CN116484522A - 一种基于级联网络的天线罩电性能补偿加工量确定方法 - Google Patents
一种基于级联网络的天线罩电性能补偿加工量确定方法 Download PDFInfo
- Publication number
- CN116484522A CN116484522A CN202310389326.7A CN202310389326A CN116484522A CN 116484522 A CN116484522 A CN 116484522A CN 202310389326 A CN202310389326 A CN 202310389326A CN 116484522 A CN116484522 A CN 116484522A
- Authority
- CN
- China
- Prior art keywords
- radome
- network
- electrical performance
- annular
- thickness
- 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.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000010411 postconditioning Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01Q—ANTENNAS, i.e. RADIO AERIALS
- H01Q1/00—Details of, or arrangements associated with, antennas
- H01Q1/42—Housings not intimately mechanically associated with radiating elements, e.g. radome
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Details Of Aerials (AREA)
Abstract
本发明提供一种基于级联网络的天线罩电性能补偿加工量确定方法。主要包括:基于罩壁几何厚度数据和远场电性能参数训练所述前向预测网络,并固定网络参数;构建逆向网络;对所述逆向网络与固定网络参数的前向预测网络进行级联处理,从而构建级联网络;获取具体工况下的远场电性能参数实测数据,通过级联网络获取天线罩环状子区域的厚度值;通过级联网络获取满足期望电性能时的天线罩环状子区域厚度值;根据具体工况下求取的天线罩环状子区域的厚度值与满足期望电性能时的天线罩环状子区域厚度值获取天线罩电性能补偿加工量。本发明有效地将天线罩加工误差影响归结为网络输出的天线罩环状子区域的厚度值,同时保证求解精度和求解效率。
Description
技术领域
本发明涉及通信装置技术领域,具体而言,尤其涉及一种基于级联网络的天线罩电性能补偿加工量确定方法。
背景技术
天线罩是用来内部天线系统免受外界恶劣环境的侵蚀,使得内部设备能够正常工作,让电磁波传播不受影响。天线罩通常是由天然或人工复合材料制作而成的作为保护功能的设备,可以用于民用和军事方面。其中,天线罩的电性能是一个复杂的电磁学问题,其透波性能的好坏直接影响到天线的技术指标。但在天线罩实际加工过程中,由于加工误差的客观存在,制备出的天线罩制件往往会存在着各种各样的工艺误差,这些工艺误差将直接影响天线罩的电磁传输特性。目前,对于天线罩的研究,一般均假设材料的电磁参数不再发生变化。然而,介质层的相对介电常数会因原材料的体积百分比、孔隙率、材料的均匀性等因素影响,对于同类型的原材料,当其生产工艺、工艺条件不同时,介质层的电磁参数也会不同,将会直接影响天线罩的介电性能,从而对天线罩的电性能也会产生显著影响。
近年来,国内外学者围绕天线罩的加工误差对电性能的影响进行理论与实验探究,取得了一些研究成果。在天线罩的指导精加工方面,公开号CN103401070B的中国专利“基于远场的薄壳式天线罩壁厚修磨方法”,提出了一种基于远场的薄壳式天线罩壁厚修磨方法,可用于对带有薄壳式天线罩的天线系统的电性能进行补偿。这种方法需要精确掌握天线罩厚度、透射系数等信息,过分依赖工艺和检验要求,工程实现较为困难,且计算时间较长。文献“Inverse method for determining grinding area and material removalamount in grinding radome”借助遗传算法求解天线罩壁厚修磨量,以天线罩各处的介电常数值为优化变量,以不同工况的天线罩瞄准误差的实测值与仿真值之差作为目标函数。该方法优化变量数目有限,每一次都需要测量不同工况的实测值与仿真值,操作复杂。
