CN114117565A - 一种基于深度学习的平面阵列天线辐射方向图综合方法 - Google Patents
一种基于深度学习的平面阵列天线辐射方向图综合方法 Download PDFInfo
- Publication number
- CN114117565A CN114117565A CN202111382528.6A CN202111382528A CN114117565A CN 114117565 A CN114117565 A CN 114117565A CN 202111382528 A CN202111382528 A CN 202111382528A CN 114117565 A CN114117565 A CN 114117565A
- Authority
- CN
- China
- Prior art keywords
- neural network
- directional diagram
- layer
- array
- convolutional neural
- 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]
- G06F30/10—Geometric CAD
-
- 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
- G06N3/02—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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明提供了一种将深度学习应用于共形(不规则排布)阵列天线辐射方向图综合的方法。该方法包括：步骤1、根据方向图的设计要求，针对特定的天线阵列单元的排布方式利用正向解析法计算方向图样本集，并为样本集配置相应的方向图特征标签。步骤2、以方向图和方向图特征标签作为神经网络输入数据，阵列单元的激励分布作为输出，训练端到端的深度卷积神经网络结构参数，最终获得效果较好的卷积神经网络。步骤3：训练好的神经网络，在输入目标辐射方向图的特征要求后，输出对应阵列天线单元的幅度与相位信息。
Description
技术领域
本发明涉及智能算法与天线阵列辐射方向图综合技术领域，尤其涉及一种基于深度学习的平面阵列天线辐射方向图综合方法
背景技术
阵列天线就是由若干天线按照一定的排列方式和激励所组成的。由于阵列天线可以实现单个天线所不能实现的一些特殊指标如较强的方向性、较高的增益等而被广泛的应用在电子信息工程中。平面阵列常用的分析综合方法有Woodward综合法、Chebyshev综合法、Taylor综合法。然而随着阵列天线载体逐步演变，应对具体情境的天线阵设计日趋复杂，适应性要求也更高，如共形阵的设计等，在此类情况下，已有的几种阵列综合方法有着相当大的局限性。同时在天线方向图的生成方面，复杂的天线方向图在诸多领域中也有大量的需求与更加广阔的应用前景，如：利用5G信号进行通讯、利用雷达进行目标扫描与跟踪、利用微波进行成像等。在实际工程应用过程中天线阵列的单元数量有时较多，且排布的方式较为复杂，这时再利用已有的几种阵列综合方法计算各个天线单元所需的幅度与相位值效率较低且计算时间较长，往往不能满足工程上实时、快速的要求。
近些年来随着计算机技术的飞速发展深度学习作为人工智能的一条重要分支，被广泛的应用在诸多领域。由于深度学习的普适性广、可移植性强且善于处理模型复杂和计算量大的问题，很多的研究人员也将其应用在天线的研究领域上来解决相关问题。本专利提出一种方法基于深度学习的平面阵列天线辐射方向图综合方法，通过卷积神经网络来快速计算各个天线单元所需的激励幅度与相位的值，在计算效率上可以满足工程上所需的实时、快速的需求。
发明内容
针对天线单元排布方式复杂(在平面内不规则排布)的天线阵列，本文提出了一种将深度学习应用于共形(不规则排布)阵列天线辐射方向图综合的方法。
本发明提出了一种将深度学习应用于共形(不规则排布)阵列天线辐射方向图综合的方法，包括以下几个步骤：
步骤1：根据方向图的设计要求，针对特定的天线阵列单元的排布方式利用正向解析法计算方向图样本集，并为样本集配置相应的方向图特征标签。
步骤2：以方向图和方向图特征标签作为神经网络输入数据，阵列单元的激励分布作为输出，训练端到端的深度卷积神经网络结构参数，最终获得效果较好的卷积神经网络。
步骤3：训练好的神经网络，在输入目标辐射方向图的特征要求后，输出对应阵列天线单元的幅度与相位信息。
进一步地，步骤1具体为：
