CN113722902B - 基于神经网络的赋形反射面天线最佳吻合参数估计方法 - Google Patents
基于神经网络的赋形反射面天线最佳吻合参数估计方法 Download PDFInfo
- Publication number
- CN113722902B CN113722902B CN202110969899.8A CN202110969899A CN113722902B CN 113722902 B CN113722902 B CN 113722902B CN 202110969899 A CN202110969899 A CN 202110969899A CN 113722902 B CN113722902 B CN 113722902B
- Authority
- CN
- China
- Prior art keywords
- model
- neural network
- mean square
- node
- parameters
- 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
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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01Q—ANTENNAS, i.e. RADIO AERIALS
- H01Q15/00—Devices for reflection, refraction, diffraction or polarisation of waves radiated from an antenna, e.g. quasi-optical devices
- H01Q15/14—Reflecting surfaces; Equivalent structures
- H01Q15/16—Reflecting surfaces; Equivalent structures curved in two dimensions, e.g. paraboloidal
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Aerials With Secondary Devices (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明提出了一种赋形反射面天线最佳吻合参数的估计方法,属于天线技术领域,实现步骤为,构建赋形反射面天线模型、重力变形模型以及吻合面模型,计算赋形反射面天线重力变形模型上的每个节点到吻合面模型的最短距离,生成训练样本集和测试样本集,构建BP神经网络模型,对BP神经网络模型进行迭代训练,获取赋形反射面天线最佳吻合参数的估计结果。本发明避免了线性近似带来的误差,同时采用距离逼近的方法求解重力变形模型上节点到吻合面模型的最短距离,避免了单位法向量近似相等带来的误差,提高了天线性能,具有较高的实际应用价值。
Description
技术领域
本发明属于天线技术领域,涉及一种赋形反射面天线最佳吻合参数的估计方法,具体涉及一种基于BP神经网络的赋形反射面天线最佳吻合参数估计方法。
背景技术
标准反射面天线主面都采用抛物面的形面结构,设计简单、性能好,在雷达、通讯、射电天文等领域得到广泛应用。但是标准反射面天线的边缘效应,使得天线的效率很大程度的降低。所以,大型射电望远镜多采用赋形反射面天线的形式以提高天线的效率。
在实际生产制造的过程中,会产生表面误差;同时,由于重力、雨雪及热变形等因素导致反射面表面变形,天线的电性能将大大降低。因此,主面精度是反射面天线的重要指标之一,它直接影响天线的增益、副瓣电平以及效率等电性能。伴随着反射面天线口径的增大,天线的表面变形越来越严重,提升主面精度更加重要。为了提高天线的主面精度,叶尚辉在《天线结构设计》中提出了最佳吻合抛物面的理论。针对不同的形变,吻合出一个与变形后的反射面的偏差最小的反射面,称为最佳吻合面。最佳吻合面是理论设计抛物面面通过平移、旋转变换得到的同簇抛物面。平移量、旋转量和焦距变化量与原焦距之比称为吻合过程的吻合参数。
