CN115566442A - 稀疏布阵方法、装置、电子设备和可读存储介质 - Google Patents
稀疏布阵方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN115566442A CN115566442A CN202211091316.7A CN202211091316A CN115566442A CN 115566442 A CN115566442 A CN 115566442A CN 202211091316 A CN202211091316 A CN 202211091316A CN 115566442 A CN115566442 A CN 115566442A
- Authority
- CN
- China
- Prior art keywords
- array
- sparse
- individuals
- optimal
- effective
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 230000002068 genetic effect Effects 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 50
- 238000005457 optimization Methods 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 abstract description 5
- 238000010168 coupling process Methods 0.000 abstract description 5
- 238000005859 coupling reaction Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000010429 evolutionary process Effects 0.000 description 2
- KRQUFUKTQHISJB-YYADALCUSA-N 2-[(E)-N-[2-(4-chlorophenoxy)propoxy]-C-propylcarbonimidoyl]-3-hydroxy-5-(thian-3-yl)cyclohex-2-en-1-one Chemical compound CCC\C(=N/OCC(C)OC1=CC=C(Cl)C=C1)C1=C(O)CC(CC1=O)C1CCCSC1 KRQUFUKTQHISJB-YYADALCUSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000012248 genetic selection Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01Q—ANTENNAS, i.e. RADIO AERIALS
- H01Q21/00—Antenna arrays or systems
- H01Q21/0087—Apparatus or processes specially adapted for manufacturing antenna arrays
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本申请提供一种稀疏布阵方法、装置、电子设备和可读存储介质，根据所需的天线口径、稀疏率，并基于遗传算法得到最优阵列，该最优阵列由多个有效阵元和无效阵元构成。基于最优阵列中的各有效阵元的相位中心构建单元天线，各单元天线由单独的有效阵元构成或由有效阵元和与其相邻的无效阵元构成。最后根据构建的多个单元天线拼接得到高口径效率稀疏阵列。本方案通过构建不同形状的单元天线以拼接铺满整个阵面，可以达到提高单元天线增益、收窄单元天线波束宽度，进而减小阵元间的互耦的目的，从而提高稀疏阵列天线的口径效率和副瓣电平，大大降低系统的功耗和成本。
Description
技术领域
本发明涉及天线技术领域，具体而言，涉及一种稀疏布阵方法、装置、电子设备和可读存储介质。
背景技术
现代雷达对抗与反对抗的矛盾越来越激烈，在恶劣环境下尤其是强电磁干扰环境下的生存能力已成为衡量现代雷达作战能力的一个重要指标。相控阵雷达便是一种生存能力较强的雷达体制，已成为现代雷达的主要发展方向。相控阵雷达天线与其他天线相比具有波束可控性极强、系统反应速度极快等优点，且大口径相控阵雷达天线增益高、波束窄、副瓣电平低，但通道数量多，功耗大，造价昂贵。稀疏布阵通过优化算法优化阵元位置，使得在口径相同时，具有大大减少阵列天线的通道数量，又能保持高增益和窄波束的优点，可有效降低相控阵天线的成本。
