CN117113459B - 一种天线阵列的旁瓣优化方法、装置及电子设备 - Google Patents
一种天线阵列的旁瓣优化方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117113459B CN117113459B CN202311369688.6A CN202311369688A CN117113459B CN 117113459 B CN117113459 B CN 117113459B CN 202311369688 A CN202311369688 A CN 202311369688A CN 117113459 B CN117113459 B CN 117113459B
- Authority
- CN
- China
- Prior art keywords
- subarray
- chip
- antenna array
- array
- optimized
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000002068 genetic effect Effects 0.000 claims abstract description 21
- 230000005684 electric field Effects 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 9
- 238000003491 array Methods 0.000 abstract description 12
- 238000012545 processing Methods 0.000 abstract description 12
- 230000000737 periodic effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000001629 suppression Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 108700028369 Alleles Proteins 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000011664 signaling Effects 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
-
- 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
- G06N3/12—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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Genetics & Genomics (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本申请提供一种天线阵列的旁瓣优化方法、装置及电子设备，其中，方法包括：获取待优化天线阵列的相关参数；其中，待优化天线阵列包括多个芯片子阵，每个芯片子阵包括至少一个阵元；根据相关参数将待优化天线阵列划分为多个目标子阵；其中，每个目标子阵包括的芯片子阵在线性阵中是不均匀的；根据目标子阵利用遗传算法对待优化天线阵列进行旁瓣优化。在上述方案中，可以在初始的芯片子阵的基础上对待优化天线阵列进行进一步的子阵划分，得到划分后的多个目标子阵。其中，由于每个目标子阵均包括至少一个芯片子阵，因此降低了待优化天线阵列中子阵的数量，从而通过划分后的目标子阵对待优化天线阵列进行旁瓣优化，可以降低信号处理复杂度。
Description
技术领域
本申请涉及天线阵列技术领域，具体而言，涉及一种天线阵列的旁瓣优化方法、装置及电子设备。
背景技术
相控阵天线由于其功能多、机动性强、反应时间短、数据率高、能同时跟踪多个目标等优点在现代雷达系统中获得了广泛的应用。其中，分布式阵列结构中子阵列之间的基线长度通常会远大于半波长，这将会导致栅瓣或高旁瓣的出现，大幅降低角度测量的精度，使得雷达更容易受到其他干扰的影响。
在现有技术中，随着人们对探测距离及探测精度要求的日益提高，相控阵的天线单元越来越多，大型阵列往往包含成千上万个阵元，从而导致其阵列旁瓣优化的信号处理复杂度越来越复杂，处理难度越来越高。
发明内容
本申请实施例的目的在于提供一种天线阵列的旁瓣优化方法、装置及电子设备，用以解决现有技术中阵列旁瓣优化的信号处理复杂度较高的技术问题。
第一方面，本申请实施例提供一种天线阵列的旁瓣优化方法，包括：获取待优化天线阵列的相关参数；其中，所述待优化天线阵列包括多个芯片子阵，每个芯片子阵包括至少一个阵元；根据所述相关参数将所述待优化天线阵列划分为多个目标子阵；其中，每个目标子阵包括的芯片子阵在线性阵中是不均匀的；根据所述目标子阵利用遗传算法对所述待优化天线阵列进行旁瓣优化。
在上述方案中，可以在初始的芯片子阵的基础上对待优化天线阵列进行进一步的子阵划分，得到划分后的多个目标子阵。其中，由于每个目标子阵均包括至少一个芯片子阵，因此降低了待优化天线阵列中子阵的数量，从而通过划分后的目标子阵对待优化天线阵列进行旁瓣优化，可以降低信号处理复杂度。
在可选的实施方式中，所述根据所述相关参数将所述待优化天线阵列划分为多个目标子阵，包括：根据所述相关参数计算相邻芯片子阵之间的芯片间距，并确定每个芯片子阵与阵列中心之间的子阵距离；根据所述芯片间距确定子阵参考线；根据所述子阵距离以及所述子阵参考线将所述待优化天线阵列划分为多个目标子阵。在上述方案中，在对待优化天线阵列中的芯片子阵进行划分的过程中，每个目标子阵包括的芯片子阵在线性阵中可以是不均匀，也就是说，目标子阵的划分形式在线性阵中不是以周期性均匀子阵的形式来划分的，因此可以避免出现周期性栅瓣的问题。
在可选的实施方式中，所述根据所述芯片间距确定子阵参考线，包括：从所述芯片间距的一半开始，以所述芯片间距为步进确定所述子阵参考线。在上述方案中，在对待优化天线阵列中的芯片子阵进行划分的过程中，每个目标子阵包括的芯片子阵在线性阵中是不均匀的，但是，目标子阵的划分形式在二维条件下是均匀的，因此其馈电网络的工程可实现性较高。
