CN115618755B - 一种基于机器学习算法的共形空间功率合成方法 - Google Patents
一种基于机器学习算法的共形空间功率合成方法 Download PDFInfo
- Publication number
- CN115618755B CN115618755B CN202211644419.1A CN202211644419A CN115618755B CN 115618755 B CN115618755 B CN 115618755B CN 202211644419 A CN202211644419 A CN 202211644419A CN 115618755 B CN115618755 B CN 115618755B
- Authority
- CN
- China
- Prior art keywords
- array
- sampling
- power synthesis
- conformal
- data set
- 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.)
- Active
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 64
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 63
- 238000001308 synthesis method Methods 0.000 title claims abstract description 40
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 86
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 85
- 238000005070 sampling Methods 0.000 claims description 67
- 238000000034 method Methods 0.000 claims description 59
- 238000004088 simulation Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000005284 excitation Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 238000000691 measurement method Methods 0.000 claims description 5
- 230000008878 coupling Effects 0.000 abstract description 10
- 238000010168 coupling process Methods 0.000 abstract description 10
- 238000005859 coupling reaction Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 6
- 238000012360 testing method Methods 0.000 description 36
- 239000000523 sample Substances 0.000 description 19
- 230000008569 process Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 16
- 238000012549 training Methods 0.000 description 15
- 238000005457 optimization Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 11
- 238000013461 design Methods 0.000 description 9
- 230000005684 electric field Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 238000012614 Monte-Carlo sampling Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000000593 degrading effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明涉及电磁兼容技术领域,公开了一种基于机器学习算法的共形空间功率合成方法,包括:基于目标的空间坐标和功率值,使用共形空间功率合成模型对合成天线阵列的阵列参数进行预测,获取预测结果;基于预测结果对天线阵列内的天线单元进行参数调整。本发明基于少量数据对任意该共形面上空间坐标的合成功率对应的阵列参数进行预测,在实现精确功率合成时能更加高效,达到预期的合成效果,通过预测的结果,可以实现目标的整个共形面上处处合成功率大小相同,从而能够生成所需要的高功率电磁环境,有效解决由于天线阵与受试设备的耦合等原因所导致的功率合成点偏差等问题,高效地完成任意面的共形空间功率合成。
Description
技术领域
本发明涉及电磁兼容技术领域,尤其涉及一种基于机器学习算法的共形空间功率合成方法。
背景技术
当前电子电气设备发展迅速,各类设备往往在特定电磁环境下共同工作,为了不使其降级,需要对系统电磁兼容性及其环境效应进行研究。其中某些设备需要暴露于特定的高功率电磁环境以验证其防护能力,这就需要在测试中生成高功率电磁辐射场。随着高功率微波在定向能、电磁兼容测试、脉冲激光雷达、功率传输、高场强效应等领域迅速发展,通过空间功率合成获取高功率微波成为研究热点。
