CN113158568B - 一种近场稀疏阵设计方法 - Google Patents
一种近场稀疏阵设计方法 Download PDFInfo
- Publication number
- CN113158568B CN113158568B CN202110440766.1A CN202110440766A CN113158568B CN 113158568 B CN113158568 B CN 113158568B CN 202110440766 A CN202110440766 A CN 202110440766A CN 113158568 B CN113158568 B CN 113158568B
- Authority
- CN
- China
- Prior art keywords
- array
- genetic algorithm
- solution
- algorithm
- design
- 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
- 238000013461 design Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 61
- 230000002068 genetic effect Effects 0.000 claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 32
- 230000035772 mutation Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 2
- 238000010845 search algorithm Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003786 synthesis 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
- 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)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明属于阵列天线设计技术领域,涉及一种近场稀疏阵设计方法。本发明首先根据给定初始均布阵列,并计算好能够实现近场聚焦波束的权向量,将其作为稀疏阵列的基础。在计算中过程中先采用传统遗传算法进行阵列设计,当遗传算法进行到一定次数后,在每轮遗传算法结束前进行概率学习算法迭代,若在一定学习次数内产生适应度更高的解,则将当前遗传算法中最优解替换为该解并保留。本发明相对于传统遗传算法和贪婪搜索算法,在时间复杂度和设计性能上做到较好的兼顾,且具有一定的灵活性。本发明对于实际工程中的小型阵列能够进行高性能的全局搜索,找到更优的可行解。
Description
技术领域
本发明属于阵列天线设计技术领域,涉及一种近场稀疏阵设计方法。
背景技术
随着阵列天线技术的发展,在远场天线阵列研究日趋成熟的背景下,近场天线阵列成为了当下逐渐火热的话题。近场天线阵列目前已经广泛运用于麦克风阵列、无线充电技术、射频识别技术、声纳、雷达等领域,涉及民用、商用甚至是军用场景。在很多研究中,通常使用阵元间距为半波长的均匀阵列作为基础模型进行研究,此时的阵列称为标准阵列。在标准阵列里,阵列的波束图有较好的聚焦效果,且由于阵列中阵元数较多,对于能量的控制也更灵活。为了降低资源的开销,通常会对标准阵列中的部分阵元进行删减。在稀疏阵设计过程中,由于阵元数量减少,不可避免地会带来性能损失,如何在尽可能确保性能损失最少的情况下进行稀疏阵设计成为一个研究热点。当前研究较多的方法有两种:常规的遗传算法和贪婪搜索算法。
使用常规遗传算法进行阵列设计时,只需要将阵列中阵元位置采用二进制编码,并采用遗传算法中的选择、交叉、变异算子进行相应的遗传操作,便可以实现基于常规遗传算法的稀疏阵设计。但常规遗传算法的初始种群通常随机生成,有较大的不确定性,其次在遗传过程中,常规的遗传算法搜索空间有限,通常在前几次遗传迭代中便获得适应度相对较高的解,之后便很难进步。
贪婪搜索算法则是一种基于贪心思想的搜索算法,在每一次搜索中对阵列全局进行搜索,对于搜索空间中的每一个解考虑其性能和代价,选择性能最好代价最低的当前局部解,用每一次搜索步骤获得的局部最优组合形成最终的全局最优,并生成相应的解。该算法搜索空间相比遗传算法而言足够大,但由于每次搜索中需要对整个解空间进行遍历,其时间复杂度较高,对于实时性较强的系统不利,尤其是用于阵元数量较大的阵列时,其对阵列的调整是滞后的。
上述稀疏阵列设计方法虽然在一定程度上能够解决近场波束形成中阵列需要进行精简的问题,但是两类方法各自存在一些欠缺,在性能和时间复杂度上难以实现较好的平衡。当阵列设计中需要较高的波束性能时,为了保证足够大的搜索空间,对应的算法时间复杂度往往较大;为了运行在实时系统中,需要采用时间复杂度较低的方案,此时算法对搜索空间的覆盖不足,可能会带来性能的下降,影响最终的阵列对应波束效果。因此需要一种在性能和时间开销上较为平衡的稀疏阵列设计算法。
发明内容
