CN114399044A - 一种子阵级稀疏阵列发射波束旁瓣电平优化方法 - Google Patents
一种子阵级稀疏阵列发射波束旁瓣电平优化方法 Download PDFInfo
- Publication number
- CN114399044A CN114399044A CN202111528390.6A CN202111528390A CN114399044A CN 114399044 A CN114399044 A CN 114399044A CN 202111528390 A CN202111528390 A CN 202111528390A CN 114399044 A CN114399044 A CN 114399044A
- Authority
- CN
- China
- Prior art keywords
- population
- individuals
- array
- genes
- individual
- 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
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Genetics & Genomics (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明公开了一种子阵级稀疏阵列发射波束旁瓣电平优化方法,方法包括:获取Ka波段阵列雷达的相关参数;对整个阵列进行均匀子阵划分,得到子阵位置和子阵个数;初始化种群参数并进行编码操作,其中,种群参数包括初始种群、当前迭代代数、最大迭代次数,所述初始种群包括NP个个体,每个所述个体的维数为所述阵列中所有子阵的个数;根据遗传算法处理当前种群,得到第一最优个体;根据改进遗传算法处理当前种群,得到第二最优个体;对所述第一最优个体和所述第二最优个体进行比较,得到最佳优化效果。本发明在满足稀疏率的前提下,引入子阵划分方法,将原来的阵列均匀划分成多个子阵,然后根据方向图相乘定理进行DBF,提高了运算速度。
Description
技术领域
本发明属于雷达技术领域,具体涉及一种子阵级稀疏阵列发射波束旁瓣电平优化方法。
背景技术
目前,稀疏阵列发射波束旁瓣电平优化问题是大规模阵列信号处理领域的一个研究难点。这是因为传统的稀疏阵列发射波束形成技术绝大多数是基于阵元级的雷达天线阵列来进行研究的,但是随着大型雷达阵列的推广使用,阵元级的波束形成技术的缺陷也日渐凸显了它的弊端:运算量巨大,系统实现软硬件成本高等。因此,先通过将大规模的雷达天线阵列划分成若干个规模较小的子阵列,通对稀疏子阵列的位置来进行数字波束形成,是一种快捷有效的解决方法。这样通过利用单个的小型的子阵列的输出信息,可以有效的降低整体运算量、加快收敛速度同时可以在很大程度上减少软硬件成本。
遗传算法是在给定阵列几何形状、阵列稀疏率和子阵列形状的前提下,通过适当选取一些子阵列来最大限度地降低阵列的最大相对旁瓣电平。
但标准遗传算法的迭代速度慢,迭代效果稍有改进,因而子阵级阵列波束旁瓣电平优化结果较差。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种子阵级稀疏阵列发射波束旁瓣电平优化方法。本发明要解决的技术问题通过以下技术方案实现:
一种子阵级稀疏阵列发射波束旁瓣电平优化方法,所述优化方法包括:
步骤1、获取Ka波段阵列雷达的相关参数,所述相关参数包括孔径、工作频率、每个子阵的规模和阵列的稀疏率;
步骤2、对整个阵列进行均匀子阵划分,得到子阵位置和子阵个数,并确定子阵内波束指向和子阵间波束指向;
步骤3、初始化种群参数并进行编码操作,其中,种群参数包括初始种群、当前迭代代数、最大迭代次数,所述初始种群包括NP个个体,每个所述个体的维数为所述阵列中所有子阵的个数;
步骤4、根据遗传算法处理当前种群,得到第一最优个体;
步骤5、根据改进遗传算法处理当前种群,得到第二最优个体;
步骤6、对所述第一最优个体和所述第二最优个体进行比较,得到最佳优化效果。
在本发明的一个实施例中,对整个阵列进行均匀子阵划分,得到子阵位置和子阵个数,包括:
在阵元间距为半波长时,利用所述孔径和每个所述子阵的规模对整个所述阵列进行均匀子阵划分,得到子阵位置和子阵个数。
在本发明的一个实施例中,所述个体的初始参数值为:
fji,0=randn[0,1],i=1,2,…,NP;j=1,2,…,L
式中,randn[0,1]表示在[0,1]之间产生的符合高斯分布的随机数,令每个所述个体中最大的NL个基因的值为1,剩下的基因的值为0,L为每个所述个体的基因数量,NL为稀疏后所述子阵的数量。
