CN116632561A - 一种稀布高增益天线阵列设计方法、存储介质 - Google Patents

一种稀布高增益天线阵列设计方法、存储介质 Download PDF

Info

Publication number
CN116632561A
CN116632561A CN202310886463.1A CN202310886463A CN116632561A CN 116632561 A CN116632561 A CN 116632561A CN 202310886463 A CN202310886463 A CN 202310886463A CN 116632561 A CN116632561 A CN 116632561A
Authority
CN
China
Prior art keywords
antenna
array
antenna array
axis
population
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
Application number
CN202310886463.1A
Other languages
English (en)
Other versions
CN116632561B (zh
Inventor
张亦弛
尚伟科
李荣明
朱斌
宋玉清
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.)
Nanjing Rflight Communication Electronic Corp
Original Assignee
Nanjing Rflight Communication Electronic Corp
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 Nanjing Rflight Communication Electronic Corp filed Critical Nanjing Rflight Communication Electronic Corp
Priority to CN202310886463.1A priority Critical patent/CN116632561B/zh
Publication of CN116632561A publication Critical patent/CN116632561A/zh
Application granted granted Critical
Publication of CN116632561B publication Critical patent/CN116632561B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01QANTENNAS, i.e. RADIO AERIALS
    • H01Q21/00Antenna arrays or systems
    • H01Q21/0087Apparatus or processes specially adapted for manufacturing antenna arrays
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/10Geometric CAD
    • G06F30/17Mechanical parametric or variational design
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01QANTENNAS, i.e. RADIO AERIALS
    • H01Q21/00Antenna arrays or systems
    • H01Q21/0006Particular feeding systems
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/04Constraint-based CAD
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/10Numerical modelling
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/12Computing arrangements based on biological models using genetic models
    • G06N3/126Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Variable-Direction Aerials And Aerial Arrays (AREA)

Abstract

本发明公开了一种稀布高增益天线阵列设计方法、存储介质,设计方法包括以下步骤:步骤1、确定天线阵列设计参数,该参数包括阵列孔径、天线单元数、天线阵列最大增益、天线阵列副瓣电平和天线阵列最小波束宽度;步骤2、基于天线阵列最大增益、天线单元数和阵列孔径设计天线单元;步骤3、均匀布置天线单元,然后按正态分布使每个天线单元沿X轴、Y轴进行第一轮扰动,以构建初始阵列模型。本发明提供的设计方法可以避免大口径天线单元在稀布设计中的互相干涉和交叠,并提供最大的空间设计随机自由度,优化后的天线阵列具有增益大、稀布率高、副瓣电平低的特性。