王从思等在《天线表面误差的精确计算方法及电性能分析》中提出了一种天线变形表面误差的精确计算方法,但是该方法仅适用于标准反射面天线。为了估计赋形反射面天线最佳吻合参数,申请公布号为CN105930570A,名称为“一种赋形双反射面天线最佳吻合赋形面参数的计算方法”的专利申请,公开了一种将赋形双反射面天线系统简化为仅讨论主面-“焦线”系统的计算方法,该申请基于等光程条件推导了主面节点位移与“焦线”轴向位移的互补函数关系并引入最佳吻合参数方程中,计算出最佳吻合赋形面。但是该申请在确定赋形反射面天线任意点单位法向量时仅求解了母线上点的单位法向量,其他点由母线近似得来;同时,计算的理论赋形面相对于最佳吻合赋形面的节点位移式为一阶线性近似。综上所述,赋形反射面天线最佳吻合参数计算过程中的误差主要来源于计算变形反射面节点到吻合面的距离时使用设计的反射面节点法向量近似等于变形反射面节点法向量和最佳吻合参数求解方程近似为线性方程组。
发明内容
本发明的目的在于针对上述现有技术存在的不足,提出了一种基于BP神经网络的赋形反射面天线最佳吻合参数估计方法,用于解决现有技术中存在的误差较大的技术问题。
为实现上述目的,本发明采取的技术方案包括如下步骤:
(1)构建赋形反射面天线模型、重力变形模型以及吻合面模型:
(1a)在坐标系OXYZ下构建焦距为f0且包含N个节点A={A1,A2,…,An,…AN}的赋形反射面天线模型H,该赋形反射面天线模型H的顶点位于坐标原点,焦轴与OZ轴重合,其中,N≥2000,An表示坐标为(xAn,yAn,zAn)的第n个节点,xAn、yAn、zAn分别表示An的x方向、y方向、z方向坐标;
(1b)通过对赋形反射面天线模型H施加重力,得到每个节点An产生变形位移Δn后的赋形反射面天线模型H',并确定每个节点An在赋形反射面天线重力变形模型H'中对应节点Bn的坐标(xBn,yBn,zBn),其中,xBn、yBn、zBn分别表示节点Bn的x方向、y方向、z方向坐标,xBn=xAn-Δxn,yBn=yAn-Δyn,zBn=zAn-Δzn,Δxn、Δyn、Δzn分别表示该节点An在x方向、y方向、z方向的变形位移;
(1c)将坐标系OXYZ下的赋形反射面天线模型H依次沿x轴、y轴、z轴平移Ux、Uy、Uz段距离,再将H依次绕x轴、y轴旋转θx度、θy度,然后在平移旋转变换后的坐标系O1X1Y1Z1下对赋形反射面天线模型H进行保形变换,即将赋形反射面天线模型H的焦距由f0变换为f1,得到H的吻合面模型H”;
(2)计算赋形反射面天线重力变形模型上的每个节点到吻合面模型的最短距离δn:
(2a)确定赋形反射面天线模型H中的每个节点An在吻合面模型H”中对应节点Cn的坐标(xCn,yCn,zCn),并拟合出(xCn,yCn,zCn)中zCn与xCn和yCn的映射关系zCn=f(xCn,yCn),同时计算赋形反射面天线重力变形模型H'中节点Bn在坐标系O1X1Y1Z1下的坐标(x'Bn,y'Bn,z'Bn),其中,xCn、yCn、zCn分别表示节点Cn在坐标系O1X1Y1Z1下的x方向、y方向、z方向坐标,xCn=xAn,yCn=yAn,zCn=zAn(1-k),k表示H”与H的焦距之差和H的焦距的比值,k=(f1-f0)/f0,x'Bn、y'Bn、z'Bn分别表示Bn在坐标系O1X1Y1Z1下的x方向、y方向、z方向坐标;
(2c)在坐标系O1X1Y1Z1下作一条垂直于平面O1X1Y1且通过节点第一直线l1,并通过直线l1与吻合面模型H”的交点作一个吻合面模型H”的切平面再作一条垂直于且通过节点第二直线l2,然后计算节点与直线l2和的交点之间的距离
(3)生成训练样本集和测试样本集:
(3a)初始化赋形反射面天线模型H在坐标系OXYZ下平移旋转变换M次,并将H每次沿x轴、y轴、z轴平移的距离Uxm、Uym、Uzm,绕x轴、y轴旋转的角度θxm、θym,以及H”与H的焦距之差和H的焦距的比值km组合成吻合参数Rm=(Uxm,Uym,Uzm,θxm,θym,km),得到包括M组吻合参数的集合R={R1,R2,…,Rm,…,RM},其中,M≥200;