在本发明的一个实施例中,所述步骤4包括:
步骤4.1、对所述当前种群的所有个体使用轮盘赌选择法,得到第一种群,所述第一种群包括若干用于交叉的个体;
步骤4.2、将所述第一种群中相邻的奇数位的个体和偶数位的个体以第一交叉概率Pc进行交叉操作,得到第二种群,所述第二种群包括若干用于变异的个体;
步骤4.3、基于第一变异概率Pm,对所述第二种群中的所述个体进行变异操作,得到第三种群,所述第三种群包括若干变异后的个体;
步骤4.4、判断所述第三种群中所述个体的基因个数与NL的关系,若所述第三种群中所述个体的基因个数大于NL个,则从状态为1的基因中随机选择预设数量的基因,将该基因的工作状态设置为0,以得到第四种群,若所述第三种群中所述个体的基因个数小于NL个时,则从状态为0的基因中随机选择预设数量的基因,将该基因的工作状态设置为1,以得到第四种群,其中,NL为稀疏后所述子阵的数量,所述预设数量为所述第三种群中所述个体的基因个数与NL之间的差额;
步骤4.5、判断所述当前迭代次数是否达到所述最大迭代次数,若否,则循环执行步骤4.1至4.5,若是,则将所述第四种群中适应度值最大的个体作为第一最优个体。
在本发明的一个实施例中,所述步骤4.2包括:
将所述第一种群中相邻的奇数位的个体和偶数位的个体作为需要交配的一对配对个体,从第一序列[1,L-1]中随机选取整数K1个为1的位置作为交叉点位置,在区间[0,1]中产生一个随机数r1,若所述随机数r1小于所述第一交叉概率Pc,则配对个体在交叉位置处相互交换各自的部分基因,以得到新的个体,所有新的个体组成所述第二种群,L为位串长度。
在本发明的一个实施例中,所述步骤4.3包括:
在所述第二种群中,在区间[0,1]中产生一个随机数r2,如果随机数r2小于所述第一变异概率Pm,则将第(j,i)个基因作为变异基因,若所述变异基因的基因值为1,则其基因值变为0,若所述变异基因的基因值为0,则其基因值变为1,以得到新的个体,所有新的个体组成所述第三种群,其中,j=1~N,i=1~NP,N为所述个体中数字的个数。
在本发明的一个实施例中,所述步骤5包括:
步骤5.1、从所述当前种群的所有个体中选择适应度值最大的个体作为用于交叉的个体;
步骤5.2、利用所述步骤5.1所选择的用于交叉的个体与所述当前种群中其他偶数位的所有个体以第二交叉概率Pc进行交叉操作,得到第五种群,所述第五种群包括若干用于变异的个体;
步骤5.3、基于第二变异概率Pm,将所述第五种群中的所有个体的若干基因进行多点变异操作,得到第六种群;
步骤5.4、将所述第六种群的个体和所述步骤5.1的父代种群的个体进行适应度值排序,选取所述适应度值较大的前NP个个体组成第七种群;
步骤5.5、判断所述第七种群中所述个体的阵元个数与NL的关系,若所述第七种群中所述个体的阵元个数大于NL个,则从状态为1的阵元中随机选择预设数量的阵元,将该阵元的工作状态设置为0,以得到第八种群,若所述第七种群中所述个体的阵元个数小于NL个时,则从状态为0的阵元中随机选择预设数量的阵元,将该阵元的工作状态设置为1,以得到第八种群,其中,NL为稀疏后所述子阵的数量,所述预设数量为所述第七种群中所述个体的阵元个数与NL之间的差额;
步骤5.6、判断所述当前迭代次数是否达到所述最大迭代次数,若否,则循环执行步骤5.1至5.6,若是,则将所述第八种群中适应度值最大的个体作为第二最优个体。
在本发明的一个实施例中,所述步骤5.2包括:
将利用所述步骤5.1所选择的用于交叉的个体与所述当前种群中处于偶数位的个体作为需要交配的一对配对个体,从第二序列[1,L-1]中随机选取整数K2个为1的位置作为交叉点位置,在区间[0,1]中产生一个随机数r3,若所述随机数r3小于所述第二交叉概率Pc,则配对个体在交叉位置处相互交换各自的部分基因,以得到新的个体,所有新的个体组成所述第五种群,L为位串长度。
在本发明的一个实施例中,所述步骤5.4包括:
在区间[0,1]中产生一个随机数r2,如果随机数r2小于所述第二变异概率Pm,则将在所述第五种群中的个体中随机选取的部分基因进行变异操作,若基因的基因值为1,则其基因值变为0,若基因的基因值为0,则其基因值变为1,以得到新的个体,所有新的个体组成所述第六种群。
在本发明的一个实施例中,所述适应度值通过适应度函数计算得到,所述适应度函数为:
其中,max表示求最大值函数,S1表示θ=θ0时方位维方向图的旁瓣区间,S2表示时方位维方向图的旁瓣区间,θ表示俯仰角,表示方位角,θ0表示在俯仰维的期望方向,表示在方位角的期望方向, 表示所述子阵内的方向图函数,表示所述子阵间的方向图函数。