已可以采用空间功率合成方法获得高场强电磁环境。目前,空间功率合成主要有以下方法:一是采用固态功率合成技术,在设备的微波通道中获得相应的合成功率,而这种方法对输出功率的提高是极为有限的;实现空间功率合成可采用由多个天线构成天线阵,其辐射的波束在空间进行功率合成,该方法能较大地提高微波的有效辐射功率。而天线阵列优化布阵是在给定约束的情况下确定天线阵列的形状和阵元的各项参数设置,来产生满足期望性能指标的波束方向图;对于利用天线阵来实现空间功率合成,研究天线单元形式、天线布阵方式和单元幅度相位激励等因素对空间功率合成性能的影响是非常重要的。
在高场强实验以及对近场区域场强分布有特殊要求的场景中,使用天线阵作为合成源时,会出现很多问题:由于天线阵与受试设备的互耦、天线单元之间的互耦、合成波束与反射波束的叠加等原因,传统的合成方法会无法避免地导致高功率辐射场偏差,从而出现低质量的功率合成;同时,当需要实现目标的共形功率合成时,针对不同的受试设备传统合成方法也需要进行大量的测试或仿真,这会消耗极大的硬件及时间资源。其中,传统的空间功率合成方法由于未考虑测试设备的外形,进而使其表面与天线阵之间出现耦合,并且波束通过受试设备反射或散射的能量与原合成波束的叠加,以及天线单元之间的耦合等原因都会导致功率合成点出现偏移、合成功率偏低、以及作用强度不足等问题。如何设计阵元分布,精确控制各波束的幅值、相位等参数,使每一波束同时且准确到达指定区域,以获得最优的波束聚焦是需要解决的关键问题。对于不同的受试设备,它们的外形都是完全不同且极其复杂的,所以直接通过数值解析等先验方法来描述设备的空间功率合成效果是不现实的。采用传统的全波电磁仿真方法可对目标区域的电磁场或接收功率进行采集并分析,其数值结果在一定程度上能够反映空间功率合成中天线阵的辐射特性,但利用这种方法分析空间功率合成结果也需要耗费非常多的时间和计算资源。通常情况下,被测试目标往往都是形状不规则的物体,而传统的测试方法没有考虑共形的功率合成;也就是说,该方法将合成的高功率微波聚焦到复杂外形的受试设备体的表面的准确性无法保障,这样的传统电磁环境测试限制了其参考价值。
近年来,机器学习辅助优化被广泛引入天线及阵列的优化设计领域,用以缓解全波仿真带来的计算压力,从而加速系统设计。包括动态规划法,模拟退火算法和遗传算法等机器学习算法被当做工具来解决天线阵列的优化问题。机器学习算法可避免优化计算非精确收敛和大量的适应度函数评价,提高效率及准确性。基于机器学习算法能够通过相对少量的数据对受试设备表面上的电场进行高效且精准的预测。
为了使同一电磁环境下各用电设备之间共同工作且不导致设备性能降级,常需对各用电设备单独或共同工作时的电磁兼容性进行研究。系统电磁环境效应的实验包含电磁发射测量和敏感度测量等大量内容,而一些设备需要暴露于特定的高功率电磁环境以验证其防护能力。空间功率合成具体而言是指利用多个功率源,发射频率一致,相位满足特定关系的电磁波,使其在空间传播过程中各辐射源的功率相互叠加,从而在指定方向和距离的空间中形成具有高能量密度的电磁波。利用了天线阵在空间中的辐射叠加的原理可实现自由空间功率合成,但全波仿真过程需要耗费大量的时间和计算资源,在对实时性和快速分析有要求的场合不能完全满足。而机器学习方法建立的模型能够基于小样本预测大样本中的数据,降低实际天线阵仿真或测量过程中的重复次数。因此,需要准确建立空间功率合成分析模型的机器学习方法,并用于共形空间功率的合成。
发明内容
本发明的目的在于克服上述一种或多种现有的技术问题,提供一种基于机器学习算法的共形空间功率合成方法。
为实现上述目的,本发明提供的一种基于机器学习算法的共形空间功率合成方法,包括:
基于目标的空间坐标和功率值,使用共形空间功率合成模型对合成天线阵列的阵列参数进行预测,获取预测结果;
基于预测结果对天线阵列系统的天线单元进行参数调整。
根据本发明的一个方面,所述共形空间功率合成模型的获得方法为:
构建功率合成天线阵列;
根据采样需求使用多层次抽样获得目标点参数数据集;
对采样数据集进行分析,获得阵列参数数据集;
基于所述目标点参数数据集和阵列参数数据集,通过机器学习获得训练好的所述共形空间功率合成模型,所述共形空间功率合成模型为ANN神经网络。
根据本发明的一个方面,所述天线阵列系统的组成包括:激励源、馈电网络模块、天线阵列模块和受试设备模块。
根据本发明的一个方面,所述采样数据集利用拉丁超立方体抽样、蒙特克罗抽样或均匀抽样。
根据本发明的一个方面,所述采样数据集为多层采样,其中第一层采样的目标点覆盖整个待测设备区域,第一层之后的采样的目标点由上一层级的点分裂得到。
根据本发明的一个方面,所述目标点参数数据集中的阵列参数如下式所示,
;
其中,m和n代表二维阵的第m和n个单元;
、和分别代表该单元理想情况下的阵元幅度、阵元相位和阵列参数工作频率;
代表空间坐标处的合成功率值。
根据本发明的一个方面,获得所述阵列参数数据集为通过全波电磁仿真工具或实测获得。
根据本发明的一个方面,对于采样目标点,以邻域半径作为尺度标准将该点对应的阵列参数以仿真或实测的方法进行参数插值扫描,以得到实际情况下使该点合成功率最大所对应的阵列参数工作频率、阵元幅度和阵元相位。
为实现上述目的,本发明提供一种基于机器学习算法的共形空间功率合成系统,包括:
预测结果获取模块:基于目标的空间坐标和功率值,使用共形空间功率合成模型对合成天线阵列的阵列参数进行预测,获取预测结果;
参数调整模块:基于预测结果对天线阵列内的天线单元进行参数调整。
为实现上述目的,本发明提供一种电子设备,包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,计算机程序被处理器执行时实现上述针对一种基于机器学习算法的共形空间功率合成方法。
为实现上述目的,本发明提供一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现上述针对一种基于机器学习算法的共形空间功率合成方法。