在可选的实施方式中，所述根据所述子阵距离以及所述子阵参考线将所述待优化天线阵列划分为多个目标子阵，包括：针对每个芯片子阵，计算该芯片子阵对应的子阵距离与每条子阵参考线之间的差值；将该芯片子阵划分至最大差值对应的子阵参考线所对应的目标子阵中；其中，每个目标子阵与一条子阵参考线对应。
在可选的实施方式中，所述根据所述子阵距离以及所述子阵参考线将所述待优化天线阵列划分为多个目标子阵，包括：针对每个芯片子阵，计算该芯片子阵对应的子阵距离与每条子阵参考线之间的差值；将该芯片子阵划分至最大差值对应的子阵参考线所对应的初始子阵中；其中，每个初始子阵与一条子阵参考线对应；根据预设规则合并所述初始子阵，得到所述目标子阵。
在可选的实施方式中，所述根据所述目标子阵利用遗传算法对所述待优化天线阵列进行旁瓣优化，包括：初始化种群参数并进行编码操作；根据所述相关参数计算天线整阵电场方向图，并确定适应度函数；依次执行选择操作、交叉操作以及变异操作，并根据所述适应度函数计算每个个体的适应度值，直至最优个体的适应度值小于优化旁瓣电平指标；输出所述最优个体的权值及适应度值。在上述方案中，采用遗传算法对待优化天线阵列进行旁瓣优化，可以在达到旁瓣优化指标时能很好的控制所有剖面的旁瓣指标，且能够较大程度的避免因旁瓣抑制带来的增益过多下降。
在可选的实施方式中，所述根据所述相关参数计算天线整阵电场方向图，并确定适应度函数，包括：根据如下公式计算所述天线整阵电场方向图：
；
其中，为所述天线整阵电场方向图，/>为扫描角，/>为离轴角，/>为虚数单位，，k为波常数，/>为所述待优化天线阵列中阵元的阵元坐标，/>表示阵元编号，，/>表示阵元数目，/>为阵元电场方向图，/>为阵元的激励幅度，/>为阵元的激励相位；根据如下公式确定所述适应度函数：
；
其中，为峰值旁瓣电平，/>为电场副瓣最大值位置，/>为电场主瓣最大值。
第二方面，本申请实施例提供一种天线阵列的旁瓣优化装置，包括：获取模块，用于获取待优化天线阵列的相关参数；其中，所述待优化天线阵列包括多个芯片子阵，每个芯片子阵包括至少一个阵元；划分模块，用于根据所述相关参数将所述待优化天线阵列划分为多个目标子阵；其中，每个目标子阵包括的芯片子阵在线性阵中是不均匀的；优化模块，用于根据所述目标子阵利用遗传算法对所述待优化天线阵列进行旁瓣优化。
在上述方案中，可以在初始的芯片子阵的基础上对待优化天线阵列进行进一步的子阵划分，得到划分后的多个目标子阵。其中，由于每个目标子阵均包括至少一个芯片子阵，因此降低了待优化天线阵列中子阵的数量，从而通过划分后的目标子阵对待优化天线阵列进行旁瓣优化，可以降低信号处理复杂度。
在可选的实施方式中，所述划分模块具体用于：根据所述相关参数计算相邻芯片子阵之间的芯片间距，并确定每个芯片子阵与阵列中心之间的子阵距离；根据所述芯片间距确定子阵参考线；根据所述子阵距离以及所述子阵参考线将所述待优化天线阵列划分为多个目标子阵。在上述方案中，在对待优化天线阵列中的芯片子阵进行划分的过程中，每个目标子阵包括的芯片子阵在线性阵中可以是不均匀，也就是说，目标子阵的划分形式在线性阵中不是以周期性均匀子阵的形式来划分的，因此可以避免出现周期性栅瓣的问题。
在可选的实施方式中，所述划分模块还用于：从所述芯片间距的一半开始，以所述芯片间距为步进确定所述子阵参考线。在上述方案中，在对待优化天线阵列中的芯片子阵进行划分的过程中，每个目标子阵包括的芯片子阵在线性阵中是不均匀的，但是，目标子阵的划分形式在二维条件下是均匀的，因此其馈电网络的工程可实现性较高。
在可选的实施方式中，所述划分模块还用于：针对每个芯片子阵，计算该芯片子阵对应的子阵距离与每条子阵参考线之间的差值；将该芯片子阵划分至最大差值对应的子阵参考线所对应的目标子阵中；其中，每个目标子阵与一条子阵参考线对应。
在可选的实施方式中，所述划分模块还用于：针对每个芯片子阵，计算该芯片子阵对应的子阵距离与每条子阵参考线之间的差值；将该芯片子阵划分至最大差值对应的子阵参考线所对应的初始子阵中；其中，每个初始子阵与一条子阵参考线对应；根据预设规则合并所述初始子阵，得到所述目标子阵。
在可选的实施方式中，所述优化模块具体用于：初始化种群参数并进行编码操作；根据所述相关参数计算天线整阵电场方向图，并确定适应度函数；依次执行选择操作、交叉操作以及变异操作，并根据所述适应度函数计算每个个体的适应度值，直至最优个体的适应度值小于优化旁瓣电平指标；输出所述最优个体的权值及适应度值。在上述方案中，采用遗传算法对待优化天线阵列进行旁瓣优化，可以在达到旁瓣优化指标时能很好的控制所有剖面的旁瓣指标，且能够较大程度的避免因旁瓣抑制带来的增益过多下降。
在可选的实施方式中，所述优化模块还用于：根据如下公式计算所述天线整阵电场方向图：
；
其中，为所述天线整阵电场方向图，/>为扫描角，/>为离轴角，/>为虚数单位，，k为波常数，/>为所述待优化天线阵列中阵元的阵元坐标，/>表示阵元编号，，/>表示阵元数目，/>为阵元电场方向图，/>为阵元的激励幅度，/>为阵元的激励相位；根据如下公式确定所述适应度函数：
；
其中，为峰值旁瓣电平，/>为电场副瓣最大值位置，/>为电场主瓣最大值。
第三方面，本申请实施例提供一种电子设备，包括：处理器、存储器和总线；所述处理器和所述存储器通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的计算机程序指令，所述处理器调用所述计算机程序指令能够执行如第一方面所述的天线阵列的旁瓣优化方法。
第四方面，本申请实施例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计算机程序指令，所述计算机程序指令被计算机运行时，使所述计算机执行如第一方面所述的天线阵列的旁瓣优化方法。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举本申请实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请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申请的某些实施例，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一种天线阵列的旁瓣优化方法的流程图；
