CN112597703B - 基于双分支深度神经网络的变尺寸阵列结构性能预测方法 - Google Patents

基于双分支深度神经网络的变尺寸阵列结构性能预测方法 Download PDF

Info

Publication number
CN112597703B
CN112597703B CN202011527498.9A CN202011527498A CN112597703B CN 112597703 B CN112597703 B CN 112597703B CN 202011527498 A CN202011527498 A CN 202011527498A CN 112597703 B CN112597703 B CN 112597703B
Authority
CN
China
Prior art keywords
data
size
shape
array structure
variable
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
CN202011527498.9A
Other languages
English (en)
Other versions
CN112597703A (zh
Inventor
刘振宇
郭放
胡伟飞
谭建荣
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202011527498.9A priority Critical patent/CN112597703B/zh
Publication of CN112597703A publication Critical patent/CN112597703A/zh
Application granted granted Critical
Publication of CN112597703B publication Critical patent/CN112597703B/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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Variable-Direction Aerials And Aerial Arrays (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于双分支深度神经网络的变尺寸阵列结构性能预测方法。获取变尺寸阵列结构的“形‑性”关联数据集；按照变尺寸阵列结构的尺寸对“形‑性”关联数据集进行分组获得每组“形‑性”关联数据；对各组“形‑性”关联数据进行预处理获得各组阵列结构数据；构建双分支深度神经网络并训练，得到性能参数回归预测模型；利用模型对待测的变尺寸阵列结构进行性能参数的预测处理，输出最终的性能参数。本发明能实现对多种不同尺寸阵列结构的性能参数预测，尤其适用于数据缺乏的尺寸组的性能预测，为阵列结构的复杂装备性能补偿及修配提供参考信息，为复杂装备的正常运转提供保障，能广泛应用于各种具有阵列结构的复杂装备中。

