CN112906308B - 一种天线罩辐射特性快速预示方法、设备及存储介质 - Google Patents
一种天线罩辐射特性快速预示方法、设备及存储介质 Download PDFInfo
- Publication number
- CN112906308B CN112906308B CN202110327755.2A CN202110327755A CN112906308B CN 112906308 B CN112906308 B CN 112906308B CN 202110327755 A CN202110327755 A CN 202110327755A CN 112906308 B CN112906308 B CN 112906308B
- Authority
- CN
- China
- Prior art keywords
- radiation characteristic
- antenna
- particle
- value
- prediction model
- 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.)
- Expired - Fee Related
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000010606 normalization Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 12
- 239000002245 particle Substances 0.000 claims description 88
- 239000010410 layer Substances 0.000 claims description 50
- 108090000623 proteins and genes Proteins 0.000 claims description 29
- 210000000349 chromosome Anatomy 0.000 claims description 23
- 230000035772 mutation Effects 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 12
- 230000010287 polarization Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 6
- 238000009827 uniform distribution Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 4
- 239000011229 interlayer Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 101150036080 at gene Proteins 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000002679 ablation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明公开了一种天线罩辐射特性快速预示方法、设备及存储介质，属于雷达天线技术领域。本发明方法为：获取训练数据集，且每条训练数据包括天线辐射的状态参数和天线辐射特性；并对每条状态参数进行归一化处理，得到一个训练样本，且所述训练样本的样本标签为对应的天线辐射特性，从而得到训练样本集；基于训练样本集对基于BP神经网络的辐射特性预测模型进行网络参数训练；实时获取当前的状态参数，并对其进行归一化处理后输入辐射特性预测模型，得到天线辐射特性预测结果。同时，本发明还公开了对应该方法的设备以及存储介质。本发明能实现对当前天线辐射的状态参数下的天线辐射特性的实时预测，从而实时为导弹制导控制系统提供准确的制导信息。
Description
技术领域
本发明属于雷达天线技术领域，具体涉及一种天线罩辐射特性快速预示方法、设备及存储介质
背景技术
雷达寻的导弹是精确制导武器的主要组成部分，其中导引头实现对目标的搜索、识别与跟踪，为导弹制导控制系统提供准确的制导信息。天线罩则是保护导引头雷达天线的装置，随着导弹速度和机动能力大大提高，要求天线罩必须工作在更为恶劣的飞行环境中。天线罩不仅需要满足导弹的气动外形要求，还必须具有透波、耐高温、抗冲击，抗烧蚀、抗雨水冲刷等多种功能。其中最为关键的性能，是天线罩在满足这些需求的同时，对导引头辐射方向图的影响要尽可能低，不能出现制导精度下降及制导控制系统失稳等问题。影响导弹精度的主要评价指标为瞄准误差和瞄准误差变化率，二者都可以通过在天线方向图的基础上计算得到，所以提高导弹制导精度主要分析天线方向图。
分析天线罩对天线方向图影响的计算方法可分为高频方法和低频方法两种。基于高频近似法方法(物理光学法、几何光学法、射线法)的传统仿真分析手段虽然速度较快但精度有限，难以准确分析天线罩不同外形、材料的非均匀特性、高温烧蚀等因素对天线辐射特性的影响。低频数值方法主要包括矩量法、有限元法、时域有限差分法等等。由于天线罩的电尺寸比较大，使用低频数值方法精确计算电磁场所需要的算力要求较大，计算占用硬件和软件平台占用较长的时间，常规平台不能满足天线罩设计的高精度和速度要求。
