CN114861446A - 天线阵列稀疏稀布优化方法、装置、设备及可读存储介质 - Google Patents

天线阵列稀疏稀布优化方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN114861446A
CN114861446A CN202210535873.7A CN202210535873A CN114861446A CN 114861446 A CN114861446 A CN 114861446A CN 202210535873 A CN202210535873 A CN 202210535873A CN 114861446 A CN114861446 A CN 114861446A
Authority
CN
China
Prior art keywords
array
antenna array
sparse
optimization method
antenna
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
Application number
CN202210535873.7A
Other languages
English (en)
Inventor
蒋黎丽
韩松
匡巍
张新敏
李承泽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aerospace Times Feihong Technology Co ltd
Original Assignee
Aerospace Times Feihong Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Aerospace Times Feihong Technology Co ltd filed Critical Aerospace Times Feihong Technology Co ltd
Priority to CN202210535873.7A priority Critical patent/CN114861446A/zh
Publication of CN114861446A publication Critical patent/CN114861446A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/002—Biomolecular computers, i.e. using biomolecules, proteins, cells
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Geometry (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Variable-Direction Aerials And Aerial Arrays (AREA)

Abstract

本发明提供了一种天线阵列稀疏稀布优化方法、装置、设备及可读存储介质，一种天线阵列稀疏稀布优化方法，所述优化方法包括以下步骤：S1：初始化天线阵列参数；S2：生成天线阵列初始种群；S3：遗传算法循环；S4：保留最优个体在新种群中；S5：存储最优天线分布位置；S6：根据最优结果计算大规模阵列稀疏位置优化后的阵因子，本发明提供适应大规模数量天线阵列的稀疏/稀布优化方法，以减少通道数目、降低硬件成本。