基于此,本发明的有益效果在于:
(1)采用本发明的空间功率合成方法中的算法在初始及后续迭代过程中,将添加特征的数据集作为机器学习的数据集,以提升机器学习得出的配置模型的预测准确性;
(2)采用本发明的空间功率合成方法,既能准确完成目标位置的空间功率合成,又能实现任意表面位置处生成高功率微波,达到共形的空间功率合成目的;
(3)采用本发明的空间功率合成方法,是一种集合传统电磁仿真方法与机器学习技术于一体的高功率微波共形空间功率合成技术,解决了传统空间功率合成技术作用强度与定位精度不高的问题,同时实现了高效共形功率合成的效果;
(4)采用本发明的空间功率合成方法在实际电磁兼容测试的应用中具有极大的参考价值,为利用天线阵实现高场强电磁兼容测试环境提供理论基础。
附图说明
图1示意性表示根据本发明的一种基于机器学习算法的共形空间功率合成方法的设备运行模拟图;
图2示意性表示根据本发明的一种基于机器学习算法的共形空间功率合成方法的设计方法的流程图;
图3示意性表示根据本发明的一种基于机器学习算法的共形空间功率合成方法的数据采集示意图;
图4示意性表示根据本发明的一种基于机器学习算法的共形空间功率合成方法的ANN训练和优化方法流程图;
图5示意性表示根据本发明的一种基于机器学习算法的共形空间功率合成方法的设备结构图;
图6示意性表示根据本发明的一种基于机器学习算法的共形空间功率合成方法的近场区存在与发射天线单元相同类型和尺寸的接收天线时场强合成图;
图7示意性表示根据本发明的一种基于机器学习算法的共形空间功率合成方法的机器学习获取、训练数据流程图;
图8示意性表示根据本发明的一种基于机器学习算法的共形空间功率合成方法的两个隐藏层对应的网络模型图;
图9示意性表示根据本发明的一种基于机器学习算法的共形空间功率合成方法的10折交叉验证数据集划分图;
图10示意性表示根据本发明的一种基于机器学习算法的共形空间功率合成方法的遗传算法计算ANN超参数的流程图;
图11示意性表示根据本发明的一种基于机器学习算法的共形空间功率合成方法的发射和接收天线阵等效端口网络图。
具体实施方式
现在将参照示例性实施例来论述本发明的内容,应当理解,论述的实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容,而不是暗示对本发明的范围的任何限制。
如本文中所使用的,术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”,术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
图1示意性表示根据本发明的一种基于机器学习算法的共形空间功率合成方法的设备运行模拟的流程图,图2示意性表示根据本发明的一种基于机器学习算法的共形空间功率合成方法的设计方法的流程图,图3示意性表示根据本发明的一种基于机器学习算法的共形空间功率合成方法的数据采集示意图,图4示意性表示根据本发明的一种基于机器学习算法的共形空间功率合成方法的ANN训练和优化方法流程图,图5示意性表示根据本发明的一种基于机器学习算法的共形空间功率合成方法的设备结构图,图6示意性表示根据本发明的一种基于机器学习算法的共形空间功率合成方法的近场区存在与发射天线单元相同类型和尺寸的接收天线时场强合成图,图7示意性表示根据本发明的一种基于机器学习算法的共形空间功率合成方法的机器学习获取、训练数据流程图,图8示意性表示根据本发明的一种基于机器学习算法的共形空间功率合成方法的两个隐藏层对应的网络模型图,图9示意性表示根据本发明的一种基于机器学习算法的共形空间功率合成方法的10折交叉验证数据集划分图,图10示意性表示根据本发明的一种基于机器学习算法的共形空间功率合成方法的遗传算法计算ANN超参数的流程图,图11示意性表示根据本发明的一种基于机器学习算法的共形空间功率合成方法的发射和接收天线阵等效端口网络图,如图1至图11所示,本发明的一种基于机器学习算法的共形空间功率合成方法,包括:
基于目标的空间坐标和功率值,使用共形空间功率合成模型对合成天线阵列的阵列参数进行预测,获取预测结果;
基于预测结果对天线阵列系统的天线单元进行参数调整。
根据本发明的一个实施方式,所述共形空间功率合成模型的获得方法为:
构建功率合成天线阵列;
根据采样需求使用多层次抽样获得目标点参数数据集;
对采样数据集进行分析,获得阵列参数数据集;
基于所述目标点参数数据集和阵列参数数据集,通过机器学习获得训练好的所述共形空间功率合成模型,所述共形空间功率合成模型为ANN神经网络。
根据本发明的一个实施方式,所述天线阵列系统的组成包括:激励源、馈电网络模块、天线阵列模块和受试设备模块。
根据本发明的一个实施方式,所述采样数据集利用拉丁超立方体抽样、蒙特克罗抽样或均匀抽样。
根据本发明的一个实施方式,所述采样数据集为多层采样,其中第一层采样的目标点覆盖整个待测设备区域,第一层之后的采样的目标点由上一层级的点分裂得到。
根据本发明的一个实施方式,所述目标点参数数据集中的阵列参数如下式所示,
;
其中,m和n代表二维阵的第m和n个单元;
、和分别代表该单元理想情况下的阵元幅度、阵元相位和阵列参数工作频率;
代表空间坐标处的合成功率值。
根据本发明的一个实施方式,获得所述阵列参数数据集为通过全波电磁仿真工具或实测获得。
根据本发明的一个实施方式,对于采样目标点,以邻域半径作为尺度标准将该点对应的阵列参数以仿真或实测的方法进行参数插值扫描,以得到实际情况下使该点合成功率最大所对应的阵列参数工作频率、阵元幅度和阵元相位。
根据本发明的一个实施例,上述的功率合成天线阵列可基于具体应用场景,选择合适的天线单元进行组阵,并为天线阵列添加馈电网络以及激励信号源,这是为后续的工作提供硬件基础,以满足实现高功率天线阵的条件。其中,馈电网络可以基于相位补偿方法设计幅相激励以满足目标点的空间功率合成。