Description

一种稀布高增益天线阵列设计方法、存储介质
技术领域
本发明涉及一种稀布高增益天线阵列设计方法、存储介质。
背景技术
在高功率相控阵雷达领域,对天线阵列有着高增益,低副瓣的要求。然而,出于成本控制的考虑,不能通过传统的均匀分布天线,增加天线路数的方式增大天线阵列的增益。
当阵元间距大于一个波长时,传统的均匀分布天线阵列将出现栅瓣,从而恶化天线阵列的辐射特性,影响系统使用。非均匀排布的稀布阵列天线是一种能够实现低栅瓣电平的相控阵天线,将阵列天线中的阵元非均匀布置在天线空面中,实现符合系统目标的阵列辐射方向图。
非均匀稀布阵列天线虽然可以有效的抑制栅瓣,在同样面积内存在更少的天线通道数,从而降低了造价和成本,然而阵列中单元位置的不确定性,增加了阵列的设计难度。
目前,对于线性稀布天线阵列已经有了很充分的研究与应用,随着数值计算的进步,多种数值计算方式都对稀布阵列的设计进行了分析设计,常见的思路是将阵列分为多个子阵进行设计,或将天线阵面网格化设计。但是对于高功率相控阵雷达领域,每个天线单元都被馈入较大的功率,像以角锥喇叭为代表的天线单元都会占有较大的口径,而具有较大的口径的天线单元会增加随机设计时天线单元空间上相互重叠干涉的几率。
发明内容
本发明的主要目的是为了提供一种稀布高增益天线阵列设计方法、存储介质,在设计的过程中使得天线单元位置扰动更大的随机性,同时避免在设计时天线单元相互重叠干涉的几率,从而获得更好的天线阵面稀布设计。
本发明的目的可以通过采用如下技术方案达到:
一种稀布高增益天线阵列设计方法,包括以下步骤:
步骤1、确定天线阵列设计参数,该参数包括阵列孔径、天线单元数、天线阵列最大增益、天线阵列副瓣电平和天线阵列最小波束宽度;
步骤2、基于天线阵列最大增益、天线单元数和阵列孔径设计天线单元;
步骤3、均匀布置天线单元,然后按正态分布使每个天线单元沿X轴、Y轴进行第一轮扰动,以构建初始阵列模型;
步骤4、基于初始阵列模型,设定约束条件和优化目标,建立优化模型,所述约束条件为最小波束宽度,所述优化目标为最小峰值副瓣电平;
步骤5、利用步骤4中建立的优化模型,实施基于遗传算法的优化过程,在此过程中,每个天线单元沿X、Y轴进行第二轮扰动,且将每个天线单元沿X、Y轴的第二轮扰动距离视为遗传算法的优化变量,并以副瓣电平为依据设定适应度函数,通过遗传算法求解出满足约束条件下,使副瓣电平达到最低的所有天线单元的分布位置;
步骤6、对经步骤5得到的天线单元的分布位置与预设目标进行验证,如果满足,则输出该天线单元的分布位置,如果不满足,重复步骤3~步骤5,直至输出满足预设目标的天线单元的分布位置。
优选的,在步骤5中,先搜寻天线单元的X轴向左、向右和所有其他天线单元不干涉交叠的最大可扰动的范围,得到可扰动范围一;
再搜寻该天线单元的Y轴向上、向下和所有其他天线单元不干涉交叠的最大可扰动的范围,得到可扰动范围二;
将扰动范围一和扰动范围二叠加,得到天线单元在第二轮扰动过程中的最大可扰动范围。
优选的,在步骤5中,以两个(-1,1)范围内的数字dx0、dy0分别描述天线单元沿X轴和Y轴的扰动距离:
;
;
通过上述两式得出每个天线单元的第二轮扰动距离dx、dy,其中分别表示在不干涉交叠的情况下,天线单元沿X轴向左、向右、Y轴向上、向下的最大可扰动范围,通过得到不同的dx和dy,从而得到每个天线单元新的位置,最终得到新的天线阵列分布。
优选的,在步骤5中,实施基于遗传算法的优化过程具体如下:
步骤5.1、将所有天线单元在X轴方向和Y轴方向的第二轮扰动的距离编码为多个种群个体,并将多个种群个体组合为初始种群;
步骤5.2、在每一轮遗传算法的迭代过程中,计算每个种群个体的适应度后,设定种群个体的适应度阈值,筛选出适应度大于该阈值的种群个体;
步骤5.3、将选中的种群个体进行交叉和变异操作,以生成新的种群个体;
步骤5.4、计算新生成的种群个体的适应度,评估该种群个体的优劣;
步骤5.5、在每一轮迭代过程中,根据种群个体的适应度,从现有种群个体中选择适应度大于上述阈值的个体,选中的个体构成新一轮迭代的种群;
步骤5.6、通过多轮迭代后,从种群中选取适应度最高的个体,将其解码,以得到最优的解决方案。
优选的,所述天线阵列的所有天线单元等幅等相馈电。
优选的,所述设计参数中的阵列孔径L为50λ、天线单元数M为400、天线阵列最大增益大于39dB、天线阵列副瓣电平小于-12dB、天线阵列最小波束宽度大于1°。
