CN113268934A - 基于fft的遗传算法综合平面阵列方向图的方法及系统 - Google Patents
基于fft的遗传算法综合平面阵列方向图的方法及系统 Download PDFInfo
- Publication number
- CN113268934A CN113268934A CN202110679734.7A CN202110679734A CN113268934A CN 113268934 A CN113268934 A CN 113268934A CN 202110679734 A CN202110679734 A CN 202110679734A CN 113268934 A CN113268934 A CN 113268934A
- Authority
- CN
- China
- Prior art keywords
- fitness
- individual
- individuals
- planar array
- theta
- 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.)
- Pending
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
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明公开了一种基于FFT的遗传算法综合平面阵列方向图的方法及系统,涉及阵列天线波束赋形及方向图优化领域。该方法包括:生成初始种群;将初始种群中的个体转化为幅度相位激励矩阵,对幅度相位激励矩阵进行快速傅里叶变换,得到天线的方向图;根据方向图选取方位面数值计算个体的适应度,根据适应度对个体进行选择操作、交叉操作和变异操作,生成新种群,进行重复迭代,输出最最优个体;将最优个体对应的幅度相位激励矩阵作为天线阵列低副瓣赋形或者天线方向图置零的激励权值。本发明适用于雷达阵列天线综合,实现了雷达阵列天线的综合,并且通过傅里叶快速变换计算阵列天线远场方向图可以显著改善计算效率,有效地缩短计算时间。
Description
技术领域
本发明涉及天线波束赋形及方向图优化领域,尤其涉及基于FFT的遗传算法综合平面阵列方向图的方法及系统。
背景技术
在搜索雷达、通讯技术等众多领域中,往往需要特殊形状的天线波束。根据波束形状求解阵列天线单元间距、激励的幅度和相位称为天线综合。阵列综合方向图的种类主要有余割平方方向图,平顶方向图,低副瓣方向图等。传统的泰勒综合、Woodward综合等方法对这类多参数、非线性、不可微的综合问题,很难有效求解。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种基于FFT的遗传算法综合平面阵列方向图的方法及系统。
本发明解决上述技术问题的技术方案如下:
一种基于FFT的遗传算法综合平面阵列方向图的方法,包括:
将平面阵列幅度相位激励权值转化为一维向量,将每组所述平面阵列幅度相位激励权值作为个体,生成初始种群;
将所述初始种群中的个体转化为幅度相位激励矩阵,对所述幅度相位激励矩阵进行快速傅里叶变换,得到天线的方向图;
根据所述方向图选取方位面数值计算个体的适应度,根据所述适应度对个体进行选择操作、交叉操作和变异操作,生成新种群,完成一次迭代;
重复计算新种群的适应度并重复进行迭代,直到达到预设迭代次数,输出最最优个体;
将所述最优个体对应的幅度相位激励矩阵作为天线阵列低副瓣赋形或者天线方向图置零的激励权值。
本发明解决上述技术问题的另一种技术方案如下:
一种基于FFT的遗传算法综合平面阵列方向图的系统,包括:
初始种群生成单元,用于将平面阵列幅度相位激励权值转化为一维向量,将每组所述平面阵列幅度相位激励权值作为个体,生成初始种群;
快速傅里叶变换单元,用于将所述初始种群中的个体转化为幅度相位激励矩阵,对所述幅度相位激励矩阵进行快速傅里叶变换,得到天线的方向图;
遗传迭代单元,用于根据所述方向图选取方位面数值计算个体的适应度,根据所述适应度对个体进行选择操作、交叉操作和变异操作,生成新种群,完成一次迭代;重复计算新种群的适应度并重复进行迭代,直到达到预设迭代次数,输出最最优个体;
输出单元,用于将所述最优个体对应的幅度相位激励矩阵作为天线阵列低副瓣赋形或者天线方向图置零的激励权值。
本发明的有益效果是:本发明提供的方法,适用于雷达阵列天线综合,通过将傅里叶快速变换与遗传算法结合得到最优个体,通过将最优个体对应的幅度相位激励矩阵作为天线阵列低副瓣赋形或者天线方向图置零的激励权值,实现了雷达阵列天线的综合,并且通过傅里叶快速变换计算阵列天线远场方向图可以显著改善计算效率,在方向图综合过程中可以有效地缩短计算时间。