发明内容
为了解决现有的高频近似法误差较大、低频数值方法对硬件要求太高而且计算速度过慢的技术问题。本发明实施例提供了一种天线罩辐射特性快速预示方法、设备及存储介质，以满足天线罩设计的高精度和速度要求，进而提升导引头的制导精度。
一方面，本发明实施例提供了一种天线罩辐射特性快速预示方法，所述方法包括：
获取训练数据集，所述训练数据集中的每条训练数据包括天线辐射的状态参数和天线辐射特性；
对训练数据集中的每条状态参数进行归一化处理，得到一个训练样本，且所述训练样本的样本标签为对应的天线辐射特性，从而得到训练样本集；
基于训练样本集对辐射特性预测模型进行网络参数训练，所述辐射特性预测模型包括顺次连接输入层、至少一层隐含层和输出层；
实时获取当前的状态参数，并对其进行归一化处理后输入辐射特性预测模型，得到天线辐射特性预测结果。
在一种可能实现方式中，所述状态参数至少包括天线的激励频率、极化方式、扫描角度，电磁波入射时的入射角度、极化角度，天线罩的曲率、厚度、相对介电常数、损耗正切角，天线的方向图角，以及无罩时的天线辐射方向图。
在一种可能实现方式中，所述归一化处理具体为：
其中，e表示状态参数归一化之前的值，min、max分别表示训练数据集的每种状态参数中的最小和最大值，I表示归一化处理后的状态参数值，以使得归一化处理后的状态参数的值位于0到1之间。
在一种可能实现方式中，所述天线辐射特性为天线增益。
在一种可能实现方式中，所述辐射特性预测模型的网络参数的初始值的设置采用自适应遗传算法，包括：
(1-1)、初始化群体：
对辐射特性预测模型的网络参数进行排列，将排列结果作为种群的个体的染色体的基因表示，并基于所述染色体的基因表示，随机生成一定规模的初始种群；
(1-2)、计算个体的适应度：
对于种群中的任意一个个体r，其个体的适应度为
其中，MSEr表示基于第r个个体的染色体的基因表示作为辐射特性预测模型的当前网络参数的当前预测值与样本标签之间的均方误差；
(1-3)、对当前种群进行选择、交叉和变异操作，生成新的个体；
其中，进行选择操作时的个体选择算子为：
对当前代种群中的所有个体按照其适应度进行升序排序；
按照轮盘赌法计算第r个个体的选择概率：
其中，M表示种群的数量；
进行交叉操作时，采用单点交叉，且基因交叉算子为：
定义待进行交换的两个父代个体染色体分别为
则交叉操作后得到的子代个体的染色体为
其中，n表示当前种群繁衍的代数，α为在(0,1)之间的符合均匀分布的随机数；
进行变异操作时的基因变异算子为：
定义变异操作的位置索引为i，变异之前的基因为gi，则变异后的基因为：gi′＝gi,min+λ(gi,max-gi,min)，其中，gi,min、gi,max分别表示基因位置i处(gi处)可以取到的最小和最大值，λ为在(0,1)之间的符合均匀分布的随机数；
且将交叉操作时的交叉概率Fc和变异操作时变异概率Fm设置为：
其中，fmax表示当代种群中的最大适应度值，favg表示当代种群的个体平均适应度值，f′表示要交叉的两个个体中较大的适应度，f″表示变异个体的适应度值，参数E1、E2、E3、E4的取值范围为(0,1)；
(1-4)、确定是否达到预置的收敛条件，若是，则执行步骤(1-5)；否则，重复步骤(1-2)～(1-4)；
(1-5)、基于当前代的种群中的最佳个体(适应度最大的个体)的染色体上基因对应的网络参数值，得到所设置的辐射特性预测模型的网络参数的初始值，即得到层间权重和对应阈值的初始值。
在一种可能实现方式中，所述收敛条件为：遗传代数达到预设的代数上限或者种群中最佳个体的适应度达到指定值。
在一种可能实现方式中，所述基于训练样本集对辐射特性预测模型进行网络参数训练包括：
(2-1)、初始化参数：
初始化一定数量的粒子，初始的粒子群，将粒子群中任意一个粒子i的初始粒子位置
初始粒子速度
其中D表示粒子位置的数据维度，取值对应辐射特性预测模型进行网络参数的总个数；
其中，初始粒子位置
基于辐射特性预测模型的网络参数的初始值得到，初始粒子速度
在(0,1)之间随机生成；
初始化惯性因子ω的初始值ωmax和最终值ωmin，且ωmax和ωmin的取值范围为(0,1)，ωmax大于ωmin；以及初始化两个加速度系数c1、c2，最大迭代次数itermax；
确定粒子的个体极值Pi和粒子群的全局极值PG，其中Pi＝(Pi1,Pi2,...,PiD)表示粒子i到当前迭代为止搜索到的最优位置，PG＝(PG1,PG2,...,PGD)表示整个粒子群到当前迭代为止搜索到的最优位置，搜索最优位置时搜索范围中的最大粒子适应度所对应的粒子位置即为最优位置；
其中，粒子适应度为对应的辐射特性预测模型的当前预测值与样本标签之间的均方误差；
(2-2)、基于设置的粒子参数更新策略更新每个粒子位置和速度，以及惯性因子：
位置和速度的更新策略为：
其中，
分别表示第K+1次、K次迭代的第i个粒子速度的第d个维度值，
分别表示第K+1次、K次迭代的第i个粒子位置的第d个维度值，Pid表示第i个粒子的个体极值Pi的第d个维度值，PGd表示粒子群的全局极值PG的第d个维度值，d＝1,...,D，γ1、γ2为介于[0,1]之间的符合均匀分布的随机数；
更新惯性因子的更新策略为：
iter表示当前迭代次数；
(2-3)、基于粒子的当前粒子位置，计算每个粒子的粒子适应度，以更新个体极值Pi和全局极值PG；