通过遗传算法、免疫算法、粒子群算法等优化算法可以对阵元位置优化，从而得到较低副瓣的稀布天线阵。现有技术中也存在诸多优化方案以实现稀疏阵列的设计，但是现有技术中的设计方案大多仅从阵元或者子阵的排布方式对稀疏阵列进行优化，并未考虑单元天线口径利用率。
发明内容
本发明的目的包括，例如，提供了一种稀疏布阵方法、装置、电子设备和可读存储介质，其能够提高稀疏阵列天线的口径效率和副瓣电平。
本发明的实施例可以这样实现：
第一方面，本发明提供一种稀疏布阵方法，所述方法包括：
根据所需的天线口径、稀疏率，并基于遗传算法得到最优阵列，所述最优阵列由多个有效阵元和无效阵元构成；
基于所述最优阵列中各所述有效阵元的相位中心构建单元天线，各所述单元天线由单独的有效阵元构成或由有效阵元和与其相邻的无效阵元构成；
根据构建的多个单元天线拼接得到高口径效率稀疏阵列。
在可选的实施方式中，所述根据所需的天线口径、稀疏率，并基于遗传算法得到最优阵列的步骤，包括：
获取所需的天线口径，根据所需的天线口径以及设置的间距信息确定阵列的规模，所述阵列具有多个阵元；
根据设置的稀疏率以及阵列的规模，构建得到原始种群，所述原始种群包括多个个体，每个所述个体包含与所述阵列对应的多个元素，各所述元素表征对应的阵元是否有效；
基于所述阵列的法向副瓣电平构建目标函数，以对所述原始种群进行优化，得到最优个体；
根据所述最优个体构建得到最优阵列。
在可选的实施方式中，所述基于所述阵列的法向副瓣电平构建目标函数，以对所述原始种群进行优化的步骤，包括：
基于所述原始种群中各所述个体对应的阵列的法向副瓣电平构建得到对应的目标函数；
对所述原始种群中的个体进行多轮迭代优化处理，直至满足迭代终止条件时，获得最大目标函数对应的最优个体。
在可选的实施方式中，所述对所述原始种群中的个体进行多轮迭代优化处理的步骤，包括：
在每轮迭代中，计算当前迭代轮次各所述个体对应的目标函数的函数值；
过滤掉目标函数的函数值小于预设阈值的个体，以筛选出目标函数的函数值大于或等于所述预设阈值的个体进入下一迭代轮次的优化。
在可选的实施方式中，所述对所述原始种群中的个体进行多轮迭代优化处理的步骤，包括：
在每轮迭代中，将多个个体构成成组个体；
在产生的随机数小于或等于设置的交叉率时，在所述成组个体中的个体之间进行部分元素的交换，以产生新的个体；
将产生的新的个体进入下一迭代轮次的优化。
在可选的实施方式中，所述对所述原始种群中的个体进行多轮迭代优化处理的步骤，包括：
在每轮迭代中针对每个个体，在产生的随机数小于或等于设置的变异率时，对所述个体中的部分元素进行变换处理以产生变异个体；
将产生的变异个体进入下一迭代轮次的优化。
在可选的实施方式中，所述方法还包括：
基于所述高口径效率稀疏阵列进行仿真测试，获得所述高口径效率稀疏阵列的天线方向图。
第二方面，本发明提供一种稀疏布阵装置，所述装置包括：
获得模块，用于根据所需的天线口径、稀疏率，并基于遗传算法得到最优阵列，所述最优阵列由多个有效阵元和无效阵元构成；
构建模块，用于基于所述最优阵列中各所述有效阵元的相位中心构建单元天线，各所述单元天线由单独的有效阵元构成或由有效阵元和与其相邻的无效阵元构成；
拼接模块，用于根据构建的多个单元天线拼接得到高口径效率稀疏阵列。
第三方面，本发明提供一种电子设备，包括一个或多个存储介质和一个或多个与存储介质通信的处理器，一个或多个存储介质存储有处理器可执行的机器可执行指令，当电子设备运行时，处理器执行所述机器可执行指令，以执行前述实施方式中任意一项所述的方法步骤。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有机器可执行指令，所述机器可执行指令被执行时实现前述实施方式中任意一项所述的方法步骤。
本发明实施例的有益效果包括，例如：
本申请提供一种稀疏布阵方法、装置、电子设备和可读存储介质，根据所需的天线口径、稀疏率，并基于遗传算法得到最优阵列，该最优阵列由多个有效阵元和无效阵元构成。基于最优阵列中的各有效阵元的相位中心构建单元天线，各单元天线由单独的有效阵元构成或由有效阵元和与其相邻的无效阵元构成。最后根据构建的多个单元天线拼接得到高口径效率稀疏阵列。本方案通过构建不同形状的单元天线以拼接铺满整个阵面，可以达到提高单元天线增益、收窄单元天线波束宽度，进而减小阵元间的互耦的目的，从而提高稀疏阵列天线的口径效率和副瓣电平，大大降低系统的功耗和成本。
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，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。
图1为本申请实施例提供的稀疏布阵方法的流程图；
图2为图1中步骤S101包含的子步骤的流程图；
图3为图2中步骤S1031包含的子步骤的流程图；
图4为图3中步骤S1032包含的子步骤的流程图之一；