本发明附加的方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
附图说明
图1为本发明方法的实施例提供的流程示意图;
图2为本发明方法的其他实施例提供的天线方位面低副瓣赋形方向示意图;
图3为本发明方法的其他实施例提供的天线低副瓣赋形立体方向示意图;
图4为本发明方法的其他实施例提供的天方位面线置零方向示意图;
图5为本发明方法的其他实施例提供的天方立体置零方向示意图;
图6为本发明系统的实施例提供的结构框架图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实施例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,为本发明方法的实施例提供的流程示意图,该方法包括:
S1,将平面阵列幅度相位激励权值转化为一维向量,将每组平面阵列幅度相位激励权值作为个体,生成初始种群。
例如,平面相控阵列天线的幅度矩阵AMP及相位矩阵PHS分别为:
其中,ai,j为第i行第j列的幅度值,pi,j为第i行第j列的相位值,NelementsAZ代表阵列方位的单元数,NelementsEL代表阵列俯仰的单元数。将AMP与PHS矩阵转化为列向量,作为种群中的一个个体。个体可表示为:[A,P]T,其中:
A=
[a1,1…aNelenetsAZ,1 a1,2…aNelemetsAZ,2 …a1,NelementsEL…aNalementsAZ,NelementsEL]
P=
[p1,1…pNelemetsAZ,1 p1,2…pNelemetsAZ,2 …p1,NelementsEL…pNelem entsAZ,NelementsEL]
种群矩阵的表达式为CurrentGeneration=rand(Norder,Npopulation);其中,Norder=2×NelementsAZ×NelementsEL,Npopulation为种群个数初始取50。
S2,将初始种群中的个体转化为幅度相位激励矩阵,对幅度相位激励矩阵进行快速傅里叶变换,得到天线的方向图。
S3,根据方向图选取方位面数值计算个体的适应度,根据适应度对个体进行选择操作、交叉操作和变异操作,生成新种群,完成一次迭代。
例如,计算个体的适应度的适应度函数可以采用上下界结合的方式,根据平面阵列的幅度相位权值,经FFT计算出阵列的方向图函数。选取方向图的方位面切面表示为F(θ),分别与规定的上界U(θ),下界L(θ)做差。保留差值落在上下界间的部分,再将可见区-90°到90°范围内的差值求绝对值后求和。根据不同的方向图综合要求将适应度函数不同的角度区域加权,以保证该角度范围内的优化效果更佳。
S4,重复计算新种群的适应度并重复进行迭代,直到达到预设迭代次数,输出最最优个体。
需要说明的是,迭代次数可以根据实际需求设置。每次迭代后,可以将本次迭代中的双亲及生成的后代按适应度排序,选取前50%作为下一代的初始种群。
S5,将最优个体对应的幅度相位激励矩阵作为天线阵列低副瓣赋形或者天线方向图置零的激励权值。
例如,可以选取100×20的等间距矩形阵列,阵列间距为λ/2,阵中方向图为余弦分布(cosθ),综合过程仅对幅度加权。初始幅度为均匀分布,采用256×256点的二维FFT变换,完成了目标为方位面方向图第一副瓣达到-20dB以下的阵列综合。综合过程仅对相位加权,初始幅度为二维-20dB的Taylor分布,初始相位均为0。采用256×256点的二维FFT变换,完成了目标为方位面方向图在θ=26°~34°达到-55dB的零陷的阵列综合。
如图2所示,提供了一种示例性的天线方位面低副瓣赋形方向图,波形图上的斜线为约束,如图3所示,提供了一种示例性的天线低副瓣赋形立体方向图,如图4所示,提供了一种示例性的天线方位面置零方向图,波形图上的斜线为约束,如图5所示,提供了一种示例性的天线立体置零方向图。
本实施例提供的方法,适用于雷达阵列天线综合,通过将傅里叶快速变换与遗传算法结合得到最优个体,通过将最优个体对应的幅度相位激励矩阵作为天线阵列低副瓣赋形或者天线方向图置零的激励权值,实现了雷达阵列天线的综合,并且通过傅里叶快速变换计算阵列天线远场方向图可以显著改善计算效率,在方向图综合过程中可以有效地缩短计算时间。
可选地,在一些可能的实施方式中,根据以下公式计算个体的适应度:
score(θ)=Max[L(θ)-F(θ),0]+Max[F(θ)-U(θ),0]
其中,θ为角度值,取值范围是[-90°,90°],a(θ)为适应度函数的权值,score(θ)为适应度函数,F(θ)为方向图的方位面切面,U(θ)为预设的上界,L(θ)为预设的下界,fit为适应度。
可选地,在一些可能的实施方式中,根据适应度对个体进行选择操作,具体包括:
根据适应度对全部个体进行排序,从适应度排名满足预设条件的个体中选出预设数量的个体进行配队,作为双亲产生后代,产生后代的数量由适应度的数值决定。
例如,可以在适应度前10%的个体中选出适当数目的个体配对,作为双亲产生后代,适应度高的个体被选择出来产生更多的后代。
可选地,在一些可能的实施方式中,根据适应度对个体进行交叉操作,具体包括:
在同一代中被选出作为双亲的个体的基因中随机产生2个交换位置;
第一名后代获得第一名双亲第一交换点之前和第二交换点之后的基因,并获得第二名双亲第一交换点和第二交换点之间的数据;
第二名后代获得第二名双亲第一交换点之前和第二交换点之后的基因,并获得第一名双亲第一交换点和第二交换点之间的数据。
通过上述交叉操作,能够使双亲的基因更加随机地交换,从而提高后代遗传的稳定性,提高了零陷的阵列综合的精确度。
可选地,在一些可能的实施方式中,根据适应度对个体进行变异操作,具体包括:
对交叉操作后的种群中的每一个个体以预设概率随机地改变其基因,且使变异概率随迭代次数的增加进行衰减。
例如,可以设置一个厨师的变异概率5%,每次迭代变异概率减少0.1%。
通过对变异概率进行衰减,能够使筛选出的较优的后代较少地发生变异,从而提高后代优秀基因遗传的稳定性。
可以理解,在一些实施例中,可以包含如上述各实施方式中的部分或全部。
如图6所示,为本发明系统的实施例提供的结构框架图,该系统包括:
初始种群生成单元10,用于将平面阵列幅度相位激励权值转化为一维向量,将每组平面阵列幅度相位激励权值作为个体,生成初始种群;
快速傅里叶变换单元20,用于将初始种群中的个体转化为幅度相位激励矩阵,对幅度相位激励矩阵进行快速傅里叶变换,得到天线的方向图;
遗传迭代单元30,用于根据方向图选取方位面数值计算个体的适应度,根据适应度对个体进行选择操作、交叉操作和变异操作,生成新种群,完成一次迭代;重复计算新种群的适应度并重复进行迭代,直到达到预设迭代次数,输出最最优个体;
输出单元40,用于将最优个体对应的幅度相位激励矩阵作为天线阵列低副瓣赋形或者天线方向图置零的激励权值。
本实施例提供的系统,适用于雷达阵列天线综合,通过将傅里叶快速变换与遗传算法结合得到最优个体,通过将最优个体对应的幅度相位激励矩阵作为天线阵列低副瓣赋形或者天线方向图置零的激励权值,实现了雷达阵列天线的综合,并且通过傅里叶快速变换计算阵列天线远场方向图可以显著改善计算效率,在方向图综合过程中可以有效地缩短计算时间。
可选地,在一些可能的实施方式中,遗传迭代单元30具体用于根据以下公式计算个体的适应度:
score(θ)=Max[L(θ)-F(θ),0]+Max[F(θ)-U(θ),0]
其中,θ为角度值,取值范围是[-90°,90°],a(θ)为适应度函数的权值,score(θ)为适应度函数,F(θ)为方向图的方位面切面,U(θ)为预设的上界,L(θ)为预设的下界,fit为适应度。
可选地,在一些可能的实施方式中,遗传迭代单元30具体用于根据适应度对全部个体进行排序,从适应度排名满足预设条件的个体中选出预设数量的个体进行配队,作为双亲产生后代,产生后代的数量由适应度的数值决定。
可选地,在一些可能的实施方式中,遗传迭代单元30具体用于在同一代中被选出作为双亲的个体的基因中随机产生2个交换位置;
第一名后代获得第一名双亲第一交换点之前和第二交换点之后的基因,并获得第二名双亲第一交换点和第二交换点之间的数据;
第二名后代获得第二名双亲第一交换点之前和第二交换点之后的基因,并获得第一名双亲第一交换点和第二交换点之间的数据。
可选地,在一些可能的实施方式中,遗传迭代单元30具体用于对交叉操作后的种群中的每一个个体以预设概率随机地改变其基因,且使变异概率随迭代次数的增加进行衰减。
可以理解,在一些实施例中,可以包含如上述各实施方式中的部分或全部。
需要说明的是,上述各实施方式是与在先方法实施例对应的产品实施例,对于产品实施方式的说明可以参考上述各方法实施方式中的对应说明,在此不再赘述。
读者应理解,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的方法实施例仅仅是示意性的,例如,步骤的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个步骤可以结合或者可以集成到另一个步骤,或一些特征可以忽略,或不执行。
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于FFT的遗传算法综合平面阵列方向图的方法,其特征在于,包括:
将平面阵列幅度相位激励权值转化为一维向量,将每组所述平面阵列幅度相位激励权值作为个体,生成初始种群;
将所述初始种群中的个体转化为幅度相位激励矩阵,对所述幅度相位激励矩阵进行快速傅里叶变换,得到天线的方向图;