本发明的有益效果:
本发明在满足稀疏率的前提下,引入子阵划分方法,将原来的阵列均匀划分成多个子阵,然后根据方向图相乘定理进行DBF,提高了运算速度。
本发明提供的基于改进遗传算法的子阵级稀疏阵列发射波束旁瓣电平优化方法,利用“君主方案”,即在标准遗传算法的选择和交叉操作上进行改进,所以在保证阵列孔径不变的同时,优化结果有很大的改善。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种子阵级稀疏阵列发射波束旁瓣电平优化方法的流程示意图;
图2是本发明实施例提供的一种子阵级稀疏阵列发射波束旁瓣电平优化方法的流程图;
图3是本发明实施例提供的一种在给定阵列孔径情况下子阵划分后的结果;
图4是本发明实施例提供的一种在满阵情况下进行二维DBF后的发射波束方向图;
图5是本发明实施例提供的一种在给定稀疏率的情况下随机选取子阵后的子阵分布图;
图6是本发明实施例提供的一种对阵列随机稀疏后进行二维DBF后的发射波束方向图;
图7是本发明实施例提供的一种在给定稀疏率的情况下使用遗传(GA)算法进行子阵位置优化后的子阵分布图;
图8是本发明实施例提供的一种对阵列GA稀疏后进行二维DBF后的发射波束方向图;
图9是本发明实施例提供的一种在给定稀疏率的情况下使用改进遗传算法进行子阵位置优化后的子阵分布图;
图10是本发明实施例提供的一种对阵列使用改进GA算法稀疏后进行二维DBF后的发射波束方向图;
图11是本发明实施例提供的一种对不同情况下得到的阵列发射波束方向图在期望方向上进行切面,得到俯仰维波束对比图;
图12是本发明实施例提供的一种对不同情况下得到的阵列发射波束方向图在期望方向上进行切面,得到方位维波束对比图;
图13是本发明实施例提供的一种标准遗传算法和改进遗传算法的适应度进化曲线对比图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
请参见图1和图2,图1是本发明实施例提供的一种子阵级稀疏阵列发射波束旁瓣电平优化方法的流程示意图,图2是本发明实施例提供的一种子阵级稀疏阵列发射波束旁瓣电平优化方法的流程图。本发明实施例提供一种子阵级稀疏阵列发射波束旁瓣电平优化方法,该子阵级稀疏阵列发射波束旁瓣电平优化方法包括步骤1至步骤6,其中:
步骤1、获取Ka波段阵列雷达的相关参数,相关参数包括孔径、工作频率、每个子阵的规模和阵列的稀疏率。
步骤2、对整个阵列进行均匀子阵划分,得到子阵位置和子阵个数,并确定子阵内波束指向和子阵间波束指向。
具体地,在阵元间距为半波长时,利用孔径、阵元位置的间距和每个子阵的规模来对整个阵列进行均匀子阵划分,以得到子阵位置和子阵个数。
例如,请参见图3,有1764个阵元,假定子阵规模是3*3,则可以划分成196个子阵,每个子阵里有9个阵元。
步骤3、初始化种群参数并进行编码操作,其中,种群参数包括初始种群、当前迭代代数、最大迭代次数,初始种群包括NP个个体,每个个体的维数为阵列中所有子阵的个数。
具体地,初始化种群参数并进行编码操作,设置进化代数计数器g=0,设置最大迭代次数为G,产生一个满足一定稀疏率的二进制初始种群,随机生成NP个个体作为初始种群,每个个体的维数就是阵列中所有子阵的个数,其中每个个体表示为fi,g(i=1,2,…,NP),i表示个体在对应种群中的序号,g表示遗传代数,NP表示一个种群中个体的数量。
种群的个体要进行初始编码,以建立优化的搜索初始点。设稀疏后子阵的个数为NL个,假定所有随机初始化的种群均符合高斯分布。则个体的初始参数值可由下式获得:
fji,0=randn[0,1],i=1,2,…,NP;j=1,2,…,L
式中,randn[0,1]表示在[0,1]之间产生的符合高斯分布的随机数,令每个个体中最大的NL个基因(即子阵)的值为1,剩下的基因的值为0,L为每个个体的基因数量。
对这个种群中的每一个个体进行适应度计算,首先计算子阵级稀疏面阵二维发射波束方向图,子阵级稀疏面阵二维发射波束方向图可以视为是大规模的整体天线阵列所划分的每一个单独的规模较小的子阵列上的方向图与子阵之间方向图的乘积的结果。子阵内的方向图函数为:
子阵间的方向图函数为:
其中,fmn表示相应阵元的工作状态,fmn=1表示相应位置上有子阵;fmn=0表示相应位置上没有子阵。
根据最大旁瓣电平(MSLL)的定义,取适应度函数为方位维方向图最大旁瓣电平与俯仰维方向图最大旁瓣电平的和,即适应度函数为::
式中,max表示求最大值函数,S1表示θ=θ0时方位维方向图的旁瓣区间,S2表示时方位维方向图的旁瓣区间,θ表示俯仰角,表示方位角,θ0表示在俯仰维的期望方向,表示在方位角的期望方向,表示所述子阵内的方向图函数,表示所述子阵间的方向图函数。