深度学习作为机器学习领域的一个重要分支,在计算机科学和工程相关领域展现出强大的对复杂数据的处理能力,如计算机视觉、自然语言处理、语音识别等。随着计算机算力的大幅提升,深度学习在电磁领域的应用得到广泛关注。在电磁性能预测方面,文献“Machine-learning designs of anisotropic digital coding metasurfaces”通过卷积神经网络(CNN)训练70000组数据,实现超表面单元的相位响应预测,准确率高达90%,同时极大地缩短计算时间,提高计算效率。然而,针对基于深度学习的天线罩电性能补偿加工量求解问题,尚缺少研究方案。
发明内容
鉴于现有天线罩电性能补偿加工方法存在的过分依赖工艺和检验要求、工程实现较为困难、计算时间较长、操作复杂的技术问题,本发明提供了一种基于级联网络的天线罩电性能补偿加工量确定方法,利用深度学习学习天线罩环状子区域的厚度值与电磁性能的非线性关系,比较实际测量的天线罩与期望电性能情况下神经网络输出的天线罩环状子区域厚度值,二者作差得到天线罩电性能补偿加工量,有效地将天线罩加工误差影响归结为网络输出的天线罩环状子区域的厚度值,同时保证求解精度和求解效率。
本发明采用的技术手段如下:
一种基于级联网络的天线罩电性能补偿加工量确定方法,包括以下步骤:
获取罩壁几何厚度向量和每一组罩壁几何厚度向量对应的远场电性能参数,构建环状子区域罩壁几何厚度对远场电性能影响数据库;
构建前向预测网络,基于所述环状子区域罩壁几何厚度对远场电性能影响数据库中的罩壁几何厚度数据和远场电性能参数训练所述前向预测网络,并固定网络参数,其中将天线罩环状子区域厚度作为前向预测网络的输入,将对应的远场电性能参数作为前向预测网络的输出;
构建逆向网络,所述逆向网络的输入为远场电性能参数,输出为天线罩环状子区域厚度;
对所述逆向网络与固定网络参数的前向预测网络进行级联处理,从而构建级联网络;基于所述环状子区域罩壁几何厚度对远场电性能影响数据库中的罩壁几何厚度数据和远场电性能参数训练所述级联网络;
获取具体工况下的远场电性能参数实测数据,通过训练好的级联网络获取天线罩环状子区域的厚度值;
随机给定一组期望的远场电性能参数,通过训练好的级联网络获取满足期望电性能时的天线罩环状子区域厚度值;
根据具体工况下求取的天线罩环状子区域的厚度值与满足期望电性能时的天线罩环状子区域厚度值获取天线罩电性能补偿加工量。
进一步地,获取罩壁几何厚度向量和每一组罩壁几何厚度向量对应的远场电性能参数,包括:
采用环状子区域划分方式将天线罩沿z轴划分成n个环状子区域,获取n个环状子区域的照壁厚度,构建罩壁几何厚度向量;
进一步地,所述逆向网络和前向预测网络均为全连接预测网络。
进一步地,通过训练好的级联网络获取天线罩环状子区域的厚度数据,包括:将天线罩实际测量的电性能参数输入到固定网络参数的预训练级联网络,得到天线罩环状子区域厚度值。
进一步地,通过训练好的级联网络获取满足期望电性能时的天线罩环状子区域厚度值,包括:
给定期望天线罩电磁性能指标,根据指标随机生成一组天线罩电性能噪声数据,将其作为级联网络的输入,输出满足期望电性能时的天线罩环状子区域厚度值。
进一步地,所述天线罩电性能补偿加工量为具体工况下求取的天线罩环状子区域的厚度值与满足期望电性能时的天线罩环状子区域厚度值之差。
较现有技术相比,本发明具有以下优点:
本发明采用深度学习实现天线罩电磁性能的快速预测与逆向设计,计算时间短,效率高;
其次本发明随机产生满足实际期望的传输损耗曲线与期望瞄准误差曲线,具有普适性;
最后本发明利用已经训练好的级联网络可以计算实际测量的天线罩与期望电性能情况下的天线罩环状子区域厚度值,二者之差即为天线罩电性能补偿加工量,有效地将天线罩加工误差影响归结为网络输出的天线罩环状子区域的厚度值,打破传统补偿方法,整个过程无人工干预,操作简便,自动化流程。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于级联网络的天线罩电性能补偿加工量确定方法流程图。
图2为本发明实施例天线罩电性能补偿加工量反求中环状子区域划分示意图。
图3为本发明实施例级联网络示意图。
图4为本发明实施例级联网络确定的结构仿真结果与初始结构仿真结果对比图。
图5为本发明实施例几何厚度调增前后的瞄准误差对比图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
如图1所示,本发明提供了一种基于级联网络的天线罩电性能补偿加工量确定方法,包括以下步骤:
S1、获取罩壁几何厚度向量和每一组罩壁几何厚度向量对应的远场电性能参数,构建环状子区域罩壁几何厚度对远场电性能影响数据库。
S2、构建前向预测网络,基于所述环状子区域罩壁几何厚度对远场电性能影响数据库中的罩壁几何厚度数据和远场电性能参数训练所述前向预测网络,并固定网络参数,其中将天线罩环状子区域厚度作为前向预测网络的输入,将对应的远场电性能参数作为前向预测网络的输出。
具体来说,本发明首先通过全连接网络预测天线罩的电磁性能,建立天线罩环状子区域的厚度值与天线罩电磁性能的非线性关系,其中,用于网络中的数据样本是在一定天线罩环状子区域厚度值范围内通过天线罩电性能计算软件计算得来;全连接预测网络的输入为天线罩环状子区域的厚度值,输出为天线罩电性能参数—瞄准误差、传输损耗等。训练好的预测网络模型固定网络参数,保存模型。