(2-4)确定是否达到预置的迭代收敛条件，若是，则执行步骤(2-5)；否则，返回步骤(2-2)；
(2-5)、全局极值PG对应的粒子位置即为最终的辐射特性预测模型的网络参数。
在一种可能的实现方式中，该迭代收敛条件为：迭代次数达到最大迭代次数或全局极值的适应度达到指定值。
另一方面，本发明实施例提供了一种天线罩辐射特性预测装置，所述装置包括：预处理模块和预测模块；
其中，所述预处理模块用于对输入的待预测数据归一化处理，得到归一化的待预测数据；所述待预测数据为当前天线辐射的状态参数；
所述预测模块，用于基于预置的辐射特性预测模型对归一化后的待预测数据进行辐射特性预测，获取实时的预测结果；
所述辐射特性预测模型包括顺次连接输入层、至少一层隐含层和输出层；且训练所述辐射特性预测模型的训练样本集中各训练样本为归一化后的天线辐射的状态参数，训练样本的标签为对应该状态参数的天线辐射特性。
另一方面，本发明实施例提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行，以实现上述任一所述的天线罩辐射特性快速预示方法。
另一方面，本发明实施例提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以实现上述任一所述的天线罩辐射特性快速预示方法。
本发明实施例提供的技术方案至少带来如下有益效果：
在本发明实施例中，基于所设置的辐射特性预测模型，实现对当前天线辐射的状态参数下的天线辐射特性的实时预测，从而实时为导弹制导控制系统提供准确的制导信息。以解决现有的高频近似法误差较大、低频数值方法对硬件要求太高而且计算速度过慢的技术问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种天线罩辐射特性快速预示方法实现过程示意图；
图2为本发明实施例提供的一种辐射特性预测模型的网络结构示意图。
图3为本发明实施例提供的一种天线罩辐射特性快速预示方法中对辐射特性预测模型的网络参数的训练示意图；
图4为本发明实施例提供的一种天线罩辐射特性预测装置的结构示意图。
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，下面将结合附图对本发明实施方式作进一步地详细描述。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
为了解决现有的高频近似法误差较大、低频数值方法对硬件要求太高而且计算速度过慢的技术问题，本发明实施例提供的一种天线罩辐射特性快速预示方法，参考图1，该方法包括：
步骤S1：获取训练数据集。
其中，训练数据集中的每条训练数据包括天线辐射的状态参数和天线辐射特性。
在一种可能的实现方式中，本发明实施例以使用仿真软件CST(ComputerSimulation Technology)得到的不同参数下天线辐射方向图数据为基础进行分析，结合物理规律确定主要影响辐射方向图的因素，从而获取天线辐射的状态参数。优选的，该天线辐射的状态参数可以包括：天线的激励频率、极化方式、扫描角度，电磁波入射时的入射角度、极化角度，天线罩的曲率、厚度、相对介电常数、损耗正切角，天线的方向图角，以及无罩时的天线辐射方向图。
进而将上述状态参数组作为本发明实施例提供的辐射特性预测模型的输入数据，而指定某个天线辐射特性作为辐射特性预测模型的输出数据(即预测结果)。优选的，本发明实施例以天线增益作为辐射特性预测模型的输出数据，进而用于根据实时的状态参数实现对目前状态的天线方向图的预测处理。从而实时为导弹制导控制系统提供准确的制导信息。
步骤S2：对训练数据集进行数据预处理，即对状态参数进行归一化处理。
在一种可能实现方式中，所述归一化处理具体为：
其中，e表示状态参数归一化之前的值，min、max分别表示训练数据集的每种状态参数中的最小和最大值，I表示归一化处理后的状态参数值，以使得归一化处理后的状态参数的值位于0到1之间。
示例性的，对于天线罩厚度，获取训练数据集中的天线罩厚度的极值(包括极大和极小值)，然后对每个待进行归一化处理的天线罩厚度值，根据公式
得到归一化后的值。
步骤S5：训练辐射特性预测模型。
在训练数据集中，一组状态参数(如天线的激励频率、极化方式、扫描角度，电磁波入射时的入射角度、极化角度，天线罩的曲率、厚度、相对介电常数、损耗正切角，天线的方向图角，以及无罩时的天线辐射方向图)对应一个天线辐射特性，将归一化后的每组状态参数作为一个训练样本，其对应的天线辐射特性则作为该训练样本的样本标签，从而得到选了样本集。再基于该训练样本集完成对辐射特性预测模型的网络参数的训练。其中，辐射特性预测模型采用BP(Back Propagation)神经网络结构，包括一个输入层、一个或多个隐含层、一个输出层。
在些实例中，本发明实施例中所采用的辐射特性预测模型包括三层，依次为输入层、隐含层和输出层，如图2所示。定义h表示输入层的神经元总个数，s表示隐藏层的神经元总个数，t表示输出层的神经元总个数，且隐含层的神经元数量根据
来确定并调整，其中δ是一个根据经验确定的整数，优选的取值范围为[1,10]。Ip(p＝1,...,h)表示隐含层的输入，wpq(q＝1,...,s)表示输入层与隐含层间的权重，Oq表示隐含层的输出；θqk(k＝1,...,t)表示隐含层到输出层的权重，βk表示输出层阈值，yk表示输出层的输出值。基于预置的映射函数(激活函数)Y，可得到隐含层的输出为
输出层的输出为
在一种可能的实现方式中，本发明实施例采用自适应遗传算法确定所设置的辐射特性预测模型的网络参数的初始值。参见图3，具体包括：
(1-1)、初始化群体。
随机产生一定规模的初始种群，其中每个个体的基因的长度都为D＝h×s+s×t+s+t。
且每个个体的染色体基因编码包括四部分：输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值。即按照指定的顺序级联该四个部分，形成一个实数数组作为个体的染色体，定义g表示染色体，当按照输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值顺序级联排列染色体基因时，可将染色体g的基因表示为：g＝(w11,...,whs,b1,...,bs,θ11,...,θst,β1,...,βt)。
(1-2)、计算个体的适应度。
遗传算法在进化搜索时以适度函数为标准，适应度高的个体遗传到下一代的概率就大。因为BP神经网络中经典的评估标准就是均方误差MSE尽量小。所以本发明实施例采用MSE的倒数作为适应度函数，适应度值最大时对应的BP神经网络中的参数就越优良。
对于种群中的任意一个个体r，其个体的适应度为
其中，MSEr表示第r个个体的染色体上的基因确定的神经网络权值和阈值时，辐射特性预测模型的当前预测值(输出层的输出)与期望值Tk(样本标签)之间的均方误差，即
表示基于个体r的染色体基因对应的网络参数的预测值，r＝1,...,M，M表示种群的个体数量。
(1-3)、对当前种群进行选择、交叉和变异操作，生成新的个体。
即根据设置的个体选择算子，选择出两个个体作为亲本进行“交配”产生下一代。“交配”过程中会按照预定义的交叉概率Pc和变异概率Pm、基因交叉算子、基因变异算子进行基因的交叉和变异操作，生成新的个体。
其中，所述个体选择算子为：
首先，根据每个个体适应度值的大小，进行升序排序，且最小适应度值的个体对应的序号为1，最大适应度值的个体对应的序号为M。
然后，根据每个个体的相对适应度值的大小，按照轮盘赌法计算个体的选择概率。其中，fr为第r个个体的适应度值，则第r个个体被选中的概率为Fr：
所述基因交叉算子为：
本发明实例中，交叉操作采用单点交叉。单点交叉是指在进行基因交换时随机设置一个交叉点，然后在该交叉点相互交换两个父代个体的染色体上的部分基因。
假设待进行交换的两个父代个体染色体分别为
则子代个体的染色体为
其中，n表示当前种群繁衍的代数，α为在(0,1)之间的符合均匀分布的随机数。
所述基因变异算子为：
本发明实例中，变异算子采用均匀变异的策略，该策略适合于遗传算法的初级阶段，可以增加群体的多样性。本实施例中，种群中个体的染色体上的基因长度为D，且具体构成为，g＝(g1,g2,...,gi,...gD)，每一个基因都有一定的几率发生突变。若gi处的基因突变为gi′则基因变异为g＝(g1,g2,...,gi′,...gD)。其中，gi′为：
gi′＝gi,min+λ(gi,max-gi,min)
其中，gi,min、gi,max分别表示基因gi处可以取的最小和最大值，λ为在(0,1)之间的符合均匀分布的随机数。
所述交叉概率Fc和变异概率Fm为：
在训练过程中随着适应度的变化，交叉概率Fc和变异概率Fm的值将自动调整。当种群中个体适应度趋于一致或者趋于局部最优时，增加Fc和Fm；当种群适应度比较分散时，减少Fc和Fm。对于适应度高于种群平均适应度的个体，选取较低的Fc和Fm，使该基因得以保护进入下一代；而低于平均适应度的个体，则选取较高的Fc和Fm，使该基因被淘汰。因此，Fc和Fm的引入使得该算法获得自适应调整的能力，从而使得该算法在保持物种多样性的同时，保证了遗传算法的全局收敛性。本实施例中，将自适应遗传算法的Fc和Fm分别设置为：
其中，fmax表示当代种群中的最大适应度值，favg表示当代种群的个体平均适应度值，f′表示要交叉的两个个体中较大的适应度，f″表示变异个体的适应度值。E1、E2、E3、E4为经验值，其取值范围为(0,1)，通过设置E1、E2、E3、E4的值，Fc和Fm就可以自适应地进行调整了。
(1-4)、确定是否达到预置的收敛条件，若是，则执行步骤(1-5)；否则，重复步骤(1-2)～(1-4)；
其中，所述收敛条件为：遗传代数达到预设的代数上限(最大迭代次数)或者种群中最佳个体的适应度(最大适应度)达到预定值。
(1-5)、基于当前代的种群中的最佳个体(适应度最大的个体)的染色体上基因对应的网络参数值，得到所设置的辐射特性预测模型的网络参数的初始值，即得到层间权重和对应阈值的初始值。
在一种可能的实现方式中，在完成对辐射特性预测模型的网络参数的初始化设置后(可以是上述所述的自适应遗传算法，也可以是本领域惯用的其他方式)，本发明实施例采用自适应粒子群算法训练所设置的辐射特性预测模型的网络参数，参见图3，具体包括：
(2-1)、初始化参数。
即初始化指定数量(定义为N)的粒子，包括粒子位置和速度向量，以及初始惯性因子、加速度系数和最大迭代次数；
其中，所有初始粒子位置基于辐射特性预测模型的网络参数的初始值得到，即N个初始粒子位置相同，每个粒子初始粒子速度在(0,1)之间随机生成；
以及确定个体极值和全局极值(初始时，个体极值就是初始值，并随机指定一个粒子作为全局极值)，即基于初始粒子位置计算例子的适应度，本发明实施例中，以辐射特性预测模型的当前预测值与样本标签之间的均方误差MSE作为适应度函数，例如对于任一粒子i，其粒子适应度为可以表示为
其中，MSEi表示粒子i的均方误差MSE。
在本发明实施例中，粒子位置、速度向量都是存在于D维空间的向量。在有N个粒子的群落中，定义xi＝(xi1,xi2,...,xiD)表示第i(i＝1,…,N)个粒子在D维搜索空间上的位置，vi＝(vi1,vi2,...,viD)表示第i个粒子的速度，Pi＝(Pi1,Pi2,...,PiD)表示第i个粒子到第K次迭代为止搜索到的最优解(最优位置)，即个体极值，PG＝(PG1,PG2,...,PGD)表示整个粒子群到第K次迭代为止搜索到的最优位置，即全局极值。
在搜索最优解时，基于粒子位置所对应的适应度进行搜索，即搜索范围中的最大适应度所对应的粒子位置即为最优解。
(2-2)、基于设置的粒子参数更新策略更新每个粒子对应的位置和速度，以及惯性因子。
其中，位置和速度的更新策略为：
根据对个体和群体的飞行经验的综合分析来动态调整粒子群的速度，在解空间中进行搜索，通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个“极值”来更新自己，一个是个体极值Pi，即粒子自身目前所找到的最优解；另一个是全局极值PG，即整个种群目前找到的最优解。具体更新参数的公式如下：
其中，
分别表示第K+1次、K次迭代的第i个粒子速度的第d个维度值，且
为粒子速度的对应初始值，
分别表示第K+1次、K次迭代的第i个粒子位置的第d个维度值，且
为粒子位置对应的初始值，Pid表示第i个粒子的个体极值Pi的第d个维度值，PGd表示粒子群的全局极值PG的第d个维度值，d＝1,...,D，γ1、γ2为介于[0,1]之间的符合均匀分布的随机数，c1、c2为加速度系数，ω为惯量因子。
更新惯性因子的更新策略为：
惯性因子ω起着权衡局部最优能力和全局最优能力的作用，选择一个合适的ω有助于算法均衡搜索能力与细化能力。本实施例中，基于一个随时间线性减少的函数实现惯性因子的更新，即：
其中，ωmax表示惯性因子的初始权重，ωmin表示惯性因子的最终权重，ωmax和ωmin的取值范围在(0,1)之间且ωmax＞ωmin，itermax表示最大迭代次数，iter表示当前迭代次数。
(2-3)、基于粒子的当前位置，计算每个粒子的适应度，以更新个体极值Pi和全局极值PG。
即基于每个粒子的当前位置，确定辐射特性预测模型的网络参数的当前值，进而获取辐射特性预测模型的当前预测值(输出层的输出)；再以辐射特性预测模型的当前预测值与样本标签之间的均方误差MSE作为适应度函数计算每个粒子的当前适应度。
需要说明的是，在更新个体极值Pi和全局极值PG，可以采用下述方式：
若当前适应度优于个体极值Pi对应的适应度，则将个体极值Pi更新为当前位置，否则个体极值Pi保持不变；
基于更新后的所有个体极值Pi，将最优适应度对应的个体极值作为更新后的全局极值PG；
(2-4)确定是否达到预置的迭代收敛条件，若是，则执行步骤(2-5)；否则，返回步骤(2-2)，即重复执行步骤(2-2)～(2-4)；
其中，迭代收敛条件为：迭代次数达到最大迭代次数或全局极值的适应度达到指定值
(2-5)、全局极值PG对应序号的粒子的位置即为最终的辐射特性预测模型的网络参数，从而得到最佳层间权值和对应的阈值。
进而可以将所训练得到的最佳的网络参数部署到实际的作战环境中，以实现实时的天线辐射特性预测。
步骤S4：实时获取当前状态参数并进行数据预处理。
对应训练时的输入数据，实时采集对应的状态参数并进行与训练时一致的数据预处理，以得到当前的待预测数据。
示例性的，状态参数包括：天线的激励频率、极化方式、扫描角度，电磁波入射时的入射角度、极化角度，天线罩的曲率、厚度、相对介电常数、损耗正切角，天线的方向图角，以及无罩时的天线辐射方向图。
步骤S5：获取预测结果。
将步骤S4得到的待预测数据输入到训练完成的辐射特性预测模型中，基于其输出，得到对应的天线辐射特性预测结果，例如天线增益，从而基于本发明的辐射特性预测模型获取当前状态下的天线方向图。以实时为保障导弹制导控制系统的准确制导提供信息。
参见图4，本发明实施例提供的天线罩辐射特性预测装置包括预处理模块11和预测模块12；其中，预处理模块11用于对输入的待预测数据归一化处理，得到归一化的待预测数据；所述待预测数据为当前天线辐射的状态参数；预测模块12，用于基于预置的辐射特性预测模型对归一化后的待预测数据进行辐射特性预测，获取实时的预测结果；且该辐射特性预测模型包括顺次连接输入层、至少一层隐含层和输出层；且训练所述辐射特性预测模型的训练样本集中各训练样本为归一化后的天线辐射的状态参数，训练样本的标签为对应该状态参数的天线辐射特性。
需要说明的是，上述实施例提供的装置在实现其功能时，仅以上述个功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，此处不再赘述。
在示例性实施例中，还提供了一种计算机设备，该计算机设备包括处理器和存储器，该存储器中存储有至少一条计算机程序。该至少一条计算机程序由一个或者一个以上处理器加载并执行，以实现上述任一种天线罩辐射特性快速预示方法。