根据本发明的一个实施例,功率合成天线阵列包括激励源、馈电网络模块、天线阵列模块和受试设备模块。可基于工作频段、最大输出功率、天线结构尺寸以及制作成本等限制因素在多种天线中选取合适的天线作为天线阵列的天线单元,并建立天线阵系统用于后续的空间功率合成的辐射源;天线阵列系统的组成包括:激励源、馈电网络模块、天线阵列模块、受试设备模块,其中,激励源的功能为借由馈电网络模块为天线阵列提供信号激励。
根据本发明的一个实施例,馈电网络模块的功能为对天线阵列中的每个单元馈电,通过设计一种可以将每个馈电端口的幅度和相位以特定方式分配给各个天线来实现一种多个波束定向的波束形成网络,它属于多端口的无源微波网络的类别,还可以实现天线信号的模式转换等功能。
根据本发明的一个实施例,天线阵列模块的功能为基于电磁波传播和干涉理论,将传输线上传播的导行波,变换成在空间中传播的电磁波,用来将馈电端口激励的信号发射到空间中,在空间中合成单天线单元达不到的功率或者场强的强度,常用的高功率天线包括:角锥喇叭、圆锥喇叭、横电磁喇叭、VLASOV天线、COBRA天线等。
根据本发明的一个实施例,受试设备模块的功能为接收来自阵列天线发出的能量,并在受试设备后端进行处理,得到所需的场强、功率等数据。在射频/微波/毫米波测试中,通常包括微带焊盘的表面探针或用于测试的天线等,区别于接收天线和感应探头,这里的受试设备为电磁兼容测试环境中的待测仪器或目标。
根据本发明的一个实施例,选取一款适合具体应用场景的高功率天线单元;将高功率天线单元组成10元阵列进行场强合成,其中天线单元等间距(2个中心波长)均匀分布在y轴上,且关于xoz平面对称。
根据本发明的一个实施例,共形空间功率合成模型为人工神经网络ANN。
根据本发明的一个实施例,对共形面上的数据进行抽样采集时,抽样样本需具有代表性。若样本采集过多,则会导致制作数据集的工作量陡增,若样本采集较少,则无法得到准确的机器学习模型。
本发明在数据采集的过程采用了多层次采样的思想,这种思想的优点是既能高效完成数据集的表征采样,又可以针对不同测试场景、不同受试设备灵活地调整采样策略,该方法的灵活性体现在:针对某一受试设备,不同区域的复杂程度是不尽相同的,如果采样时该设备的全局采样密度完全相同,一方面可能由于某些区域结构相对简单、测试要求的权重较低,从而导致采样冗余,工作量增大;另一方面有可能由于某些区域的结构复杂度相对较高或测试精度要求更严格,传统的采样方式产生的数据集无法完全表征设备表面结构,甚至导致算法模型优化无法收敛。
根据本发明的一个实施例,依据受试设备的大小、表面复杂程度等标准,确定需要采样的总层数,对测试表面逐级采样;层级之间的采样点存在多级N叉树的关系,而对层内每一个采样点,通过相关的采样方法获取受试设备的共形面数据,并确保能采样点够描述该物体表面特征,利用激光测距雷达等电磁波测距仪对受试设备进行光学定位,将这组数据转化为由天线阵中心作为原点所对应的三维空间坐标数据集,该数据集由多组空间坐标的集合所构成;此处的N叉树可以为B-Tree,或者N取值范围为2-100。
根据本发明的一个实施例,基于相对应的天线阵幅相参数作为输入,采用全波仿真或实测的方法批量获取该数据集中每组空间坐标点上的功率合成场强,以此作为天线阵参数对应输出空间功率合成坐标的数据集,该数据集就是初始样本,为后续的优化工作提供初始数据。
根据本发明的一个实施例,采样利用拉丁超立方体抽样、蒙特克罗抽样或均匀抽样。对于待测模型,选取几个能够影响空间功率作用强度的天线阵元参数作为特征,依据受试设备的大小、表面复杂程度等标准,确定需要采样的总层数,对测试表面不同区域进行采样层数确定,层数越多,相应的样本容量就越大,同时采样精度也有所提高。
根据本发明的一个实施例,本发明可以利用拉丁超立方体(LHS)抽样、蒙特克罗抽样或均匀抽样在模型的样本空间中进行逐级采样。采样的目标点个数由设备的外形、采样层级以及测试要求共同决定。第一层抽样覆盖整个待测设备区域,对于外形相对复杂的被测区域,为了确保所采样的点能够反映被测物体的表面特征,需要更多层级采样。层级间的点都不是完全独立的,下一层级的目标点总是由上一层级的点分裂得到的,目标点密度随着层级升级越来越小,而相同层级中的每个目标点都是独立计算分析的。对于阵元数和阵因子已确定的阵列,能够影响功率合成空间坐标点的参数主要为天线阵元的相位和幅度;若天线的频率以及幅相参数可以由阵元馈电模块进行精准调节,相对于天线阵中心空间的任意一个坐标处的合成点都对应唯一一组天线阵元和阵因子的频率和幅相参数。
根据本发明的一个实施例,以二维天线阵为例,当将待测区域某一空间点处作为功率合成目标,理想情况为目标点处无任何待测物体,可通过理论计算得到该情况下的阵列参数:
;
其中,m和n代表二维阵的第m和n个单元;
、和分别代表该单元理想情况下的阵元幅度、阵元相位和阵列参数工作频率;
代表空间坐标处的合成功率值。
根据本发明的一个实施例,天线阵列为二维天线阵,采样为多层采样,其中第一层采样的目标点覆盖整个待测设备区域;第一层之后的采样的目标点由上一层级的点分裂得到。
根据本发明的一个实施例,获得阵列参数数据集为通过全波电磁仿真工具或实测获得。
根据本发明的一个实施例,利用激光测距雷达等电磁波测距仪确定每一层级中的目标点相对于天线阵平面的空间位置,组成初始数据集,该数据集与其空间位置所对应的阵列参数映射后得到完整数据集,从而进行后续的训练。理论上,由上一步的采样过程可以得到每一个目标点理想情况下的阵列参数。然而,在实际情况下,由于天线阵与受试设备的互耦、天线单元之间的互耦、合成波束与反射波束的叠加等原因,高功率合成点会出现偏差。
根据本发明的一个实施例,为了获得相对精确的数据集,采样的每个目标点都会存在以该点为球心的邻域空间,对于采样目标点,以邻域半径作为尺度标准将该点对应的阵列参数以仿真或实测的方法进行参数插值扫描,以得到实际情况下使该点合成功率最大所对应的阵列参数工作频率、阵元幅度和阵元相位。所有目标点根据上述方法得到的参数整合后便得到完整的原始数据集,该数据集可用于后续的机器学习的训练和预测。
根据本发明的一个实施例,上述采样方法的灵活性在于,当测试要求在受试设备重点关注的某一区域生成高功率辐射场时,可以针对这一区域适当增加采样层级,而其他区域保持不变,这就使得该方法在针对不同受试设备、不同测试要求时总是高效且灵活的,且对于某一确定的受试设备,层级越高则越小,参数校准过程精度要求也更高。联合全波电磁仿真软件或实测工具获取目标点的功率,若利用仿真方法需要注意在仿真过程中将测试的实际情况尽可能考虑在内,将仿真带来的误差降至最低。
根据本发明的一个实施例,对采样数据集进行分析,获得阵列参数数据集的步骤进一步包括:
利用机器学习算法对带有共同特征的训练数据集进行训练,配置模型并生成系统函数:
对于通过分层采样得到的目标点参数以及仿真或实际测试得到的阵列参数所组成的数据集,规划数据集的规模和结构,并将数据集分成两部分,分别用作训练和验证,用于训练的数据集越多,其包含的底层信息量越大,训练模型输出的结果越准确。
利用机器学习算法在输入和输出数据之间建立映射关系,得到系统传递函数,对数据集进行反复训练,对算法模型进行优化。通过迭代,公式拟合等过程对最优目标值进行预测,在多次迭代的过程中提高准确度,获得目标点功率预测值对应的最优阵列参数组合,从而使得输出数据集趋于可靠。完成训练优化过程后,将验证用的数据对应的空间位置及功率值输入优化后的算法模型中,根据算法输出结果与原有输出进行对比判断是否达到预测精度。
根据本发明的一个实施例,对于整个验证集,其验证集中所有样本的平均相对误差为,若共有组验证集,则平均相对误差表示为:
;
将与测试要求中允许的最大误差进行比较判断是否达到预测精度。如果未达到预测精度,则从第二步开始更新训练数据集后,继续第三步的计算,重新进行模型的训练优化以及验证过程,直到算法模型符合预测精度,循环终止,实现模型的验证。
根据本发明的一个实施例,通过使用上述验证后的功率合成机器学习算法模型后,即可基于少量数据对任意该共形面上空间坐标的合成功率对应的阵列参数进行预测,在实现精确功率合成时能更加高效。以测试设备表面任意一处目标点空间坐标以及功率要求作为机器学习的输入数据,可以根据模型预测后的数据结果作为参考对每个天线单元进行参数调整,进而达到预期的合成效果;通过预测的结果,甚至可以实现目标的整个共形面上处处合成功率大小相同,从而能够生成所需要的高功率电磁环境。预测的结果能够在实际工程测试中有效解决由于天线阵与受试设备的耦合等原因所导致的功率合成点偏差等问题,高效地完成任意面的共形空间功率合成。
根据本发明的一个实施例,采用本发明的空间功率合成方法,既能高效地实现测试区域的空间功率合成,又能在受试设备的表面位置处生成高功率微波,达到共形的空间功率合成目的。该方法是一种集合传统电磁仿真方法与机器学习技术于一体的高效的共形高功率微波空间功率合成技术,解决了传统空间功率合成技术由于设计步骤繁琐而导致设计周期长,且作用强度与定位精度不高而无法实现共形空间功率合成的问题。
根据本发明的一个实施例,将高功率天线单元组成10元阵列,其中天线单元等间距(2个中心波长)均匀分布在y轴上,且关于xoz平面对称。所有天线单元均采用波导端口TE10模激励,激励电场强度为1V/m,单个的高度为41.79mm,进行场强合成。
根据本发明的一个实施例,接收单元存在时,根据目标点与阵面的距离,工作频率,接收天线的俯仰角的取值范围创建一个1312*3的拉丁阵,设定样本值中各参数的采样区间分别为[20λ,60λ]、[0°,15°]和[8GHz,12GHz]。
根据本发明的一个实施例,设置第i(i=1,2,3)个变量的参数范围在[x,y],则各个子区间
s的上下边界为:
;
其中,,采用离散LHS,子区间的代表值则为该区间的平均值,此时每个子区间的取样值为:
;
由于样本中各参数的采样间隔分别为1λ、1°和100MHz,因此对生成的拉丁阵中每一列的数值需进行转换,转换方法为:
;
其中,表示r、f和θ以间隔分别为1λ、1°和100MHz均匀采样时的第j个样本值,k则分别取32、82和32。
根据本发明的一个实施例,机器学习中数据集的生成,如采用全波仿真求解的方式获取,在一个具体实现内,通过MATLAB软件获取拉丁超立方分布得到样本,其后以脚本的形式将这些参数输入到CADFEKO中并完成数值分析工作。数据的提取、整理工作在MATLAB软件中执行。
根据本发明的一个实施例,建立预测电场的ANN模型,将距离r、俯仰角θ和频率f作为网络的输入,则输入层神经元个数为3。输出结果为观察线上的电场分布,共采样21个点,则输出层神经元个数为21。
根据本发明的一个实施例,建立接收天线口面电场模型,基于ANN预测观察线上的电场分布,其输入参数包括频率、距离和俯仰角,输出结果包括21个采样点。在近场空间功率合成对喇叭口面上的场强进行预测的ANN模型中,输入层和输出层分别有3个和21个神经元,1层隐藏层有15个神经元。输入层-隐藏层、隐藏层-输出层连接的激活函数分别是Tansig函数和Purelin函数。学习率和动因子分别为0.001和0.9,采用LM优化算法调整网络的超参数。采用10折交叉验证作为模型评估的方法,贝叶斯正则化算法被用于模型中超参数的优化,后遗传算法联合ANN预测电场分布。然后进行网络泛化能力验证。
根据本发明的一个实施例,进行天线接收功率模型中接收功率计算。定义S1和S2分别是仅包括发射天线阵A和接收天线阵B的两个闭合曲面。PTE被定义为B的接收功率与A的发射功率之间的比:
;
其中E A ,H A ,E B ,H B 分别代表天线阵A,B的电场及磁场un代表闭合曲面上的法向量。天线阵A和天线阵B分别包含m和n个天线单元,则该发射和接收系统中有m个端口输入和n个端口输出,发射天线系统和接收天线系统共同组成了一个m+n端口的网络,使用散射矩阵可以表示为:
;
其中