Description

基于双分支深度神经网络的变尺寸阵列结构性能预测方法
技术领域
本发明属于产品性能预测领域，涉及了一种阵列结构性能预测方法，具体涉及了一种基于双分支深度神经网络的变尺寸阵列结构性能参数预测方法。
背景技术
阵列结构如阵列天线和天文望远镜等，在制造和装配等过程中不可避免会产生制造误差和装配误差，并形成阵元位置误差，严重影响具有阵列结构的复杂装备的使用性能。因此，对阵列结构的关键性能参数及时作出预测，对阵列结构复杂装备的性能保障具有重大作用。
通常，阵列结构的性能可以通过试验测量或商业软件仿真计算得到。然而，试验测量需要大量的人力、物力和财力，商业软件仿真需要大量的计算资源，且随着研究阵列规模的扩大，计算量呈指数增加。因此，研究出一种高效、经济且精确的阵列结构性能预测方法符合工业的迫切需求。
目前国内外学者针对阵列结构的性能预测开展了一系列研究，研究方法总体分为三类，分别是：经验预测方法、区间预测方法和精确预测方法。经验预测方法能够通过有限次的试验或仿真总结出性能参数与误差参数如均方根误差(RMSE)间的关系。该方法简单，并在早期的阵列结构性能预测中广泛采用。然而，该方法存在预测精度低等缺陷。在给定误差区间时，区间预测方法通过理论分析和公式推导，能够计算出性能的变化区间。该方法区间计算精度高，但无法在给定误差值时给出确定的性能值。精确预测方法以阵列结构大数据作支撑，构建机器学习模型，能够综合考虑阵列结构误差到性能间多场耦合因素，对性能做出高精度预测。
现有精确预测算法，如支持向量机、XGBoost、卷积神经网络等能够通过模型训练，在给定训练集上实现较高精度的性能预测。然而，现实中阵列结构的尺寸并非一成不变，当尺寸变化时，因维度不匹配而无法利用已训练好的模型对新的阵列尺寸下的性能进行预测。
因此，研究一种适用变尺寸的阵列结构性能参数预测方法具有重大的意义。
发明内容
为了解决背景技术中存在的问题，本发明提出了一种基于双分支深度神经网络的变尺寸阵列结构性能参数预测方法。该方法能克服上述已有方法的不足，实现对多种不同尺寸阵列结构的性能参数预测，为阵列结构的复杂装备性能补偿及修配提供参考信息，为复杂装备的正常运转提供保障，广泛应用于各种具有阵列结构的复杂装备中。
本发明的技术方案如下，主要包括以下步骤：
S1.获取变尺寸阵列结构的“形-性”关联数据集。
S2.按照变尺寸阵列结构的尺寸大小对“形-性”关联数据集进行分组，获得每组“形-性”关联数据。
S3.对各组“形-性”关联数据分别进行数据预处理，获得各组阵列结构数据。
S4.构建双分支深度神经网络，并选择一组或多组阵列结构数据进行训练，得到性能参数回归预测模型。
S5.利用性能参数回归预测模型对待测的一组或多组变尺寸阵列结构进行性能参数的预测处理，输出最终的性能参数。
所述的变尺寸阵列结构是指由内部的多个基本单元按照固定排布方式能阵列形成的结构，例如阵列天线、天文望远镜等具有阵列结构的装备，该类装备阵列尺寸/数量经常变化，但总体结构保持着阵列排布的相似性。
所述的变尺寸阵列结构的尺寸是指基本单元的阵列数量不同，即长宽方向的排布数量不同。变尺寸阵列结构中，各个基本单元的自身尺寸均相同，相邻基本单元间的尺寸均相同。
所述步骤S1中，具体如下：
S11、“形-性”关联数据分为“形”数据和“性”数据：
所述“形”数据包括阵列结构因装配和制造产生的位置误差，通过摄影测量、仿真采样等方法测得；例如阵列天线中的每个基本单元的位置误差、所有阵列单元位置误差的均值和方差、所有阵列单元的位置公差。
所述“性”数据指阵列结构的功能性参数数据，通过试验测量、商业软件仿真和理论公式计算等途径获取；例如阵列天线中的最大功率密度、半功率波束宽度、指向性、一阶副瓣电平。