S3、构建逆向网络,所述逆向网络的输入为远场电性能参数,输出为天线罩环状子区域厚度。
S4、对所述逆向网络与固定网络参数的前向预测网络进行级联处理,从而构建级联网络;基于所述环状子区域罩壁几何厚度对远场电性能影响数据库中的罩壁几何厚度数据和远场电性能参数训练所述级联网络。
具体来说,该步骤用于建立级联网络实现天线罩的逆向设计。级联网络是由两部分组成,一为输入是天线罩电性能参数,输出为天线罩环状子区域厚度的逆向网络,二为已经固定网络参数的预训练预测网络;训练好的级联网络模型固定网络参数,保存模型。
S5、获取具体工况下的远场电性能参数实测数据,通过训练好的级联网络获取天线罩环状子区域的厚度值。
基于在具体工况下的天线罩瞄准误差及传输损耗的实测值,利用训练好的级联网络获取天线罩环状子区域的厚度值。具体地,将天线罩实际测量的电性能参数输入到固定网络参数的预训练级联网络,得到天线罩环状子区域厚度值。
S6、随机给定一组期望的远场电性能参数,通过训练好的级联网络获取满足期望电性能时的天线罩环状子区域厚度值。
随机给定一组期望瞄准误差与传输损耗曲线,通过级联网络计算该条件下的天线罩环状子区域的厚度值。具体地,给定期望天线罩电磁性能指标,根据指标随机生成一组天线罩电性能噪声数据,将其作为级联网络的输入,输出满足期望电性能时的天线罩环状子区域厚度值。
S7、根据具体工况下求取的天线罩环状子区域的厚度值与满足期望电性能时的天线罩环状子区域厚度值获取天线罩电性能补偿加工量。
具体来说,将具体工况下求取的天线罩环状子区域的厚度值与期望电磁性能下得到的天线罩环状子区域的厚度值进行相减,完成天线罩电性能补偿加工量的求解。
应用上述方法可以快速准确地求解出符合电性能要求的天线罩补偿加工量。本发明实施例提供一种基于深度学习的级联网络,有效地将天线罩加工误差影响归结为网络输出的天线罩环状子区域厚度值,以实现天线罩电性能加工补偿量的计算。下面结合附图和具体实施方式对本发明作进一步说明。
如图2所示,采用环状子区域划分方式将天线罩沿z轴划分成n个环状子区域。其中,位于根部的环状子区域编号设置为1号;位于顶部的环状子区域编号设置为n。n个环状子区域的照壁厚度分别设置为h1,h2,h3,……,hn,构成罩壁几何厚度向量h。利用平面波谱-表面积分法、矩量法等数值方法可以计算出每一组罩壁几何厚度向量h对应的远场电性能参数。将相关数据记录下来,形成环状子区域罩壁几何厚度对远场电性能影响的数据库,用于后续网络训练与测试。
搭建前向预测网络,输入环状子区域的罩壁厚度,输出远场电性能参数,隐藏层个数为6,隐藏层神经元个数分别为40,80,160,80,40,20,采用Adam优化器,初始学习率为0.001,利用反向传播算法更新网络参数,迭代终止,保存前向预测网络模型。搭建级联网络,由逆向网络和预训练前向预测网络组成,如图3所示。其中,逆向网络输入维度为10,输出维度为20,隐藏层共有9层,每层神经元个数分别为50,100,200,400,800,400,200,100,50。为验证级联网络在确定环状子区域罩壁几何厚度的有效性,在测试集中随机选取一组罩壁结构几何厚度值,并将其对应的不同扫描状态下瞄准误差的计算结果作为逆向神经网络的输入,进而确定罩壁结构的几何厚度值。级联网络的逆向设计预测结果与实际测量电性能结果的对比如图4和表1所示。如图4所示,天线罩仿真结果与初始结构仿真结果拟合效果较好,所设计的级联网络可以较为精确地确定天线罩各环状子区域罩壁厚度。根据表1可以看出,最大误差出现在第8号环状子区域,几何厚度的预测值与真实值的偏差量达到0.019mm。结果表明,虽然预测结果精度仍有待提高,但也证明了级联网络的有效性与可行性。
表1级联网络的逆向设计预测结果与实际测量电性能结果
根据级联网络能够实现由远场电性能参数到天线罩各子区域罩壁厚度反向求解这一特征,可以实现对电性能较差天线罩电性能加工补偿量的计算。首先,将天线罩的介电常数视作理论值,根据实际工况得到的远场电性能参数,利用级联网络确定天线罩各子区域罩壁几何厚度值,记为等效厚度值h1;其次,对远场电性能参数差的扫描状态进行修正。根据性能要求随机获得一组电性能参数曲线,以该满足期望的电性能参数曲线作为输入,利用训练好的级联网络获取天线罩各子区域罩壁几何厚度值,记为等效厚度值h2。最后,由h1和h2的差值确定罩壁几何厚度的加工量,加工基本准则由天线罩关键几何参数测量结果确定。假设某一天线罩电性能较差,以环状子区域几何厚度为修磨量确定对象,设定目标瞄准误差,通过级联网络确定目标瞄准误差对应的环状子区域几何厚度,调整前厚度与调整后厚度见表2所示,天线罩承载壁几何厚度调整前后的瞄准误差如图5所示。
表2调整前厚度与调整后厚度对比结果
由表2可以看出,各环状子区域的几何厚度既存在调增也存在调减的情况。其中,几何厚度的调减可以通过局部修磨实现,局部调增由喷涂方式实现。