b,
a分别代表反射电磁波和入射电磁波,以归一化形式表示的阵列A和阵列B的入射电磁波和反射电磁波为:
;
下标‘t’和‘r’分别表示天线阵A和天线阵B。PTE的最大值PTEmax可使用天线阵B的接收功率之和与天线阵A输出功率之和的比值表示:
;
进一步计算其传输效率T:
;
|S21|为天线阵AB间的传输系数模值,给定每个发射单元的输入功率,基于相位补偿方法进行空间功率合成设计。可得到接收单元上的接收功率
P r ,其计算公式为:
;
其中,为第m个发射天线单元的输入功率,为第m个发射天线单元与接收天线单元之间的反射系数,共有10个值。
接收功率的ANN模型以10元高功率喇叭组成的发射天线阵的与接收天线单元之间的距离r、工作频率f和方位角θ作为输入变量,使用LHS获取100组随机且均匀分布的输入样本,此时三个变量的间隔分别为0.04λ,40MHz和0.015°。然后仿真进行输入参数更新和数值分析,可得到所有输入样本对应的正向传输系数。输入层神经元的个数为3,对应距离r、工作频率f和方位角θ;神经网络模型中输出层神经元个数为1,对应接收天线上的接收功率。总样本中的80%用于训练集,20%用于测试集。超参数的优化算法使用LM算法,输入层连接隐藏层、隐藏层连接输出层之间的两个激活函数分别使用Tansig函数和Purelin函数,学习率和动因子分别为0.001和0.9。以MSE作为模型评估的标准。最后进行网络泛化能力验证。
不仅如此,为实现上述发明目的,本发明还提供一种基于机器学习算法的共形空间功率合成系统,根据本发明的一种基于机器学习算法的共形空间功率合成系统,该系统包括:
预测结果获取模块:基于目标的空间坐标和功率值,使用共形空间功率合成模型对合成天线阵列的阵列参数进行预测,获取预测结果;
参数调整模块:基于预测结果对天线阵列内的天线单元进行参数调整。
为实现上述发明目的,本发明还提供一种电子设备,该电子设备包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,计算机程序被处理器执行时实现上述一种基于机器学习算法的共形空间功率合成方法。
为实现上述发明目的,本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现上述一种基于机器学习算法的共形空间功率合成方法。
基于此,本发明的有益效果在于,采用本发明的空间功率合成方法中的算法在初始及后续迭代过程中,将添加特征的数据集作为机器学习的数据集,以提升机器学习得出的配置模型的预测准确性,采用本发明的空间功率合成方法,既能准确完成目标位置的空间功率合成,又能实现任意表面位置处生成高功率微波,达到共形的空间功率合成目的,采用本发明的空间功率合成方法,是一种集合传统电磁仿真方法与机器学习技术于一体的高功率微波共形空间功率合成技术,解决了传统空间功率合成技术作用强度与定位精度不高的问题,同时实现了高效共形功率合成的效果,采用本发明的空间功率合成方法在实际电磁兼容测试的应用中具有极大的参考价值,为利用天线阵实现高场强电磁兼容测试环境提供理论基础,建立了接收天线口面电场模型以及天线接收功率模型,解决了空间功率合成中的特征变量采样样本过多导致的计算以及仿真工程量极大的问题,降低实际天线阵仿真或测量过程中的重复次数,且原理简洁明晰,工程实用性强。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的模块及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
另外,在本发明实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解,本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
Claims (6)
1.一种基于机器学习算法的共形空间功率合成方法,其特征在于,包括:
基于目标的空间坐标和功率值,使用共形空间功率合成模型对合成天线阵列的阵列参数进行预测,获取预测结果;
所述共形空间功率合成模型的获得方法为,
构建功率合成天线阵列;
根据采样需求使用多层次抽样获得目标点参数数据集;
对采样数据集进行分析,获得阵列参数数据集;
基于所述目标点参数数据集和阵列参数数据集,通过机器学习获得训练好的所述共形空间功率合成模型,所述共形空间功率合成模型为ANN神经网络;
所述天线阵列系统的组成包括:激励源、馈电网络模块、天线阵列模块和受试设备模块;
所述采样数据集利用拉丁超立方体抽样、蒙特克罗抽样或均匀抽样;
所述采样数据集为多层采样,其中第一层采样的目标点覆盖整个待测设备区域,第一层之后的采样的目标点由上一层级的点分裂得到;
所述目标点参数数据集中的阵列参数如下式所示,
;
其中,m和n代表二维阵的第m和n个单元;
、和分别代表该单元理想情况下的阵元幅度、阵元相位和阵列参数工作频率;
代表空间坐标处的合成功率值;
基于预测结果对天线阵列系统的天线单元进行参数调整。
2.根据权利要求1所述的一种基于机器学习算法的共形空间功率合成方法,其特征在于,获得所述阵列参数数据集为通过全波电磁仿真工具或实测获得。
3.根据权利要求2所述的一种基于机器学习算法的共形空间功率合成方法,其特征在于,对于采样目标点,以邻域半径作为尺度标准将该点对应的阵列参数以仿真或实测的方法进行参数插值扫描,以得到实际情况下使该点合成功率最大所对应的阵列参数工作频率、阵元幅度和阵元相位。
4.一种基于机器学习算法的共形空间功率合成系统,其特征在于,包括:
预测结果获取模块:基于目标的空间坐标和功率值,使用共形空间功率合成模型对合成天线阵列的阵列参数进行预测,获取预测结果;
所述共形空间功率合成模型的获得方法为,
构建功率合成天线阵列;
根据采样需求使用多层次抽样获得目标点参数数据集;
对采样数据集进行分析,获得阵列参数数据集;