在示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有至少一条计算机程序，该至少一条计算机程序由计算机设备的处理器加载并执行，以实现上述任一种天线罩辐射特性快速预示方法。
在一种可能实现方式中，上述计算机可读存储介质可以是只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、只读光盘(Compact DiscRead-Only Memory，CD-ROMD)、磁带和光数据存储设备等。
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。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (9)
1.一种天线罩辐射特性快速预示方法，其特征在于，所述方法包括：
获取训练数据集，所述训练数据集中的每条训练数据包括天线辐射的状态参数和天线辐射特性，所述状态参数至少包括天线的激励频率、极化方式、扫描角度，电磁波入射时的入射角度、极化角度，天线罩的曲率、厚度、相对介电常数、损耗正切角，天线的方向图角，以及无罩时的天线辐射方向图；
对训练数据集中的每条状态参数进行归一化处理，得到一个训练样本，且所述训练样本的样本标签为对应的天线辐射特性，从而得到训练样本集；
基于训练样本集对辐射特性预测模型进行网络参数训练，所述辐射特性预测模型包括顺次连接输入层、至少一层隐含层和输出层；
实时获取当前的状态参数，并对其进行归一化处理后输入辐射特性预测模型，得到天线辐射特性预测结果。
2.如权利要求1所述的方法，其特征在于，所述归一化处理具体为：
其中，e表示状态参数归一化之前的值，min、max分别表示训练数据集的每种状态参数中的最小和最大值，I表示归一化处理后的状态参数值。
3.如权利要求1所述的方法，其特征在于，所述天线辐射特性为天线增益。
4.如权利要求1所述的方法，其特征在于，所述辐射特性预测模型的网络参数的初始值的设置采用自适应遗传算法，包括：
(1-1)、初始化群体：
对辐射特性预测模型的网络参数进行排列，将排列结果作为种群的个体的染色体的基因表示，并基于所述染色体的基因表示，随机生成一定规模的初始种群；
(1-2)、计算个体的适应度：
对于种群中的任意一个个体r，其个体的适应度为
其中，MSEr表示基于第r个个体的染色体的基因表示作为辐射特性预测模型的当前网络参数的当前预测值与样本标签之间的均方误差；
(1-3)、对当前种群进行选择、交叉和变异操作，生成新的个体；
其中，进行选择操作时的个体选择算子为：
对当前代种群中的所有个体按照其适应度进行升序排序；
按照轮盘赌法计算第r个个体的选择概率：
其中，M表示种群的数量；
进行交叉操作时，采用单点交叉，且基因交叉算子为：
定义待进行交换的两个父代个体染色体分别为
则交叉操作后得到的子代个体的染色体为
其中，n表示当前种群繁衍的代数，α为在(0,1)之间的符合均匀分布的随机数；
进行变异操作时的基因变异算子为：
定义变异操作的位置索引为i，变异之前的基因为gi，则变异后的基因为：g′i＝gi,min+λ(gi,max-gi,min)，其中，gi,min、gi,max分别表示基因位置i处可以取到的最小和最大值，λ为在(0,1)之间的符合均匀分布的随机数；
且将交叉操作时的交叉概率Fc和变异操作时变异概率Fm设置为：
其中，fmax表示当代种群中的最大适应度值，favg表示当代种群的个体平均适应度值，f′表示待交叉的两个个体中较大的适应度，f″表示变异个体的适应度值，参数E1、E2、E3、E4的取值范围为(0,1)；
(1-4)、确定是否达到预置的收敛条件，若是，则执行步骤(1-5)；否则，返回(1-2)；
(1-5)、基于当前代的种群中的适应度最大的个体的染色体上基因对应的网络参数值，得到所设置的辐射特性预测模型的网络参数的初始值，即得到层间权重和对应阈值的初始值。
5.如权利要求4所述的方法，其特征在于，步骤(1-4)中的收敛条件为：遗传代数达到预设的代数上限或者种群中最佳个体的适应度达到指定值。
6.如权利要求1至5任一所述的方法，其特征在于，所述基于训练样本集对辐射特性预测模型进行网络参数训练包括：
(2-1)、初始化参数：
初始化一定数量的粒子，初始的粒子群，将粒子群中任意一个粒子i的初始粒子位置
初始粒子速度
其中D表示粒子位置的数据维度，取值对应辐射特性预测模型进行网络参数的总个数；
其中，初始粒子位置
基于辐射特性预测模型的网络参数的初始值得到，初始粒子速度
在(0,1)之间随机生成；
初始化惯性因子ω的初始值ωmax和最终值ωmin，且ωmax和ωmin的取值范围为(0,1)，ωmax大于ωmin；以及初始化两个加速度系数c1、c2，最大迭代次数itermax；
确定粒子的个体极值Pi和粒子群的全局极值PG，其中Pi＝(Pi1,Pi2,...,PiD)表示粒子i到当前迭代为止搜索到的最优位置，PG＝(PG1,PG2,...,PGD)表示整个粒子群到当前迭代为止搜索到的最优位置，搜索最优位置时搜索范围中的最大粒子适应度所对应的粒子位置即为最优位置；
其中，粒子适应度为对应的辐射特性预测模型的当前预测值与样本标签之间的均方误差；
(2-2)、基于设置的粒子参数更新策略更新每个粒子位置和速度，以及惯性因子：
位置和速度的更新策略为：
其中，
分别表示第K+1次、K次迭代的第i个粒子速度的第d个维度值，