根据所述方向图选取方位面数值计算个体的适应度,根据所述适应度对个体进行选择操作、交叉操作和变异操作,生成新种群,完成一次迭代;
重复计算新种群的适应度并重复进行迭代,直到达到预设迭代次数,输出最最优个体;
将所述最优个体对应的幅度相位激励矩阵作为天线阵列低副瓣赋形或者天线方向图置零的激励权值。
3.根据权利要求1或2所述的基于FFT的遗传算法综合平面阵列方向图的方法,其特征在于,根据所述适应度对个体进行选择操作,具体包括:
根据所述适应度对全部个体进行排序,从适应度排名满足预设条件的个体中选出预设数量的个体进行配队,作为双亲产生后代,产生后代的数量由适应度的数值决定。
4.根据权利要求3所述的基于FFT的遗传算法综合平面阵列方向图的方法,其特征在于,根据所述适应度对个体进行交叉操作,具体包括:
在同一代中被选出作为双亲的个体的基因中随机产生2个交换位置;
第一名后代获得第一名双亲第一交换点之前和第二交换点之后的基因,并获得第二名双亲第一交换点和第二交换点之间的数据;
第二名后代获得第二名双亲第一交换点之前和第二交换点之后的基因,并获得第一名双亲第一交换点和第二交换点之间的数据。
5.根据权利要求4所述的基于FFT的遗传算法综合平面阵列方向图的方法,其特征在于,根据所述适应度对个体进行变异操作,具体包括:
对交叉操作后的种群中的每一个个体以预设概率随机地改变其基因,且使变异概率随迭代次数的增加进行衰减。
6.一种基于FFT的遗传算法综合平面阵列方向图的系统,其特征在于,包括:
初始种群生成单元,用于将平面阵列幅度相位激励权值转化为一维向量,将每组所述平面阵列幅度相位激励权值作为个体,生成初始种群;
快速傅里叶变换单元,用于将所述初始种群中的个体转化为幅度相位激励矩阵,对所述幅度相位激励矩阵进行快速傅里叶变换,得到天线的方向图;
遗传迭代单元,用于根据所述方向图选取方位面数值计算个体的适应度,根据所述适应度对个体进行选择操作、交叉操作和变异操作,生成新种群,完成一次迭代;重复计算新种群的适应度并重复进行迭代,直到达到预设迭代次数,输出最最优个体;
输出单元,用于将所述最优个体对应的幅度相位激励矩阵作为天线阵列低副瓣赋形或者天线方向图置零的激励权值。
8.根据权利要求6或7所述的基于FFT的遗传算法综合平面阵列方向图的系统,其特征在于,所述遗传迭代单元具体用于根据所述适应度对全部个体进行排序,从适应度排名满足预设条件的个体中选出预设数量的个体进行配队,作为双亲产生后代,产生后代的数量由适应度的数值决定。
9.根据权利要求8所述的基于FFT的遗传算法综合平面阵列方向图的系统,其特征在于,所述遗传迭代单元具体用于在同一代中被选出作为双亲的个体的基因中随机产生2个交换位置;
第一名后代获得第一名双亲第一交换点之前和第二交换点之后的基因,并获得第二名双亲第一交换点和第二交换点之间的数据;
第二名后代获得第二名双亲第一交换点之前和第二交换点之后的基因,并获得第一名双亲第一交换点和第二交换点之间的数据。
10.根据权利要求9所述的基于FFT的遗传算法综合平面阵列方向图的系统,其特征在于,所述遗传迭代单元具体用于对交叉操作后的种群中的每一个个体以预设概率随机地改变其基因,且使变异概率随迭代次数的增加进行衰减。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110679734.7A CN113268934A (zh) | 2021-06-18 | 2021-06-18 | 基于fft的遗传算法综合平面阵列方向图的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110679734.7A CN113268934A (zh) | 2021-06-18 | 2021-06-18 | 基于fft的遗传算法综合平面阵列方向图的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113268934A true CN113268934A (zh) | 2021-08-17 |
Family
ID=77235313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110679734.7A Pending CN113268934A (zh) | 2021-06-18 | 2021-06-18 | 基于fft的遗传算法综合平面阵列方向图的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113268934A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115114780A (zh) * | 2022-06-27 | 2022-09-27 | 北京雷久科技有限责任公司 | 一种圆锥台阵列天线波束赋形方法 |