优选的,所述步骤2中,所述天线单元为角锥喇叭,且角锥喇叭口径为1.6λ*1.5λ。
优选的,在执行步骤5时,若出现任一种天线阵列分布不满足最小波束宽度约束条件,则跳过该计算过程,并赋予该天线阵列分布的副瓣电平一个负值。
一种存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被执行时,实现一种稀布高增益天线阵列设计方法。
本发明的有益技术效果:
1、本发明提供的设计方法可以避免大口径天线单元在稀布设计中的互相干涉和交叠,并提供最大的空间设计随机自由度,优化后的天线阵列具有增益大、稀布率高、副瓣电平低的特性,而且在该设计方法中,阵元采用等幅等相激励,具有最简单的馈电网络,整体大大降低了设计难度和制造成本。
2、本发明提供的设计方法中的初始的天线单元的位置是均匀分布的,但通过沿X轴和Y轴进行正态分布的随机扰动,使得天线阵列具有一定的随机性,优化了天线阵列的初始布局,另外在对每个天线单元沿X、Y轴进行第二轮扰动时,这次扰动的距离作为优化变量,并以副瓣电平为依据设定适应度函数,以找到最优的天线阵列分布,这种方式通过特定的算法,能够找到使得副瓣电平最低且满足波束宽度约束条件的最优天线单元布局。
附图说明
图1为按照本发明的实施例的稀布天线阵列分布示意图;
图2为按照本发明的实施例的稀布天线阵列分布示意图;
图3为按照本发明的实施例的稀布天线阵列分布E面方向示意图;
图4为按照本发明的实施例的稀布天线阵列分布H面方向示意图。
具体实施方式
为使本领域技术人员更加清楚和明确本发明的技术方案,下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
如图1-图4所示,本实施例提供的一种稀布高增益天线阵列设计方法,包括以下步骤:
步骤1、确定天线阵列设计参数,该参数包括阵列孔径、天线单元数、天线阵列最大增益、天线阵列副瓣电平和天线阵列最小波束宽度,上述各参数根据实际设计需求进行设定:阵列孔径L为50λ、天线单元数M为400、天线阵列最大增益大于39dB、天线阵列副瓣电平小于-12dB、天线阵列最小波束宽度大于1°;
步骤2、基于天线阵列最大增益、天线单元数和阵列孔径设计天线单元,"天线阵列最大增益"、"天线单元数"和"阵列孔径"是最关键的参数,它们对天线阵列的性能影响最大,需要在这三个参数之间找到一个平衡,以达到最优的设计效果,"平衡"主要指的是需要在天线阵列最大增益、天线单元数、阵列孔径这三个参数之间找到一种最佳的配置,使得天线阵列在满足一定的性能要求的同时,还能在成本、复杂性等其他方面表现得尽可能优越,以通过这种平衡,实现天线阵列性能的最优化:
选用角锥喇叭作为天线单元(角锥喇叭具有良好的功率处理能力,能够承受较大的输入功率而不会产生剧烈的功率损失),同时为了使400个天线单元可以实现或超过预期的阵列总增益,设计角锥喇叭的口径为1.6λ*1.5λ;
步骤3、均匀布置天线单元,然后按正态分布使每个天线单元沿X轴、Y轴进行第一轮扰动,以构建初始阵列模型:
在天线阵列口径50λ*50λ的平面内,首先布置400个天线单元,以20*20的网格形式均匀分布,相邻的两个天线单元的间距为2.5λ,对于第i个天线单元,具有初始坐标,均匀布置能够提供一个良好的起始点,它确保了所有的天线单元在初始阶段都被尽可能地分散开,避免了在随机布置的情况下可能出现的天线单元过于聚集的情况,在这种初始布置下,每个天线单元都有足够的空间进行扰动,一定程度上可避免后续扰动时发生交叠、干涉的问题;
然后按照正态分布将每个天线单元沿X轴、Y轴(X轴和Y轴是天线阵列平面的两个坐标轴)进行第一轮扰动,使得天线阵列以一定的随机性获得优化前的初始分布,即得到初始阵列模型;
对于每个天线单元,在其初始位置的基础上,沿X轴和Y轴方向进行一定距离的移动,这个移动的距离是按照正态分布的概率来确定的,这样可以使得天线单元的位置具有一定的随机性,而不是严格的均匀分布,以优化天线阵列的辐射特性,同时,每个天线单元沿X轴、Y轴的位置扰动都是以该天线单元的初始位置为中心进行的,这样可以更好地控制天线单元位置的变化范围,这种设计方式可以使得天线单元的位置变化主要在初始位置附近,不会偏离过远;