步骤4、根据遗传算法处理当前种群,得到第一最优个体。
步骤4.1、对当前种群的所有个体使用轮盘赌选择法,得到第一种群,第一种群包括若干用于交叉的个体。
具体地,采用“轮盘赌”的选择法,利用各个个体适应度值所占比例的大小来决定其子代保留的可能性。若某个个体的适应度值为fiti,种群大小为NP,则它被选取的概率表示为:个体适应度越值大,则其被选择的机会也越大;反之亦然。为了选择交叉个体,需要进行多轮选择,例如进行个体数量的一半的轮数的选择。每一轮产生一个[0,1]内的均匀随机数,将该随机数与概率pi进行比较,若随机数大于概率pi,则选择该个体,若小于,则不选择。
步骤4.2、将第一种群中相邻的奇数位的个体和偶数位的个体以第一交叉概率Pc进行交叉操作,得到第二种群,第二种群包括若干用于变异的个体。
具体地,首先,将第一种群中相邻的奇数位的个体和偶数位的个体作为需要交配的一对配对个体,例如,第1个个体和第2个个体配成一对,第3个个体和第4个个体配成一对,以此类推;然后,从第一序列[1,L-1]中随机选取整数K1个为1的位置作为交叉点位置,其中,L为位串长度,因第一序列的长度和一个个体中基因数量一样,也即L为每个个体的基因数量,该第一序列为由0和1组成的序列,每个位置的数值随机生成,K1为第一序列中位置为1的数量;最后,在区间[0,1]中产生一个随机数r1,若随机数r1小于第一交叉概率Pc,则配对个体在交叉位置处相互交换各自的部分基因,即将配对的两个个体在交叉位置处的基因进行互换,以得到新的个体,所有新的个体组成第二种群。
步骤4.3、基于第一变异概率Pm,对第二种群中的个体进行变异操作,得到第三种群,第三种群包括若干变异后的个体。
具体地,在第二种群中,在区间[0,1]中产生一个随机数r2,如果随机数r2小于第一变异概率Pm,则将第(j,i)个基因x(j,i)作为变异基因,若变异基因的基因值为1,则其基因值变为0,若变异基因的基因值为0,则其基因值变为1,以得到新的个体,所有新的个体组成第三种群,其中,j=1~N,i=1~NP,N为个体中数字的个数。
步骤4.4、要确保新生成种群中每个个体的稀疏率不变,即0、1值的个数保持不变,则判断第三种群中个体的基因个数与NL的关系,若第三种群中个体的基因个数大于NL个,则从状态为1的基因中随机选择预设数量的基因,将该基因的工作状态设置为0,以得到第四种群,若第三种群中个体的基因个数小于NL个时,则从状态为0的基因中随机选择预设数量的基因,将该基因的工作状态设置为1,以得到第四种群,其中,NL为稀疏后子阵的数量,预设数量为第三种群中个体的基因个数与NL之间的差额。
步骤4.5、判断当前迭代次数是否达到最大迭代次数,若否,则循环执行步骤4.1至4.5,直到达到最大迭代次数,若是,则将第四种群中适应度值最大的个体作为第一最优个体。
步骤5、根据改进遗传算法处理当前种群,得到第二最优个体。
步骤5.1、从当前种群的所有个体中选择适应度值最大的个体作为用于交叉的个体。
步骤5.2、利用步骤5.1所选择的用于交叉的个体与当前种群中其他偶数位的所有个体以第二交叉概率Pc进行交叉操作,得到第五种群,第五种群包括若干用于变异的个体。
具体地,首先,将利用步骤5.1所选择的用于交叉的个体与当前种群中其他偶数位的个体作为需要交配的一对配对个体;然后,从第二序列[1,L-1]中随机选取整数K2个为1的位置作为交叉点位置,该第二序列为由0和1组成的序列,每个位置的数值随机生成,K2为第二序列中位置为1的数量;最后,在区间[0,1]中产生一个随机数r3,若随机数r3小于第二交叉概率Pc,则配对个体在交叉位置处相互交换各自的部分基因,即将配对的两个个体在交叉位置处的基因进行互换,以得到新的个体,所有新的个体组成第五种群。
步骤5.3、基于第二变异概率Pm,将第五种群中的所有个体的若干基因进行多点变异操作,得到第六种群。
具体地,在区间[0,1]中产生一个随机数r2,如果随机数r2小于第二变异概率Pm,则将在第五种群中的个体中随机选取的部分基因进行变异操作,若基因的基因值为1,则其基因值变为0,若基因的基因值为0,则其基因值变为1,以得到新的个体,所有新的个体组成第六种群,例如每个个体中共50个基因,随机选取10个进行变异操作。
步骤5.4、将第六种群的个体和步骤5.1的父代种群进行合并,并将进行合并后的个体进行适应度值排序,选取适应度值较大的前NP个个体组成第七种群。