S12、将同一种尺寸的变尺寸阵列结构下的“形”数据与“性”数据对应组合，得到该种尺寸的变尺寸阵列结构的“形-性”关联数据，得到包含多种尺寸的变尺寸阵列结构的“形-性”关联数据集。
所述步骤S2中，按照变尺寸阵列结构的尺寸大小对“形-性”关联数据集进行分组，同一种尺寸的变尺寸阵列结构的“形-性”关联数据作为一组“形-性”关联数据，得到多组对应不同种尺寸的“形-性”关联数据，且同一种尺寸的“形-性”关联数据下还具有不同实施情况对应的不同变尺寸阵列结构例子数据。
所述步骤S3具体如下：
S31.对各组“形-性”关联数据中，取数据量最大的一组“形-性”关联数据而获得最大数据量，将数据量小于最大数据量的其他“形-性”关联数据均进行过采样，使得所有组的“形-性”关联数据的数据量相同。
S32.分别对各组“形-性”关联数据中的“形”数据和“性”数据进行中心归一化，使得各组“形-性”关联数据归一化后形成均值为0、方差为1的正态分布，获得各组阵列结构数据，一组“形-性”关联数据归一化后形成为均值为0、方差为1的正态分布后对应作为一组阵列结构数据。
所述步骤S4中，双分支深度神经网络构建为：分为上侧分支和下侧分支的两个分支，两个分支均接收相同的输入的“形”数据，输出两个不同的特征向量。
上侧分支按照输入传递顺序依次主要由第一卷积模块、最大池化层、第二卷积模块和空间金字塔池化层(SPP)构成，下侧分支按照输入传递顺序依次主要由尺寸调整层(Resizing)、第三卷积模块、最大池化层、第四卷积模块、最大池化层和展平层(Flatten)组成，每个卷积模块均有两层连续的卷积层(Conv)构成。上侧分支和下侧分支输出的两个不同的特征向量均输入到连接层(Concatenate)，然后按照特征通道维度串联拼接，输出一个新的特征向量，连接层输出的新的特征向量经两个连续的全连接层(FC)，输出“性”数据的预测值。
所述的尺寸调整层(Resizing)采用双线性插值方法，将不同尺寸的输入数据调整为固定尺寸。
所述的展平层(Flatten)按照特征通道维度和特征尺寸维度，将提取的高维特征串联成一维特征向量。
所述的下侧分支网络的尺寸调整层调整后的尺寸根据情况而定：
当输入为单组尺寸数据集时，调整后尺寸为此单组数据集尺寸；
当输入为多组尺寸的数据集时，采用格点搜索算法寻找最优的调整后尺寸。
上侧分支网络的最大池化层的偏移量(Str1)为1，空间金字塔池化层的池化尺度包括1×1、2×2、4×4；下侧分支网络的最大池化层的偏移量(Str2)均为2。
在所述上侧分支和下侧分支中的最后一个卷积模块中的最后一层卷积层之后添加L1正则化约束处理。
所有卷积模块中的卷积层后均连接ReLu激活函数。
两个连续的全连接层(FC)中，第一个全连接层(FC1)后连接ReLu激活函数，第二个全连接层(FC2)不采用任何激活函数，直接输出“性”数据的预测值。
选用RMSprop优化算法，学习率设置为0.001，利用单组或多组数据进行训练，得到性能参数回归预测模型。
模型可以接收单组尺寸数据集或多组不同尺寸的数据集作为输入，当接收多组不同尺寸的数据集作为输入时，各输入数据集共享卷积层和全连接层的权重参数，共同训练，得到一个通用的适合多尺寸数据集性能参数回归预测模型。
通过对双分支深度神经网络的训练，可以同时对多组不同尺寸的阵列结构的性能参数进行回归预测，包括对未参与训练的不同尺寸的阵列结构的性能参数进行回归预测。
本发明的有益效果是：
模型预测精度高：上侧分支网络通过偏移量为1的池化保证了模型在连续的多组尺寸数据集中均具有较高的预测精度；下侧分支网络通过偏移量为2的池化压缩空间特征，能够提取更多关键特征对上侧分支网络进行补充，提高预测精度；卷积层的L1正则约束处理通过特征稀疏，进一步提高了模型的预测精度。
模型适用性强：上侧分支网络中的空间金字塔池化层和下侧分支网络中的尺寸调整层保障了模型能够接收单组、多组不同阵列尺寸的输入数据进行训练，并对多组不同阵列尺寸的数据集进行预测，包括对未参与训练的尺寸组进行预测。
总述，本发明能实现对多种不同尺寸阵列结构的性能参数预测，尤其适用于数据缺乏的尺寸组的性能预测，为阵列结构的复杂装备性能补偿及修配提供参考信息，为复杂装备的正常运转提供保障，广泛应用于各种具有阵列结构的复杂装备中。
附图说明
图1为本发明方法的流程示意图；
图2为本发明实例阵列天线结构图；
图3为本发明实例阵列天线“形”数据(位置误差)样本示意图；
图4为本发明实例阵列天线“性”数据中关键性能参数示意图；
图5为本发明针对变尺寸阵列结构性能参数预测的双分支深度神经网络框架示意图；
图6-9为本发明实例中，在18×18阵列尺寸训练集上进行训练，在14×14到22×22阵列尺寸测试集上预测，分别采用：单分支网络模型、稀疏单分支网络模型、双分支网络模型和稀疏双分支网络模型，以衡量预测值与真实值相关性大小的决定系数(R2)为评价参数，针对：最大功率密度(MPD)、半功率波束宽度(BW)、指向性(PA)、一阶副瓣电平(FSLL)四个性能参数的评估结果对比图；
图10为本发明实例中，以最大功率密度(MPD)为性能参数，采用双分支网络模型，在18×18阵列尺寸训练集上进行训练，在14×14到22×22阵列尺寸测试集上分别随机选取20个样本的预测结果。
图中：1支撑背架、2阵元安装面板、3单元阵列、4喇叭单元。
具体实施方式
下面结合附图与阵列天线自建仿真数据集作为具体实例对本发明作进一步详细说明。
如图1所示，本发明的方法包括以下具体步骤：
S1.获取变尺寸阵列结构的“形-性”关联数据集。
S2.按照变尺寸阵列结构的尺寸大小对“形-性”关联数据集进行分组，获得每组“形-性”关联数据。
S3.对各组“形-性”关联数据分别进行数据预处理，获得各组阵列结构数据。
S4.构建双分支深度神经网络，并选择一组或多组阵列结构数据进行训练，得到性能参数回归预测模型。
S5.利用性能参数回归预测模型对待测的一组或多组变尺寸阵列结构进行性能参数的预测处理，输出最终的性能参数。
变尺寸阵列结构是指由内部的多个基本单元按照固定排布方式能阵列形成的结构，例如阵列天线、天文望远镜等具有阵列结构的装备，该类装备阵列尺寸/数量经常变化，但总体结构保持着阵列排布的相似性。
变尺寸阵列结构的尺寸是指基本单元的阵列数量不同，即长宽方向的排布数量不同。变尺寸阵列结构中，各个基本单元的自身尺寸均相同，相邻基本单元间的尺寸均相同。
步骤S1中，具体如下：
S11、“形-性”关联数据分为“形”数据和“性”数据：
所述“形”数据包括但不限于阵列结构因装配和制造产生的位置误差，通过摄影测量、仿真采样等方法测得；例如阵列天线中的每个基本单元的位置误差、所有阵列单元位置误差的均值和方差、所有阵列单元的位置公差。
所述“性”数据指阵列结构的功能性参数数据，通过试验测量、商业软件仿真和理论公式计算等途径获取；例如阵列天线中的最大功率密度、半功率波束宽度、指向性、一阶副瓣电平。
S12、将同一种尺寸的变尺寸阵列结构下的“形”数据与“性”数据对应组合，得到该种尺寸的变尺寸阵列结构的“形-性”关联数据，得到包含多种尺寸的变尺寸阵列结构的“形-性”关联数据集。
步骤S2中，按照变尺寸阵列结构的尺寸大小对“形-性”关联数据集进行分组，同一种尺寸的变尺寸阵列结构的“形-性”关联数据作为一组“形-性”关联数据，得到多组对应不同种尺寸的“形-性”关联数据，且同一种尺寸的“形-性”关联数据下还具有不同实施情况对应的不同变尺寸阵列结构例子数据。