此外,由于扰动主要在初始位置附近,所以这种设计方式也能保留天线阵列的初始设计特性,比如天线单元的整体布局、阵列的大小和形状等;
步骤4、基于初始阵列模型,设定约束条件和优化目标,建立优化模型;
该优化模型将最小波束宽度>1°作为约束条件、最小峰值副瓣电平作为优化目标,即在优化过程中,需要使得最小波束宽度大于1°,考虑到约束宽度过小会影响到系统的应用指标,不能为了增加天线阵列的增益,让波束宽度设为一个过小的数值,因此约束条件为最小波束宽度>1°;
步骤5、利用步骤4中建立的优化模型,实施基于遗传算法的优化过程,在此过程中,每个天线单元沿X、Y轴进行第二轮扰动,且将每个天线单元沿X、Y轴的第二轮扰动距离视为遗传算法的优化变量,这些变量是需要被优化的参数,并以副瓣电平为依据设定适应度函数,该函数是一个评价天线单元位置配置好坏的标准,副瓣电平越低,天线单元位置配置的质量就越好,通过遗传算法求解出满足约束条件下,使副瓣电平达到最低的所有天线单元的分布位置(即天线单元位置配置、解决方案或天线阵列设计);
在求解过程中通过计算副瓣电平来评估天线阵列设计的好坏,计算过程如下:
天线阵列第n个天线单元在远场辐射区域内的某一点电场为式1:
其中是第n个天线单元的方向图,/>是第n个天线单元的馈入电流,e为自然常数,j用来描述相位变化,k是波数,/>是第n个天线单元相对于阵列中心的位置和方向,/>是第n个天线单元的馈入相位,/>描述了一个旋转向量;
f(θ,φ)*AF(θ)表示的是所有天线单元的电场贡献的叠加,也就是天线阵列的整体辐射模式;
式中f(θ,φ)为天线单元方向图,AF(θ)为阵列因子,由所有天线单元的位置、馈入幅度和相位确定;
将所有天线单元在该点处电场相加,可以得到天线阵列在该点 的电场,以此类推,可以描述出整个平面上所有位置的电场矩阵;
以待测平面中心为起始,向阵面中各个方向进行遍历,计算出每个方向上的电场强度,以求得天线辐射场的3dB波束宽度、最大副瓣电平;
求得天线辐射场的3dB波束宽度、最大副瓣电平的过程具体为:
首先,将具体的参数值(例如天线单元的位置、馈入幅度和相位等)代入式1,计算出在各个方向(即θ和φ的所有可能值)(θ和φ分别表示方位角和俯仰角)上的电场强度;
然后,找到电场强度最大的方向,这就是主瓣的方向,找到在这个方向上,电场强度下降到最大值的一半(即下降3dB)时,对应的角度范围,这就是3dB波束宽度;
同时,找到所有副瓣中,电场强度最大的那一个,这就是最大副瓣电平,算出该结果后,以最大副瓣电平作为评价天线阵列设计的好坏;
在优化过程中,先搜寻天线单元的X轴向左、向右和所有其他天线单元不干涉交叠的最大可扰动的范围,得到可扰动范围一;
再搜寻该天线单元的Y轴向上、向下和所有其他天线单元不干涉交叠的最大可扰动的范围,得到可扰动范围二;
将扰动范围一和扰动范围二叠加得到天线单元在第二轮扰动过程中的最大可扰动范围,“叠加”是指在二维空间中(X轴和Y轴)将两个轴的扰动范围独立考虑,并通过将两者的结果结合起来确定每个天线单元在第二轮扰动过程中的最大可扰动范围;
以两个(-1,1)范围内的数字dx0、dy0分别描述天线单元沿X轴和Y轴的扰动距离:
;
;
根据上述两式得出每个天线单元的第二轮扰动距离dx、dy,其中"dx0"和"dy0"是在(-1,1)范围内的数字,为描述扰动程度的随机数字,可用来计算天线单元沿X轴和Y轴的扰动距离;
分别表示在不干涉交叠的情况下,天线单元沿X轴向左、向右、Y轴向上、向下的最大可扰动范围,通过得到不同的dx和dy,可以得到每个天线单元新的位置,从而得到新的天线阵列分布;
以X轴为例,最大可扰动范围(可扰动范围一)为:
在某一天线单元(比如天线单元A)第一次扰动后的位置开始,向左和向右遍历所有天线单元,计算天线单元A可以向左扰动和向右扰动且不与其他单元交叠的上下限位置,记为
该计算过程具体如下:
1.以天线单元A的第一次扰动后的位置为起点,定义此位置的坐标为(x0,y0);
2.然后,以(x0,y0)这个坐标为起点,遍历A左侧的第一个天线单元B;
2.1判断A和B在Y轴方向上的交叠情况,如果有交叠就继续步骤3,如果A和B在Y轴方向上无交叠,则继续步骤3后跳过步骤4~6,直接进行步骤7,这样,只有当天线单元(A和B)在Y轴方向上交叠时,才需要进行进一步的距离计算和判断,如果它们在Y轴方向上不交叠,那么假定它们在二维空间中也不会交叠,从而避免了不必要的计算,从而提高了整个算法的计算效率;