步骤5.5、要确保新生成种群中每个个体的稀疏率不变,即0、1值的个数保持不变,则判断第七种群中个体的基因个数与NL的关系,若第七种群中个体的基因个数大于NL个,则从状态为1的基因中随机选择预设数量的基因,将该基因的工作状态设置为0,以得到第八种群,若第七种群中个体的基因个数小于NL个时,则从状态为0的基因中随机选择预设数量的基因,将该基因的工作状态设置为1,以得到第八种群,其中,NL为稀疏后子阵的数量,预设数量为第七种群中个体的基因个数与NL之间的差额。
步骤5.6、判断当前迭代次数是否达到最大迭代次数,若否,则循环执行步骤5.1至5.6,直到达到最大迭代次数,若是,则将第八种群中适应度值最大的个体作为第二最优个体。
步骤6,对第一最优个体和第二最优个体进行比较,得到最佳优化效果。
具体地,根据步骤4和步骤5得到的两种结果,结合不稀疏(即满阵)和随机稀疏的情况,分别画出方位维和俯仰维的发射波束方向图对比结果进行选择,结果表明,采用改进遗传算法,其迭代效果较好。
综上,本发明实施例提高了Ka波段子阵级稀疏平面阵列旁瓣电平优化过程,可适用于一般的中小规模稀疏阵列雷达系统。
为了验证本发明实施例提供的基于改进遗传算法的子阵级稀疏阵列发射波束旁瓣电平优化方法的有效性,发明人进行了仿真实验,下面对仿真实验的情况进行进一步的说明:
(1)仿真条件:首先说明改进遗传算法的仿真条件,个体数量40,交叉概率0.8,变异概率0.1,迭代次数500次;其次说明平面阵列仿真条件,工作频率33GHz,平面阵列大小为0.2m*0.2m,阵元按半波长分布,每个子阵内有3*3个阵元,阵列稀疏率40%,子阵内和子阵间的二维波束指向均为(0°,0°),阵列在方位维和俯仰维的扫描范围均为-40°~40°。此外,实验过程中数据的产生以及处理均在MATLAB软件2016a版本上完成,共模拟了四种场景,详细情况如下:
实验场景1:阵元数为1764,阵列类型为平面阵,工作波长λ为0.0091米,阵元间距d为半波长,按照设定条件,可将平面阵分成196个子阵,每个子阵内有9个阵元,阵列俯仰维和方位维的扫描范围均为-40°~40°。
实验场景1的仿真结果参见图3和图4所示,图3示出了本发明实施例中阵列的摆放位置,即阵列放置在yoz平面内,阵列可以俯仰维和方位维进行扫描,其中,横坐标表示y轴,纵坐标表示z轴。图4示出了本发明实施例中在不稀疏的情况下阵列子阵级二维DBF,该方向图可以在期望方向上形成峰值。
实验场景2:在实验场景1的基础上,对平面阵列进行稀疏,稀疏率为40%,此时对子阵的选取是随机选取的。
实验场景2的仿真结果参见图5和图6所示,图5示出了本发明实施例中随机稀疏后的子阵分布图,图6示出了本发明实施例中随机稀疏后的二维子阵级DBF方向图,通过与图4对比可以看出,方向图的整体旁瓣电平都提高,同时在(0°,0°)处的旁瓣电平提高了很多。
实验场景3:在实验场景1的基础上,对平面阵列进行稀疏并使用标准遗传算法进行优化,进行500次的迭代,稀疏率为40%。
实验场景3的仿真结果参见图7和图8所示,图7示出了本发明实施例中经过标准遗传算法优化后的子阵位置分布图,图8示出了经过标准遗传算法优化后的二维子阵级DBF方向图,通过与图6对比可以看出,方向图的旁瓣电平降低了很多,但仍有较大的优化空间。
实验场景4:在实验场景1的基础上,对平面阵列进行稀疏并使用改进遗传算法进行优化,进行500次的迭代,稀疏率为40%。
实验场景4的仿真结果参见图9和图10所示,图9示出了本发明实施例中经过标准遗传算法优化后的子阵位置分布图,图10示出了经过标准遗传算法优化后的二维子阵级DBF方向图,通过与图8对比可以看出,方向图的旁瓣电平进一步降低。
图11和图12给出了四种实验场景在方位维和俯仰维的方向图对比结果,可以看出,不管是在方位维还是俯仰维,本发明实施例提供的方法在旁瓣电平优化方面能够达到很好地效果,且通过图13中的适应度进化曲线的对比可以看出,本发明实施例在计算运算过程上大大地优化,提高了Ka波段子阵级平面阵列雷达发射波束方向图旁瓣电平优化过程。
在传统的稀疏阵列发射DBF(Digital Beam Forming)技术中,绝大多数是基于阵元级的雷达天线阵列来进行研究的,随着大型雷达阵列的推广使用,阵元级的DBF技术的缺陷凸显出来,其运算量巨大和系统实现软硬件成本高等,严重影响了旁瓣电平优化过程。本发明在满足稀疏率的前提下,引入子阵划分方法,将原来的阵列均匀划分成多个子阵,然后根据方向图相乘定理进行DBF,提高了运算速度。