分别表示第K+1次、K次迭代的第i个粒子位置的第d个维度值，Pid表示第i个粒子的个体极值Pi的第d个维度值，PGd表示粒子群的全局极值PG的第d个维度值，d＝1,...,D，γ1、γ2为介于[0,1]之间的符合均匀分布的随机数；
更新惯性因子的更新策略为：
iter表示当前迭代次数；
(2-3)、基于粒子的当前粒子位置，计算每个粒子的粒子适应度，以更新个体极值Pi和全局极值PG；
(2-4)确定是否达到预置的迭代收敛条件，若是，则执行步骤(2-5)；否则，返回步骤(2-2)；
(2-5)、全局极值PG对应的粒子位置即为最终的辐射特性预测模型的网络参数。
7.一种天线罩辐射特性预测装置，其特征在于，所述装置包括：预处理模块和预测模块；
其中，所述预处理模块用于对输入的待预测数据归一化处理，得到归一化的待预测数据；所述待预测数据为当前天线辐射的状态参数，所述状态参数至少包括天线的激励频率、极化方式、扫描角度，电磁波入射时的入射角度、极化角度，天线罩的曲率、厚度、相对介电常数、损耗正切角，天线的方向图角，以及无罩时的天线辐射方向图；
所述预测模块，用于基于预置的辐射特性预测模型对归一化后的待预测数据进行辐射特性预测，获取实时的预测结果；
所述辐射特性预测模型包括顺次连接输入层、至少一层隐含层和输出层；且训练所述辐射特性预测模型的训练样本集中各训练样本为归一化后的天线辐射的状态参数，训练样本的标签为对应该状态参数的天线辐射特性。
8.一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行，以实现如权利要求1至6任一所述的天线罩辐射特性快速预示方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以实现如权利要求1至6任一所述的天线罩辐射特性快速预示方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110327755.2A CN112906308B (zh) | 2021-03-26 | 2021-03-26 | 一种天线罩辐射特性快速预示方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110327755.2A CN112906308B (zh) | 2021-03-26 | 2021-03-26 | 一种天线罩辐射特性快速预示方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112906308A CN112906308A (zh) | 2021-06-04 |
| CN112906308B true CN112906308B (zh) | 2022-05-03 |
Family
ID=76109264
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110327755.2A Expired - Fee Related CN112906308B (zh) | 2021-03-26 | 2021-03-26 | 一种天线罩辐射特性快速预示方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112906308B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116451570B (zh) * | 2023-03-31 | 2024-05-17 | 中山大学 | 一种天线罩电磁性能不确定性传播方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107357962A (zh) * | 2017-06-19 | 2017-11-17 | 西安电子科技大学 | 一种基于自适应代理模型的天线罩肋截面尺寸优化方法 |
| CN111276822A (zh) * | 2020-02-24 | 2020-06-12 | 西安电子科技大学 | 一种天线方向图主瓣可控的天线阵列设计方法 |
| CN111430903A (zh) * | 2020-04-01 | 2020-07-17 | 中国人民解放军空军工程大学 | 一种辐射散射一体化低rcs天线罩及其设计方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110034190A1 (en) * | 2009-08-06 | 2011-02-10 | Leabman Michael A | System and Methods for Simultaneous Wireless Broadband Communication Between Multiple Base Stations |
-
2021
- 2021-03-26 CN CN202110327755.2A patent/CN112906308B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107357962A (zh) * | 2017-06-19 | 2017-11-17 | 西安电子科技大学 | 一种基于自适应代理模型的天线罩肋截面尺寸优化方法 |