(3b)计算每组吻合参数Rm对应的吻合面模型H”和赋形反射面天线重力变形模型H'的法向误差均方根RMSm,得到法向误差均方根集合RMS={RMS1,RMS2,…,RMSm,…,RMSM},并将吻合参数的集合R中的M1组吻合参数Rtr及其对应的法向误差均方根集合RMS中M1个法向误差均方根RMStr组成训练样本集Str={Rtr,RMStr},同时将R中剩余的M2组吻合参数及其对应的法向误差均方根集合RMS中M2个法向误差均方根组成测试样本集Ste={Rte,RMSte},其中, 分别表示Str第m1个吻合参数、法向误差均方根, 分别表示Ste中的第m2个吻合参数、法向误差均方根,M1+M2=M,M1>M2;
(4)构建BP神经网络模型O:
构建包括输入层、J个隐藏层、输出层的BP神经网络模型O,其中,输入层和隐藏层中神经元的传递函数为f1,输出层中神经元的传递函数为f2,O的权重矩阵、偏置矩阵分别为W={W0,W1,W2,…,Wj,…,WJ,WJ+1}、b={b0,b1,b2,…,bj,…,bJ,bJ+1},输入层神经元数目为6,输出层神经元数目为1,J≥2,W0、b0分别表示输入层的权重矩阵、偏置矩阵,Wj、bj分别表示第j个隐藏层的权重矩阵、偏置矩阵,WJ+1、bJ+1分别表示输出层的权重矩阵、偏置矩阵;
(5)对BP神经网络模型O进行迭代训练:
(5a)初始化迭代次数为t,最大迭代次数为T,T≥100,当前BP神经网络模型为Ot,Ot的权值矩阵、偏置矩阵分别为Wt、bt,收敛误差为ε,ε≤1×10-3,并令t=1,Ot=O,Wt=W,bt=b;
(5b)将训练样本集Str作为BP神经网络模型Ot的输入,通过权重矩阵Wt、偏置矩阵bt、传递函数f1和f2、每个训练样本的吻合参数计算Ot输出的法向误差均方根预测值得到训练样本集Str对应的BP神经网络模型Ot输出的法向误差均方根预测值集合
(5c)采用均方误差损失函数,并通过每个法向误差均方根预测值及其对应的法向误差均方根值计算当前BP神经网络模型Ot的均方误差值LTr,然后求取LTr对权值矩阵Wt、偏置矩阵bt的偏导再采取梯度下降法,通过将在Ot中进行反向传播的方式对Wt、bt进行更新,得到更新后的Ot;
(5d)判断LTr<ε是否成立,若是,执行步骤(5e),否则,执行步骤(5f);
(5e)将测试样本集Ste作为BP神经网络模型Ot的输入,通过通过权重矩阵Wt、偏置矩阵bt、传递函数f1和f2、每个训练样本的吻合参数计算Ot输出的法向误差均方根预测值得到测试样本集Ste对应的BP神经网络模型Ot的输出值集采用均方误差损失函数,通过并通过每个法向误差均方根预测值及其对应的法向误差均方根值计算当前神经网络模型Ot的测试集的均方误差值LTe,判断LTe<ε是否成立,若是,得到训练好的BP神经网络模型O*,否则,执行步骤(5f);
(5f)判断t≥T是否成立,若是,得到训练好的BP神经网络模型O*,否则,令t=t+1,并执行步骤(5b);
(6)获取赋形反射面天线最佳吻合参数的估计结果:
采用全局优化算法,将训练好的BP神经网络模型O*表示的由吻合参数到法向误差的映射关系作为评价函数y=g(x),并求取法向误差为最小值时y=g(x)对应的吻合参数,该吻合参数即为赋形反射面天线的最佳吻合参数。
本发明与现有技术相比,具有如下优点:
(1)本发明首先构建BP神经网络,并采用全局优化算法,将训练好的BP神经网络模型表示的由吻合参数到法向误差的映射关系作为评价函数,然后通过求取法向误差为最小值时对应的吻合参数作为赋形反射面天线最佳吻合参数的估计结果,BP神经网络考虑了高阶小项,避免了一阶线性近似带来的误差,与现有技术相比,有效提高了估计精度。
(2)本发明在计算重力变形模型上的节点到吻合面模型的最短距离时,先计算经过变形反射面节点且平行于吻合面焦轴的直线与吻合面的交点位置,再通过变形反射面节点到吻合面过该交点的切平面的距离来迭代逼近吻合面,最终获得了变形反射面节点到吻合面最短距离线段与吻合面的交点,从而得到重力变形模型上的每个节点到吻合面模型的最短距离,最终通过所有节点的最短距离来计算法向误差均方根值,避免了现有技术使用单位法向量近似相等带来的误差。
附图说明
图1为本发明的实现流程图。