在满足一定的稀疏率的情况下,如果随机选取子阵位置的话,势必会造成相对旁瓣电平很高,但如果采用标准遗传算法的话,其迭代效果较差,本发明提供的基于改进遗传算法的子阵级稀疏阵列发射波束旁瓣电平优化方法,利用“君主方案”,即在标准遗传算法的选择和交叉操作上进行改进,所以在保证阵列孔径不变的同时,优化结果有很大的改善。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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须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何的一个或多个实施例或示例中以合适的方式结合。此外,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进行接合和组合。
尽管在此结合各实施例对本申请进行了描述,然而,在实施所要求保护的本申请过程中,本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书,可理解并实现所述公开实施例的其他变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种子阵级稀疏阵列发射波束旁瓣电平优化方法,其特征在于,所述优化方法包括:
步骤1、获取Ka波段阵列雷达的相关参数,所述相关参数包括孔径、工作频率、每个子阵的规模和阵列的稀疏率;
步骤2、对整个阵列进行均匀子阵划分,得到子阵位置和子阵个数,并确定子阵内波束指向和子阵间波束指向;
步骤3、初始化种群参数并进行编码操作,其中,种群参数包括初始种群、当前迭代代数、最大迭代次数,所述初始种群包括NP个个体,每个所述个体的维数为所述阵列中所有子阵的个数;
步骤4、根据遗传算法处理当前种群,得到第一最优个体;
步骤5、根据改进遗传算法处理当前种群,得到第二最优个体;
步骤6、对所述第一最优个体和所述第二最优个体进行比较,得到最佳优化效果。
2.根据权利要求1所述的子阵级稀疏阵列发射波束旁瓣电平优化方法,其特征在于,对整个阵列进行均匀子阵划分,得到子阵位置和子阵个数,包括:
在阵元间距为半波长时,利用所述孔径和每个所述子阵的规模对整个所述阵列进行均匀子阵划分,得到子阵位置和子阵个数。
3.根据权利要求1所述的子阵级稀疏阵列发射波束旁瓣电平优化方法,其特征在于,所述个体的初始参数值为:
fji,0=randn[0,1],i=1,2,…,NP;j=1,2,…,L
式中,randn[0,1]表示在[0,1]之间产生的符合高斯分布的随机数,令每个所述个体中最大的NL个基因的值为1,剩下的基因的值为0,L为每个所述个体的基因数量,NL为稀疏后所述子阵的数量。
4.根据权利要求1所述的子阵级稀疏阵列发射波束旁瓣电平优化方法,其特征在于,所述步骤4包括:
步骤4.1、对所述当前种群的所有个体使用轮盘赌选择法,得到第一种群,所述第一种群包括若干用于交叉的个体;
步骤4.2、将所述第一种群中相邻的奇数位的个体和偶数位的个体以第一交叉概率Pc进行交叉操作,得到第二种群,所述第二种群包括若干用于变异的个体;
步骤4.3、基于第一变异概率Pm,对所述第二种群中的所述个体进行变异操作,得到第三种群,所述第三种群包括若干变异后的个体;
步骤4.4、判断所述第三种群中所述个体的基因个数与NL的关系,若所述第三种群中所述个体的基因个数大于NL个,则从状态为1的基因中随机选择预设数量的基因,将该基因的工作状态设置为0,以得到第四种群,若所述第三种群中所述个体的基因个数小于NL个时,则从状态为0的基因中随机选择预设数量的基因,将该基因的工作状态设置为1,以得到第四种群,其中,NL为稀疏后所述子阵的数量,所述预设数量为所述第三种群中所述个体的基因个数与NL之间的差额;
步骤4.5、判断所述当前迭代次数是否达到所述最大迭代次数,若否,则循环执行步骤4.1至4.5,若是,则将所述第四种群中适应度值最大的个体作为第一最优个体。
5.根据权利要求4所述的子阵级稀疏阵列发射波束旁瓣电平优化方法,其特征在于,所述步骤4.2包括:
将所述第一种群中相邻的奇数位的个体和偶数位的个体作为需要交配的一对配对个体,从第一序列[1,L-1]中随机选取整数K1个为1的位置作为交叉点位置,在区间[0,1]中产生一个随机数r1,若所述随机数r1小于所述第一交叉概率Pc,则配对个体在交叉位置处相互交换各自的部分基因,以得到新的个体,所有新的个体组成所述第二种群,L为位串长度。
6.根据权利要求4所述的子阵级稀疏阵列发射波束旁瓣电平优化方法,其特征在于,所述步骤4.3包括:
在所述第二种群中,在区间[0,1]中产生一个随机数r2,如果随机数r2小于所述第一变异概率Pm,则将第(j,i)个基因作为变异基因,若所述变异基因的基因值为1,则其基因值变为0,若所述变异基因的基因值为0,则其基因值变为1,以得到新的个体,所有新的个体组成所述第三种群,其中,j=1~N,i=1~NP,N为所述个体中数字的个数。