3.计算A和B之间的距离d1,如果d1大于两者的半径之和,则A可以向左移动的距离为d1,如果d1小于两者的半径之和,则A不能向左移动,为0;
4.继续以(x0,y0)这个坐标为起点,遍历A左侧的下一个天线单元C;
5.计算A和C之间的距离d2,如果d2大于两者的半径之和,则比较d2和当前的,取较小值作为新的/>,如果d2小于两者的半径之和,则不需要修改
6.重复步骤4和5,遍历A左侧的所有其他天线单元,每遍历一个天线单元,就判断是否需要更新,最终可以得到使A不与任何左侧天线单元交叠的最大向左移动范围/>
7.同样,可以遍历A右侧的所有其他天线单元,判断最大可向右移动的范围,最终得到A在X轴方向上的最大可移动范围/>
8.以类似方式可以得到A在Y轴方向上的最大可移动范围,并与X轴上的范围叠加,得到A在二维空间的最大可移动范围;
9.在这个范围内加上(-1,1)之间的随机数,就可以得到A的新的位置(x1,y1),使其与所有其他天线单元不交叠;
如果此天线单元目前与其他天线单元交叠,此上下限可能同为正或者同为负,以避开当前已交叠的其他天线单元,在X轴上讨论,A的移动上限是A可以向右移动的最大距离,而A的移动下限/>是A可以向左移动的最大距离,在正常情况下,应该是一个负值,表示A可以向左移动,而/>是一个正值,表示A可以向右移动,但是,如果A当前已经与其他天线单元交叠,那么A的可移动范围可能会受到限制,使得/>和/>都为正值或者都为负值,这是因为,如果A与右边的天线单元交叠,那么A可能只能向左移动,这时/>和/>都可能是负值,反之,如果A与左边的天线单元交叠,那么A可能只能向右移动,这时/>和/>都可能是正值;
因此对移动范围加权(-1,1)范围内的随机数字dx0后,此天线单元即找到了一个目前X轴上与其他天线单元不交叠的位置,Y轴同理;
计算示例:
天线单元A在X轴上判定的可移动范围为(-4.5),随机数字dx0为0.3,那么最终X轴坐标为:
(-4+5)/2 +((5- (-4))/2) *0.3 =1.85,其中0.3描述的是正向扰动1.85mm;数学描述上,以上下扰动的中间为中心,上下边缘距离的一半为权值,乘以(-1.1)之间的一个数字,如果是-1,就会移动到下边沿,如果是+1,就会移动到上边沿;
因此dx0、dy0确定了该天线单元当前一个不与其他天线单元交叠的位置,以此方式按照一定的顺序遍历400个天线单元,即可得到一个都不交叠的分布,且由400组(dx,dy)针对第一次扰动后的初始位置唯一确定(第一次扰动后有一个初始位置,在这个初始位置下,400组(dx,dy)唯一确定了一组天线阵列的稀布分布);
上述过程的目标是找到一种天线阵列分布,该天线阵列分布的副瓣电平最低,同时满足波束宽度大于1°的约束条件;
步骤6、对经步骤5得到的天线单元的分布位置与预设目标(实际设计需求)进行验证,如果满足,则输出该天线单元的分布位置,如果不满足,重复步骤3~步骤5,直至输出满足要求(达到实际设计需求)的天线单元的分布位置;
最终得到优化后的天线阵列分布如图1所示,该天线阵列的水平和垂直方向的方向图如图2、图3所示,得到的天线阵列的辐射特性良好,峰值副瓣电平约为-15dB,天线阵列增益39.7dB,波束宽度1.1°(上述数据可以从附图中直接得到,附图中是电磁仿真软件给出的计算数值,可以直接数据处理得到副瓣电平和波束宽度),满足了预设目标(实际设计需求),可见通过本设计方法得到的天线阵列稀布率高,在设计过程中避免了天线单元间的干涉交叠。
在本实施例中,第一次扰动可以交叠,这次扰动为提供天线单元的初始位置,主要通过第二轮扰动避免交叠;
同时,通过正态分布可以保证各天线单元第一次扰动的距离不会特别大,大部分还分布在自己的初始位置附近,使得第一次扰动后的交叠不会太多。
在本实施例中,天线阵列的所有天线单元等幅等相馈电,这样能够简化优化模型,可以不考虑每个天线单元的功率水平作为优化的变量,天线阵列因子可以由所有天线单元的位置决定,以便于通过优化每个天线单元的位置来优化整个天线阵列的性能。
在本实施例中,“扰动”指对天线单元位置的微小改变,以增加天线阵列的随机性,可在保持天线阵列增益的同时,降低副瓣电平。
在本实施例中,对于步骤3的天线单元初始位置,其左上角天线单元定义为第一行第一列,右下角定义为第二十行第二十列,按照数字编号从小到大,先行后列,从左上角第一行第一列遍历至第二十行第二十列即为一定的顺序遍历。