图2为本发明构建的赋形反射面天线模型、重力变形模型以及吻合面模型的结构示意图。
图3为本发明重力变形模型上节点到吻合面模型的最短距离计算过程示意图。
具体实施方式
以下结合附图和具体实施例,对本发明作进一步详细描述:
参照图1,本发明包括如下步骤:
步骤1)构建赋形反射面天线模型、重力变形模型以及吻合面模型,其模型结构如图2所示:
步骤1a)在坐标系OXYZ下构建焦距为f0且包含N个节点A={A1,A2,…,An,…AN}的赋形反射面天线模型H,该赋形反射面天线模型H的顶点位于坐标原点,焦轴与OZ轴重合,其中,N≥2000,An表示坐标为(xAn,yAn,zAn)的第n个节点,xAn、yAn、zAn分别表示An的x方向、y方向、z方向坐标。
在本实施例中,构建的赋形反射面天线的焦距为36000mm,N=3000。
步骤1b)通过对赋形反射面天线模型H施加重力,得到每个节点An产生变形位移Δn后的赋形反射面天线模型H',并确定每个节点An在赋形反射面天线重力变形模型H'中对应节点Bn的坐标(xBn,yBn,zBn),其中,xBn、yBn、zBn分别表示节点Bn的x方向、y方向、z方向坐标,xBn=xAn-Δxn,yBn=yAn-Δyn,zBn=zAn-Δzn,Δxn、Δyn、Δzn分别表示该节点An在x方向、y方向、z方向的变形位移。
在本实施例中,重力方向为垂直于赋形反射面天线的口径面方向,每个节点An产生变形位移Δn由ANSYS仿真软件通过仿真实验得到。
步骤1c)将坐标系OXYZ下的赋形反射面天线模型H依次沿x轴、y轴、z轴平移Ux、Uy、Uz段距离,再将H依次绕x轴、y轴旋转θx度、θy度,然后在平移旋转变换后的坐标系O1X1Y1Z1下对赋形反射面天线模型H进行保形变换,即将赋形反射面天线模型H的焦距由f0变换为f1,得到H的吻合面模型H”。
这里提到的Ux、Uy、Uz、θx、θy均可正可负,f1既可以大于f0也可以小于f0。
步骤2)计算赋形反射面天线重力变形模型上的每个节点到吻合面模型的最短距离δn,计算过程如图3所示:
步骤2a)确定赋形反射面天线模型H中的每个节点An在吻合面模型H”中对应节点Cn的坐标(xCn,yCn,zCn),并拟合出(xCn,yCn,zCn)中zCn与xCn和yCn的映射关系zCn=f(xCn,yCn),同时计算赋形反射面天线重力变形模型H'中节点Bn在坐标系O1X1Y1Z1下的坐标(x'Bn,y'Bn,z'Bn),其中,xCn、yCn、zCn分别表示节点Cn在坐标系O1X1Y1Z1下的x方向、y方向、z方向坐标,xCn=xAn,yCn=yAn,zCn=zAn(1-k),k表示H”与H的焦距之差和H的焦距的比值,k=(f1-f0)/f0,x'Bn、y'Bn、z'Bn分别表示Bn在坐标系O1X1Y1Z1下的x方向、y方向、z方向坐标。
其中,H'中节点Bn在坐标系O1X1Y1Z1下的坐标(x'Bn,y'Bn,z'Bn)的计算公式为:
(x'Bn,y'Bn,z'Bn)T=R[(xBn,yBn,zBn)T-(Ux,Uy,Uz)T]
在上式中,(·)T表示转置,R为系数矩阵。
在本实施例中,距离阈值为σ=0.01。
步骤2c)如图3所示,在坐标系O1X1Y1Z1下作一条垂直于平面O1X1Y1且通过节点第一直线l1,并通过直线l1与吻合面模型H”的交点作一个吻合面模型H”的切平面再作一条垂直于且通过节点第二直线l2,然后计算节点与直线l2和的交点之间的距离
步骤3)生成训练样本集和测试样本集:
步骤3a)初始化赋形反射面天线模型H在坐标系OXYZ下平移旋转变换M次,并将H每次沿x轴、y轴、z轴平移的距离Uxm、Uym、Uzm,绕x轴、y轴旋转的角度θxm、θym,以及H”与H的焦距之差和H的焦距的比值km组合成吻合参数Rm=(Uxm,Uym,Uzm,θxm,θym,km),得到包括M组吻合参数的集合R={R1,R2,…,Rm,…,RM},其中,M≥200。
这里提到的M组吻合参数Rm=(Uxm,Uym,Uzm,θxm,θym,km)中,每一组吻合参数的数值均为随机选取。
在本实施例中,M=1000。
步骤3b)计算每组吻合参数Rm对应的吻合面模型H”和赋形反射面天线重力变形模型H'的法向误差均方根RMSm,得到法向误差均方根集合RMS={RMS1,RMS2,…,RMSm,…,RMSM},并将吻合参数的集合R中的M1组吻合参数Rtr及其对应的法向误差均方根集合RMS中M1个法向误差RMStr组成训练样本集Str={Rtr,RMStr},同时将R中剩余的M2组吻合参数及其对应的法向误差均方根集合RMS中M2个法向误差均方根组成测试样本集Ste={Rte,RMSte},其中, 分别表示Str第m1个吻合参数、法向误差均方根, 分别表示Ste中的第m2个吻合参数、法向误差均方根,M1+M2=M,M1>M2。
其中,吻合参数Rm对应的法向误差均方根RMSm的计算公式为:
在上式中,δnm表示吻合参数(Uxm,Uym,Uzm,θxm,θym,km)对应的H'中节点Bn到吻合面模型H”的最短距离。
在本实施例中,M1=800,M2=200。
步骤4)构建BP神经网络模型O:
构建包括输入层、J个隐藏层、输出层的BP神经网络模型O,其中,输入层和隐藏层中神经元的传递函数为f1,输出层中神经元的传递函数为f2,O的权重矩阵、偏置矩阵分别为W={W0,W1,W2,…,Wj,…,WJ,WJ+1}、b={b0,b1,b2,…,bj,…,bJ,bJ+1},输入层神经元数目为6,输出层神经元数目为1,J≥2,W0、b0分别表示输入层的权重矩阵、偏置矩阵,Wj、bj分别表示第j个隐藏层的权重矩阵、偏置矩阵,WJ+1、bJ+1分别表示输出层的权重矩阵、偏置矩阵。
在本实施例中,J=3,每一层隐藏层的神经元的数目依次为5、5、3。
步骤5)对BP神经网络模型O进行迭代训练:
步骤5a)初始化迭代次数为t,最大迭代次数为T,T≥100,当前BP神经网络模型为Ot,Ot的权值矩阵、偏置矩阵分别为Wt、bt,收敛误差为ε,ε≤1×10-3,并令t=1,Ot=O,Wt=W,bt=b。
在本实施例中,最大迭代次数T=100,收敛误差为ε=1×10-4。
步骤5b)将训练样本集Str作为BP神经网络模型Ot的输入,通过权重矩阵Wt、偏置矩阵bt、传递函数f1和f2、每个训练样本的吻合参数计算Ot输出的法向误差均方根预测值得到训练样本集Str对应的BP神经网络模型Ot输出的法向误差均方根预测值集合
步骤5c)采用均方误差损失函数,并通过每个法向误差均方根预测值及其对应的法向误差均方根值计算当前BP神经网络模型Ot的均方误差值LTr,然后求取LTr对权值矩阵Wt、偏置矩阵bt的偏导再采取梯度下降法,通过将在Ot中进行反向传播的方式对Wt、bt进行更新,得到更新后的Ot。
其中,当前BP神经网络模型Ot的均方误差值LTr,以及对Wt、bt进行更新,计算、更新公式分别为:
在本实施例中,α=0.01。
步骤5d)判断LTr<ε是否成立,若是,执行步骤5e),否则,执行步骤5f)。
步骤5e)将测试样本集Ste作为BP神经网络模型Ot的输入,通过通过权重矩阵Wt、偏置矩阵bt、传递函数f1和f2、每个训练样本的吻合参数计算Ot输出的法向误差均方根预测值得到测试样本集Ste对应的BP神经网络模型Ot的输出值集采用均方误差损失函数,通过并通过每个法向误差均方根预测值及其对应的法向误差均方根值计算当前神经网络模型Ot的测试集的均方误差值LTe,判断LTe<ε是否成立,若是,得到训练好的BP神经网络模型O*,否则,执行步骤5f)。
步骤5f)判断t≥T是否成立,若是,得到训练好的BP神经网络模型O*,否则,令t=t+1,并执行步骤5b)。
步骤6)获取赋形反射面天线最佳吻合参数的估计结果:
采用全局优化算法,将训练好的BP神经网络模型O*表示的由吻合参数到法向误差的映射关系作为评价函数y=g(x),并求取法向误差为最小值时y=g(x)对应的吻合参数,该吻合参数即为赋形反射面天线的最佳吻合参数。
在本实施例中,采用的全局优化算法为遗传算法,遗传算法的种群规模为40,最大迭代次数为200,选择算子采用轮盘赌法,交叉算子采用单点交叉算子,交叉概率为0.6,变异概率为0.1。
以上描述仅是本发明的具体实施例,不构成对本发明的任何限制。应当理解的是,对本领域专业技术人员来说,在了解本发明的原理后,根据上述说明对形式、细节和参数等加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (7)