7.根据权利要求1所述的子阵级稀疏阵列发射波束旁瓣电平优化方法,其特征在于,所述步骤5包括:
步骤5.1、从所述当前种群的所有个体中选择适应度值最大的个体作为用于交叉的个体;
步骤5.2、利用所述步骤5.1所选择的用于交叉的个体与所述当前种群中其他偶数位的所有个体以第二交叉概率Pc进行交叉操作,得到第五种群,所述第五种群包括若干用于变异的个体;
步骤5.3、基于第二变异概率Pm,将所述第五种群中的所有个体的若干基因进行多点变异操作,得到第六种群;
步骤5.4、将所述第六种群的个体和所述步骤5.1的父代种群的个体进行适应度值排序,选取所述适应度值较大的前NP个个体组成第七种群;
步骤5.5、判断所述第七种群中所述个体的阵元个数与NL的关系,若所述第七种群中所述个体的阵元个数大于NL个,则从状态为1的阵元中随机选择预设数量的阵元,将该阵元的工作状态设置为0,以得到第八种群,若所述第七种群中所述个体的阵元个数小于NL个时,则从状态为0的阵元中随机选择预设数量的阵元,将该阵元的工作状态设置为1,以得到第八种群,其中,NL为稀疏后所述子阵的数量,所述预设数量为所述第七种群中所述个体的阵元个数与NL之间的差额;
步骤5.6、判断所述当前迭代次数是否达到所述最大迭代次数,若否,则循环执行步骤5.1至5.6,若是,则将所述第八种群中适应度值最大的个体作为第二最优个体。
8.根据权利要求7所述的子阵级稀疏阵列发射波束旁瓣电平优化方法,其特征在于,所述步骤5.2包括:
将利用所述步骤5.1所选择的用于交叉的个体与所述当前种群中处于偶数位的个体作为需要交配的一对配对个体,从第二序列[1,L-1]中随机选取整数K2个为1的位置作为交叉点位置,在区间[0,1]中产生一个随机数r3,若所述随机数r3小于所述第二交叉概率Pc,则配对个体在交叉位置处相互交换各自的部分基因,以得到新的个体,所有新的个体组成所述第五种群,L为位串长度。
9.根据权利要求7所述的子阵级稀疏阵列发射波束旁瓣电平优化方法,其特征在于,所述步骤5.4包括:
在区间[0,1]中产生一个随机数r2,如果随机数r2小于所述第二变异概率Pm,则将在所述第五种群中的个体中随机选取的部分基因进行变异操作,若基因的基因值为1,则其基因值变为0,若基因的基因值为0,则其基因值变为1,以得到新的个体,所有新的个体组成所述第六种群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111528390.6A CN114399044A (zh) | 2021-12-14 | 2021-12-14 | 一种子阵级稀疏阵列发射波束旁瓣电平优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111528390.6A CN114399044A (zh) | 2021-12-14 | 2021-12-14 | 一种子阵级稀疏阵列发射波束旁瓣电平优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114399044A true CN114399044A (zh) | 2022-04-26 |
Family
ID=81226551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111528390.6A Pending CN114399044A (zh) | 2021-12-14 | 2021-12-14 | 一种子阵级稀疏阵列发射波束旁瓣电平优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399044A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116466299A (zh) * | 2023-06-20 | 2023-07-21 | 中国人民解放军火箭军工程大学 | 二维子阵级稀疏阵列fpmimo雷达收发波束合成方法 |
CN116796640A (zh) * | 2023-06-26 | 2023-09-22 | 北京理工大学 | 一种基于蛇优化算法的共形稀疏阵列优化方法 |
CN117113459A (zh) * | 2023-10-23 | 2023-11-24 | 成都睿沿芯创科技有限公司 | 一种天线阵列的旁瓣优化方法、装置及电子设备 |
-
2021