本发明提供了一种基于使用概率学习方法改进遗传算法的近场稀疏阵列设计方法,在常规遗传算法设计的步骤中记录阵列状态,并建立概率模型。当进行到足够次数的遗传算法迭代后,在后续的遗传迭代中引入概率学习循环,扩大搜索空间,提高产生解集的多样性。相较于上述常规遗传算法和进行全局搜索的贪婪搜索算法,本发明能够有效扩大搜索空间,并设置合理的遗传算法迭代次数,从而控制时间开销,做到时间复杂度和性能的平衡。
为了便于理解,对本发明采用的技术作如下说明:
本发明中所使用基础近场阵列天线为M×M维均布面阵,此时导向矢量为一个矩阵形式。通常情况下将该矩阵按列展开得到一个一维向量,此时得到的导向矢量可以向量描述,若以阵列中心处阵元为参考点,三维空间中任意一点r*=(x*,y*,z*)的导向矢量描述为:
通常在进行波束设计时,需要设计的参数是加权向量w,合适的加权向量能够使用当前阵列实现不同目标的波束,例如低旁瓣波束和赋形波束,此时若存在一个设计好的加权向量w0,则阵列对三维空间中某一点r*=(x*,y*,z*)辐射的能量可以描述为:
通过改变坐标对应的向量a*,即可实现整个目标空间或目标平面上波束能量的计算,进行波束图的合成。此时,若将某一部分阵元删除,可视为将权向量w0中所移除阵元对应位置的权值置为0,得到一个全新的权向量w△,描述为:
由于向量el只包含两种元素,则该向量可以由二进制进行编码,采用常规的遗传算法便可以对该二进制序列进行操作。在遗传算法开始之初以固定的稀疏率(0和1的数量固定不变,但分布不同)创建若干个el向量作为初始种群,总数记为NP,其中1的数量记为NL,每个el向量称为个体。基础权向量w0保持不变,遗传算法迭代的最终目标是最低的旁瓣峰值,则此时适应度函数可以描述为:
其中ΩSide表示旁瓣区域。以适应度函数为参考,进行遗传算法的选择、交叉和变异操作。其中,选择操作为将一个种群内若干个el向量按适应度大小进行排列,采用轮盘赌选择法将适应度较大的el保留,以进行下一步的操作。其中,第i个向量被选择的概率可以记为:
随后对种群进行交叉操作,方法是将整个种群中相邻的两个序号分别为奇数和偶数的个体中,对应位置的0和1元素按照设定的交叉概率pc进行交换。之后进入变异操作,对于每个个体中的元素,按照变异概率pv进行取反,将0变成1,1变为0,之后变成全新的个体。本发明中使用遗传算法进行稀疏阵列设计时,还需要加入保证稀疏率不变的步骤。若最终产生的个体里1的数量大于NL个,则随机无差别选取差额个1变为0,反之将0变为1,达到稀疏率不变的结果。最终保留适应度最高的个体进行下一轮的遗传算法迭代。
在每论遗传算法迭代后记录适应度最高的个体里阵元分布的情况,形成概率模型。当遗传算法进行到若干次后,在每轮遗传算法进行到变异操作后,对种群进行概率学习迭代。根据记录的结果,序号为m的阵元在此前被置为1的概率pm一定落在[0,1]之间。此时对于每个阵元,可以生成一个随机数rand,若该值小于等于概率pm,则将阵元置为1,即开启,若大于pm则置为0。序号为m的阵元此时的状态可以描述为:
在有限的概率学习步骤里,若出现适应度比遗传算法所保留的解更高的可行解,则进行替换并保留,否则继续遗传算法的流程。
本发明的技术方案为:
一种基于使用概率学习改进遗传算法的稀疏阵列设计方法,在近场基础阵列为均布阵并已设计好权向量w0的情况下,进行阵列的稀疏设计。下述步骤仅针对近场聚焦平面波束的场景进行阵列设计,其特征在于,包括以下步骤:
S1、给定初始均布阵列,并计算好能够实现近场聚焦波束的权向量w0,将其作为稀疏阵列的基础。
S2、采用常规遗传算法进行阵列设计,首先生成随机种群,并按照设置的概率进行选择、交叉和变异操作,最终将适应度较高的解保留。每次都将最终解对应的阵元状态进行记录,形成概率模型。
S3、当遗传算法进行到一定次数后,在每轮遗传算法结束前进行概率学习算法迭代,若在一定学习次数内产生适应度更高的解,则将当前遗传算法中最优解替换为该解并保留,反之继续回到步骤S2中进行遗传算法的设计,直至达到遗传算法迭代次数的上限。
本发明的有益效果为,基于概率学习改进遗传算法,有效扩大了常规遗传算法的搜索空间,并且将该改进算法运用到稀疏阵列设计中,以均匀阵列为基础进行阵列精简设计,实现了灵活的稀疏阵列设计。
附图说明
图1本发明的流程图;
图2基础波束图;
图3稀疏阵列的阵元示意图;
图4稀疏阵列波束图;
图5 5×5阵列的基础波束图;
图6 5×5稀疏阵列的阵元示意图;
图7 5×5稀疏阵列波束图;
具体实施方式
下面将结合附图和实施例,对本发明的技术方案进行进一步说明。
实施例1
本实施例的目的是验证本发明提出算法能够进行稀疏阵列设计,且稀疏后阵列对应的波束图仍具有一定的性能。本实施例中阵列的尺寸为21×21阵元,共441个阵元,进行间隔为半波长的二维平面布阵,以阵列物理中心处阵元作为参考阵元,并设为坐标系原点。聚焦点位于坐标(0,0,15λ)处,初始权向量对应的波束图最大旁瓣增益不超过-30dB。进行70%的稀疏阵列设计,删除其中132个阵元。
本实施例的波束形成仿真实施方法如附图1所示。附图2给出本实施例中基础模型对应的波束图,该模型为低旁瓣聚焦波束模型。本实施例中遗传算法迭代次数为200次,交叉概率设为0.8,变异概率设为0.05。概率学习次数为20次。附图3给出了使用本发明所提出算法后进行阵列稀疏的结果,空心圆代表开启,叉号代表关闭,附图4则为该阵列对应的波束图。此时阵列最大旁瓣峰值为-26.13dB,较之前-30dB略微上升,但差距处于可接受范围内。本实施例结果显示,使用本发明所提出的算法能够进行有效的阵列设计。