图2为本申请实施例提供的一种待优化天线阵元划分为目标子阵的示意图；
图3为本申请实施例提供的一种天线阵列的旁瓣优化装置的结构示意图；
图4为本申请实施例提供的一种电子设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
请参照图1，图1为本申请实施例提供的一种天线阵列的旁瓣优化方法的流程图，该天线阵列的旁瓣优化方法可以包括如下步骤：
步骤S101：获取待优化天线阵列的相关参数。
步骤S102：根据相关参数将待优化天线阵列划分为多个目标子阵。
步骤S103：根据目标子阵利用遗传算法对待优化天线阵列进行旁瓣优化。
具体的，在上述步骤S101中，待优化天线阵列可以包括多个芯片子阵，且每个芯片子阵包括至少一个阵元。可以理解的是，一个天线阵列可以由多个按一定方式排列的阵元组成；其中，可以通过芯片对上述多个阵元进行控制芯片，一个芯片即为本申请实施例中的一个芯片子阵。
需要说明的是，本申请实施例对上述采用的芯片的具体实施方式不作具体的限定，本领域技术人员可以根据实际情况进行合适的调整，例如：芯片可以采用背馈芯片、大功率芯片等。
此外，作为一种实施方式，选用的芯片的通道数目可以与待优化天线阵列中阵元的数目一致，且一个通道可以控制一个阵元。作为另一种实施方式，选用的芯片的通道数目可以小于待优化天线阵列中阵元的数目，且一个通道可以控制多个阵元。举例来说，假设单芯片控制通道数为、待优化天线阵列中的阵元数/>，则芯片数目/>，且每个芯片对应一个芯片子阵。
其中，本发明的子阵划分基于阵列背馈芯片进行划分，在大功率芯片通过等分功分器加权多个通道时也可使用，通过降低芯片的使用数量来降低成本。
待优化天线阵列的相关参数是指与上述待优化天线阵列相关的一些参数。需要说明的是，本申请实施例对上述待优化天线阵列的相关参数的具体实施方式不作具体的限定，本领域技术人员可以根据实际情况进行合适的调整。举例来说，待优化天线阵列的相关参数可以包括待优化天线阵列中阵元数目以及阵元位置；或者，待优化天线阵列的相关参数可以包括待优化天线阵列的扫描角、离轴角等。
此外，本申请实施例对获取上述待优化天线阵列的相关参数的具体实施方式也不作具体的限定，本领域技术人员同样可以根据实际情况进行合适的调整。举例来说，可以接收外部设备发送的待优化天线阵列的相关参数；或者，可以从云端或者本地读取事先存储的待优化天线阵列的相关参数等。
在上述步骤S102中，根据上述步骤S101中获取到的相关参数，可以将上述待优化天线阵列划分为多个目标子阵。其中，每个目标子阵包括至少一个芯片子阵，且每个目标子阵包括的芯片子阵在线性阵中是不均匀的。
需要说明的是，上述目标子阵包括的芯片子阵不均匀是指在线性阵中不均匀，作为一种实施方式，其在二维条件下可以是均匀或者不均匀的。下面举例对在线性阵中均匀进行介绍，可以理解的是，与在线性阵中均匀相反即为在线性阵中不均匀。
举例来说，假设当前存在一行数量为12×1的芯片子阵，对该组芯片子阵进行均匀划分的方式为：将芯片子阵划分为3个目标子阵，且每个目笔子阵中包括4×1的芯片子阵。
此外，本申请实施例对划分芯片子阵的具体实施方式不作具体的限定，本领域技术人员可以根据实际情况进行合适的调整。举例来说，可以随机对芯片子阵进行划分；或者，可以利用同心圆对芯片子阵进行划分；或者，可以利用神经网络对芯片子阵进行划分等。
在上述步骤S103中，根据上述步骤S102划分得到的目标子阵并利用遗传算法，可以对待优化天线阵列进行旁瓣优化。需要说明的是，本申请实施例对上述遗传算法的具体实现方式不作具体的限定，本领域技术人员可以根据实际情况进行合适的调整。
在上述方案中，可以在初始的芯片子阵的基础上对待优化天线阵列进行进一步的子阵划分，得到划分后的多个目标子阵。其中，由于每个目标子阵均包括至少一个芯片子阵，因此降低了待优化天线阵列中子阵的数量，从而通过划分后的目标子阵对待优化天线阵列进行旁瓣优化，可以降低信号处理复杂度。
进一步的，在上述实施例的基础上，下面介绍一种划分待优化天线阵列的具体实施方式。在该种实施方式中，上述步骤S102具体可以包括如下步骤：
步骤1），根据相关参数计算相邻芯片子阵之间的芯片间距，并确定每个芯片子阵与阵列中心之间的子阵距离。
步骤2），根据芯片间距确定子阵参考线。
步骤3），根据子阵距离以及子阵参考线将待优化天线阵列划分为多个目标子阵。
具体的，在上述步骤1）中，根据步骤S101中获取到的相关参数，可以计算相邻的两个芯片子阵之间的芯片间距。可以理解的是，在大多数天线阵列中，相邻的两个芯片子阵之间的间距相等。类似的，根据步骤S101中获取到的相关参数，可以确定每个芯片子阵与阵列中心之间的子阵距离。
作为一种实施方式，可以以待优化天线阵列的阵元中心为原点建立一个直角坐标系，二维数组表示待优化天线阵列中的阵元在上述直角坐标系中的阵元坐标，其中，/>表示阵元编号，/>，/>表示阵元数目。
基于上述直角坐标系，可以计算得到芯片间距以及芯片坐标/>，其中，/>表示芯片子阵编码，/>，/>表示芯片子阵数目；可以计算每个芯片子阵到阵列中心的子阵距离/>。
在上述步骤2），根据上述步骤1）中计算得到的芯片间距，可以进一步确定子阵参考线。其中，上述子阵参考线用于辅助进行芯片子阵的划分，本申请实施例对确定上述子阵参考线的具体实施方式不作具体的限定，本领域技术人员可以根据实际情况进行合适的调整。
在上述步骤3）中，根据上述步骤1）中确定的子阵距离以及上述步骤2）中确定的子阵参考线，可以进一步将待优化天线阵列划分为多个目标子阵。可以理解的是，根据不同的子阵参考线，划分待优化天线阵列的具体实施方式同样不同，因此，本申请实施例对划分待优化天线阵列的具体实施方式同样不作具体的限定。
在上述方案中，在对待优化天线阵列中的芯片子阵进行划分的过程中，每个目标子阵包括的芯片子阵在线性阵中可以是不均匀，也就是说，目标子阵的划分形式在线性阵中不是以周期性均匀子阵的形式来划分的，因此可以避免出现周期性栅瓣的问题。