- 2021-12-14 CN CN202111528390.6A patent/CN114399044A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116466299A (zh) * | 2023-06-20 | 2023-07-21 | 中国人民解放军火箭军工程大学 | 二维子阵级稀疏阵列fpmimo雷达收发波束合成方法 |
CN116466299B (zh) * | 2023-06-20 | 2023-08-18 | 中国人民解放军火箭军工程大学 | 二维子阵级稀疏阵列fpmimo雷达收发波束合成方法 |
CN116796640A (zh) * | 2023-06-26 | 2023-09-22 | 北京理工大学 | 一种基于蛇优化算法的共形稀疏阵列优化方法 |
CN116796640B (zh) * | 2023-06-26 | 2024-05-03 | 北京理工大学 | 一种基于蛇优化算法的共形稀疏阵列优化方法 |
CN117113459A (zh) * | 2023-10-23 | 2023-11-24 | 成都睿沿芯创科技有限公司 | 一种天线阵列的旁瓣优化方法、装置及电子设备 |
CN117113459B (zh) * | 2023-10-23 | 2024-01-05 | 成都睿沿芯创科技有限公司 | 一种天线阵列的旁瓣优化方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114399044A (zh) | 一种子阵级稀疏阵列发射波束旁瓣电平优化方法 | |
CN109725294B (zh) | 基于改进遗传算法的雷达阵列稀疏优化方法 | |
CN105572658B (zh) | 基于改进遗传算法的三维成像声纳接收平面阵阵元稀疏优化方法 | |
CN111313158B (zh) | 对圆形状阵列进行稀疏的方法 | |
CN112100701B (zh) | 基于遗传算法的二维分布式天线子阵位置优化方法 | |
CN111160556B (zh) | 一种基于自适应遗传算法的阵列稀疏优化方法 | |
CN107302140B (zh) | 基于量子蜘蛛群演化机制的平面天线阵列稀疏方法 | |
CN113343588A (zh) | 一种多约束毫米波车载mimo雷达天线阵列设计方法与装置 | |
CN111353605B (zh) | 基于改进遗传算法的新型平面分子阵天线阵列综合布阵方法 | |
CN113792492B (zh) | 基于免疫遗传算法的希布阵天线的优化设计方法 | |
Ghatak et al. | Evolutionary optimization of H aferman carpet fractal patterned antenna array | |
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 | |
CN115098903A (zh) | 一种低成本可扩展相控阵列稀疏优化方法 | |
CN115566442A (zh) | 稀疏布阵方法、装置、电子设备和可读存储介质 | |
CN115146544A (zh) | 一种采用知识和数据混合驱动的阵列天线设计方法 | |
CN116227590A (zh) | 基于改进遗传算法的太赫兹相控阵旁瓣抑制方法及装置 | |
CN109031216B (zh) | 一种基于改进遗传算法的平面阵稀疏优化方法 | |
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 | |
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 | |
Jayvadan | Synthesis of the fractal array using the Newton-Raphson method | |
Lakshmi et al. | Pattern synthesis using genetic algorithm for low sidelobe levels | |
CN117113459B (zh) | 一种天线阵列的旁瓣优化方法、装置及电子设备 | |
CN113311395B (zh) | 一种基于遗传算法的子阵划分和子阵权值联合优化的方法 | |
CN113127943B (zh) | 一种基于遗传和量子粒子群算法的分布式阵列优化方法 |
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 |