本发明通过深度学习设计出一种级联网络,学习天线罩环状子区域的厚度值与电磁性能的非线性关系,比较实际测量的天线罩电性能与期望电性能两种情况下神经网络输出的天线罩环状子区域厚度值,二者作差得到天线罩电性能补偿加工量,有效地将天线罩加工误差影响归结为网络输出的天线罩环状子区域的厚度值,同时保证求解精度和求解效率。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (6)
1.一种基于级联网络的天线罩电性能补偿加工量确定方法,其特征在于,包括以下步骤:
获取罩壁几何厚度向量和每一组罩壁几何厚度向量对应的远场电性能参数,构建环状子区域罩壁几何厚度对远场电性能影响数据库;
构建前向预测网络,基于所述环状子区域罩壁几何厚度对远场电性能影响数据库中的罩壁几何厚度数据和远场电性能参数训练所述前向预测网络,并固定网络参数,其中将天线罩环状子区域厚度作为前向预测网络的输入,将对应的远场电性能参数作为前向预测网络的输出;
构建逆向网络,所述逆向网络的输入为远场电性能参数,输出为天线罩环状子区域厚度;
对所述逆向网络与固定网络参数的前向预测网络进行级联处理,从而构建级联网络;基于所述环状子区域罩壁几何厚度对远场电性能影响数据库中的罩壁几何厚度数据和远场电性能参数训练所述级联网络;
获取具体工况下的远场电性能参数实测数据,通过训练好的级联网络获取天线罩环状子区域的厚度值;
随机给定一组期望的远场电性能参数,通过训练好的级联网络获取满足期望电性能时的天线罩环状子区域厚度值;
根据具体工况下求取的天线罩环状子区域的厚度值与满足期望电性能时的天线罩环状子区域厚度值获取天线罩电性能补偿加工量。
2.根据权利要求1所述的一种基于级联网络的天线罩电性能补偿加工量确定方法,其特征在于,获取罩壁几何厚度向量和每一组罩壁几何厚度向量对应的远场电性能参数,包括:
采用环状子区域划分方式将天线罩沿z轴划分成n个环状子区域,获取n个环状子区域的照壁厚度,构建罩壁几何厚度向量。
3.根据权利要求1所述的一种基于级联网络的天线罩电性能补偿加工量确定方法,其特征在于,所述逆向网络和前向预测网络均为全连接预测网络。
4.根据权利要求1所述的一种基于级联网络的天线罩电性能补偿加工量确定方法,其特征在于,通过训练好的级联网络获取天线罩环状子区域的厚度数据,包括:将天线罩实际测量的电性能参数输入到固定网络参数的预训练级联网络,得到天线罩环状子区域厚度值。
5.根据权利要求1所述的一种基于级联网络的天线罩电性能补偿加工量确定方法,其特征在于,通过训练好的级联网络获取满足期望电性能时的天线罩环状子区域厚度值,包括:
给定期望天线罩电磁性能指标,根据指标随机生成一组天线罩电性能噪声数据,将其作为级联网络的输入,输出满足期望电性能时的天线罩环状子区域厚度值。
6.根据权利要求1所述的一种基于级联网络的天线罩电性能补偿加工量确定方法,其特征在于,所述天线罩电性能补偿加工量为具体工况下求取的天线罩环状子区域的厚度值与满足期望电性能时的天线罩环状子区域厚度值之差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310389326.7A CN116484522B (zh) | 2023-04-13 | 2023-04-13 | 一种基于级联网络的天线罩电性能补偿加工量确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310389326.7A CN116484522B (zh) | 2023-04-13 | 2023-04-13 | 一种基于级联网络的天线罩电性能补偿加工量确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116484522A true CN116484522A (zh) | 2023-07-25 |
CN116484522B CN116484522B (zh) | 2024-04-19 |
Family
ID=87224427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310389326.7A Active CN116484522B (zh) | 2023-04-13 | 2023-04-13 | 一种基于级联网络的天线罩电性能补偿加工量确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484522B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911349A (zh) * | 2023-09-13 | 2023-10-20 | 华南师范大学 | 光学纳米天线结构预测网络训练方法、预测方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120038539A1 (en) * | 2010-08-13 | 2012-02-16 | Raytheon Company | Integrated Window For A Conformal Hybrid EO/RF Aperture |