图5为图3中步骤S1032包含的子步骤的流程图之二；
图6为图3中步骤S1032包含的子步骤的流程图之三；
图7为本申请实施例构建的均匀排布的阵列示意图；
图8为本申请实施例优化得到的最优阵列的示意图；
图9为本申请实施例中遗传算法优化过程中适应度值的曲线示意图；
图10为本申请实施例提供的高口径效率稀疏阵列的示意图；
图11为本申请实施例提供的高口径效率稀疏阵列的天线方向图；
图12为均匀排布的阵列的天线方向图；
图13为普通的稀布阵列的天线方向图；
图14为本申请实施例提供的电子设备的结构框图；
图15为本申请实施例提供的稀疏布阵装置的功能模块框图。
图标：110-存储介质；120-处理器；130-稀疏布阵装置；131-获得模块；132-构建模块；133-拼接模块；140-通信接口。
具体实施方式
现有技术中为了实现阵元位置的优化，从而得到较低副瓣的稀布天线阵，提出了诸多改进方案。例如，提出一种基于序列二次规划的低旁瓣线性稀布阵列天线的优化方法，这种方法迭代速度快，且能得到较好的副瓣特性，可用于线性稀布阵列天线的优化设计。此外，还提供了一种基于单元子阵的稀疏布阵方法，通过天线单元构成规则的单元子阵，再由小型的天线单元子阵在天线阵面利用密度加权稀布天线布阵，且天线子阵随机分布。该布阵方式可以最大限度的抑制栅瓣，且规则分布的小型天线子阵易于T/R组件的批量生产。另外，还提供了一种满足多约束条件下的稀疏布阵方法，该方法在适应度函数为多指向峰值旁瓣电平值的情况下，可以将雷达扫描范围内各角度的最大旁瓣电平值有效下降，下降3dB左右。
但是现有技术中提供的设计方法，仅从阵元或者子阵的排布方式对稀疏阵列进行优化，而未考虑单元天线口径利用率。存在单元口径利用率低，增益低、波束宽度宽等问题，导致稀疏阵天线口径效率低，且副瓣抑制效果有限。
为了解决上述问题，本申请提供一种稀疏布阵方案，通过遗传算法确定最优阵列，并基于最优阵列中的各有效阵元的相位中心构建单元天线，最终根据多个单元天线拼接得到高口径效率稀疏阵列。该方案通过构建不同形状的单元天线以拼接铺满整个阵面，可以达到提高单元天线增益、收窄单元天线波束宽度，进而减小阵元间的互耦的目的，从而提高稀疏阵列天线的口径效率和副瓣电平，大大降低系统的功耗和成本。
为使本发明实施例的目的、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、完整地描述，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
请参阅图1，为本申请实施例提供的稀疏布阵方法的流程图，该稀疏布阵方法有关的流程所定义的方法步骤可以由电子设备所实现，例如，该电子设备可以是如个人计算机、笔记本电脑、服务器等设备。下面将对图1所示的具体流程进行详细阐述。
S101，根据所需的天线口径、稀疏率，并基于遗传算法得到最优阵列，所述最优阵列由多个有效阵元和无效阵元构成。
S102，基于所述最优阵列中各所述有效阵元的相位中心构建单元天线，各所述单元天线由单独的有效阵元构成或由有效阵元和与其相邻的无效阵元构成。
S103，根据构建的多个单元天线拼接得到高口径效率稀疏阵列。
本实施例中，根据实际需求可以设置天线口径，天线口径由形成的天线阵列的整体大小所确定。例如，在形成的天线阵列整体为方形时，天线口径可为该方形的对角线的尺寸大小。
一般地，在天线阵列中应当具有呈多行多列排布的多个阵元，在天线阵列工作时，该多个阵元可以同时启动以运作。但是，在实际应用过程中，为了芯片的价格是比较高的，使用的芯片越多则成本越高，此外，芯片的功耗很大，给天线的散热带来压力。因此，通常会设置一个稀疏率，以使得实际设置的运作的阵元并不是铺满整个阵面，可能仅有其中部分位置处的阵元可实际运作。
其中，可运作的阵元在整个阵面中的占比可由所设置的稀疏率来确定，稀疏率的取值在0至1之间。当稀疏率取值为0时，表示整个阵列中无阵元可运作，当稀疏率取值为1时，表示整个阵列中所有位置的阵元均运作，当稀疏率取值为0.5时，表示整个阵列中占比为50％的位置处的阵元可运作。
而在一定的天线口径、稀疏率下，可实际运作的阵元在阵列中呈不同的排布时，天线阵列相关的性能也不相同。因此，为了寻找到最优阵列，本实施例中，采用遗传算法进行迭代优化，从而以寻求到可以使得天线阵列的性能相对最优的最优阵列。
本实施例中，最优阵列由多个有效阵元和无效阵元构成，其中，有效阵元即为在对应位置实际存在阵元且该阵元为设置为运作的阵元，而无效阵元可以是在对应位置并未设置阵元，即该位置为空白的，或者也可以是在对应位置设置有阵元，但是该阵元并未进行馈电，即并未设置为可运作的阵元。