1.一种基于BP神经网络的赋形反射面天线最佳吻合参数估计方法,其特征在于,包括如下步骤:
(1)构建赋形反射面天线模型、重力变形模型以及吻合面模型:
(1a)在坐标系OXYZ下构建焦距为f0且包含N个节点A={A1,A2,…,An,…AN}的赋形反射面天线模型H,该赋形反射面天线模型H的顶点位于坐标原点,焦轴与OZ轴重合,其中,N≥2000,An表示坐标为(xAn,yAn,zAn)的第n个节点,xAn、yAn、zAn分别表示An的x方向、y方向、z方向坐标;
(1b)通过对赋形反射面天线模型H施加重力,得到每个节点An产生变形位移Δn后的赋形反射面天线模型H',并确定每个节点An在赋形反射面天线重力变形模型H'中对应节点Bn的坐标(xBn,yBn,zBn),其中,xBn、yBn、zBn分别表示节点Bn的x方向、y方向、z方向坐标,xBn=xAn-Δxn,yBn=yAn-Δyn,zBn=zAn-Δzn,Δxn、Δyn、Δzn分别表示该节点An在x方向、y方向、z方向的变形位移;
(1c)将坐标系OXYZ下的赋形反射面天线模型H依次沿x轴、y轴、z轴平移Ux、Uy、Uz段距离,再将H依次绕x轴、y轴旋转θx度、θy度,然后在平移旋转变换后的坐标系O1X1Y1Z1下对赋形反射面天线模型H进行保形变换,即将赋形反射面天线模型H的焦距由f0变换为f1,得到H的吻合面模型H”;
(2)计算赋形反射面天线重力变形模型上的每个节点到吻合面模型的最短距离δn:
(2a)确定赋形反射面天线模型H中的每个节点An在吻合面模型H”中对应节点Cn的坐标(xCn,yCn,zCn),并拟合出(xCn,yCn,zCn)中zCn与xCn和yCn的映射关系zCn=f(xCn,yCn),同时计算赋形反射面天线重力变形模型H'中节点Bn在坐标系O1X1Y1Z1下的坐标(x'Bn,y'Bn,z'Bn),其中,xCn、yCn、zCn分别表示节点Cn在坐标系O1X1Y1Z1下的x方向、y方向、z方向坐标,xCn=xAn,yCn=yAn,zCn=zAn(1-k),k表示H”与H的焦距之差和H的焦距的比值,k=(f1-f0)/f0,x'Bn、y'Bn、z'Bn分别表示Bn在坐标系O1X1Y1Z1下的x方向、y方向、z方向坐标;
(2c)在坐标系O1X1Y1Z1下作一条垂直于平面O1X1Y1且通过节点第一直线l1,并通过直线l1与吻合面模型H”的交点作一个吻合面模型H”的切平面再作一条垂直于且通过节点第二直线l2,然后计算节点与直线l2和的交点之间的距离
(3)生成训练样本集和测试样本集:
(3a)初始化赋形反射面天线模型H在坐标系OXYZ下平移旋转变换M次,并将H每次沿x轴、y轴、z轴平移的距离Uxm、Uym、Uzm,绕x轴、y轴旋转的角度θxm、θym,以及H”与H的焦距之差和H的焦距的比值km组合成吻合参数Rm=(Uxm,Uym,Uzm,θxm,θym,km),得到包括M组吻合参数的集合R={R1,R2,…,Rm,…,RM},其中,M≥200;
(3b)计算每组吻合参数Rm对应的吻合面模型H”和赋形反射面天线重力变形模型H'的法向误差均方根RMSm,得到法向误差均方根集合RMS={RMS1,RMS2,…,RMSm,…,RMSM},并将吻合参数的集合R中的M1组吻合参数Rtr及其对应的法向误差均方根集合RMS中M1个法向误差均方根RMStr组成训练样本集Str={Rtr,RMStr},同时将R中剩余的M2组吻合参数及其对应的法向误差均方根集合RMS中M2个法向误差均方根组成测试样本集Ste={Rte,RMSte},其中, 分别表示Str第m1个吻合参数、法向误差均方根, 分别表示Ste中的第m2个吻合参数、法向误差均方根,M1+M2=M,M1>M2;
(4)构建BP神经网络模型O:
构建包括输入层、J个隐藏层、输出层的BP神经网络模型O,其中,输入层和隐藏层中神经元的传递函数为f1,输出层中神经元的传递函数为f2,O的权重矩阵、偏置矩阵分别为W={W0,W1,W2,...,Wj,...,WJ,WJ+1}、b={b0,b1,b2,...,bj,...,bJ,bJ+1},输入层神经元数目为6,输出层神经元数目为1,J≥2,W0、b0分别表示输入层的权重矩阵、偏置矩阵,Wj、bj分别表示第j个隐藏层的权重矩阵、偏置矩阵,WJ+1、bJ+1分别表示输出层的权重矩阵、偏置矩阵;
(5)对BP神经网络模型O进行迭代训练:
(5a)初始化迭代次数为t,最大迭代次数为T,T≥100,当前BP神经网络模型为Ot,Ot的权值矩阵、偏置矩阵分别为Wt、bt,收敛误差为ε,ε≤1×10-3,并令t=1,Ot=O,Wt=W,bt=b;
(5b)将训练样本集Str作为BP神经网络模型Ot的输入,通过权重矩阵Wt、偏置矩阵bt、传递函数f1和f2、每个训练样本的吻合参数计算Ot输出的法向误差均方根预测值得到训练样本集Str对应的BP神经网络模型Ot输出的法向误差均方根预测值集合
(5c)采用均方误差损失函数,并通过每个法向误差均方根预测值及其对应的法向误差均方根值计算当前BP神经网络模型Ot的均方误差值LTr,然后求取LTr对权值矩阵Wt、偏置矩阵bt的偏导再采取梯度下降法,通过将在Ot中进行反向传播的方式对Wt、bt进行更新,得到更新后的Ot;
(5d)判断LTr<ε是否成立,若是,执行步骤(5e),否则,执行步骤(5f);
(5e)将测试样本集Ste作为BP神经网络模型Ot的输入,通过权重矩阵Wt、偏置矩阵bt、传递函数f1和f2、每个训练样本的吻合参数计算Ot输出的法向误差均方根预测值得到测试样本集Ste对应的BP神经网络模型Ot的输出值集采用均方误差损失函数,通过每个法向误差均方根预测值及其对应的法向误差均方根值计算当前神经网络模型Ot的测试集的均方误差值LTe,判断LTe<ε是否成立,若是,得到训练好的BP神经网络模型O*,否则,执行步骤(5f);
(5f)判断t≥T是否成立,若是,得到训练好的BP神经网络模型O*,否则,令t=t+1,并执行步骤(5b);
(6)获取赋形反射面天线最佳吻合参数的估计结果:
采用全局优化算法,将训练好的BP神经网络模型O*表示的由吻合参数到法向误差的映射关系作为评价函数y=g(x),并求取法向误差为最小值时y=g(x)对应的吻合参数,该吻合参数即为赋形反射面天线的最佳吻合参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110969899.8A CN113722902B (zh) | 2021-08-23 | 2021-08-23 | 基于神经网络的赋形反射面天线最佳吻合参数估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110969899.8A CN113722902B (zh) | 2021-08-23 | 2021-08-23 | 基于神经网络的赋形反射面天线最佳吻合参数估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113722902A CN113722902A (zh) | 2021-11-30 |
CN113722902B true CN113722902B (zh) | 2022-09-06 |
Family
ID=78677360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110969899.8A Active CN113722902B (zh) | 2021-08-23 | 2021-08-23 | 基于神经网络的赋形反射面天线最佳吻合参数估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113722902B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094371A (zh) * | 2023-10-17 | 2023-11-21 | 北京航天驭星科技有限公司 | 天线指向标校模型的训练方法、标校系统和参数生成方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930570B (zh) * | 2016-04-15 | 2019-08-02 | 西安电子科技大学 | 一种赋形双反射面天线最佳吻合赋形面参数的计算方法 |
CN109255441A (zh) * | 2018-10-18 | 2019-01-22 | 西安电子科技大学 | 基于人工智能的航天器故障诊断方法 |
WO2021119875A1 (zh) * | 2019-12-15 | 2021-06-24 | 中国科学院深圳先进技术研究院 | 基于神经网络结构搜索的磁共振快速成像方法和装置 |
CN112926117A (zh) * | 2021-03-01 | 2021-06-08 | 郑州大学 | 一种基于bas-bp的桩基水平承载力预测方法 |
CN113033099B (zh) * | 2021-03-26 | 2022-05-03 | 电子科技大学 | 一种基于计算机视觉的天线形状的神经网络建模方法 |
-
2021
- 2021-08-23 CN CN202110969899.8A patent/CN113722902B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113722902A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019011026A1 (zh) | 基于聚类分析的复合材料结构有限元模型修正方法 | |
CN113722902B (zh) | 基于神经网络的赋形反射面天线最佳吻合参数估计方法 | |
CN108180918B (zh) | 一种点云测地路径正向跟踪生成方法及装置 | |
CN110673196B (zh) | 一种基于多维标定和多项式求根的时差定位方法 | |
CN111553034A (zh) | 一种基于插值方法的自由变形参数化方法 | |
CN109883387B (zh) | 在轨零重力状态下大型柔性天线形面的确定方法 | |
CN108153954B (zh) | 一种基于结构热类比的反射面天线温度快速重构方法 | |
CN112614186A (zh) | 目标位姿计算方法及计算模块 | |
CN116933386A (zh) | 一种基于mcok代理模型的飞行器气动数据融合方法 | |
CN112001038A (zh) | 基于面板调整矩阵的主动主反射面天线促动器调整量确定方法 | |
CN109631790B (zh) | 一种天线副反射面支撑腿变形在线测量装置及测量方法 | |
CN112329288B (zh) | 一种反射面天线的结构电磁一体化分析方法 | |
CN110427686B (zh) | 一种考虑约束条件的大刚体位移参量计算方法 | |
CN110687502B (zh) | 一种基于最小二乘定位的短波测向数据集标注方法 | |
CN112329291A (zh) | 一种反射面天线的热固耦合场计算方法 | |
CN109684771B (zh) | 基于交互式多模型的机动目标状态预测优化方法 | |
CN112904270A (zh) | 一种阵列模型误差下基于拟合模型的波达方向估计方法 | |
CN111598235A (zh) | 贝叶斯正则化反向传播神经网络坐标转换方法及装置 | |
CN101546350A (zh) | 线段集合距离度量下的车身封闭件匹配方法 | |
CN112329289B (zh) | 一种反射面天线的热固电磁三场耦合计算方法 | |
Mendoza Strilchuk | Structural-Electromagnetic Simulation Coupling and Conformal Antenna Design Tool | |
CN112329292B (zh) | 一种反射面天线的多物理耦合场计算方法 | |
CN110806559B (zh) | 一种基于双重正交匹配的无源定位稀疏恢复方法 | |
CN112949216B (zh) | 一种基于混合性能函数的在线寻峰数据处理方法 | |
CN117610405A (zh) | 实测数据结合迁移学习的高精度甚低频日变化预测方法 |
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 |