Description

天线阵列稀疏稀布优化方法、装置、设备及可读存储介质
【技术领域】
本发明涉及阵列天线和无线通信技术领域，尤其涉及应用于大规模天线阵列合成低旁瓣波束过程中的一种天线阵列稀疏稀布优化方法、装置、设备及可读存储介质。
【背景技术】
在雷达和通信系统中，为使天线具有高增益、窄波束、低旁瓣等特性，广泛地使用了阵列天线。在给定孔径大小的前提下，通过约束天线单元之间的距离并对各个阵元位置进行化，可以在不明显改变阵元均匀排列时对应的半功率波束宽度基础上，获得由均匀加权阵元构成的降低了旁瓣电平的非均匀天线阵列(稀布阵)。增大了的阵元间距能减少相同孔径下阵元满排列时对应的阵元数目，并能减少阵元之间因互耦效应对方向图带来的影响。通过优化天线单元的位置最终使得整机系统软、硬件复杂度，整机重量，制造及维护成本都得到了相应的降低。
在直线和平面阵列上，利用稀疏/稀布阵列天线的方法来减少天线的阵元数量、有效降低方向图旁瓣电平的技术已得到较为广泛的研究。
根据已公开的阵列天线稀布优化设计中，在进行基于遗传算法的大规模阵列稀布优化过程中，由于大规模阵列合成波束的主瓣宽度极窄，且大规模阵列中主瓣内易出现尖峰，导致常规适应度函数陷于局部收敛，无法跳出错误的搜索方向，主旁比优化失败，无法满足大规模阵列数量场景应用。
因此，有必要研究一种天线阵列稀疏稀布优化方法、装置、设备及可读存储介质来应对现有技术的不足，以解决或减轻上述一个或多个问题。
【发明内容】
有鉴于此，本发明提供了一种天线阵列稀疏稀布优化方法、装置、设备及可读存储介质，减少了通道数目，降低了硬件成本。
一方面，本发明提供一种天线阵列稀疏稀布优化方法，所述优化方法基于遗传算法或粒子群算法进行稀布位置优化的过程中，对大规模场景应用对适应度函数进行改进，所述优化方法包括以下步骤：
S1：初始化天线阵列参数；
S2：生成天线阵列初始种群；
S3：遗传算法循环；
S4：保留最优个体在新种群中；
S5：存储最优天线分布位置；
S6：根据最优结果计算大规模阵列稀疏位置优化后的阵因子。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S3中遗传算法循环按照最大遗传代数循环计算。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S3具体包括：
S31：代入适应度函数计算最大旁瓣电平；
S32：基于轮盘赌进行复制操作；
S33：基于概率进行交叉操作；
S34：基于概率进行变异操作。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S31具体包括：
S311：在合成阵因子的观察角度采样中，找到与阵因子极值对应角度差值最小的采样角度，将角度差值最小的采样角度赋值为阵因子极值对应角度；
S312：根据阵元数量及S1中观察角度采样规模计算阵列合成波束主瓣宽度及采样点数；
S313：根据主瓣波束范围内的采样点数设计自适应截断窗口大小；
S314：对合成阵因子加窗口，确保求取最大旁瓣电平的过程中不会误取到主瓣范围内的次大阵因子极值。
如上所述的方面和任一可能的实现方式，进一步提供一种天线阵列稀疏稀布优化装置，所述天线阵列稀疏稀布优化装置包括：
参数初始化模块，用于初始化参数；
初始种群生成模块，用于生成初始种群；
算法循环模块，用于对遗传算法进行循环；
最优个体保存模块，用于保留最优个体在新种群中；
最优结果保存模块，用于存储最优结果；
阵因子计算模块，用于根据最优结果计算大规模阵列稀疏位置优化后的阵因子。
如上所述的方面和任一可能的实现方式，进一步提供一种天线阵列稀疏稀布优化设备，所述天线阵列稀疏稀布优化设备包括：存储器、处理器以及存储在存储器上的用于实现所述天线阵列稀疏稀布优化方法的程序，所述存储器用于存储实现天线阵列稀疏稀布优化方法的程序；所述处理器用于执行实现所述天线阵列稀疏稀布优化方法的程序，以实现所述天线阵列稀疏稀布优化方法的步骤。
如上所述的方面和任一可能的实现方式，进一步提供一种可读存储介质，所述可读存储介质上存储有实现天线阵列稀疏稀布优化方法的程序，所述实现天线阵列稀疏稀布优化方法的程序被处理器执行以实现所述天线阵列稀疏稀布优化方法的步骤。
与现有技术相比，本发明可以获得包括以下技术效果：
(1)相比传统方法，本发明解决了大规模天线阵列稀疏稀布优化过程中由于波束宽度极窄导致的丢失阵因子极值点问题；
(2)相比传统方法，本发明通过增加自适应窗口滤除主瓣峰值，对应图6中步骤，具体实现是在算法代码中设置一个根据阵列规模可变的截取窗口，保证计算最大旁瓣电平的时候剔除主瓣，避免优化方向错误，解决了大规模天线阵列稀疏稀布优化过程中由于主瓣内尖峰导致的错误主旁比优化方向及局部收敛问题；
(3)相比传统方法，本发明获得了大规模天线阵列在任意间距约束条件下稀疏稀布优化的结果。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有技术效果。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它的附图。
图1是本发明一个实施例提供的算法改进前适应度进化曲线图；
图2是本发明一个实施例提供的算法改进前阵因子结果图；
图3是本发明一个实施例提供的算法改进后适应度进化曲线图；
图4是本发明一个实施例提供的算法改进后阵因子结果图；
图5是本发明一个实施例提供的遗传算法优化阵列天线主旁比流程图；
图6是本发明一个实施例提供的改进的遗传算法优化阵列天线主旁比流程图；
图7是本发明一个实施例提供的根据叠加原理阵列因子的方向图。
【具体实施方式】
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
本发明提供一方面，本发明提供一种天线阵列稀疏稀布优化方法，所述优化方法基于遗传算法或粒子群算法进行稀布位置优化的过程中，对大规模场景应用对适应度函数进行改进，本发明中适应度即为生物群体中个体适应生存环境的能力。在遗传算法中用来评价个体优劣的数学函数，称为个体的适应度函数。
具体的，适应度函数是指在遗传算法中直接以目标函数值作为搜索信息，使用由目标函数值变换来的适应度函数值，可以确定进一步的搜索方向和搜索范围。以本发明中的步骤为例，适应度函数即为随机生成的阵列天线分布位置计算得到的合成阵因子的旁瓣电平值取反，这个数值越大代表当前随机分布的位置结果最优。
所述优化方法包括以下步骤：
S1：初始化参数；——处理对象为阵列天线的单元数量，工作波长，合成波束指向角度，遗传算法中的交叉变异因子。
S2：生成初始种群；——根据阵列天线的单元数量(L)和每一遗传代的个体数量(维数Np)生成一个(L*Np)的数组，代表Np组随机生成的阵列天线单元分布位置；
S3：遗传算法循环；——根据初始种群代入适应度函数计算旁瓣电平值；
S4：保留最优个体在新种群中；——将最优位置保留下来；
S5：存储最优结果；——存储最优天线分布位置。
S6：根据最优结果计算大规模阵列稀疏位置优化后的阵因子。
S1-S6步骤中：适应度函数计算对应步骤中的最大旁瓣电平计算。
所述S3中遗传算法循环按照最大遗传代数循环计算。
所述S3具体包括：
S31：代入适应度函数计算最大旁瓣电平；最大旁瓣电平的计算是根据上述阵因子得到旁瓣电平：换算为分贝——20lgAF@旁瓣最大值处，即为最大旁瓣电平；
S32：基于轮盘赌进行复制操作；
S33：基于概率进行交叉操作；
S34：基于概率进行变异操作。
S3遗传算法中复制、交叉、变异的操作对象是指根据遗传算法随机生成的代表阵列天线稀疏/稀布分布位置的数组。
所述S31具体包括：
S311：在合成阵因子的观察角度采样中，找到与阵因子极值对应角度差值最小的采样角度，将角度差值最小的采样角度赋值为阵因子极值对应角度；
S312：根据阵元数量及S1中观察角度采样规模计算阵列合成波束主瓣宽度及采样点数；
S313：根据主瓣波束范围内的采样点数设计自适应截断窗口大小；
S314：对合成阵因子加窗口，确保求取最大旁瓣电平的过程中不会误取到主瓣范围内的次大阵因子极值。
本发明还提供一种天线阵列稀疏稀布优化装置，所述天线阵列稀疏稀布优化装置包括：
参数初始化模块，用于初始化参数；
初始种群生成模块，用于生成初始种群；
算法循环模块，用于对遗传算法进行循环；
最优个体保存模块，用于保留最优个体在新种群中；
最优结果保存模块，用于存储最优结果；
阵因子计算模块，用于根据最优结果计算大规模阵列稀疏位置优化后的阵因子。
本发明还一种天线阵列稀疏稀布优化设备，所述天线阵列稀疏稀布优化设备包括：存储器、处理器以及存储在存储器上的用于实现所述天线阵列稀疏稀布优化方法的程序，所述存储器用于存储实现天线阵列稀疏稀布优化方法的程序；所述处理器用于执行实现所述天线阵列稀疏稀布优化方法的程序，以实现所述天线阵列稀疏稀布优化方法的步骤。
本发明还提供一种可读存储介质，所述可读存储介质上存储有实现天线阵列稀疏稀布优化方法的程序，所述实现天线阵列稀疏稀布优化方法的程序被处理器执行以实现所述天线阵列稀疏稀布优化方法的步骤。
本发明中，阵因子具体为:阵列天线分为直线阵、平面阵及共形阵(其阵元与非平面表面共形)等。假设各个单元都是各向同性的点源，得到阵列天线的方向图为阵因子。如7图所示，远场条件下，电磁波以平面波形式传播到阵面(波前即为等相位面)，假设线性阵列的阵元间距为d，阵元个数为n，波束指向角为theta0，则波程差为：k*d*sin theta0，其中；k为2*pi/lambda，lambda为波长；线性阵列天线的阵因子表达式为：
Figure BDA0003648109960000081
实施例1
本发明采用的技术方案是，一种基于遗传算法或粒子群算法的、适用于大规模天线阵列合成低旁瓣波束的稀疏稀布优化算法，其步骤为：
1)初始化参数
2)生成初始种群
3)遗传算法循环(按照最大遗传代数循环计算)
3.1代入适应度函数计算最大旁瓣电平
3.1.1在合成阵因子的观察角度采样中，首先找到与阵因子极值对应角度差值最小的采样角度，然后将此采样角度赋值为阵因子极值对应角度；
3.1.2根据阵元数量及观察角度采样规模计算阵列合成波束主瓣宽度及采样点数；
3.1.3根据主瓣波束范围内的采样点数设计截断窗口大小；
3.1.4对合成阵因子加自适应窗口滤除主瓣，确保求取最大旁瓣电平的过程中不会误取到主瓣范围内的次大阵因子极值。
3.2基于轮盘赌的复制操作
3.3基于概率的交叉操作
3.4基于概率的变异操作
4)保留最优个体在新种群中
5)存储最优结果
6)根据最优结果计算大规模阵列稀疏位置优化后的阵因子
已公开算法中，如图5流程图，在计算适应度过程中：
1.来波方向角度范围内均匀采样N个观察角度；
2.阵因子计算公式，归一化；
3.求最大旁瓣：寻找除阵因子最大值之外的峰值点即为主旁比；
4.得到的归一化的旁瓣峰值电平即为主旁比优化结果。
其结果如图1和图2所示，其中步骤1中在大规模阵列优化中易合丢失成波束指向的极值点，步骤3中在大规模阵列优化场景中会错误取值为主瓣范围内的尖峰值导致迭代局部收敛。
本发明改进如图6流程图：
1.来波方向变化范围内均匀采样N个观察角度；
2.筛选临近合成波束指向的采样点，赋值为合成波束指向的角度，保证大规模阵列合成阵因子的极值不丢失；
3.阵因子计算公式，归一化；
4.通过阵列规模及采样点数，设置自适应的截断窗口，滤除合成阵因子的主瓣后，寻找峰值点即为主旁比；
5.得到的归一化的旁瓣峰值电平即为主旁比优化结果。
其结果如图3和图4所示。
本发明解决了大规模天线阵列稀疏稀布优化过程中由于波束宽度极窄导致的丢失阵因子极值点问题；相比传统方法，本发明通过增加自适应窗口滤除主瓣峰值，解决了大规模天线阵列稀疏稀布优化过程中由于主瓣内尖峰导致的错误主旁比优化方向及局部收敛问题；同时本发明还获得了大规模天线阵列在任意间距约束条件下稀疏稀布优化的结果。
本发明针对大规模任意阵元间距场景应用，对稀布稀疏优化算法适应度函数进行改进，在基于遗传算或粒子群等算法进行稀布位置优化的过程中，解决了扫描角采样导致的丢失阵因子极值问题及由于主瓣范围内的尖峰导致的局部收敛问题。
以上对本申请实施例所提供的一种天线阵列稀疏稀布优化方法、装置、设备及可读存储介质，进行了详细介绍。以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
如在说明书及权利要求书当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求书并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求书当中所提及的“包含”、“包括”为一开放式用语，故应解释成“包含/包括但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式，然所述描述乃以说明本申请的一般原则为目的，并非用以限定本申请的范围。本申请的保护范围当视所附权利要求书所界定者为准。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
上述说明示出并描述了本申请的若干优选实施例，但如前所述，应当理解本申请并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述申请构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围，则都应在本申请所附权利要求书的保护范围内。

Claims (7)

1.一种天线阵列稀疏稀布优化方法，其特征在于，所述优化方法包括以下步骤：
S1：初始化天线阵列参数；
S2：生成天线阵列初始种群；
S3：遗传算法循环；
S4：保留最优个体在新种群中；
S5：存储最优天线分布位置；
S6：根据最优结果计算大规模阵列稀疏位置优化后的阵因子。
2.根据权利要求1所述的优化方法，其特征在于，所述S3中遗传算法循环按照最大遗传代数循环计算。
3.根据权利要求2所述的优化方法，其特征在于，所述S3具体包括：
S31：计算天线阵列最大旁瓣电平；
S32：基于轮盘赌进行复制操作；
S33：基于概率进行交叉操作；
S34：基于概率进行变异操作。
4.根据权利要求3所述的优化方法，其特征在于，所述S31具体包括：
S311：在合成阵因子的观察角度采样中，找到与阵因子极值对应角度差值最小的采样角度，将角度差值最小的采样角度赋值为阵因子极值对应角度；
S312：根据阵元数量及S1中观察角度采样规模计算阵列合成波束主瓣宽度及采样点数；
S313：根据主瓣波束范围内的采样点数设计自适应截断窗口大小；
S314：对合成阵因子加窗口，确保求取最大旁瓣电平的过程中不会误取到主瓣范围内的次大阵因子极值。
5.一种天线阵列稀疏稀布优化装置，其特征在于，所述天线阵列稀疏稀布优化装置包括：
参数初始化模块，用于初始化参数；
初始种群生成模块，用于生成初始种群；
算法循环模块，用于对遗传算法进行循环；
最优个体保存模块，用于保留最优个体在新种群中；
最优结果保存模块，用于存储最优结果；
阵因子计算模块，用于根据最优结果计算大规模阵列稀疏位置优化后的阵因子。
6.一种天线阵列稀疏稀布优化设备，其特征在于，所述天线阵列稀疏稀布优化设备包括：存储器、处理器以及存储在存储器上的用于实现所述天线阵列稀疏稀布优化方法的程序，所述存储器用于存储实现天线阵列稀疏稀布优化方法的程序；所述处理器用于执行实现所述天线阵列稀疏稀布优化方法的程序，以实现如权利要求1至4中任一项所述天线阵列稀疏稀布优化方法的步骤。
7.一种可读存储介质，其特征在于，所述可读存储介质上存储有实现天线阵列稀疏稀布优化方法的程序，所述实现天线阵列稀疏稀布优化方法的程序被处理器执行以实现如权利要求1至4中任一项所述天线阵列稀疏稀布优化方法的步骤。
CN202210535873.7A 2022-05-17 2022-05-17 天线阵列稀疏稀布优化方法、装置、设备及可读存储介质 Pending CN114861446A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210535873.7A CN114861446A (zh) 2022-05-17 2022-05-17 天线阵列稀疏稀布优化方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210535873.7A CN114861446A (zh) 2022-05-17 2022-05-17 天线阵列稀疏稀布优化方法、装置、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN114861446A true CN114861446A (zh) 2022-08-05

Family

ID=82636974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210535873.7A Pending CN114861446A (zh) 2022-05-17 2022-05-17 天线阵列稀疏稀布优化方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN114861446A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116632561A (zh) * 2023-07-19 2023-08-22 南京纳特通信电子有限公司 一种稀布高增益天线阵列设计方法、存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116632561A (zh) * 2023-07-19 2023-08-22 南京纳特通信电子有限公司 一种稀布高增益天线阵列设计方法、存储介质
CN116632561B (zh) * 2023-07-19 2023-09-19 南京纳特通信电子有限公司 一种稀布高增益天线阵列设计方法、存储介质

Similar Documents

Publication Publication Date Title
Boeringer et al. Efficiency-constrained particle swarm optimization of a modified Bernstein polynomial for conformal array excitation amplitude synthesis
Mahanti et al. Phase-only and amplitude-phase only synthesis of dual-beam pattern linear antenna arrays using floating-point genetic algorithms
Manica et al. A fast graph-searching algorithm enabling the efficient synthesis of sub-arrayed planar monopulse antennas
CN105205253B (zh) 一种稀布圆形天线阵列的优化方法
CN107844632A (zh) 基于和声搜索算法的稀布线阵栅瓣抑制方法
CN107017931B (zh) 一种波束旁瓣抑制的方法及装置
CN104020448A (zh) 等阵元约束的雷达子阵级和波束/差波束形成优化方法
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
Khodier et al. Design and optimisation of Yagi-Uda antenna arrays
Rocca et al. Polyomino subarraying through genetic algorithms
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
CN113792492A (zh) 基于免疫遗传算法的希布阵天线的优化设计方法
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
Spence et al. Generalized space-filling Gosper curves and their application to the design of wideband modular planar antenna arrays
CN115133291A (zh) 非规则天线子阵、相控阵天线及相控阵天线的设计方法
Hsu et al. Adaptive pattern nulling design of linear array antenna by phase-only perturbations using memetic algorithms
CN116632561B (zh) 一种稀布高增益天线阵列设计方法、存储介质
CN110705680B (zh) 一种分布式阵列的子阵列位置优化方法及系统
Niu et al. Deep Learning Based Metasurface Synthesis from Far-Field Masks
CN114239380B (zh) 基于自调整映射法则的矩形稀布阵列优化方法
CN115036710B (zh) 一种多级分形子阵平面阵列及其排布方法
Lakshmi et al. Pattern synthesis using genetic algorithm for low sidelobe levels
CN113158568B (zh) 一种近场稀疏阵设计方法
CN114896551B (zh) 稀疏阵天线阵列的配置方法及配置装置
CN115563869A (zh) 基于空间映射的紧耦合阵列天线不等间距优化方法

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