在本实施例中,在步骤5的优化过程中,若计算出的波束宽度小于1°,则将副瓣电平的输出设定为-30(负值指负面的值,也指自适应函数的值,输出值小就淘汰,输出值高就是优秀个体),即在计算副瓣电平的过程中,当发现某一种正在被计算的天线阵列分布(解决方案),其波束宽度小于约束条件,那么不管此时的副瓣电平为多少,均认定为此种天线阵列的设计是不可接受的,直接跳过该计算过程,然后把这种状态下的副瓣电平定义为一个很差的数值输出(即意味着淘汰该天线阵列的设计);
在本实施例中,“最小峰值副瓣电平”作为优化过程中的优化目标,即我们希望在优化过程中找到副瓣电平的最小可能值,换句话说,本实施例希望通过优化设计,使得副瓣中电场强度最大的点的电场强度尽可能地小,这样可以更好抑制副瓣,提高天线阵列的性能,所以,“最小峰值副瓣电平”为一个优化目标,而步骤4中的“最大副瓣电平”则是在设计过程中需要计算和评估的一个参数。
在本实施例中,实施基于遗传算法的优化过程具体如下:
步骤5.1、对所有天线单元在X轴和Y轴的第二轮扰动的距离进行编码,得到多个种群个体,将多个种群个体组合为初始种群,每个种群个体都代表着一个可能的解决方案,初始种群作为遗传算法的初始解;
步骤5.2、在每一轮遗传算法的迭代过程中,根据每个种群个体的副瓣电平计算其适应度,然后定义一个适应度阈值,筛选出适应度大于该阈值的种群个体,一个种群个体(天线阵列配置)越好,其适应度就越高,其副瓣电平越低;
设定种群个体的适应度函数为f(x) = -副瓣电平,以副瓣电平作为衡量每个种群个体优劣的指标,其中x是天线单元的配置(解决方案),通过适应度函数f(x)输出对应种群个体的适应度,当副瓣电平越小(低)时,种群个体的适应度就越大(高);
步骤5.3、将选中的个体进行交叉和变异操作,以生成新的种群个体;
交叉操作类似于两个解决方案(个体)的"混合":
比如个体1【0.2,0.8】(这两个数分别代表天线单元在X、Y轴的扰动距离,下同),个体2【0.4,0.6】,交叉操作后得到两个新个体——新个体1【0.4,0.8】、新个体【0.2,0.6】(以上仅作为举例说明);
交叉概率为0.4,每个个体有40%的机会被选中进行交叉操作,交叉操作可以在解决方案中引入一些新的组合,可能会找到更优的解决方案;
变异操作则是在种群个体中随机选取一部分,并对它们进行微小的随机扰动(对天线单元在X、Y轴的扰动距离进行微调),以生成新的种群个体:
比如对于新个体1进行变异操作,假设在X轴的扰动距离上增加了0.1的扰动,那么新个体1(变异后)【0.5,0.8】(以上仅作为举例说明);
变异率为0.4,每个个体的每个部分(每个天线单元)都有40%的机会被选中进行变异操作,这样可以在解决方案中引入一些随机性,能够增强种群的多样性,并有可能找到新的优秀个体;
步骤5.4、计算新生成的种群个体的适应度,评估该种群个体的优劣,用上述适应度函数计算新生成的种群个体,其适应度越高(副瓣电平越低),表示该种群个体的解决方案质量越高;
步骤5.5、在每一轮迭代过程中,根据种群个体的适应度,从现有种群个体中选择适应度大于上述阈值的个体,选中的个体构成新一轮迭代的种群;
现有种群个体是指在执行步骤5.5之前,种群中所有的个体,这些个体既包括从初始种群经过筛选、交叉和变异生成的新个体,也包括在之前的迭代中被选中构成新一轮迭代种群的个体;
步骤5.6、通过多轮迭代后,从种群中选取适应度最高的个体,将其解码,以得到最优的解决方案;
多轮迭代的过程主要涉及步骤5.2至步骤5.5,直至满足终止条件,比如迭代次数达到了预设的最大值(50,仅作为示例),然后在步骤5.6,从最后的种群中选择适应度最高的个体,解码得到最优的解决方法;
此过程寻找的解决方案不仅需要使副瓣电平尽可能低,还需要满足最小波束宽度的要求;
这种方式可以得到以最低副瓣电平为目标,以最小波束宽度为约束的天线阵列优化设计结果。
一种存储介质,该存储介质上存储有计算机程序,当计算机程序被执行时,实现一种稀布高增益天线阵列设计方法。
以上所述,仅为本发明进一步的实施例,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所公开的范围内,根据本发明的技术方案及其构思加以等同替换或改变,都属于本发明的保护范围。