CN102590656A (zh) * | 2012-01-03 | 2012-07-18 | 西安电子科技大学 | 基于远场的天线罩电性能预测方法 |
US20140182370A1 (en) * | 2013-01-03 | 2014-07-03 | Vega Grieshaber Kg | Parabolic antenna with an integrated sub reflector |
CN107391880A (zh) * | 2017-08-18 | 2017-11-24 | 上海无线电设备研究所 | 一种精确高效的天线罩电性能分析方法 |
CN108268677A (zh) * | 2016-12-30 | 2018-07-10 | 深圳光启高等理工研究院 | 天线罩的电性能评估方法及装置 |
CN108920831A (zh) * | 2018-06-29 | 2018-11-30 | 西安电子科技大学 | 高速飞行器罩体高温烧蚀对天线电性能影响的快速计算方法 |
CN108984985A (zh) * | 2018-09-07 | 2018-12-11 | 中南大学 | 基于神经网络的天线结构设计方法 |
CN112685877A (zh) * | 2020-12-11 | 2021-04-20 | 西安电子科技大学 | 一种基于离散网格分组的天线罩电性能快速误差分析方法 |
KR20220038855A (ko) * | 2020-09-21 | 2022-03-29 | 주식회사 모션다이나믹스 | 연마 시스템 |
CN115018943A (zh) * | 2022-05-31 | 2022-09-06 | 合肥工业大学 | 一种基于无训练的深度级联网络的电磁逆散射成像方法 |
CN115219804A (zh) * | 2022-07-20 | 2022-10-21 | 中国航空工业集团公司济南特种结构研究所 | 一种太赫兹天线和天线罩电性能近场测试装置及方法 |
-
2023
- 2023-04-13 CN CN202310389326.7A patent/CN116484522B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120038539A1 (en) * | 2010-08-13 | 2012-02-16 | Raytheon Company | Integrated Window For A Conformal Hybrid EO/RF Aperture |
CN102590656A (zh) * | 2012-01-03 | 2012-07-18 | 西安电子科技大学 | 基于远场的天线罩电性能预测方法 |
US20140182370A1 (en) * | 2013-01-03 | 2014-07-03 | Vega Grieshaber Kg | Parabolic antenna with an integrated sub reflector |
CN108268677A (zh) * | 2016-12-30 | 2018-07-10 | 深圳光启高等理工研究院 | 天线罩的电性能评估方法及装置 |
CN107391880A (zh) * | 2017-08-18 | 2017-11-24 | 上海无线电设备研究所 | 一种精确高效的天线罩电性能分析方法 |
CN108920831A (zh) * | 2018-06-29 | 2018-11-30 | 西安电子科技大学 | 高速飞行器罩体高温烧蚀对天线电性能影响的快速计算方法 |
CN108984985A (zh) * | 2018-09-07 | 2018-12-11 | 中南大学 | 基于神经网络的天线结构设计方法 |
KR20220038855A (ko) * | 2020-09-21 | 2022-03-29 | 주식회사 모션다이나믹스 | 연마 시스템 |
CN112685877A (zh) * | 2020-12-11 | 2021-04-20 | 西安电子科技大学 | 一种基于离散网格分组的天线罩电性能快速误差分析方法 |
CN115018943A (zh) * | 2022-05-31 | 2022-09-06 | 合肥工业大学 | 一种基于无训练的深度级联网络的电磁逆散射成像方法 |
CN115219804A (zh) * | 2022-07-20 | 2022-10-21 | 中国航空工业集团公司济南特种结构研究所 | 一种太赫兹天线和天线罩电性能近场测试装置及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911349A (zh) * | 2023-09-13 | 2023-10-20 | 华南师范大学 | 光学纳米天线结构预测网络训练方法、预测方法及装置 |