本专利对于指定排布方式的天线阵列，基于深度神经网络的训练数据特点，建立天线阵列激励与阵列辐射综合的参数化模型。采用正向解析法例如口径投影法、快速傅里叶变换法等，且不限于以上方法，快速计算获得具有一定特征要求的方向图样本集。
针对天线阵列辐射方向图的特征为：空间位置
处有最大的波束指向。计算生成一种二维矩阵作为方向图样本集的方向图特征标签，该二维矩阵的行数对应空间的水平角的范围(0°～360°)，列数对应空间俯仰角的范围(0°～90°)，行列之间间隔为1°，且Gauss函数在该空间位置处是全局最大值。
进一步地，步骤2具体为：
本专利中卷积神经网络的输入分为两个部分：一部分是天线阵列总辐射方向图，另一部分是方向图特征标签。
本专利中卷积神经网络的结构共由卷积层、最大池化层、标准化层(BatchNomalization)、Flatten层和全连接层组成。根据需要来添加特定数目的池化层来减小整个神经网络结构的大小。卷积层后连接标准化层(Batch Nomalization)使得卷积神经网络的输出效果好。全连接层的层数以及每层所含隐藏层的个数根据需要来添加但是最后一层的隐藏层的个数一定是天线单元的二倍。
本专利中卷积神经网络的输出是每个天线单元激励的幅度与相位的值。除了输出层，其他所有层的激活函数都使用ReLU，输出层不使用激活函数。反向传播过程中使用Adam优化算法来更新网络权重。卷积神经网络中使用均方对数误差(MSLE)作为损失函数。
本发明的有益效果：本发明提出了一种基于深度学习的共形(不规则排布)阵列辐射方向图综合的方法。设计了深度卷积神经网络结构，与目标辐射方向图特征要求的描述策略。通过构建特有的神经网络结构，训练各个层之间的参数，从而拟合出共形阵列的辐射方向图与天线单元激励之间的关系。训练后的卷积神经网络可以求解出各天线单元的激励幅度与相位的信息，且求解效率较高，计算速度较快。
附图说明
图1是本发明中基于深度学习的共形(不规则排布)阵列辐射方向图综合方法的流程图
图2是本发明中一种天线单元位置排布方式图和生成的具有一定特征的方向图样本集中的某一个 样本图
图3是本发明中卷积神经网络结构图
图4是本发明中训练好的神经网络，在输入目标辐射方向图的特征要求后，输出结果图
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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施提供了一种基于深度学习的共形(不规则排布)阵列辐射方向图综合的方法，该方法包括以下步骤：
S101、根据方向图的设计要求，针对特定的天线阵列单元的排布方式利用正向解析法计算方向图样本集，并为样本集配置相应的方向图特征标签；
具体地，本专利对于指定排布方式的天线阵列，基于深度神经网络的训练数据特点，建立天线阵列激励与阵列辐射综合的参数化模型。采用正向解析法例如口径投影法、快速傅里叶变换法等，且不限于以上方法，快速计算获得具有一定特征要求的方向图样本集。
例如，如图2所示：在一种矩形区域内将100个天线单元进行随机散乱排布，采用正向解析法快速计算获得具有空间位置
处有最大的波束指向方向图样本集。
针对天线阵列辐射方向图的特征为：空间位置
处有最大的波束指向。计算生成一种二维矩阵作为方向图样本集的方向图特征标签，该二维矩阵的行数对应空间的水平角的范围(0°～360°)，列数对应空间俯仰角的范围(0°～90°)，行列之间的间隔为1°，且Gauss函数在该空间位置处是全局最大值。
S102、以方向图作为神经网络输入数据，阵列单元的激励分布作为输出，训练端到端的深度卷积神经网络结构参数，最终获得效果较好的卷积神经网络；
具体地，卷积神经网络的输入分为两个部分：一部分是天线阵列总辐射方向图，另一部分是方向图特征标签。卷积神经网络的结构如图3所示，共由9层组成；5个卷积层和4个全连接层。
总共使用了5个卷积层，每一层的输入被零填充保持恒定的输出形状。每个卷积层后连接一个尺寸大小为2×2的最大池化层，用来减小整个神经网络的尺寸，使之容易训练。最后一个卷积层后连接一个标准化层(Batch Nomalization)为了获得更好的训练效果。
卷积层后使用Flatten层，目的是将多维输入一维化，它是卷积层和全连接层的过渡。Flatten层后连接4个全连接层，分别有1024、512、100、200隐藏层。卷积神经网络的输出是每个天线单元激励的幅度与相位的值。除了输出层，其他所有层的激活函数都使用ReLU。输出层不使用激活函数。反向传播过程中使用Adam优化算法来更新网络权重。卷积神经网络中使用均方对数误差(MSLE)作为损失函数。
S103、训练好的神经网络，在输入目标辐射方向图的特征要求后，输出对应阵列天线单元的幅度与相位信息，输出结果如图4所示。
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。
Claims (3)
1.一种基于深度学习的平面阵列天线辐射方向图综合方法
步骤1：根据方向图的设计要求，针对特定的天线阵列单元的排布方式利用正向解析法计算方向图样本集，并为样本集配置相应的方向图特征标签。
步骤2：以方向图和方向图特征标签作为神经网络输入数据，阵列单元的激励分布作为输出，训练端到端的深度卷积神经网络结构参数，最终获得效果较好的卷积神经网络。
步骤3：训练好的神经网络，在输入目标辐射方向图的特征要求后，输出对应阵列天线单元的幅度与相位信息。
2.根据权利要求1所述的方法，其特征在于，步骤1具体为：
本专利对于指定排布方式的天线阵列，基于深度神经网络的训练数据特点，建立天线阵列激励与阵列辐射综合的参数化模型。采用正向解析法例如口径投影法、快速傅里叶变换法等，且不限于以上方法，快速计算获得具有一定特征要求的方向图样本集。
针对天线阵列辐射方向图的特征为：空间位置
处有最大的波束指向。计算生成一种二维矩阵作为方向图样本集的方向图特征标签，该二维矩阵的行数对应空间的水平角的范围(0°～360°)，列数对应空间俯仰角的范围(0°～90°)，行列之间的间隔为1，且Gauss函数在该空间位置处是全局最大值。
3.根据权利要求1所述的方法，其特征在于，步骤2具体为：
本专利中卷积神经网络的输入分为两个部分：一部分是天线阵列总辐射方向图，另一部分是方向图特征标签。
本专利中卷积神经网络的结构共由卷积层、最大池化层、标准化层(BatchNomalization)、Flatten层和全连接层组成。根据需要来添加特定数目的池化层来减小整个神经网络结构的大小。卷积层后连接标准化层(Batch Nomalization)使得卷积神经网络的输出效果好。全连接层的层数以及每层所含隐藏层的个数根据需要来添加但是最后一层的隐藏层的个数一定是天线单元的二倍。
本专利中卷积神经网络的输出是每个天线单元激励的幅度与相位的值。除了输出层，其他所有层的激活函数都使用ReLU，输出层不使用激活函数。反向传播过程中使用Adam优化算法来更新网络权重。卷积神经网络中使用均方对数误差(MSLE)作为损失函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111382528.6A CN114117565A (zh) | 2021-11-22 | 2021-11-22 | 一种基于深度学习的平面阵列天线辐射方向图综合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111382528.6A CN114117565A (zh) | 2021-11-22 | 2021-11-22 | 一种基于深度学习的平面阵列天线辐射方向图综合方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114117565A true CN114117565A (zh) | 2022-03-01 |
Family
ID=80438938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111382528.6A Pending CN114117565A (zh) | 2021-11-22 | 2021-11-22 | 一种基于深度学习的平面阵列天线辐射方向图综合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114117565A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116192206A (zh) * | 2023-03-03 | 2023-05-30 | 电子科技大学 | 基于广义回归神经网络的大规模共形阵实时波束综合方法 |
| CN117610317A (zh) * | 2024-01-19 | 2024-02-27 | 湖北工业大学 | 基于深度学习的多bit超表面相位排布优化方法 |
| CN117892641A (zh) * | 2024-03-18 | 2024-04-16 | 艾索信息股份有限公司 | 阵列天线的模型训练方法、预测方法、装置、设备及介质 |
-
2021
- 2021-11-22 CN CN202111382528.6A patent/CN114117565A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116192206A (zh) * | 2023-03-03 | 2023-05-30 | 电子科技大学 | 基于广义回归神经网络的大规模共形阵实时波束综合方法 |
| CN116192206B (zh) * | 2023-03-03 | 2023-09-12 | 电子科技大学 | 基于广义回归神经网络的大规模共形阵实时波束综合方法 |
| CN117610317A (zh) * | 2024-01-19 | 2024-02-27 | 湖北工业大学 | 基于深度学习的多bit超表面相位排布优化方法 |
| CN117610317B (zh) * | 2024-01-19 | 2024-04-12 | 湖北工业大学 | 基于深度学习的多bit超表面相位排布优化方法 |
| CN117892641A (zh) * | 2024-03-18 | 2024-04-16 | 艾索信息股份有限公司 | 阵列天线的模型训练方法、预测方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114117565A (zh) | 一种基于深度学习的平面阵列天线辐射方向图综合方法 | |
| CN107589399B (zh) | 基于多采样虚拟信号奇异值分解的互质阵列波达方向估计方法 | |
| CN112100701B (zh) | 基于遗传算法的二维分布式天线子阵位置优化方法 | |
| CN104993251B (zh) | 一种大型平面阵列天线方向图综合级联优化方法 | |
| Shan et al. | Phase synthesis of beam-scanning reflectarray antenna based on deep learning technique | |
| CN110244273A (zh) | 一种基于均匀分布式阵列的目标角度估计方法 | |
| CN108306667A (zh) | 大规模mimo中基于线性搜索的混合到达角估计 | |
| CN107658573B (zh) | 一种基于量子搜寻者搜索机制的圆环阵方向图综合方法 | |
| CN114330695A (zh) | 一种基于多层感知神经网络的相控阵驱动方法 | |
| 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 | |
| CN113158485B (zh) | 近场条件下电大尺寸目标的电磁散射仿真方法 | |
| CN106886648B (zh) | 一种三元矢量合成控制优化方法 | |
| CN110427669B (zh) | 一种相控阵扫描辐射波束的神经网络模型计算方法 | |
| CN104950290A (zh) | 基于加权k均值聚类的大型相控阵天线子阵划分方法 | |
| Ding et al. | Antenna optimization based on auto-context broad learning system | |
| CN116192206B (zh) | 基于广义回归神经网络的大规模共形阵实时波束综合方法 | |
| CN112115597A (zh) | 基于时间调制稀疏阵列的最小阵元数目优化方法 | |
| CN115146544A (zh) | 一种采用知识和数据混合驱动的阵列天线设计方法 | |
| Li et al. | Novel subarray partition algorithm for solving the problem of too low beam collection efficiency caused by dividing a few subarrays | |
| CN109547083B (zh) | 一种基于神经网络的平顶波束赋形方法 | |
| CN111368256A (zh) | 一种基于均匀圆阵的单快拍测向方法 | |
| CN113341371B (zh) | 一种基于l阵和二维esprit算法的doa估计方法 | |
| CN108170888A (zh) | 基于最小化加权向量动态范围的波束图综合设计方法 | |
| CN114065486A (zh) | 一种基于新的优化问题的快速阵列天线方向图综合方法 | |
| CN109190193B (zh) | 基于果蝇算法的子阵级相控阵天线方向图综合方法 |
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 |