实施例2
本实施例的目的是展示本发明所提出算法对非标准间距的小型阵列能够实现较好的稀疏效果。本实施例中阵列的尺寸为5×5阵元,共25个阵元,进行间隔为0.7倍波长的二维平面布阵,以阵列物理中心处阵元作为参考阵元,并设为坐标系原点。聚焦点位于坐标(0,0,3λ)处,初始权向量对应的波束图最大旁瓣增益不超过-25dB。进行70%的稀疏阵列,删除其中8个阵元。
附图5给出本实施例中基础模型对应的波束图,该模型为低旁瓣聚焦波束模型。与实施例1一致,遗传算法迭代次数为200次,交叉概率设为0.8,变异概率设为0.05。概率学习次数为20次。附图6给出了使用本发明所提出算法后进行稀疏阵列设计的结果,附图7则为该阵列对应的波束图。此时对应的最大旁瓣峰值增益为-22.27dB,与-25dB的初始值相比略有上升,但差异处于可接受范围内。本实施例结果显示,对实际工程中对应的小型阵列,使用本发明所提出算法能够进行有效的阵列设计,保证一定的波束性能。
Claims (1)
1.一种近场稀疏阵设计方法,其特征在于,包括以下步骤:
S1、假设初始近场阵列天线为M×M维均布面阵,同时已知能够实现近场聚焦波束的权向量w0,则阵列对三维空间中某一点r*=(x*,y*,z*)辐射的能量为:
其中a*表示点r*对应的导向矢量;
S2、采用遗传算法进行阵列设计,首先生成随机种群,并按照设置的概率进行选择、交叉和变异操作,最终将适应度较高的解保留;适应度函数描述为:
其中ΩSide表示旁瓣区域的波束,每次都将最佳解对应的阵元状态进行记录,形成概率模型;
S3、当遗传算法迭代次数达到30次后,在每轮遗传算法结束前进行概率学习方法迭代,若在20次概率学习迭代中产生适应度大于遗传算法得到的解,则将当前遗传算法中最优解替换为概率学习得到的解并保留,反之回到步骤S2,直至达到遗传算法迭代次数的上限,得到的最佳阵列分布记为el,则权向量更新为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110440766.1A CN113158568B (zh) | 2021-04-23 | 2021-04-23 | 一种近场稀疏阵设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110440766.1A CN113158568B (zh) | 2021-04-23 | 2021-04-23 | 一种近场稀疏阵设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113158568A CN113158568A (zh) | 2021-07-23 |
CN113158568B true CN113158568B (zh) | 2022-12-02 |
Family
ID=76869845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110440766.1A Expired - Fee Related CN113158568B (zh) | 2021-04-23 | 2021-04-23 | 一种近场稀疏阵设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158568B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512754A (zh) * | 2015-11-30 | 2016-04-20 | 清华大学 | 一种基于共轭先验的单模分布估计优化方法 |
CN109492872A (zh) * | 2018-10-15 | 2019-03-19 | 华南理工大学 | 基于遗传算法的动态工作流调度方法 |
CN109711046A (zh) * | 2018-12-26 | 2019-05-03 | 电子科技大学 | 基于多智能体遗传算法的大型稀疏阵列高效综合方法 |
CN110389595A (zh) * | 2019-06-17 | 2019-10-29 | 中国工程物理研究院电子工程研究所 | 双属性概率图优化的无人机集群协同目标搜索方法 |
CN111160556A (zh) * | 2019-12-31 | 2020-05-15 | 哈尔滨工程大学 | 一种基于自适应遗传算法的阵列稀疏优化方法 |
CN112115597A (zh) * | 2020-09-08 | 2020-12-22 | 南京理工大学 | 基于时间调制稀疏阵列的最小阵元数目优化方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106099393B (zh) * | 2016-08-25 | 2019-01-11 | 电子科技大学 | 基于遗传算法的子阵稀布与阵元稀疏天线阵列综合布阵方法 |
CN111313158B (zh) * | 2018-12-12 | 2021-07-06 | 南京理工大学 | 对圆形状阵列进行稀疏的方法 |
WO2020180887A1 (en) * | 2019-03-04 | 2020-09-10 | Iocurrents, Inc. | Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence |
-
2021
- 2021-04-23 CN CN202110440766.1A patent/CN113158568B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512754A (zh) * | 2015-11-30 | 2016-04-20 | 清华大学 | 一种基于共轭先验的单模分布估计优化方法 |
CN109492872A (zh) * | 2018-10-15 | 2019-03-19 | 华南理工大学 | 基于遗传算法的动态工作流调度方法 |
CN109711046A (zh) * | 2018-12-26 | 2019-05-03 | 电子科技大学 | 基于多智能体遗传算法的大型稀疏阵列高效综合方法 |
CN110389595A (zh) * | 2019-06-17 | 2019-10-29 | 中国工程物理研究院电子工程研究所 | 双属性概率图优化的无人机集群协同目标搜索方法 |
CN111160556A (zh) * | 2019-12-31 | 2020-05-15 | 哈尔滨工程大学 | 一种基于自适应遗传算法的阵列稀疏优化方法 |
CN112115597A (zh) * | 2020-09-08 | 2020-12-22 | 南京理工大学 | 基于时间调制稀疏阵列的最小阵元数目优化方法 |
Non-Patent Citations (1)
Title |
---|
大型稀疏阵列天线综合与共口径阵列天线设计研究;谷立;《中国优秀博士学位论文全文数据库》;20200415(第04期);第I136-2页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113158568A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695233B (zh) | 一种基于改进鲸鱼优化算法的阵元失效校正方法 | |
CN111160556A (zh) | 一种基于自适应遗传算法的阵列稀疏优化方法 | |
CN109214088B (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 | |
Li et al. | Improved GA and PSO culled hybrid algorithm for antenna array pattern synthesis | |
Lin et al. | Synthesis of sparse linear arrays using vector mapping and simultaneous perturbation stochastic approximation | |
Liu et al. | A hybrid optimization for pattern synthesis of large antenna arrays | |
CN114399044A (zh) | 一种子阵级稀疏阵列发射波束旁瓣电平优化方法 | |
CN109711046B (zh) | 基于多智能体遗传算法的大型稀疏阵列综合方法 | |
CN113158568B (zh) | 一种近场稀疏阵设计方法 | |
CN113792492A (zh) | 基于免疫遗传算法的希布阵天线的优化设计方法 | |
CN104466430B (zh) | 基于时间调制阵列的波束赋形方法 | |
CN106372726B (zh) | 一种基于gasa的mimo雷达正交编码信号优化方法 | |
CN116882147A (zh) | 基于混合麻雀搜索算法的阵列天线合成方法 | |
CN116882149A (zh) | 一种基于混合差分果蝇优化算法的天线阵列综合方法 | |
CN114239439B (zh) | 一种基于部落算法的自动化滤波器的设计方法 | |
CN115146544A (zh) | 一种采用知识和数据混合驱动的阵列天线设计方法 | |
CN113221337B (zh) | 一种基于模式搜索的近场稀疏阵设计方法 | |
CN114861446A (zh) | 天线阵列稀疏稀布优化方法、装置、设备及可读存储介质 | |
CN115510733A (zh) | 一种基于改进交叉遗传算法的阵列天线旁瓣优化方法 | |
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 | |
CN111458698B (zh) | 一种被动声纳稀疏阵位优化方法 | |
CN113268934A (zh) | 基于fft的遗传算法综合平面阵列方向图的方法及系统 | |
CN116632561B (zh) | 一种稀布高增益天线阵列设计方法、存储介质 | |
CN113067615B (zh) | 一种近场阵列波束控制方法 | |
KR102189953B1 (ko) | 단위 금속 패치로 구성되는 마이크로 스트립 안테나의 설계방법 |
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: 20221202 |