Claims (9)

1.一种稀布高增益天线阵列设计方法,其特征在于,包括以下步骤:
步骤1、确定天线阵列设计参数,该参数包括阵列孔径、天线单元数、天线阵列最大增益、天线阵列副瓣电平和天线阵列最小波束宽度;
步骤2、基于天线阵列最大增益、天线单元数和阵列孔径设计天线单元;
步骤3、均匀布置天线单元,然后按正态分布使每个天线单元沿X轴、Y轴进行第一轮扰动,以构建初始阵列模型;
步骤4、基于初始阵列模型,设定约束条件和优化目标,建立优化模型,所述约束条件为最小波束宽度,所述优化目标为最小峰值副瓣电平;
步骤5、利用步骤4中建立的优化模型,实施基于遗传算法的优化过程,在此过程中,每个天线单元沿X、Y轴进行第二轮扰动,且将每个天线单元沿X、Y轴的第二轮扰动距离视为遗传算法的优化变量,并以副瓣电平为依据设定适应度函数,通过遗传算法求解出满足约束条件下,使副瓣电平达到最低的所有天线单元的分布位置;
步骤6、对经步骤5得到的天线单元的分布位置与预设目标进行验证,如果满足,则输出该天线单元的分布位置,如果不满足,重复步骤3~步骤5,直至输出满足预设目标的天线单元的分布位置。
2.根据权利要求1所述的一种稀布高增益天线阵列设计方法,其特征在于,在步骤5中,先搜寻天线单元的X轴向左、向右和所有其他天线单元不干涉交叠的最大可扰动的范围,得到可扰动范围一;
再搜寻该天线单元的Y轴向上、向下和所有其他天线单元不干涉交叠的最大可扰动的范围,得到可扰动范围二;
将扰动范围一和扰动范围二叠加,得到天线单元在第二轮扰动过程中的最大可扰动范围。
3.根据权利要求2所述的一种稀布高增益天线阵列设计方法,其特征在于,在步骤5中,以两个(-1,1)范围内的数字dx0、dy0分别描述天线单元沿X轴和Y轴的扰动距离:
;
;
通过上述两式得出每个天线单元的第二轮扰动距离dx、dy,其中分别表示在不干涉交叠的情况下,天线单元沿X轴向左、向右、Y轴向上、向下的最大可扰动范围,通过得到不同的dx和dy,从而得到每个天线单元新的位置,最终得到新的天线阵列分布。
4.根据权利要求3所述的一种稀布高增益天线阵列设计方法,其特征在于,在步骤5中,实施基于遗传算法的优化过程具体如下:
步骤5.1、将所有天线单元在X轴方向和Y轴方向的第二轮扰动的距离编码为多个种群个体,并将多个种群个体组合为初始种群;
步骤5.2、在每一轮遗传算法的迭代过程中,计算每个种群个体的适应度后,设定种群个体的适应度阈值,筛选出适应度大于该阈值的种群个体;
步骤5.3、将选中的种群个体进行交叉和变异操作,以生成新的种群个体;
步骤5.4、计算新生成的种群个体的适应度,评估该种群个体的优劣;
步骤5.5、在每一轮迭代过程中,根据种群个体的适应度,从现有种群个体中选择适应度大于上述阈值的个体,选中的个体构成新一轮迭代的种群;
步骤5.6、通过多轮迭代后,从种群中选取适应度最高的个体,将其解码,以得到最优的解决方案。
5.根据权利要求1所述的一种稀布高增益天线阵列设计方法,其特征在于,所述天线阵列的所有天线单元等幅等相馈电。
6.根据权利要求1所述的一种稀布高增益天线阵列设计方法,其特征在于,所述设计参数中的阵列孔径L为50λ、天线单元数M为400、天线阵列最大增益大于39dB、天线阵列副瓣电平小于-12dB、天线阵列最小波束宽度大于1°。
7.根据权利要求6所述的一种稀布高增益天线阵列设计方法,其特征在于,所述步骤2中,所述天线单元为角锥喇叭,且角锥喇叭口径为1.6λ*1.5λ。
8.根据权利要求1所述的一种稀布高增益天线阵列设计方法,其特征在于,在执行步骤5时,若出现任一种天线阵列分布不满足最小波束宽度约束条件,则跳过该计算过程,并赋予该天线阵列分布的副瓣电平一个负值。
9.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被执行时,实现如权利要求1~8任一项所述的稀布高增益天线阵列设计方法。
CN202310886463.1A 2023-07-19 2023-07-19 一种稀布高增益天线阵列设计方法、存储介质 Active CN116632561B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310886463.1A CN116632561B (zh) 2023-07-19 2023-07-19 一种稀布高增益天线阵列设计方法、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310886463.1A CN116632561B (zh) 2023-07-19 2023-07-19 一种稀布高增益天线阵列设计方法、存储介质