在确定最优阵列后，最优阵列中的各个位置处是否对应有阵元或者是否对应有已馈电可运作的阵元即可确定。本实施例中，在确定最优阵列以及其中的有效阵元后，可以确定各个有效阵元的相位中心。在此基础上，可以构建单元天线，其中，单元天线的构建可以根据最优阵列中有效阵元和无效阵元的排布进行构建，单元天线的形状也可以不相同。例如，有些单元天线可以是由单独的有效阵元所构成，而有些单元天线可以是由有效阵元和与其相邻的无效阵元所构成。
构建得到的多个单元天线在拼接后可以得到所需的高口径效率稀疏阵列，其中，多个单元体现的拼接类似于“俄罗斯方块”的拼接，拼接后所有单元天线可以铺满整个阵列的阵面。
本实施例中，在所需的天线口径和稀疏率下，首先采用遗传算法寻求到最优阵列，并且，基于最优阵列中的有效阵元进行单元天线的构建，利用单元天线拼接得到高口径效率稀疏阵列。通过设计不同形状的类似于俄罗斯方块式的天线单元以铺满整个阵面，可提高单元天线增益、收窄单元天线波束宽度。且将不同形状的单元天线拼接以铺满整个阵面，减小了阵元间的互耦，从而提高稀疏阵列的口径效率和副瓣电平，大大降低了系统的功耗和成本。
遗传算法是进化计算的一部分，是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。请参阅图2，本实施例中，在上述步骤S101中采用遗传算法获得最优阵列时，可以通过以下方式实现：
S1011，获取所需的天线口径，根据所需的天线口径以及设置的间距信息确定阵列的规模，所述阵列具有多个阵元。
S1012，根据设置的稀疏率以及阵列的规模，构建得到原始种群，所述原始种群包括多个个体，每个所述个体包含与所述阵列对应的多个元素，各所述元素表征对应的阵元是否有效。
S1013，基于所述阵列的法向副瓣电平构建目标函数，以对所述原始种群进行优化，得到最优个体。
S1014，根据所述最优个体构建得到最优阵列。
本实施例中，根据所需的天线口径可以确定阵列整体的尺寸，结合设置的间距信息，包括阵元之间在x方向和y方向上的间距dx、dy，则可以确定阵列的规模。所述的阵列的规模具体为阵元的数量，例如可为Nx×Ny。
在阵列的规模确定的情况下，根据设置的稀疏率则可以确定可以将阵列中占比为多少的位置处的阵元设置为有效阵元。例如，若稀疏率为0.5，则可以将阵列中占比为50％的位置处的阵元设置为有效阵元。
如此，可以根据设置的遗传算法中的种群规模，构建对应数量的个体以构成原始种群。本实施例中，各个个体包含多个元素，各个个体可以是天线阵列的幅度矩阵，排布与天线阵列相同，例如可为上述的Nx×Ny。其中，各个元素可为0或1，0可以表示对应的阵元为无效阵元，也即代表该元素对应的阵元为不馈电的阵元或者是天线阵列中对应位置处并未实际设置阵元。而1表示对应的阵元为有效阵元，也即代表天线阵列中对应位置处实际设置有阵元并且该阵元为馈电的阵元。
此外，还可以设置遗传算法的其他参数，例如最大迭代次数、最大迭代时长、交叉率Pc和变异率Pm等。在构建的原始种群的基础上，以各个个体所对应的阵列的法向副瓣电平构建目标函数，以目标函数作为指导对原始种群进行优化。在停止迭代时确定出种群中确定出最优个体。而基于最优个体即可确定出最优阵列。
请参阅图3，本实施例中，在上述以目标函数作为指导对原始种群进行优化的步骤中，可以通过以下方式实现：
S10131，基于所述原始种群中各所述个体对应的阵列的法向副瓣电平构建得到对应的目标函数。
S10132，对所述原始种群中的个体进行多轮迭代优化处理，直至满足迭代终止条件时，获得最大目标函数对应的最优个体。
本实施例中，可以以个体对应的阵列的法向副瓣电平的绝对值作为目标函数，而目标函数的函数值为适应度值。适应度值越高表明对应的阵列的相关性能越好。因此，可以基于目标函数对原始种群中的个体进行多轮迭代优化处理。
在满足迭代终止条件时，例如迭代次数达到最大迭代次数、迭代时长达到最大迭代时长或者是目标函数达到收敛不再变化等，可以停止迭代。
在停止迭代时，计算此时种群中各个个体对应的阵列的法向副瓣电平的绝对值，也即适应度值。其中，适应度值最高的个体即为最优个体。
本实施例中，在对种群进行迭代优化时，可以采用选择操作、交叉操作、变异操作中的任意一种或多种的组合进行优化。
请参阅图4，在一种可能的实现方式中，对种群进行迭代优化处理时，可以通过以下方式实现：
S101321A，在每轮迭代中，计算当前迭代轮次各所述个体对应的目标函数的函数值。
S101322A，过滤掉目标函数的函数值小于预设阈值的个体，以筛选出目标函数的函数值大于或等于所述预设阈值的个体进入下一迭代轮次的优化。
对种群的选择操作即为选择出其中适应度高的个体进入后续的迭代中，并淘汰掉其中适应度低的个体，从而不断优化种群中的个体。可选地，可以在每轮的迭代轮次中，计算每个个体对应的阵列的目标函数的函数值，也即适应度值。将适应度值大于或等于预设阈值的个体进入后续的迭代中，其他的个体即进行淘汰。
此外，请参阅图5，在另一种实现方式中，在对种群进行迭代优化处理时，还可以通过以下方式实现：
S101321B，在每轮迭代中，将多个个体构成成组个体。
S101322B，在产生的随机数小于或等于设置的交叉率时，在所述成组个体中的个体之间进行部分元素的交换，以产生新的个体。
S101323B，将产生的新的个体进入下一迭代轮次的优化。
对种群的交叉操作即为在多个个体之间进行基因交叉。可以将多个个体构成成组个体，成组个体中个体的数量可为两个、三个等不限。在每轮迭代中，系统将产生一随机数，该随机数可为0至1之间的随机数。此外，设置的交叉率也为0至1之间的数。在产生的随机数小于设置的交叉率时，即执行交叉操作。因此，可以根据所需的交叉的力度进行交叉率的设置，若需要交叉频率较大，则可以将交叉率设置的较大，反之，则可以将交叉率设置的较小。
此外，交叉率也可设置为一可变的数，例如，在前期迭代过程中，可以将交叉率设置的较大，以在迭代前期进行较大力度的交叉操作，在后期迭代过程中，将交叉率设置的较小，以在迭代后期进行较小力度的交叉操作。
在成组个体中执行交叉操作时，可以在成组个体的个体之间进行部分元素的交换，从而产生新的个体。例如，在成组个体中包括两个个体时，则可以在该两个个体之间进行部分元素的交换，或者在成组个体中包括三个个体时，则可以在该三个个体之间依次进行部分元素的交换。
产生新的个体继续进入后续的迭代优化中，可以避免优化到后期陷入局部最优，从而无法寻求到最优的个体。
此外，请参阅图6，在又一种可能的实现方式中，在对种群进行迭代优化处理时，还可以通过以下方式实现：
S101321C，在每轮迭代中针对每个个体，在产生的随机数小于或等于设置的变异率时，对所述个体中的部分元素进行变换处理以产生变异个体。
S101322C，将产生的变异个体进入下一迭代轮次的优化。
本实施例中，对种群的变异操作即为针对单个个体进行变异。同样地，每轮迭代中系统可产生一随机数，将该随机数与设置的变异率进行比较。若随机数小于或等于变异率，则可以对个体中的部分元素进行变换，例如，可以将原本的1变换为0，将原本的0变换为1，从而产生变异个体。
通过在原有的个体的基础上产生变异个体，同样可以起到多样化种群个体的目的，避免种群迭代陷入局部最优。
需要说明的是，本实施例中，在对种群进行优化时，可以单独采用选择操作、交叉操作、变异操作中的一种进行优化，也可以采用多种操作相结合的方式进行优化，本实施例对此不作限制。
在基于以上方式进行优化，并确定出最终的最优个体后，确定最优个体对应的最优阵列。基于最优阵列中有效阵元和无效阵元的排布，可以构建形状不同的单元天线，并将所有单元天线拼接在一起以铺满整个阵面得到高口径效率稀疏阵列。其中，各个单元天线的相位中心即为单元天线中的有效阵元的相位中心。该设计提升单元天线的口径利用率，提高增益、收窄波速，且不会影响到阵列天线方向图的合成。
在此基础上，还可以基于高口径效率稀疏阵列进行仿真测试，获得高口径效率稀疏阵列的天线方向图。
本实施例中，假设均匀排布阵列规模为16×16，共256个阵元，阵元间距dx＝dy＝0.5λ，阵列排布如图7中所示。利用遗传算法按照0.5的稀疏率进行种群的迭代优化，最终得到的最优阵列的排布可如图8中所示。其中，黑色方框所示可为有效阵元，白色方框所示为无效阵元。图9所示为遗传算法中迭代过程的适应度值的变化。
在图8所述的最优阵列的基础上，进行单元天线的构建，并基于单元天线拼接得到的高口径效率稀疏阵列如图10所示。图10中形状各异的类似于俄罗斯方块的方框即为单元天线，其中圆点所示为单元天线的相位中心，也即，单元天线中的有效阵元的相位中心所在。
图11所示为得到的高口径效率稀疏阵列的天线方向图，而图12所示为均匀的16×16的阵列的天线方向图，图13所示为普通的稀布阵列的天线方向图(即只进行优化并未构建单元天线)。
从图中可以看出，对于规模为16×16的均匀排布阵列，其增益为30.3dBi，均匀馈电时副瓣电平为13.3dB；采用遗传算法优化计算得到普通的稀布阵列，其增益为27.2dBi，均匀馈电时副瓣电平为17.33dB；采用高口径利用率单元天线组阵形成高口径效率稀布天线阵其增益为28.9dBi，均匀馈电时副瓣电平为18.4dB。可见，该实施例中，采用高口径利用率单元天线组阵形成高口径效率稀疏阵列可以有效提高稀布天线阵的口径效率以及副瓣电平，增益相对于普通稀布阵列天线提高1.7dB。对于单脉冲体制雷达来说，这意味着整个链路增益提高3.4dB，大大的提升了雷达系统的探测威力，若仅靠提升系统发射功率来提升等同的探测威力，则功耗和成本将数倍于本申请中的高口径效率稀布天线阵。
请参阅图14，为本申请实施例提供的电子设备的示例性组件示意图，该电子设备可以是上述的如个人计算机、笔记本电脑、服务器等。该电子设备可包括存储介质110、处理器120、稀疏布阵装置130及通信接口140。本实施例中，存储介质110与处理器120均位于电子设备中且二者分离设置。然而，应当理解的是，存储介质110也可以是独立于电子设备之外，且可以由处理器120通过总线接口来访问。可替换地，存储介质110也可以集成到处理器120中，例如，可以是高速缓存和/或通用寄存器。
稀疏布阵装置130可以理解为上述电子设备，或电子设备的处理器120，也可以理解为独立于上述电子设备或处理器120之外的在电子设备控制下实现上述稀疏布阵方法的软件功能模块。
如图15所示，上述稀疏布阵装置130可以包括获得模块131、构建模块132和拼接模块133。下面分别对该稀疏布阵装置130的各个功能模块的功能进行详细阐述。
获得模块131，用于根据所需的天线口径、稀疏率，并基于遗传算法得到最优阵列，所述最优阵列由多个有效阵元和无效阵元构成；
可以理解，该获得模块131可以用于执行上述步骤S101，关于该获得模块131的详细实现方式可以参照上述对步骤S101有关的内容。
构建模块132，用于基于所述最优阵列中各所述有效阵元的相位中心构建单元天线，各所述单元天线由单独的有效阵元构成或由有效阵元和与其相邻的无效阵元构成；
可以理解，该构建模块132可以用于执行上述步骤S102，关于该构建模块132的详细实现方式可以参照上述对步骤S102有关的内容。
拼接模块133，用于根据构建的多个单元天线拼接得到高口径效率稀疏阵列。
可以理解，该拼接模块133可以用于执行上述步骤S103，关于该拼接模块133的详细实现方式可以参照上述对步骤S103有关的内容。
在一种可能的实施方式中，上述获得模块131可以用于：
获取所需的天线口径，根据所需的天线口径以及设置的间距信息确定阵列的规模，所述阵列具有多个阵元；
根据设置的稀疏率以及阵列的规模，构建得到原始种群，所述原始种群包括多个个体，每个所述个体包含与所述阵列对应的多个元素，各所述元素表征对应的阵元是否有效；
基于所述阵列的法向副瓣电平构建目标函数，以对所述原始种群进行优化，得到最优个体；
根据所述最优个体构建得到最优阵列。
在一种可能的实施方式中，上述获得模块131可以用于：
基于所述原始种群中各所述个体对应的阵列的法向副瓣电平构建得到对应的目标函数；
对所述原始种群中的个体进行多轮迭代优化处理，直至满足迭代终止条件时，获得最大目标函数对应的最优个体。
在一种可能的实施方式中，上述获得模块131可以用于：
在每轮迭代中，计算当前迭代轮次各所述个体对应的目标函数的函数值；
过滤掉目标函数的函数值小于预设阈值的个体，以筛选出目标函数的函数值大于或等于所述预设阈值的个体进入下一迭代轮次的优化。
在一种可能的实施方式中，上述获得模块131可以用于：
在每轮迭代中，将多个个体构成成组个体；
在产生的随机数小于或等于设置的交叉率时，在所述成组个体中的个体之间进行部分元素的交换，以产生新的个体；
将产生的新的个体进入下一迭代轮次的优化。
在一种可能的实施方式中，上述获得模块可以用于：
在每轮迭代中针对每个个体，在产生的随机数小于或等于设置的变异率时，对所述个体中的部分元素进行变换处理以产生变异个体；
将产生的变异个体进入下一迭代轮次的优化。
在一种可能的实施方式中，所述稀疏布阵装置130还包括仿真模块，该仿真模块可以用于：
基于所述高口径效率稀疏阵列进行仿真测试，获得所述高口径效率稀疏阵列的天线方向图。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。
进一步地，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有机器可执行指令，机器可执行指令被执行时实现上述实施例提供的稀疏布阵方法。
具体地，该计算机可读存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该计算机可读存储介质上的计算机程序被运行时，能够执行上述稀疏布阵。关于计算机可读存储介质中的及其可执行指令被运行时，所涉及的过程，可以参照上述方法实施例中的相关说明，这里不再详述。
综上所述，本申请实施例提供的稀疏布阵方法、装置、电子设备和可读存储介质，根据所需的天线口径、稀疏率，并基于遗传算法得到最优阵列，该最优阵列由多个有效阵元和无效阵元构成。基于最优阵列中的各有效阵元的相位中心构建单元天线，各单元天线由单独的有效阵元构成或由有效阵元和与其相邻的无效阵元构成。最后根据构建的多个单元天线拼接得到高口径效率稀疏阵列。本方案通过构建不同形状的单元天线以拼接铺满整个阵面，可以达到提高单元天线增益、收窄单元天线波束宽度，进而减小阵元间的互耦的目的，从而提高稀疏阵列天线的口径效率和副瓣电平，大大降低系统的功耗和成本。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种稀疏布阵方法，其特征在于，所述方法包括：
根据所需的天线口径、稀疏率，并基于遗传算法得到最优阵列，所述最优阵列由多个有效阵元和无效阵元构成；
基于所述最优阵列中各所述有效阵元的相位中心构建单元天线，各所述单元天线由单独的有效阵元构成或由有效阵元和与其相邻的无效阵元构成；
根据构建的多个单元天线拼接得到高口径效率稀疏阵列。
2.根据权利要求1所述的稀疏布阵方法，其特征在于，所述根据所需的天线口径、稀疏率，并基于遗传算法得到最优阵列的步骤，包括：
获取所需的天线口径，根据所需的天线口径以及设置的间距信息确定阵列的规模，所述阵列具有多个阵元；
根据设置的稀疏率以及阵列的规模，构建得到原始种群，所述原始种群包括多个个体，每个所述个体包含与所述阵列对应的多个元素，各所述元素表征对应的阵元是否有效；
基于所述阵列的法向副瓣电平构建目标函数，以对所述原始种群进行优化，得到最优个体；
根据所述最优个体构建得到最优阵列。
3.根据权利要求2所述的稀疏布阵方法，其特征在于，所述基于所述阵列的法向副瓣电平构建目标函数，以对所述原始种群进行优化的步骤，包括：
基于所述原始种群中各所述个体对应的阵列的法向副瓣电平构建得到对应的目标函数；
对所述原始种群中的个体进行多轮迭代优化处理，直至满足迭代终止条件时，获得最大目标函数对应的最优个体。
4.根据权利要求3所述的稀疏布阵方法，其特征在于，所述对所述原始种群中的个体进行多轮迭代优化处理的步骤，包括：
在每轮迭代中，计算当前迭代轮次各所述个体对应的目标函数的函数值；
过滤掉目标函数的函数值小于预设阈值的个体，以筛选出目标函数的函数值大于或等于所述预设阈值的个体进入下一迭代轮次的优化。
5.根据权利要求3所述的稀疏布阵方法，其特征在于，所述对所述原始种群中的个体进行多轮迭代优化处理的步骤，包括：
在每轮迭代中，将多个个体构成成组个体；
在产生的随机数小于或等于设置的交叉率时，在所述成组个体中的个体之间进行部分元素的交换，以产生新的个体；
将产生的新的个体进入下一迭代轮次的优化。
6.根据权利要求3所述的稀疏布阵方法，其特征在于，所述对所述原始种群中的个体进行多轮迭代优化处理的步骤，包括：
在每轮迭代中针对每个个体，在产生的随机数小于或等于设置的变异率时，对所述个体中的部分元素进行变换处理以产生变异个体；
将产生的变异个体进入下一迭代轮次的优化。
7.根据权利要求1-6任意一项所述的稀疏布阵方法，其特征在于，所述方法还包括：
基于所述高口径效率稀疏阵列进行仿真测试，获得所述高口径效率稀疏阵列的天线方向图。
8.一种稀疏布阵装置，其特征在于，所述装置包括：
获得模块，用于根据所需的天线口径、稀疏率，并基于遗传算法得到最优阵列，所述最优阵列由多个有效阵元和无效阵元构成；
构建模块，用于基于所述最优阵列中各所述有效阵元的相位中心构建单元天线，各所述单元天线由单独的有效阵元构成或由有效阵元和与其相邻的无效阵元构成；
拼接模块，用于根据构建的多个单元天线拼接得到高口径效率稀疏阵列。
9.一种电子设备，其特征在于，包括一个或多个存储介质和一个或多个与存储介质通信的处理器，一个或多个存储介质存储有处理器可执行的机器可执行指令，当电子设备运行时，处理器执行所述机器可执行指令，以执行权利要求1-7中任意一项所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有机器可执行指令，所述机器可执行指令被执行时实现权利要求1-7中任意一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211091316.7A CN115566442A (zh) | 2022-09-07 | 2022-09-07 | 稀疏布阵方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211091316.7A CN115566442A (zh) | 2022-09-07 | 2022-09-07 | 稀疏布阵方法、装置、电子设备和可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115566442A true CN115566442A (zh) | 2023-01-03 |
Family
ID=84739631
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211091316.7A Pending CN115566442A (zh) | 2022-09-07 | 2022-09-07 | 稀疏布阵方法、装置、电子设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115566442A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117933094A (zh) * | 2024-03-19 | 2024-04-26 | 艾索信息股份有限公司 | 天线阵元的稀疏方法、装置、电子设备和存储介质 |
-
2022
- 2022-09-07 CN CN202211091316.7A patent/CN115566442A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117933094A (zh) * | 2024-03-19 | 2024-04-26 | 艾索信息股份有限公司 | 天线阵元的稀疏方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liang et al. | Sidelobe‐level suppression for linear and circular antenna arrays via the cuckoo search–chicken swarm optimisation algorithm | |
| Gies et al. | Particle swarm optimization for reconfigurable phase‐differentiated array design | |
| Haupt et al. | Genetic algorithms in electromagnetics | |
| CN107302140B (zh) | 基于量子蜘蛛群演化机制的平面天线阵列稀疏方法 | |
| Liang et al. | A hybrid GA-PSO optimization algorithm for conformal antenna array pattern synthesis | |
| CN112100701B (zh) | 基于遗传算法的二维分布式天线子阵位置优化方法 | |
| CN111143983B (zh) | 基于改进水循环算法的稀布天线阵列低副瓣综合优化方法 | |
| Pal et al. | Linear antenna array synthesis with modified invasive weed optimisation algorithm | |
| Jain et al. | Solving “Antenna Array Thinning Problem” Using Genetic Algorithm | |
| CN115566442A (zh) | 稀疏布阵方法、装置、电子设备和可读存储介质 | |
| CN114399044A (zh) | 一种子阵级稀疏阵列发射波束旁瓣电平优化方法 | |
| CN110232228B (zh) | 一种多联骨牌非规则子阵阵面优选设计方法 | |
| 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 | |
| Wang et al. | A hybrid method based on the iterative fourier transform and the differential evolution for pattern synthesis of sparse linear arrays | |
| Pan et al. | Synthesis of linear symmetric antenna arrays using improved bat algorithm | |
| CN111487594A (zh) | 一种基于粒子群优化的圆阵列波束形成方法 | |
| 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 | |
| CN115146544A (zh) | 一种采用知识和数据混合驱动的阵列天线设计方法 | |
| CN114609592B (zh) | 一种mimo雷达虚拟稀疏阵列优化布阵方法 | |
| Zhang et al. | New multi‐objective optimisation algorithm for uniformly excited aperiodic array synthesis | |
| 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 | |
| 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 | |
| CN109031216B (zh) | 一种基于改进遗传算法的平面阵稀疏优化方法 | |
| CN117113459B (zh) | 一种天线阵列的旁瓣优化方法、装置及电子设备 | |
| CN114239380B (zh) | 基于自调整映射法则的矩形稀布阵列优化方法 |
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 |