| CN111276822A (zh) * | 2020-02-24 | 2020-06-12 | 西安电子科技大学 | 一种天线方向图主瓣可控的天线阵列设计方法 |
| CN111430903A (zh) * | 2020-04-01 | 2020-07-17 | 中国人民解放军空军工程大学 | 一种辐射散射一体化低rcs天线罩及其设计方法 |
Non-Patent Citations (3)
| Title |
|---|
| The design of fractal antennas for UWB using MoM;AlSabbagh, H.M等;《2011 Loughborough Antennas & Propagation Conference》;20111115;1-4 * |
| 反射面型脉冲辐射天线的快速优化方法研究;陈伶璐;《中国博士学位论文全文数据库 (信息科技辑)》;20151115(第11期);I136-3 * |
| 基于BP网络和遗传算法的GPS微带天线优化技术研究;冯艳香;《万方数据》;20121130;1-61 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112906308A (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108549402B (zh) | 基于量子乌鸦群搜索机制的无人机群任务分配方法 | |
| US20070094176A1 (en) | Hybrid neural network generation system and method | |
| CN109063355A (zh) | 基于粒子群优化与Kriging模型的近似优化方法 | |
| CN112231839B (zh) | 针对高耗时约束的飞行器追峰采样智能探索方法 | |
| CN111122989B (zh) | K聚类智能择取的微波信号多径干扰抑制方法 | |
| CN110986960B (zh) | 一种基于改进聚类算法的无人机航迹规划方法 | |
| CN112906308B (zh) | 一种天线罩辐射特性快速预示方法、设备及存储介质 | |
| CN113536498A (zh) | 基于改进多目标飞蛾扑火算法的阵列天线方向图综合方法 | |
| CN111276822B (zh) | 一种天线方向图主瓣可控的天线阵列设计方法 | |
| CN115981372A (zh) | 一种高马赫数飞行器跳跃飞行段轨迹优化方法 | |
| Xu et al. | Improved particle swarm optimization-based BP neural networks for aero-optical imaging deviation prediction | |
| CN116306199A (zh) | 一种基于多元矢量控制交叉眼干扰技术实现的高效优化方法 | |
| CN116882147A (zh) | 基于混合麻雀搜索算法的阵列天线合成方法 | |
| CN113051812B (zh) | 一种同心圆环阵的稀布宽带优化方法 | |
| CN114117917B (zh) | 一种多目标优化的舰船磁偶极子阵列建模方法 | |
| CN108921354A (zh) | 一种基于粒子群优化的蚁群算法求解tsp问题的方法 | |
| CN114218849A (zh) | 基于深度强化学习的复杂阵列天线智能设计方法 | |
| Zhang et al. | Multi-objective evolutionary for object detection mobile architectures search | |
| Enriquez et al. | optIFnet: A Capacitive Antenna Dipole Indention-Flexure Predictive Model Optimized Using Hybrid Lichtenberg Algorithm and Neural Network | |
| CN113067615B (zh) | 一种近场阵列波束控制方法 | |
| CN111856936B (zh) | 一种带缆水下高灵活度作业平台控制方法 | |
| Wang | A Shuffled Frog Leaping Algorithm based on the Improved Simplex Method | |
| Li et al. | B2Opt: Learning to Optimize Black-box Optimization with Little Budget | |
| Daniel et al. | Phase-Only Beam Broadening of Contiguous Uniform Subarrayed Arrays Utilizing Three Metaheuristic Global Optimization Techniques | |
| Chen et al. | Applying SOM as a search mechanism for dynamic system |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220503 |