步骤S3具体如下：
S31.对各组“形-性”关联数据中，取数据量最大的一组“形-性”关联数据而获得最大数据量，将数据量小于最大数据量的其他“形-性”关联数据均进行过采样，使得所有组的“形-性”关联数据的数据量相同。
S32.分别对各组“形-性”关联数据中的“形”数据和“性”数据进行中心归一化，使得各组“形-性”关联数据归一化后形成均值为0、方差为1的正态分布，获得各组阵列结构数据，一组“形-性”关联数据归一化后形成为均值为0、方差为1的正态分布后对应作为一组阵列结构数据。
步骤S4中，双分支深度神经网络构建为：分为上侧分支和下侧分支的两个分支，两个分支均接收相同的输入“形”数据，输出两个不同的特征向量。
上侧分支按照输入传递顺序依次主要由第一卷积模块、最大池化层、第二卷积模块和空间金字塔池化层(SPP)构成，下侧分支按照输入传递顺序依次主要由尺寸调整层(Resizing)、第三卷积模块、最大池化层、第四卷积模块、最大池化层和展平层(Flatten)组成，每个卷积模块均有两层连续的卷积层(Conv)构成。
上侧分支和下侧分支的两个不同的输出特征向量均输入到连接层(Concatenate)，然后按照特征通道维度串联拼接，输出一个新的特征向量，连接层输出的新的特征向量经两个连续的全连接层(FC)，输出“性”数据的预测值。
具体实施中，尺寸调整层(Resizing)采用双线性插值方法，将不同尺寸的输入数据调整为固定尺寸，展平层(Flatten)按照特征通道维度和特征尺寸维度，将提取的高维特征串联成一维特征向量。
下侧分支网络的尺寸调整层调整后的尺寸根据情况而定：
当输入为单组尺寸数据集时，调整后尺寸为此单组数据集尺寸；
当输入为多组尺寸的数据集时，采用格点搜索算法寻找最优的调整后尺寸。
具体实施中，上侧分支网络的最大池化层的偏移量(Str1)为1，空间金字塔池化层的池化尺度包括1×1、2×2、4×4；下侧分支网络的最大池化层的偏移量(Str2)均为2。
上侧分支和下侧分支中的最后一个卷积模块中的最后一层卷积层之后添加L1正则化约束处理，提高各分支网络提取特征的稀疏性。
所有卷积模块中的卷积层后均连接ReLu激活函数，来增加模型的非线性。
两个连续的全连接层(FC)中，第一个全连接层(FC1)后连接ReLu激活函数，第二个全连接层(FC2)不采用任何激活函数，直接输出“性”数据的预测值。
选用RMSprop优化算法，学习率设置为0.001，利用单组或多组数据进行训练，得到性能参数回归预测模型。
双分支深度神经网络可以接收单组尺寸数据集或多组不同尺寸的数据集作为输入，当接收多组不同尺寸的数据集作为输入时，各输入数据集共享卷积层和全连接层的权重参数，共同训练，得到一个通用的适合多尺寸数据集性能参数回归预测模型。
通过对双分支深度神经网络的训练，可以同时对多组不同尺寸的阵列结构的性能参数进行回归预测，包括对未参与训练的不同尺寸的阵列结构的性能参数进行回归预测。
本发明实施例采用阵列天线作为实例进行说明，阵列天线结构如图2所示，其中单元阵列3的尺寸因不同的实际需求而经常变化。阵列天线包含支撑背架1、阵元安装面板2、单元阵列3和喇叭单元4；阵元安装面板2安装在支撑背架1上，单元阵列组安装在阵元安装面板2上，单元阵列组主要由多个8×8单元阵列3组成，每个8×8单元阵列3主要由多个喇叭单元4组成，每个喇叭单元4安装在8×8单元阵列3中各自对应的单元阵列中。
由于试验数据和商业软件仿真数据存在保密性和高成本等问题，本实例使用了自建的阵列天线仿真数据集，该仿真数据集与试验数据和商业软件仿真数据具有相同的理论基础，能够替代试验数据和商业软件仿真数据验证本发明的有效性。在自建的阵列天线仿真数据集中，位置误差数据通过论文“A position error representation method forplanar arrays”中的锥形采样方法得到，如图3所示，性能数据通过该论文中的理论公式计算得到，包括最大功率密度(MPD)、半功率波束宽度(BW)、指向性(PA)和一阶副瓣电平(FSLL)，如图4所示。
本实例中，自建仿真数据集包括从14×14到22×22共9组阵列结构尺寸的数据集，每组数据集包含10000组数据，其中8000为训练集，1000组为验证集，1000组为测试集。为便于复现本发明方法和后人开展相关实验研究，作者将本实例所用的自建仿真数据集公开在github上，此自建仿真数据集也是目前国内外首个公开的阵列天线“形-性”关联数据集，网址：
https://github.com/dunboshi/Antenna-data/tree/master。
本实例中，模型预测结果评价参数为决定系数(R2)，R2表征了预测值与真实值的相关性大小，结果越接近1，相关性越高，结果越接近0，相关性越低。
在数据预处理中，分别对各组阵列尺寸数据集的位置误差和四个性能参数数据进行中心归一化，使得各组数据归一化为均值为0，方差为1的正态分布。
本发明提出的网络模型框架结构如图5所示，各层的参数设置已在图5中的括号中标明，以“Conv(32)(3×3)”为例，“32”表示卷积核的数量，“3×3”表示卷积核的大小。为验证本发明提出方法的有效性，本实验选择了四组模型作为对比，分别是：单分支网络模型、稀疏单分支网络模型、双分支网络模型和稀疏双分支网络模型。其中：单分支网络模型仅使用了本发明中上下两个分支网络中的上侧分支网络，双分支网络模型同时使用了本发明中上下两个分支网络，稀疏单分支网络模型和稀疏双分支网络模型分别在单分支网络模型和双分支网络模型基础上添加了L1稀疏约束。
稀疏双分支网络模型即为本发明的技术方案。
在模型训练中，选择18×18阵列尺寸的训练集在四组对比模型上进行模型训练。模型测试中，在14×14到22×22阵列尺寸数据集的测试集上进行预测，对MPD、BW、PA和FSLL四个性能参数的评估结果如图6-图9所示。
从图6-图9中四组模型的对比可以看到，MPD和BW性能参数预测较难，但各组模型在各组测试集上的R2评价参数均大于0.84；PA和FSLL性能参数预测较易，各组模型在各组测试集上的R2评价参数均大于0.92；针对全部的四个性能参数，双分支网络模型的R2评价参数均显著高于单分支网络模型；添加稀疏约束后，所有性能参数的R2精度都有一定程度的提高；相比添加稀疏约束，采用双分支的网络结构对单分支网络模型预测精度提高具有更大作用。针对四个性能参数的一致高精度评估结果验证了本发明提出方法的有效性。
为了更直观地展示本发明提出的双分支网络模型的性能预测精度，以预测难度较大的MPD为性能预测参数，在18×18阵列尺寸的训练集上进行训练，在14×14到22×22阵列尺寸的测试集上分别随机选取20个样本进行预测，得到了针对每种阵列尺寸的预测值和真实值的对比结果，如图10所示。从图10中可以看出，各组阵列尺寸预测值和真实值的偏差均较小，进一步验证了本发明提出方法的有效性。
利用本发明提出的方法，能够对多组不同阵列尺寸的数据集进行预测，包括对未参与训练的尺寸组进行高精度预测。因此，本发明可以广泛应用于各种具有阵列结构的复杂装备中。
以上所述实例仅为本发明在该实例上的结果，但本发明的具体实施不仅局限于本实例。凡是依照本发明原理与思路提出的效果相似的替代方案，都应当视为本发明的保护范围。