基于所述目标点参数数据集和阵列参数数据集,通过机器学习获得训练好的所述共形空间功率合成模型,所述共形空间功率合成模型为ANN神经网络;
所述天线阵列系统的组成包括:激励源、馈电网络模块、天线阵列模块和受试设备模块;
所述采样数据集利用拉丁超立方体抽样、蒙特克罗抽样或均匀抽样;
所述采样数据集为多层采样,其中第一层采样的目标点覆盖整个待测设备区域,第一层之后的采样的目标点由上一层级的点分裂得到;
所述目标点参数数据集中的阵列参数如下式所示,
;
其中,m和n代表二维阵的第m和n个单元;
、和分别代表该单元理想情况下的阵元幅度、阵元相位和阵列参数工作频率;
代表空间坐标处的合成功率值;
参数调整模块:基于预测结果对天线阵列内的天线单元进行参数调整。
5.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的一种基于机器学习算法的共形空间功率合成方法。
6.一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上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述的一种基于机器学习算法的共形空间功率合成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211644419.1A CN115618755B (zh) | 2022-12-21 | 2022-12-21 | 一种基于机器学习算法的共形空间功率合成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211644419.1A CN115618755B (zh) | 2022-12-21 | 2022-12-21 | 一种基于机器学习算法的共形空间功率合成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115618755A CN115618755A (zh) | 2023-01-17 |
CN115618755B true CN115618755B (zh) | 2023-04-07 |
Family
ID=84881021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211644419.1A Active CN115618755B (zh) | 2022-12-21 | 2022-12-21 | 一种基于机器学习算法的共形空间功率合成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115618755B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103682677A (zh) * | 2013-11-14 | 2014-03-26 | 中国科学院电子学研究所 | 一种艇载雷达共形稀疏阵列天线及其信号处理方法 |
CN107657070A (zh) * | 2017-07-31 | 2018-02-02 | 西安电子科技大学 | 基于遗传算法频率分集共形阵列波束的解耦合方法及天线 |
WO2022183813A1 (zh) * | 2021-03-02 | 2022-09-09 | 网络通信与安全紫金山实验室 | 定位参数确定方法、装置、计算机设备和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019028269A2 (en) * | 2017-08-02 | 2019-02-07 | Strong Force Iot Portfolio 2016, Llc | METHODS AND SYSTEMS FOR DETECTION IN AN INDUSTRIAL ENVIRONMENT OF COLLECTING INTERNET DATA FROM OBJECTS WITH LARGE DATA SETS |
WO2020198117A1 (en) * | 2019-03-23 | 2020-10-01 | Uatc, Llc | Systems and methods for generating synthetic sensor data via machine learning |
CN110418354A (zh) * | 2019-08-06 | 2019-11-05 | 北京邮电大学 | 一种基于机器学习的免传播模型无线网络规划方法 |
-
2022
- 2022-12-21 CN CN202211644419.1A patent/CN115618755B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103682677A (zh) * | 2013-11-14 | 2014-03-26 | 中国科学院电子学研究所 | 一种艇载雷达共形稀疏阵列天线及其信号处理方法 |
CN107657070A (zh) * | 2017-07-31 | 2018-02-02 | 西安电子科技大学 | 基于遗传算法频率分集共形阵列波束的解耦合方法及天线 |
WO2022183813A1 (zh) * | 2021-03-02 | 2022-09-09 | 网络通信与安全紫金山实验室 | 定位参数确定方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
李照荣 ; 吕立明 ; 黄学骄 ; 王平 ; 钟伟 ; .递进型射频SiP系统优化法研究.微波学报.2018,(第01期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115618755A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | MetaRadar: Multi-target detection for reconfigurable intelligent surface aided radar systems | |