Publications (2)

Publication Number Publication Date
CN116632561A true CN116632561A (zh) 2023-08-22
CN116632561B CN116632561B (zh) 2023-09-19

Family

ID=87621520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310886463.1A Active CN116632561B (zh) 2023-07-19 2023-07-19 一种稀布高增益天线阵列设计方法、存储介质

Country Status (1)

Country Link
CN (1) CN116632561B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6351243B1 (en) * 1999-09-10 2002-02-26 Telefonaktiebolaget Lm Ericsson (Publ) Sparse array antenna
RU2691672C1 (ru) * 2018-06-21 2019-06-17 Акционерное общество "Концерн радиостроения "Вега" Приемная мультипликативная фар
EP3588128A1 (en) * 2018-06-26 2020-01-01 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Method for detection and height and azimuth estimation of objects in a scene by radar processing using sparse reconstruction with coherent and incoherent arrays
CN112421242A (zh) * 2020-11-06 2021-02-26 中国电子科技集团公司第三十八研究所 一种极宽带综合口径阵列天线的布阵方法
CN112733334A (zh) * 2020-12-28 2021-04-30 中国电子科技集团公司第三十八研究所 一种多频段共口径阵列天线稀疏优化方法及系统
CN114861446A (zh) * 2022-05-17 2022-08-05 航天时代飞鸿技术有限公司 天线阵列稀疏稀布优化方法、装置、设备及可读存储介质
CN115374695A (zh) * 2022-07-26 2022-11-22 重庆邮电大学 基于麻雀搜索算法与阵列加权的稀布阵列天线优化方法
CN115510733A (zh) * 2022-08-04 2022-12-23 南京邮电大学 一种基于改进交叉遗传算法的阵列天线旁瓣优化方法
CN116244940A (zh) * 2023-02-24 2023-06-09 中国电子科技集团公司第五十四研究所 一种双波束超宽带阵列天线优化布局方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6351243B1 (en) * 1999-09-10 2002-02-26 Telefonaktiebolaget Lm Ericsson (Publ) Sparse array antenna
RU2691672C1 (ru) * 2018-06-21 2019-06-17 Акционерное общество "Концерн радиостроения "Вега" Приемная мультипликативная фар
EP3588128A1 (en) * 2018-06-26 2020-01-01 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Method for detection and height and azimuth estimation of objects in a scene by radar processing using sparse reconstruction with coherent and incoherent arrays
CN112421242A (zh) * 2020-11-06 2021-02-26 中国电子科技集团公司第三十八研究所 一种极宽带综合口径阵列天线的布阵方法
CN112733334A (zh) * 2020-12-28 2021-04-30 中国电子科技集团公司第三十八研究所 一种多频段共口径阵列天线稀疏优化方法及系统
CN114861446A (zh) * 2022-05-17 2022-08-05 航天时代飞鸿技术有限公司 天线阵列稀疏稀布优化方法、装置、设备及可读存储介质
CN115374695A (zh) * 2022-07-26 2022-11-22 重庆邮电大学 基于麻雀搜索算法与阵列加权的稀布阵列天线优化方法
CN115510733A (zh) * 2022-08-04 2022-12-23 南京邮电大学 一种基于改进交叉遗传算法的阵列天线旁瓣优化方法
CN116244940A (zh) * 2023-02-24 2023-06-09 中国电子科技集团公司第五十四研究所 一种双波束超宽带阵列天线优化布局方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GANYU LIU等: "Low-Sidelobe Pattern Synthesis for Sparse Conformal Arrays Based on Multiagent Genetic Algorithm", 《2022 IEEE INTERNATIONAL SYMPOSIUM ON ANTENNAS AND PROPAGATION AND USNC-URSI RADIO SCIENCE MEETING 》, pages 1044 - 1045 *
汤易等: "基于遗传算法的高增益低旁瓣阵列天线阵元方向布局优化方法", 《中国力学大会》, pages 282 *
蒋毅: "低副瓣天线阵列的稀布优化技术研究", 《万方学位论文库》, pages 67 - 147 *
郑学誉: "低副瓣阵列天线的误差效应分析", 《现代雷达》, no. 3, pages 91 - 101 *

Also Published As

Publication number Publication date
CN116632561B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN102110883B (zh) 一种赋形可变波束阵列天线的波束赋形方法
CN111985145B (zh) 一种大间距相控阵天线栅瓣抑制方法及抑制系统
Petko et al. Pareto optimization of thinned planar arrays with elliptical mainbeams and low sidelobe levels
CN112367103B (zh) 一种可扩展稀疏阵列天线布局的获取方法
Siakavara Novel fractal antenna arrays for satellite networks: Circular ring Sierpinski carpet arrays optimized by genetic algorithms
CN112733334B (zh) 一种多频段共口径阵列天线稀疏优化方法及系统
Deb et al. A differential evolution performance comparison: Comparing how various differential evolution algorithms perform in designing microstrip antennas and arrays
Bayraktar et al. Miniature meander-line dipole antenna arrays, designed via an orthogonal-array-initialized hybrid particle-swarm optimizer
CN116632561B (zh) 一种稀布高增益天线阵列设计方法、存储介质
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
Recioui Optimization of antenna arrays using different strategies based on Taguchi method
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
Agha et al. Optimization of antenna array pattern for uniformly excited rectangular array via thinning
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
CN113851854A (zh) 一种宽角扫描透镜终端天线及其扫描方式
Kumar et al. Radiation Pattern Comparison of Circular Antenna Arrays Using GA and PSO
Goswami et al. Genetic algorithm for nulls and side lobe level control in a linear antenna array
Mahmoud et al. Performance of circular Yagi-Uda arrays for beamforming applications using particle swarm optimization algorithm
JP4066324B2 (ja) アレーアンテナ装置およびその放射素子配置方法
CN115036710B (zh) 一种多级分形子阵平面阵列及其排布方法
Zhao et al. A hybrid algorithm for synthesizing linear sparse arrays
Patra et al. Synthesis of flat-top power pattern in time-modulated unequally spaced linear arrays using DE
Oraizi et al. A comparison among circular, rectangular and bee-hived array geometries using the invasive weed optimization algorithm
Lakshmi et al. Pattern synthesis using genetic algorithm for low sidelobe levels
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
GR01 Patent grant
GR01 Patent grant