-
2021
- 2021-06-18 CN CN202110679734.7A patent/CN113268934A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115114780A (zh) * | 2022-06-27 | 2022-09-27 | 北京雷久科技有限责任公司 | 一种圆锥台阵列天线波束赋形方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | Design of unequally spaced arrays for performance improvement | |
Zhang et al. | Synthesis of broadside linear aperiodic arrays with sidelobe suppression and null steering using whale optimization algorithm | |
Mahanti et al. | Synthesis of thinned linear antenna arrays with fixed sidelobe level using real-coded genetic algorithm | |
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 | |
CN111313158B (zh) | 对圆形状阵列进行稀疏的方法 | |
Li et al. | Improved GA and PSO culled hybrid algorithm for antenna array pattern synthesis | |
CN107302140B (zh) | 基于量子蜘蛛群演化机制的平面天线阵列稀疏方法 | |
CN112367103B (zh) | 一种可扩展稀疏阵列天线布局的获取方法 | |
CN112100701B (zh) | 基于遗传算法的二维分布式天线子阵位置优化方法 | |
CN108845304B (zh) | 一种五维台阵mimo雷达波形设计方法 | |
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 | |
CN114399044A (zh) | 一种子阵级稀疏阵列发射波束旁瓣电平优化方法 | |
CN112100811A (zh) | 一种基于自适应风驱动优化算法的天线阵方向图综合方法 | |
CN110232228B (zh) | 一种多联骨牌非规则子阵阵面优选设计方法 | |
CN109271735B (zh) | 基于量子启发式引力搜索算法的阵列方向图综合方法 | |
CN110427669B (zh) | 一种相控阵扫描辐射波束的神经网络模型计算方法 | |
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 | |
CN115566442A (zh) | 稀疏布阵方法、装置、电子设备和可读存储介质 | |
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 | |
Li et al. | Novel subarray partition algorithm for solving the problem of too low beam collection efficiency caused by dividing a few subarrays | |
Daniel et al. | Phase-only beam broadening of contiguous uniform subarrayed arrays | |
Holm et al. | Weight-and layout-optimized sparse arrays | |
CN109031216B (zh) | 一种基于改进遗传算法的平面阵稀疏优化方法 | |
Huang et al. | The application and study of phase-only weight synthesis based on differential evolution algorithm | |
Chen et al. | Planar thinned antenna array synthesis using modified brain storm optimization |
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 |