CN116911349B (zh) * | 2023-09-13 | 2024-01-09 | 华南师范大学 | 光学纳米天线结构预测网络训练方法、预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116484522B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116484522B (zh) | 一种基于级联网络的天线罩电性能补偿加工量确定方法 | |
CN109066710B (zh) | 一种多目标无功优化方法、装置、计算机设备及存储介质 | |
CN110442941B (zh) | 基于粒子滤波与过程噪声融合的电池状态与rul预测方法 | |
CN113761748A (zh) | 一种基于联邦增量随机配置网络的工业过程软测量方法 | |
Zhou | [Retracted] A Summary of PID Control Algorithms Based on AI‐Enabled Embedded Systems | |
Lu et al. | Adaptive constrained population extremal optimisation‐based robust proportional‐integral‐derivation frequency control method for an islanded microgrid | |
Li et al. | Blackwell online learning for markov decision processes | |
Sutrisno et al. | Self-organizing quasi-linear ARX RBFN modeling for identification and control of nonlinear systems | |
Aboudonia et al. | Distributed model predictive control with reconfigurable terminal ingredients for reference tracking | |
Rao et al. | Identification of linear and non linear curve fitting models using particle swarm optimization algorithm | |
CN112084702B (zh) | 一种低复杂度的光纤优化设计方法 | |
CN106200619B (zh) | 附带控制器输出约束的pi控制回路性能评估方法 | |
Chu et al. | Novel robust approach for constructing Mamdani-type fuzzy system based on PRM and subtractive clustering algorithm | |
Raya et al. | Design of inset fed rectangular shaped microstrip patch antenna using deep neural networks | |
CN113569461A (zh) | 一种基于改进人工蜂群算法的谐振子设计方法 | |
CN112465106A (zh) | 一种提高深度学习模型精度的方法、系统、设备及介质 | |
Aggarwal et al. | On Designing Light-Weight Object Trackers Through Network Pruning: Use CNNS or Transformers? | |
CN117113592A (zh) | 一种基于补偿网络的天线罩电性能预测方法 | |
Zhang et al. | Efficient design optimization of microwave circuits using parallel computational methods | |
CN114707116A (zh) | 一种基于代理模型的索网天线制造误差灵敏度分析方法 | |
Aghanim et al. | Q-Learning Empowered Cavity Filter Tuning with Epsilon Decay Strategy. | |
Song | Evaluation and Analysis of an Industrial Cluster Based on the BP Neural Network and LM Algorithm. | |
CN107395158A (zh) | 数据校准方法和装置 | |
Tomita et al. | Multi-point search method for system identification based on chaotic dynamics | |
CN116484739A (zh) | 一种天线罩电性能反求设计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |