CN113964523A - 一种基于可重构透镜单元方向图的栅瓣抑制方法 - Google Patents

Abstract

本发明涉及天线阵列方向图技术领域，一种基于可重构透镜单元方向图的栅瓣抑制方法，根据透镜阵列参数基于差分进化算法计算出每个透镜单元的最优决策变量X_best，G来抑制栅瓣。本发明基于差分进化算法的可重构透镜天线阵列栅瓣抑制技术，利用透镜天线的可重构方向图，来等效打破阵面布局的周期性，从而达到抑制栅瓣的效果，保证大间距透镜阵列在大角度扫描范围内降低栅瓣的产生。

Description

一种基于可重构透镜单元方向图的栅瓣抑制方法

技术领域

本发明涉及天线阵列方向图技术领域，具体涉及一种基于可重构透镜单元方向图的栅瓣抑制方法。

背景技术

现有技术的大间距栅瓣抑制方法可以划分为两类：(1)非周期性阵面单元布局来抑制栅瓣：利用子阵级随机排布或采用单元不等间距布阵形式来打破阵面的周期性，从而抑制栅瓣；(2)阵列高效有源单元方向图综合：综合单元方向图零点位置和阵因子方向图栅瓣位置相对应，从而能量对消，抑制栅瓣。

非周期性阵面单元布局来抑制栅瓣的原理是打乱阵列中各个分子阵的周期性，再次分散栅瓣的能量。但是改变子阵或阵元的位置，会使得对应的馈电网络及射频组件不好排布，而且加工难度变大，不适合阵列规模化加工。

阵列高效有源单元方向图综合的原理是方向图相乘原理，即高效单元方向图与阵因子相乘以压低或者抑制栅瓣。但是当阵列规模较大时，特别是间距也很大，即阵因子的栅瓣位置很多时，如达到3λ，而且扫描角度也较大时，如45°扫描，难以通过综合有源单元方向图满足多零点和栅瓣位置相对应。

由于透镜天线口径较大，在对透镜天线进行布阵时，会得到的较大的阵间距，且该阵间距远大于半波长布阵的栅瓣抑制要求。阵列在大间距布局条件下，势必会产生高的栅瓣，从而影响天线的辐射性能，合理降低和规避栅瓣是设计大间距阵列时必须考虑的问题。

发明内容

本发明提供一种基于可重构透镜单元方向图的栅瓣抑制方法，克服了上述现有技术中存在的大间距布局条件下的栅瓣问题。

本发明通过下述技术方案实现：

一种基于可重构透镜单元方向图的栅瓣抑制方法，根据透镜阵列参数基于差分进化算法计算出每个透镜单元的最优决策变量X_best，G来抑制栅瓣。

作为优化，所述透镜阵列参数包括透镜单元的工作频率、透镜阵列的规模、透镜阵列的拓扑结构以及透镜单元可选方向图、目标扫描位置。

作为优化，差分进化算法计算出每个透镜单元的最优决策变量X_best，G的具体步骤为：

步骤1、透镜阵列的决策变量进行初始化，所述透镜阵列的决策变量为X_i，G；

步骤2、将初始化后的决策变量X_i，G代入评价函数Fit进行计算，若评价函数Fit大于设置的阈值，进入步骤3，否则，所述决策变量为最优决策变量X_best，G，输出最优决策变量X_best，G的值；

步骤3、对所述决策变量进行差分、交叉、选择的迭代运算，计算出新决策变量，返回步骤2。

作为优化，步骤3中，对所述决策变量进行差分运算的具体计算方式为：

其中，X_best，G代表第G次迭代中具有最优适应度值的个体(即得出的最优决策变量)，F是正参数，范围在[0,1]，称为缩放因子，用于控制差分扰动的程度，i代表透镜单元的位置。

作为优化，步骤3中，对所述决策变量进行交叉运算的具体计算方式为：

其中，rand_j是在[1,D]范围内随机生成的整数，D为向量维度，CR是交叉因子，在[0,1]范围内，同F一样都是控制差分进化算法的参数。

作为优化，步骤3中，对所述决策变量进行选择运算的具体计算方式为：

作为优化，所述最优决策变量X_best，G包括透镜单元可重构方向图分布的等效扫描方向图角度

和馈电相位α。

作为优化，评价函数Fit的表达式为：Fit＝PSLL-kG+C，其中，k为一正的权系数，C为一常数，PSLL为透镜单元的栅瓣值，G为透镜单元的增益。

作为优化，所述栅瓣值的表达式为

其中，q为第q个透镜单元的位置，θ∈[0，θ_max]，

α∈[0，360°]。

作为优化，所述增益G为G

其中，

为目标扫描位置。

本发明与现有技术相比，具有如下的优点和有益效果：

1.本发明基于差分进化算法的可重构透镜天线阵列栅瓣抑制技术，利用透镜天线的可重构方向图，来等效打破阵面布局的周期性，从而达到抑制栅瓣的效果，保证大间距透镜阵列在大角度扫描范围内降低栅瓣的产生。

