wideband applications designed by a genetic algorithm | |
| ROCCA et al. | Enhancing Urban Wireless Networks with Modular Reflecting EM Skins | |
| Deparateanu et al. | Design of Waveguide Sparse Array Antenna by Optimization with Genetic 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 |