Claims (8)

1.一种基于双分支深度神经网络的变尺寸阵列结构性能预测方法，其特征在于：方法包括以下步骤：
S1.获取变尺寸阵列结构的“形-性”关联数据集；
S2.按照变尺寸阵列结构的尺寸大小对“形-性”关联数据集进行分组，获得每组“形-性”关联数据；
S3.对各组“形-性”关联数据分别进行数据预处理，获得各组阵列结构数据；
S4.构建双分支深度神经网络，并选择一组或多组阵列结构数据进行训练，得到性能参数回归预测模型；
S5.利用性能参数回归预测模型对待测的一组或多组变尺寸阵列结构进行性能参数的预测处理，输出最终的性能参数；
所述步骤S1中，具体如下：
S11、“形-性”关联数据分为“形”数据和“性”数据：
所述“形”数据包括阵列结构因装配和制造产生的位置误差；
所述“性”数据指阵列结构的功能性参数数据；
S12、将同一种尺寸的变尺寸阵列结构下的“形”数据与“性”数据对应组合，得到该种尺寸的变尺寸阵列结构的“形-性”关联数据，得到包含多种尺寸的变尺寸阵列结构的“形-性”关联数据集。
2.根据权利要求1所述的一种基于双分支深度神经网络的变尺寸阵列结构性能预测方法，其特征在于：所述步骤S2中，按照变尺寸阵列结构的尺寸大小对“形-性”关联数据集进行分组，同一种尺寸的变尺寸阵列结构的“形-性”关联数据作为一组“形-性”关联数据，得到多组对应不同种尺寸的“形-性”关联数据。
3.根据权利要求1所述的一种基于双分支深度神经网络的变尺寸阵列结构性能预测方法，其特征在于：所述步骤S3具体如下：
S31.对各组“形-性”关联数据中，取数据量最大的一组“形-性”关联数据而获得最大数据量，将数据量小于最大数据量的其他“形-性”关联数据均进行过采样，使得所有组的“形-性”关联数据的数据量相同；
S32.分别对各组“形-性”关联数据中的“形”数据和“性”数据进行中心归一化，使得各组“形-性”关联数据归一化后形成均值为0、方差为1的正态分布，获得各组阵列结构数据。
4.根据权利要求1所述的一种基于双分支深度神经网络的变尺寸阵列结构性能预测方法，其特征在于：所述步骤S4中，双分支深度神经网络构建为：分为上侧分支和下侧分支的两个分支，两个分支均接收相同的输入的“形”数据，输出两个不同的特征向量；上侧分支按照输入传递顺序依次主要由第一卷积模块、最大池化层、第二卷积模块和空间金字塔池化层构成，下侧分支按照输入传递顺序依次主要由尺寸调整层、第三卷积模块、最大池化层、第四卷积模块、最大池化层和展平层组成，每个卷积模块均有两层连续的卷积层构成，上侧分支和下侧分支输出的两个不同的特征向量均按照特征通道维度通过连接层连接，连接层的输出经两个连续的全连接层，输出“性”数据的预测值。
5.根据权利要求4所述的一种基于双分支深度神经网络的变尺寸阵列结构性能预测方法，其特征在于：所述的下侧分支网络的尺寸调整层采用双线性插值进行调整，调整后的尺寸根据情况而定：
当输入为单组尺寸数据集时，调整后尺寸为此单组数据集尺寸；
当输入为多组尺寸的数据集时，采用格点搜索算法寻找最优的调整后尺寸。
6.根据权利要求4所述的一种基于双分支深度神经网络的变尺寸阵列结构性能预测方法，其特征在于：在所述上侧分支和下侧分支中的最后一个卷积模块中的最后一层卷积层之后添加L1正则化约束处理。
7.根据权利要求4所述的一种基于双分支深度神经网络的变尺寸阵列结构性能预测方法，其特征在于：所有所述的卷积模块中的卷积层后均连接ReLu激活函数。
8.根据权利要求4所述的一种基于双分支深度神经网络的变尺寸阵列结构性能预测方法，其特征在于：所述的两个连续的全连接层中，第一个全连接层后连接ReLu激活函数，第二个全连接层不采用任何激活函数，直接输出“性”数据的预测值。
CN202011527498.9A 2020-12-22 2020-12-22 基于双分支深度神经网络的变尺寸阵列结构性能预测方法 Active CN112597703B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011527498.9A CN112597703B (zh) 2020-12-22 2020-12-22 基于双分支深度神经网络的变尺寸阵列结构性能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011527498.9A CN112597703B (zh) 2020-12-22 2020-12-22 基于双分支深度神经网络的变尺寸阵列结构性能预测方法