2.本发明不改变阵元的位置，便于阵列规模化加工和馈电网络的设计，同时，栅瓣抑制效果更好。

附图说明

为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。在附图中：

图1为本发明所述的一种基于可重构透镜单元方向图的栅瓣抑制方法的算法流程图；

图2为实施例中透镜单元的线性排布俯视示意图；

图3为实施例中透镜单元的线性排布侧视示意图；

图4为实施例中透镜阵列法向方向图；

图5为实施例中透镜阵列40°扫描方向图(有栅瓣)；

图6为实施例中透镜阵列40°扫描方向图(无栅瓣)；

图7为实施例中透镜阵列45°方向图(无栅瓣)。

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明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例

本发明公开了一种基于可重构透镜单元方向图的栅瓣抑制方法，根据透镜阵列参数基于差分进化算法计算出每个透镜单元的最优决策变量X_best，G来抑制栅瓣。

对于透镜阵列，其方向图可以表示为：

其中E^(p)为透镜单元(天线)第p种可重构方向图，通过选取透镜天线不同的可重构方向图以非周期性来抑制栅瓣，Q为透镜单元的数量。优化的最终目的是寻找一组透镜天线可重构方向图的分布，即：

等效优化目标为寻找一组子阵的扫描方向图角度，即：

本发明提供的新的栅瓣算法包括下列步骤，算法流程如图1所示。

步骤A：输入透镜阵列参数，步骤B：基于差分进化算法。

具体的：

步骤A中，透镜阵列参数包括，工作频率，透镜阵列的规模、拓扑，透镜单元可选方向图，即透镜单元的最大扫描范围，目标扫描位置。

步骤B中，基于差分进化算法优化可重构透镜单元方向图的选择以及阵列馈电相位。

步骤B中还包括下述步骤:

步骤B1----步骤B2----步骤B3----步骤B4----步骤B5。

其中步骤B1初始化透镜阵列种群，选择透镜单元可重构方向图分布的等效扫描方向图角度

和馈电相位α作为初始变量，初始化馈电相位∝_q：

其中

为方向图要扫描到的目标扫描位置，x_q和y_q分别为透镜单元的位置的横坐标和纵坐标。

步骤B2评价函数的选择，目标是栅瓣抑制，优化问题可以写为

则，评价函数用栅瓣值和增益表示为

Fit＝PSLL-kG+C；

其中，k为一正的权系数，C为一常数，保证Fit>0，这样就可以避免后面步骤B3-B5的迭代终止，导致无法找到最优决策变量X_best，G。

当评价函数Fit满足阈值时，PSLL可以当做是栅瓣值的最小值，而增益G

为在目标扫描位置时的增益值，当扫描到目标扫描位置时，G

的值最大。

具体的如图2-3所示，步骤A，输入透镜阵列参数，如图2所示，8个透镜单元线性排布，单元间距3.8λ，透镜单元最大扫描范围(θ_max)±40°，目标扫描位置(45°，0°)和(40°，0°)。

步骤B中，基于差分进化算法优化可重构透镜单元方向图的选择以及阵列馈电相位。

步骤B中还包括下述步骤:

步骤B1----步骤B2----步骤B3----步骤B4----步骤B5。

其中步骤B1初始化种群，并计算优化问题的评价函数，决策变量即为优化目标X_i,G可表示为

式中i表示种群第i个个体，D表为向量维度，这里D＝3Q，Q为透镜单元的数量，设定种群规模NP，最大迭代次数G_max。选择透镜单元可重构方向图分布的等效扫描方向图角度

和馈电相位α作为初始变量，初始化馈电相位α_q。决策变量在搜索空间中受目标问题的约束，可以表示为下界x_min＝-θ_max，上界x_max＝θ_max，则初始种群可表示为

其中，rand(0,1)表示[0,1]区间中均匀分布的随机数，j为向量维度。

步骤B2评价函数的参数选择k＝0.2，C＝20。

Fit＝PSLL-kG+C；

步骤B3进行差分变异操作：

X_best，G是在第G次迭代中具有最优适应度值的个体。F是正参数，范围在[0,1]，称为缩放因子，用于控制差分扰动的程度。

步骤B4进行交叉操作，采用二项式交叉操作，以增强种群的多样性，本发明采用二项式交叉操作，以获得新的个体。

rand_j是在[1,D]范围内随机生成的整数，CR是交叉因子，在[0,1]范围内，同F一样都是控制DE算法的参数。

步骤B5进行选择操作，贪心地从父代个体和试验个体中选择适应度更优的个体，作为下一代的父个体。

通过以上三个步骤差分、变异、选择，一代又一代地重复进行，直到满足条件为止。

仿真结果：

3.8λ布阵的8×1个透镜单元线阵，当θmax＝40°时，法向的方向图如图4所示，副瓣电平-11.55dB，当40°扫描时，出现了严重的栅瓣，如图5所示，通过差分进化算法，选取透镜单元的可重构方向图，得到的结果如图6所示，栅瓣被压低，栅瓣为-11.62dB，栅瓣抑制效果明显。进一步扫描至45°时，通过差分进化算法，选取透镜单元的可重构方向图，得到的结果如图7所示，栅瓣被压低，栅瓣为-8.77dB，栅瓣抑制效果略有降低，仍然明显。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于可重构透镜单元方向图的栅瓣抑制方法，其特征在于，根据透镜阵列参数基于差分进化算法计算出每个透镜单元的最优决策变量X_best，G来抑制栅瓣。

2.根据权利要求1所述的一种基于可重构透镜单元方向图的栅瓣抑制方法，其特征在于，所述透镜阵列参数包括透镜单元的工作频率、透镜阵列的规模、透镜阵列的拓扑结构以及透镜单元可选方向图、目标扫描位置。

3.根据权利要求2所述的一种基于可重构透镜单元方向图的栅瓣抑制方法，其特征在于，差分进化算法计算出每个透镜单元的最优决策变量X_best，G的具体步骤为：

步骤1、透镜阵列的决策变量进行初始化，所述透镜阵列的决策变量为X_i，G；

步骤2、将初始化后的决策变量X_i，G代入评价函数Fit进行计算，若评价函数Fit大于设置的阈值，进入步骤3，否则，所述决策变量为最优决策变量X_best，G，输出最优决策变量X_best，G的值；

步骤3、对所述决策变量进行差分、交叉、选择的迭代运算，计算出新决策变量，返回步骤2。

4.根据权利要求3所述的一种基于可重构透镜单元方向图的栅瓣抑制方法，其特征在于，步骤3中，对所述决策变量进行差分运算的具体计算方式为：

其中，X_best，G代表第G次迭代中具有最优适应度值的个体，F是正参数，范围在[0，1]，称为缩放因子，用于控制差分扰动的程度，i代表透镜单元的位置。

5.根据权利要求4所述的一种基于可重构透镜单元方向图的栅瓣抑制方法，其特征在于，步骤3中，对所述决策变量进行交叉运算的具体计算方式为：

其中，rand_j是在[1，D]范围内随机生成的整数，D为向量维度，CR是交叉因子，在[0，1]范围内。

6.根据权利要求5所述的一种基于可重构透镜单元方向图的栅瓣抑制方法，其特征在于，步骤3中，对所述决策变量进行选择运算的具体计算方式为：

7.根据权利要求1-6任一所述的一种基于可重构透镜单元方向图的栅瓣抑制方法，其特征在于，所述最优决策变量X_best，G包括透镜单元可重构方向图分布的等效扫描方向图角度

和馈电相位α。

8.根据权利要求3-6任一所述的一种基于可重构透镜单元方向图的栅瓣抑制方法，其特征在于，评价函数Fit的表达式为：Fit＝PSLL-kG+C，其中，k为一正的权系数，C为一常数，PSLL为透镜单元的栅瓣值，G为透镜单元的增益。

9.根据权利要求8所述的一种基于可重构透镜单元方向图的栅瓣抑制方法，其特征在于，所述栅瓣值的表达式为

其中，q为第q个透镜单元的位置，θ∈[0，θ_max]，

α∈[0，360°]。

10.根据权利要求8所述的一种基于可重构透镜单元方向图的栅瓣抑制方法，其特征在于，所述增益G为G

其中，

为目标扫描位置。

Images