进一步的，在上述实施例的基础上，上述根据芯片间距确定子阵参考线的步骤，具体可以包括如下步骤：
从芯片间距的一半开始，以芯片间距为步进确定子阵参考线。
具体的，可以以芯片间距为步进，从/>开始确定子阵参考线。可以理解的是，上述子阵参考线为多个同心圆，最中间的同心圆半径为/>、第二个同心圆半径为、第三个同心圆半径为/>，以此类推，直至覆盖整个待优化天线阵列。
作为一种实施方式，最外面的同心圆半径可以为，其中，/>表示满足的最小整数，/>表示各芯片到阵列中心距离的最大值。
需要说明的是，上述子阵参考线仅为本申请实施例提供的一种示例，本领域技术人员可以根据实际情况确定其他类型的子阵参考线，例如：子阵参考线可以为多个正方形；或者，子阵参考线之间的间距可以递增等。
在上述方案中，在对待优化天线阵列中的芯片子阵进行划分的过程中，每个目标子阵包括的芯片子阵在线性阵中是不均匀的，但是，目标子阵的划分形式在二维条件下是均匀的，因此其馈电网络的工程可实现性较高。
进一步的，在上述实施例的基础上，上述根据子阵距离以及子阵参考线将待优化天线阵列划分为多个目标子阵的步骤，具体可以包括如下步骤：
步骤1），针对每个芯片子阵，计算该芯片子阵对应的子阵距离与每条子阵参考线之间的差值。
步骤2），将该芯片子阵划分至最大差值对应的子阵参考线所对应的目标子阵中；其中，每个目标子阵与一条子阵参考线对应。
具体的，当每个目标子阵仅与一条子阵参考线对应时，作为一种实施方式，可以对子阵参考线按照从内到外的顺序划分从大到小的编号，例如：最外面的子阵参考线为1号，第二个子阵参考线为2号，以此类推，直至对每一条子阵参考线进行编号，这样，与该子阵参考线对应的目标子阵也可以有相同的编号。
针对待优化天线阵列中的每个芯片子阵，可以分别计算该芯片子阵与其他各条子阵参考线之间的距离，即计算该芯片子阵对应的子阵距离与子阵参考线之间的差值；然后，可以比较该芯片子阵对应的多个差值，并将该芯片子阵划分至最大差值对应的子阵参考线所对应的目标子阵中。
请参照图2，图2为本申请实施例提供的一种待优化天线阵元划分为目标子阵的示意图。其中，图2左边为一个阵元数目的待优化天线阵元，且每个芯片子阵包括四个阵元；图2右边为对图2左边的待优化天线阵元进行划分的划分结果。
可以看出，在图2左边所示的划分结果中，目标子阵的数量为6，且编号依次为1、2、3、4、5、6；图中示出了6条子阵参考线。
进一步的，在上述实施例的基础上，上述根据子阵距离以及子阵参考线将待优化天线阵列划分为多个目标子阵的步骤，具体可以包括如下步骤：
步骤1），针对每个芯片子阵，计算该芯片子阵对应的子阵距离与每条子阵参考线之间的差值。
步骤2），将该芯片子阵划分至最大差值对应的子阵参考线所对应的初始子阵中；其中，每个初始子阵与一条子阵参考线对应。
步骤3），根据预设规则合并初始子阵，得到目标子阵。
具体的，与上述实施例不同的是，目标子阵也可以由多个初始子阵合并而来，此时，每个初始子阵可以与一条子阵参考线对应。
针对待优化天线阵列中的每个芯片子阵，可以分别计算该芯片子阵与其他各条子阵参考线之间的距离，即计算该芯片子阵对应的子阵距离与子阵参考线之间的差值；然后，可以比较该芯片子阵对应的多个差值，并将该芯片子阵划分至最大差值对应的子阵参考线所对应的初始子阵中。
最后，再根据预设规则对上述初始子阵进行合并，从而得到目标子阵。需要说明的是，本申请实施例对预设规则的具体实施方式不作具体的限定，本领域技术人员可以根据实际情况进行合适的调整。举例来说，可以依次合并相同数量的初始子阵；或者，合并的初始子阵的数量可以依次递增等。
以图2右边所示为例，可以将1和2对应的初始子阵合并为第一个目标子阵，将3和4对应的初始子阵合并为第二个目标子阵，将5和6对应的初始子阵合并为第三个目标子阵，从而得到三个目标子阵。
进一步的，在上述实施例的基础上，上述步骤S103具体可以包括如下步骤：
步骤1），初始化种群参数并进行编码操作。
步骤2），根据相关参数计算天线整阵电场方向图，并确定适应度函数。
步骤3），依次执行选择操作、交叉操作以及变异操作，并根据适应度函数计算每个个体的适应度值，直至最优个体的适应度值小于优化旁瓣电平指标。
步骤4），输出最优个体的权值及适应度值。
具体的，可以理解的是，传统的分离式加权方法加权栅格阵列以E面或H面进行加权，在满足E面、H面旁瓣指标的同时在±45°剖面的副瓣指标超出或达不到性能指标，造成整体旁瓣指标未达到或造成增益的不必要下降，而本申请实施例采用的遗传算法，在达到旁瓣优化指标时能很好的控制所有剖面的旁瓣指标，且能够较大程度的避免因旁瓣抑制带来的增益过多下降。
在上述步骤1）中，可以初始化子阵权值种群，根据芯片衰减精度确定子阵权值编码长度L并对子阵权值进行二进制编码；设置优化旁瓣电平指标MSLL，设置初始遗传代数，最大遗传代数为/>。
在上述步骤2）中，将子阵权值按，目标字很划分分别赋值各目标阵元，并计算得到天线整阵电场方向图以及旁瓣电平大小；其中，可以将每个个体的峰值旁瓣电平作为适应度值，取最小值g。
在上述步骤3）中，判断到当前遗传代数是否大于最大遗传代数/>，若是，则结束遗传算法流程，并输出当前遗传代数对应的最优个体权值以及函数适应度值；否则，执行步骤4）。
在上述步骤4）中，依次执行选择操作、交叉操作以及变异操作，然后，函数适应度值最小的最优个体保留在新一代种群中，k = k+1。
其中，选择操作，采用“轮盘赌”选择法，利用各个个体适应度所占比例的大小来决定其子代保留的可能性，因旁瓣电平为负值，且其值越小，旁瓣性能越好，其个体适应度越小，则其被选择的概率越大。
交叉操作，将被选中的子阵权值个体进行两两配对，每队个体按交叉概率交换他们的部分基因，形成一对新的个体，所有新的个体组成一个新的种群。
变异操作，对交叉后形成的新种群进行基于概率的变异操作，以变异概率改变每个个体其他基因座上的基因值为其他的等位基因值。
判断最优个体的函数适应度值是否小于MSLL，若是，则输出当前遗传代数对应的最优个体权值以及函数适应度值；否则，执行步骤3）。
在上述方案中，采用遗传算法对待优化天线阵列进行旁瓣优化，可以在达到旁瓣优化指标时能很好的控制所有剖面的旁瓣指标，且能够较大程度的避免因旁瓣抑制带来的增益过多下降。
进一步的，在上述实施例的基础上，上述根据相关参数计算天线整阵电场方向图，并确定适应度函数的步骤，具体可以包括如下步骤：
步骤1），根据如下公式计算天线整阵电场方向图：
；
其中，为天线整阵电场方向图，/>为扫描角，/>为离轴角，/>为虚数单位，，k为波常数，/>为所述待优化天线阵列中阵元的阵元坐标，/>表示阵元编号，，/>表示阵元数目，/>为阵元电场方向图，/>为阵元的激励幅度，/>为阵元的激励相位。
步骤2），根据如下公式确定适应度函数：
；
其中，为峰值旁瓣电平，/>为电场副瓣最大值位置，/>为电场主瓣最大值。
请参照图3，图3为本申请实施例提供的一种天线阵列的旁瓣优化装置的结构示意图，该天线阵列的旁瓣优化装置300包括：获取模块301，用于获取待优化天线阵列的相关参数；其中，所述待优化天线阵列包括多个芯片子阵，每个芯片子阵包括至少一个阵元；划分模块302，用于根据所述相关参数将所述待优化天线阵列划分为多个目标子阵；其中，每个目标子阵包括的芯片子阵在线性阵中是不均匀的；优化模块303，用于根据所述目标子阵利用遗传算法对所述待优化天线阵列进行旁瓣优化。
在上述方案中，可以在初始的芯片子阵的基础上对待优化天线阵列进行进一步的子阵划分，得到划分后的多个目标子阵。其中，由于每个目标子阵均包括至少一个芯片子阵，因此降低了待优化天线阵列中子阵的数量，从而通过划分后的目标子阵对待优化天线阵列进行旁瓣优化，可以降低信号处理复杂度。
进一步的，在上述实施例的基础上，所述划分模块302具体用于：根据所述相关参数计算相邻芯片子阵之间的芯片间距，并确定每个芯片子阵与阵列中心之间的子阵距离；根据所述芯片间距确定子阵参考线；根据所述子阵距离以及所述子阵参考线将所述待优化天线阵列划分为多个目标子阵。
在上述方案中，在对待优化天线阵列中的芯片子阵进行划分的过程中，每个目标子阵包括的芯片子阵在线性阵中可以是不均匀，也就是说，目标子阵的划分形式在线性阵中不是以周期性均匀子阵的形式来划分的，因此可以避免出现周期性栅瓣的问题。
进一步的，在上述实施例的基础上，所述划分模块302还用于：从所述芯片间距的一半开始，以所述芯片间距为步进确定所述子阵参考线。
在上述方案中，在对待优化天线阵列中的芯片子阵进行划分的过程中，每个目标子阵包括的芯片子阵在线性阵中是不均匀的，但是，目标子阵的划分形式在二维条件下是均匀的，因此其馈电网络的工程可实现性较高。
进一步的，在上述实施例的基础上，所述划分模块302还用于：针对每个芯片子阵，计算该芯片子阵对应的子阵距离与每条子阵参考线之间的差值；将该芯片子阵划分至最大差值对应的子阵参考线所对应的目标子阵中；其中，每个目标子阵与一条子阵参考线对应。
进一步的，在上述实施例的基础上，所述划分模块302还用于：针对每个芯片子阵，计算该芯片子阵对应的子阵距离与每条子阵参考线之间的差值；将该芯片子阵划分至最大差值对应的子阵参考线所对应的初始子阵中；其中，每个初始子阵与一条子阵参考线对应；根据预设规则合并所述初始子阵，得到所述目标子阵。
进一步的，在上述实施例的基础上，所述优化模块303具体用于：初始化种群参数并进行编码操作；根据所述相关参数计算天线整阵电场方向图，并确定适应度函数；依次执行选择操作、交叉操作以及变异操作，并根据所述适应度函数计算每个个体的适应度值，直至最优个体的适应度值小于优化旁瓣电平指标；输出所述最优个体的权值及适应度值。
在上述方案中，采用遗传算法对待优化天线阵列进行旁瓣优化，可以在达到旁瓣优化指标时能很好的控制所有剖面的旁瓣指标，且能够较大程度的避免因旁瓣抑制带来的增益过多下降。
进一步的，在上述实施例的基础上，所述优化模块303还用于：根据如下公式计算所述天线整阵电场方向图：
；
其中，为所述天线整阵电场方向图，/>为扫描角，/>为离轴角，/>为虚数单位，，k为波常数，/>为所述待优化天线阵列中阵元的阵元坐标，/>表示阵元编号，，/>表示阵元数目，/>为阵元电场方向图，/>为阵元的激励幅度，/>为阵元的激励相位；根据如下公式确定所述适应度函数：
；
其中，为峰值旁瓣电平，/>为电场副瓣最大值位置，/>为电场主瓣最大值。
请参照图4，图4为本申请实施例提供的一种电子设备的结构框图，该电子设备400包括：至少一个处理器401，至少一个通信接口402，至少一个存储器403和至少一个通信总线404。其中，通信总线404用于实现这些组件直接的连接通信，通信接口402用于与其他节点设备进行信令或数据的通信，存储器403存储有处理器401可执行的机器可读指令。当电子设备400运行时，处理器401与存储器403之间通过通信总线404通信，机器可读指令被处理器401调用时执行上述天线阵列的旁瓣优化方法。
例如，本申请实施例的处理器401通过通信总线404从存储器403读取计算机程序并执行该计算机程序可以实现如下方法：步骤S101：获取待优化天线阵列的相关参数。步骤S102：根据相关参数将待优化天线阵列划分为多个目标子阵。步骤S103：根据目标子阵利用遗传算法对待优化天线阵列进行旁瓣优化。
其中，处理器401包括一个或多个，其可以是一种集成电路芯片，具有信号的处理能力。上述的处理器401可以是通用处理器，包括中央处理器（Central Processing Unit，简称CPU）、微控制单元（Micro Controller Unit，简称MCU）、网络处理器（NetworkProcessor，简称NP）或者其他常规处理器；还可以是专用处理器，包括神经网络处理器（Neural-network Processing Unit，简称NPU）、图形处理器（Graphics Processing Unit，简称GPU）、数字信号处理器（Digital Signal Processor，简称DSP）、专用集成电路（Application Specific Integrated Circuits，简称ASIC）、现场可编程门阵列（FieldProgrammable Gate Array，简称FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。并且，在处理器401为多个时，其中的一部分可以是通用处理器，另一部分可以是专用处理器。
存储器403包括一个或多个，其可以是，但不限于，随机存取存储器（RandomAccess Memory，简称RAM），只读存储器（Read Only Memory，简称ROM），可编程只读存储器（Programmable Read-Only Memory，简称PROM），可擦除可编程只读存储器（ErasableProgrammable Read-Only Memory，简称EPROM），电可擦除可编程只读存储器（ElectricErasable Programmable Read-Only Memory，简称EEPROM）等。
可以理解，图4所示的结构仅为示意，电子设备400还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。于本申请实施例中，电子设备400可以是，但不限于台式机、笔记本电脑、智能手机、智能穿戴设备、车载设备等实体设备，还可以是虚拟机等虚拟设备。另外，电子设备400也不一定是单台设备，还可以是多台设备的组合，例如服务器集群，等等。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序指令，所述计算机程序指令被计算机运行时，使所述计算机执行前述方法实施例所述的天线阵列的旁瓣优化方法。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，多个单元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通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
需要说明的是，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，本申请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）执行本申请各个实施例所述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、只读存储器（Read-Only Memory，ROM）随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (9)
1.一种天线阵列的旁瓣优化方法，其特征在于，包括：
获取待优化天线阵列的相关参数；其中，所述待优化天线阵列包括多个芯片子阵，每个芯片子阵包括至少一个阵元；
根据所述相关参数将所述待优化天线阵列划分为多个目标子阵；其中，每个目标子阵包括的芯片子阵在线性阵中是不均匀的；
根据所述目标子阵利用遗传算法对所述待优化天线阵列进行旁瓣优化；
所述根据所述目标子阵利用遗传算法对所述待优化天线阵列进行旁瓣优化，包括：
初始化种群参数并进行编码操作；
根据所述相关参数计算天线整阵电场方向图，并确定适应度函数；
依次执行选择操作、交叉操作以及变异操作，并根据所述适应度函数计算每个个体的适应度值，直至最优个体的适应度值小于优化旁瓣电平指标；
输出所述最优个体的权值及适应度值。
2.根据权利要求1所述的天线阵列的旁瓣优化方法，其特征在于，所述根据所述相关参数将所述待优化天线阵列划分为多个目标子阵，包括：
根据所述相关参数计算相邻芯片子阵之间的芯片间距，并确定每个芯片子阵与阵列中心之间的子阵距离；
根据所述芯片间距确定子阵参考线；
根据所述子阵距离以及所述子阵参考线将所述待优化天线阵列划分为多个目标子阵。
3.根据权利要求2所述的天线阵列的旁瓣优化方法，其特征在于，所述根据所述芯片间距确定子阵参考线，包括：
从所述芯片间距的一半开始，以所述芯片间距为步进确定所述子阵参考线。
4.根据权利要求2或3所述的天线阵列的旁瓣优化方法，其特征在于，所述根据所述子阵距离以及所述子阵参考线将所述待优化天线阵列划分为多个目标子阵，包括：
针对每个芯片子阵，计算该芯片子阵对应的子阵距离与每条子阵参考线之间的差值；
将该芯片子阵划分至最大差值对应的子阵参考线所对应的目标子阵中；其中，每个目标子阵与一条子阵参考线对应。
5.根据权利要求2或3所述的天线阵列的旁瓣优化方法，其特征在于，所述根据所述子阵距离以及所述子阵参考线将所述待优化天线阵列划分为多个目标子阵，包括：
针对每个芯片子阵，计算该芯片子阵对应的子阵距离与每条子阵参考线之间的差值；
将该芯片子阵划分至最大差值对应的子阵参考线所对应的初始子阵中；其中，每个初始子阵与一条子阵参考线对应；
根据预设规则合并所述初始子阵，得到所述目标子阵。
6.根据权利要求1所述的天线阵列的旁瓣优化方法，其特征在于，所述根据所述相关参数计算天线整阵电场方向图，并确定适应度函数，包括：
根据如下公式计算所述天线整阵电场方向图：
；
其中，为所述天线整阵电场方向图，/>为扫描角，/>为离轴角，/>为虚数单位，，k为波常数，/>为所述待优化天线阵列中阵元的阵元坐标，/>表示阵元编号，，/>表示阵元数目，/>为阵元电场方向图，/>为阵元的激励幅度，/>为阵元的激励相位；
根据如下公式确定所述适应度函数：
；
其中，为峰值旁瓣电平，/>为电场副瓣最大值位置，/>为电场主瓣最大值。
7.一种天线阵列的旁瓣优化装置，其特征在于，包括：
获取模块，用于获取待优化天线阵列的相关参数；其中，所述待优化天线阵列包括多个芯片子阵，每个芯片子阵包括至少一个阵元；
划分模块，用于根据所述相关参数将所述待优化天线阵列划分为多个目标子阵；其中，每个目标子阵包括的芯片子阵在线性阵中是不均匀的；
优化模块，用于根据所述目标子阵利用遗传算法对所述待优化天线阵列进行旁瓣优化；
所述优化模块具体用于：
初始化种群参数并进行编码操作；
根据所述相关参数计算天线整阵电场方向图，并确定适应度函数；
依次执行选择操作、交叉操作以及变异操作，并根据所述适应度函数计算每个个体的适应度值，直至最优个体的适应度值小于优化旁瓣电平指标；
输出所述最优个体的权值及适应度值。
8.一种电子设备，其特征在于，包括：处理器、存储器和总线；
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的计算机程序指令，所述处理器调用所述计算机程序指令能够执行如权利要求1-6任一项所述的天线阵列的旁瓣优化方法。
9.一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计算机程序指令，所述计算机程序指令被计算机运行时，使所述计算机执行如权利要求1-6任一项所述的天线阵列的旁瓣优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311369688.6A CN117113459B (zh) | 2023-10-23 | 2023-10-23 | 一种天线阵列的旁瓣优化方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311369688.6A CN117113459B (zh) | 2023-10-23 | 2023-10-23 | 一种天线阵列的旁瓣优化方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117113459A CN117113459A (zh) | 2023-11-24 |
| CN117113459B true CN117113459B (zh) | 2024-01-05 |
Family
ID=88804218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311369688.6A Active CN117113459B (zh) | 2023-10-23 | 2023-10-23 | 一种天线阵列的旁瓣优化方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117113459B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106342323B (zh) * | 2011-12-27 | 2014-06-18 | 中国航空工业集团公司雷华电子技术研究所 | 相控阵雷达差波束旁瓣抑制的子阵加权值确定方法 |
| CN105842666A (zh) * | 2016-03-18 | 2016-08-10 | 西安电子科技大学 | 基于差分算法的雷达子阵划分优化方法 |
| CN106099393A (zh) * | 2016-08-25 | 2016-11-09 | 电子科技大学 | 基于遗传算法的子阵稀布与阵元稀疏天线阵列综合布阵方法 |
| CN110598360A (zh) * | 2019-09-27 | 2019-12-20 | 哈尔滨工大航卓科技有限公司 | 基于改进遗传算法的不规则地形下天线稀疏布阵的优化方法 |
| CN112100701A (zh) * | 2020-07-31 | 2020-12-18 | 西安电子科技大学 | 基于遗传算法的二维分布式天线子阵位置优化方法 |
| CN112307588A (zh) * | 2020-11-10 | 2021-02-02 | 西安工程大学 | 一种非均匀抛物线阵列天线设计方法 |
| CN112926271A (zh) * | 2021-03-19 | 2021-06-08 | 电子科技大学 | 一种基于混合遗传算法的线性阵列子阵划分方法 |
| CN113761604A (zh) * | 2021-09-08 | 2021-12-07 | 杭州腓腓科技有限公司 | 一种削弱可重构全息超表面辐射旁瓣的优化方法及系统 |
| CN114399044A (zh) * | 2021-12-14 | 2022-04-26 | 西安电子科技大学 | 一种子阵级稀疏阵列发射波束旁瓣电平优化方法 |
| CN114639972A (zh) * | 2022-03-28 | 2022-06-17 | 广东电网有限责任公司 | 无人机阵列天线的阵元位置优化方法及装置 |
| CN115133291A (zh) * | 2022-06-10 | 2022-09-30 | 中国电子科技集团公司第十三研究所 | 非规则天线子阵、相控阵天线及相控阵天线的设计方法 |
| CN116227590A (zh) * | 2022-11-30 | 2023-06-06 | 网络通信与安全紫金山实验室 | 基于改进遗传算法的太赫兹相控阵旁瓣抑制方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230275360A1 (en) * | 2022-02-25 | 2023-08-31 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for optimizing an antenna array to suppress side-lobe power |
-
2023
- 2023-10-23 CN CN202311369688.6A patent/CN117113459B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106342323B (zh) * | 2011-12-27 | 2014-06-18 | 中国航空工业集团公司雷华电子技术研究所 | 相控阵雷达差波束旁瓣抑制的子阵加权值确定方法 |
| CN105842666A (zh) * | 2016-03-18 | 2016-08-10 | 西安电子科技大学 | 基于差分算法的雷达子阵划分优化方法 |
| CN106099393A (zh) * | 2016-08-25 | 2016-11-09 | 电子科技大学 | 基于遗传算法的子阵稀布与阵元稀疏天线阵列综合布阵方法 |
| CN110598360A (zh) * | 2019-09-27 | 2019-12-20 | 哈尔滨工大航卓科技有限公司 | 基于改进遗传算法的不规则地形下天线稀疏布阵的优化方法 |
| CN112100701A (zh) * | 2020-07-31 | 2020-12-18 | 西安电子科技大学 | 基于遗传算法的二维分布式天线子阵位置优化方法 |
| CN112307588A (zh) * | 2020-11-10 | 2021-02-02 | 西安工程大学 | 一种非均匀抛物线阵列天线设计方法 |
| CN112926271A (zh) * | 2021-03-19 | 2021-06-08 | 电子科技大学 | 一种基于混合遗传算法的线性阵列子阵划分方法 |
| CN113761604A (zh) * | 2021-09-08 | 2021-12-07 | 杭州腓腓科技有限公司 | 一种削弱可重构全息超表面辐射旁瓣的优化方法及系统 |
| CN114399044A (zh) * | 2021-12-14 | 2022-04-26 | 西安电子科技大学 | 一种子阵级稀疏阵列发射波束旁瓣电平优化方法 |
| CN114639972A (zh) * | 2022-03-28 | 2022-06-17 | 广东电网有限责任公司 | 无人机阵列天线的阵元位置优化方法及装置 |
| CN115133291A (zh) * | 2022-06-10 | 2022-09-30 | 中国电子科技集团公司第十三研究所 | 非规则天线子阵、相控阵天线及相控阵天线的设计方法 |
| CN116227590A (zh) * | 2022-11-30 | 2023-06-06 | 网络通信与安全紫金山实验室 | 基于改进遗传算法的太赫兹相控阵旁瓣抑制方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 同构/异构子阵的分布式阵列优化方法研究;邢金凤;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;I136-984 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117113459A (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111313158B (zh) | 对圆形状阵列进行稀疏的方法 | |
| Lin et al. | Synthesis of unequally spaced antenna arrays by using differential evolution | |
| CN104992000B (zh) | 一种基于l型阵列天线的波束形成及波束图优化方法 | |
| CN111160556B (zh) | 一种基于自适应遗传算法的阵列稀疏优化方法 | |
| CN109633526B (zh) | 基于方向函数的非均匀圆阵相位干涉仪测向解模糊方法 | |
| CN109725294B (zh) | 基于改进遗传算法的雷达阵列稀疏优化方法 | |
| CN112367103B (zh) | 一种可扩展稀疏阵列天线布局的获取方法 | |
| CN112100701B (zh) | 基于遗传算法的二维分布式天线子阵位置优化方法 | |
| 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 | |
| CN113343588B (zh) | 一种多约束毫米波车载mimo雷达天线阵列设计方法与装置 | |
| CN114399044A (zh) | 一种子阵级稀疏阵列发射波束旁瓣电平优化方法 | |
| CN117113459B (zh) | 一种天线阵列的旁瓣优化方法、装置及电子设备 | |
| Yang et al. | Antenna position optimization method based on adaptive genetic algorithm with self‐supervised differential operator for distributed coherent aperture radar | |
| CN110427669B (zh) | 一种相控阵扫描辐射波束的神经网络模型计算方法 | |
| CN115566442A (zh) | 稀疏布阵方法、装置、电子设备和可读存储介质 | |
| Kwon et al. | Design of a subarray configuration for multifunction radars using a nested optimization scheme | |
| CN113919166B (zh) | 一种多波束相控阵天线增益和相位中心的分析方法 | |
| Zhang et al. | New multi‐objective optimisation algorithm for uniformly excited aperiodic array synthesis | |
| CN109031216B (zh) | 一种基于改进遗传算法的平面阵稀疏优化方法 | |
| del-Val et al. | Optimisation of sensor positions in random linear arrays based on statistical relations between geometry and performance | |
| Chen et al. | Design of 2-dimension sparse arrays using an improved genetic algorithm | |
| CN114609592B (zh) | 一种mimo雷达虚拟稀疏阵列优化布阵方法 | |
| Lakshmi et al. | Pattern synthesis using genetic algorithm for low sidelobe levels | |
| CN117973234A (zh) | 基于自适应差分进化算法的二维车载mimo雷达天线阵列设计方法及装置 | |
| CN113311395B (zh) | 一种基于遗传算法的子阵划分和子阵权值联合优化的方法 |
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 |