Publications (2)

Publication Number Publication Date
CN112597703A CN112597703A (zh) 2021-04-02
CN112597703B true CN112597703B (zh) 2022-08-23

Family

ID=75199866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011527498.9A Active CN112597703B (zh) 2020-12-22 2020-12-22 基于双分支深度神经网络的变尺寸阵列结构性能预测方法

Country Status (1)

Country Link
CN (1) CN112597703B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106021764A (zh) * 2016-05-30 2016-10-12 西安电子科技大学 面向机电耦合的有源相控阵天线性能仿真置信度的计算方法
CN106066216A (zh) * 2015-04-20 2016-11-02 英飞凌科技股份有限公司 用于mems传感器的系统和方法
CN108932381A (zh) * 2018-06-27 2018-12-04 电子科技大学 一种考虑阵列误差的天线阵列故障诊断方法
CN111811694A (zh) * 2020-07-13 2020-10-23 广东博智林机器人有限公司 一种温度校准方法、装置、设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2981866B1 (en) * 2013-05-24 2020-03-11 Halliburton Energy Services Inc. Methods and systems for reservoir history matching for improved estimation of reservoir performance
CN109522600B (zh) * 2018-10-16 2020-10-16 浙江大学 基于组合深度神经网络的复杂装备剩余使用寿命预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106066216A (zh) * 2015-04-20 2016-11-02 英飞凌科技股份有限公司 用于mems传感器的系统和方法
CN106021764A (zh) * 2016-05-30 2016-10-12 西安电子科技大学 面向机电耦合的有源相控阵天线性能仿真置信度的计算方法
CN108932381A (zh) * 2018-06-27 2018-12-04 电子科技大学 一种考虑阵列误差的天线阵列故障诊断方法
CN111811694A (zh) * 2020-07-13 2020-10-23 广东博智林机器人有限公司 一种温度校准方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Fang Guo.Gain prediction and compensation for subarray antenna with assembling errors based on improved XGBoost and transfer learning.《IET》.2020, *
果然等.多口径组合阵列子空间DOA测向算法.《哈尔滨工业大学学报》.2015,(第03期), *

Also Published As

Publication number Publication date
CN112597703A (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
CN106125047B (zh) 一种气流环境下的声源定位方法
CN110082708B (zh) 非均匀阵列设计和波达方向估计方法
Ludick et al. Efficient analysis of large aperiodic antenna arrays using the domain Green's function method
CN103323845B (zh) 一种非均匀采样综合孔径辐射计的图像反演方法
CN106709216B (zh) 一种考虑声传播相关性丢失的麦克风阵列优化设计方法
CN113177356B (zh) 一种基于深度学习的目标电磁散射特性快速预测方法
CN102879781A (zh) 一种分布式综合孔径辐射计阵列成像方法及系统
CN110672905A (zh) 基于cnn的自监督电压暂降源辨识方法
CN106443574A (zh) 基于双层嵌套阵列的波达方向角估计方法
CN108987941A (zh) 一种基于压缩感知的一维子阵划分方法
CN112995892A (zh) 基于复数神经网络的大规模mimo指纹定位方法
CN108199794A (zh) 一种新型Massive MIMO信道模型的统计性建模方法
CN105024166B (zh) 基于子阵的平面阵列天线方向图综合方法
CN112444773A (zh) 基于空域融合的压缩感知二维doa估计方法
CN115236584A (zh) 基于深度学习的米波雷达低仰角估计方法
CN112597703B (zh) 基于双分支深度神经网络的变尺寸阵列结构性能预测方法
CN113051792B (zh) 一种基于最小互相关原则的稀疏声学阵列设计方法
Ding et al. Antenna optimization based on master-apprentice broad learning system
CN114269014B (zh) 基于域自适应网络的大规模mimo动态环境指纹定位方法
CN115035408A (zh) 基于迁移学习和注意力机制的无人机影像树种分类方法
CN115567131A (zh) 一种基于降维复卷积网络的6g无线信道特性提取方法
CN111859241B (zh) 一种基于声传递函数学习的非监督声源定向方法
CN112101664B (zh) 基于堆叠lstm-gru的多参数大气环境数据生成方法
CN113156363B (zh) 阵元互耦和幅相误差下的近场源智能定位方法
CN112162238B (zh) 一种基于大规模天线阵的多普勒频偏测量方法

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