Minvielle et al. | Sparse antenna array optimization with the cross-entropy method | |
Álvarez et al. | Near field multifocusing on antenna arrays via non‐convex optimisation | |
CN106707255A (zh) | 一种相控阵雷达仿真系统及方法 | |
Shan et al. | Phase synthesis of beam-scanning reflectarray antenna based on deep learning technique | |
CN109635486B (zh) | 一种高分辨率三维成像声纳换能器阵列稀疏优化方法 | |
Torrungrueng et al. | A novel acceleration algorithm for the computation of scattering from two-dimensional large-scale perfectly conducting random rough surfaces with the forward-backward method | |
Li et al. | Reduction of truncation errors in planar near-field antenna measurements using improved Gerchberg–Papoulis algorithm | |
CN110118956B (zh) | 免疫地面干扰机区域的双基sar抗干扰性能评估方法 | |
US8134494B1 (en) | Simulating the mutual performance of an antenna array coupled to an electrical drive circuit | |
CN115618755B (zh) | 一种基于机器学习算法的共形空间功率合成方法 | |
CN115913413B (zh) | 一种智能化空间毫米波传播特征分析方法 | |
Xue et al. | A novel intelligent antenna synthesis system using hybrid machine learning algorithms | |
Fedi et al. | Profiled corrugated circular horns analysis and synthesis via an artificial neural network | |
Han et al. | Resource management of opportunistic digital array radar antenna aperture for pattern synthesis | |
Monemi et al. | 6G Fresnel Spot Beamfocusing using Large-Scale Metasurfaces: A Distributed DRL-Based Approach | |
Han et al. | Infinitesimal dipole modeling from sparse far-field patterns for predicting electromagnetic characteristics of unknown antennas | |
Ying et al. | Intelligent microwave staring correlated imaging | |
Price et al. | Aiding material design through machine learning | |
Onat et al. | Efficient Embedded Element Pattern Prediction via Machine Learning: A Case Study with Planar Non-Uniform Sub-Arrays | |
Calist et al. | Large Scale Channel Parameters Estimation by Utilization of Reflected Rays Information for an Urban Environment | |
Gan et al. | Sparse linear array design via membrane algorithm | |
Cho et al. | Shooting and bouncing rays for sparse particles (SBR-SP) applied for multiple magnetodielectric circular cylinders | |
Ergul et al. | Parallel-MLFMA solution of CFIE discretized with tens of millions of unknowns | |
Felaco et al. | Efficient modeling of on-body passive UHF RFID systems in the radiative near-field |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |