CN118446119A - 基于锥优化和深度学习的太赫兹平顶波束赋形方法与装置 - Google Patents

Abstract

本发明涉及一种基于锥优化和深度学习的太赫兹平顶波束赋形方法与装置。所述方法包括：获取波束赋形参数；构建锥优化模型，并设定锥约束条件；然后基于锥约束条件，采用锥优化模型对波束赋形参数进行求解，得到单波束激励向量；将各单波束激励向量对应的阵因子权重线性叠加，得到平顶波束辐射方向图；将平顶波束辐射方向图输入预先训练好的神经网络模型中，得到阵因子激励向量。相较于传统的平顶波束赋形技术，本发明优化解空间小，不需要设置大量的优化变量，精度高，计算时间快，具有较好的时效性，想要获得指向性不同的平顶波束，只需要改变叠加的角度即可，灵活性更强。

Description

基于锥优化和深度学习的太赫兹平顶波束赋形方法与装置

技术领域

本发明涉及波束赋形技术领域，特别是涉及一种基于锥优化和深度学习的太赫兹平顶波束赋形方法与装置。

背景技术

平顶波束指形成一种顶部均匀平坦的波束，这种波束在无线能量传输中能够保证接收端收到的功率密度在一定范围内呈现均匀，从而提高接受效率。平顶波束天线应用到卫星通信中，能够有效避免各个蜂窝区间的干扰，同时支持多星座通信。平顶波束一般采用阵列综合赋形的方法实现，即通过调节阵列中各个单元的相位和幅值，使其阵因子呈现矩形特性。

传统的波束赋形方法，比如伍德沃德（Woodward）合成方法通过从预期远场方向图中选取特定角度上的离散点，逐步逼近实际辐射图，其显著优势在于具备生成无零点辐射图案的能力。泰勒（Taylor）合成方法则侧重于优化线性源天线的辐射特性，确保天线的副瓣电平在半功率波束宽度附近保持近乎均匀的分布，同时在其他区域实现电平的有效减小。微扰法则基于已有的天线阵列参数，通过对天线单元间距、电流幅度和相位等因素进行细微调整，来逼近所需的辐射特性，并据此构建新的天线阵列配置。当涉及到大量阵元时，这些传统综合方法通常还能提供较为满意的结果。然而，在阵元数量有限或者所需方向图复杂度较高的情况下，这些方法可能无法精确实现预期效果，导致严重 的综合误差。

近年来，利用智能优化算法来实现平顶波束天线综合算法也被广泛研究。其中，利用粒子群优化-遗传算法来进行平顶波束赋形优化，可以避免粒子群优化算法容易陷入局部最优解，引入了遗传算法增强种群的遗传多样性。

然而，如果天线阵元过多，将会导致搜索解空间变大，其搜索过程会变得漫长，优化的时间代价较长，无法快速准确获得满足平顶波束辐射特性的优化结果。

发明内容

基于此，有必要针对上述技术问题，提供一种计算精度高，计算时间快的基于锥优化和深度学习的太赫兹平顶波束赋形方法与装置。

一种基于锥优化和深度学习的太赫兹平顶波束赋形方法，所述方法包括：

获取波束赋形参数；

构建锥优化模型，并设定锥约束条件；

基于所述锥约束条件，采用锥优化模型对所述波束赋形参数进行求解，得到单波束激励向量；

将各所述单波束激励向量对应的阵因子权重线性叠加，得到平顶波束辐射方向图；

将所述平顶波束辐射方向图输入预先训练好的神经网络模型中，得到阵因子激励向量；

所述锥约束条件为：

将优化向量与波约束条件计算得到的虚部和实部组成向量拼接在一起，计算拼接后的向量的欧几里德范数，得到新的扩展向量；

计算新的扩展向量的欧几里德范数，且新的扩展向量的欧几里德范数小于或等于约束值；

所述锥优化模型的目标为最小化目标函数关于优化变量的线性组合，并在优化过程中设置二阶锥约束条件、线性等式约束条件及优化变量的上下约束范围。

一种基于锥优化和深度学习的太赫兹平顶波束赋形装置，所述装置包括：

参数获取模块，用于获取波束赋形参数；

模型构建模块，用于构建锥优化模型，并设定锥约束条件；

单波束优化模块，用于基于所述锥约束条件，采用锥优化模型对所述波束赋形参数进行求解，得到单波束激励向量；

方向图获取模块，用于将各所述单波束激励向量对应的阵因子权重线性叠加，得到平顶波束辐射方向图；

阵因子激励向量获取模块，用于将所述平顶波束辐射方向图输入预先训练好的神经网络模型中，得到阵因子激励向量；

其中，所述单波束优化模块中，所述锥约束条件为：

将优化向量与波约束条件计算得到的虚部和实部组成向量拼接在一起，计算拼接后的向量的欧几里德范数，得到新的扩展向量；

计算新的扩展向量的欧几里德范数，且新的扩展向量的欧几里德范数小于或等于约束值；

所述锥优化模型的目标为最小化目标函数关于优化变量的线性组合，并在优化过程中设置二阶锥约束条件、线性等式约束条件及优化变量的上下约束范围。

上述基于锥优化和深度学习的太赫兹平顶波束赋形方法与装置，通过获取波束赋形参数；构建锥优化模型，并设定锥约束条件；然后基于锥约束条件，采用锥优化模型对波束赋形参数进行求解，得到单波束激励向量；将各单波束激励向量对应的阵因子权重线性叠加，得到平顶波束辐射方向图；将平顶波束辐射方向图输入预先训练好的神经网络模型中，得到阵因子激励向量。本发明通过两层优化的方式，第一层利用构建的锥优化模型得到满足锥约束条件的单波束激励向量，以形成单波束方向图，然后通过阵因子权重叠加产生平顶波束的辐射方向图；第二层则利用预先训练好的神经网络模型，可以更加快速地获得满足目标方向图的阵因子激励向量，这在实际工程应用中有非常重要的意义，能够快速根据不同场景来生成目标方向图对应的阵因子激励向，从而进行平顶波束的赋形。

相较于传统的平顶波束赋形技术，本发明优化解空间小，不需要设置大量的优化变量，精度高，计算时间快，具有较好的时效性，想要获得指向性不同的平顶波束，只需要改变叠加的角度即可，灵活性更强。

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作简单地介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为一个实施例中基于锥优化和深度学习的太赫兹平顶波束赋形方法的流程示意图；

图2为一个实施例中单波束3D方向图；

图3为一个实施例中不同指向性的波束叠加角度示意图；

图4为一个实施例中单波束对应权重线性叠加得到的平顶波束辐射3D方向图；

图5为一个实施例中基于锥优化和深度学习的太赫兹平顶波束赋形装置的结构框图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第 二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体地限定。

下面将结合本发明实施例图中的附图，对本发明实施方式进行详细说明。

在一个实施例中，如图1所示，提供了一种基于锥优化和深度学习的太赫兹平顶波束赋形方法，包括以下步骤：

步骤202，获取波束赋形参数。

可以理解，波束赋形参数为在波束形成过程中需要控制和优化的一些关键参数，这些参数共同决定天线阵列的辐射方向图，影响主瓣的方向性、副瓣的控制以及整体的波束性能。

步骤204，构建锥优化模型，并设定锥约束条件。

可以理解，通过锥优化模型对阵列天线进行建模，并设定锥约束条件，以获得满足锥约束条件的笔形波束方向图。通过设定锥约束条件，能够实现模型的快速收敛，简化了问题求解的复杂性，提高计算效率。

步骤206，基于锥约束条件，采用锥优化模型对波束赋形参数进行求解，得到单波束激励向量。

具体地，锥约束条件为：将优化向量与波约束条件计算得到的虚部和实部组成向量拼接在一起，计算拼接后的向量的欧几里德范数，得到新的扩展向量；计算新的扩展向量的欧几里德范数，且新的扩展向量的欧几里德范数小于或等于约束值。

锥优化模型的目标为最小化目标函数关于优化变量的线性组合，并在优化过程中设置二阶锥约束条件、线性等式约束条件及优化变量的上下约束范围。

步骤208，将各单波束激励向量对应的阵因子权重线性叠加，得到平顶波束辐射方向图。

参阅图2至图4，图2为得到的单波束3D方向图，将不同指向的单波束进行角度叠加，得到如图3所示的波束叠加角度示意图；将单波束对应的阵因子权重线性叠加，得到图4所示的平顶波束辐射3D方向图。

可以理解，本发明将求解平顶波束阵列的过程分解为两个阶段，第一阶段基于锥约束条件与锥优化模型进行优化求解得到满足要求的单波束激励向量，从而生成单波束方向图，这种先优化单波束的方式，可以提高优化精度，并且在优化过程中便于调试和验证，通过调整波束赋形参数从而得到不同单波束方向图，再进行叠加得到平顶波束辐射方向图，这种从单到多的渐进式优化方式，避免了直接生成多波束激励的复杂性，可以实现多波束方向图的灵活生成和重构。

步骤210，将平顶波束辐射方向图输入预先训练好的神经网络模型中，得到阵因子激励向量。

可以理解，神经网络具有自适应学习能力，能够并行处理大量数据的特点，在求解平顶波束阵列的第二阶段，预先构建能够生成阵因子激励向量的神经网络模型，并用平顶波束辐射方向图对该神经网络模型进行训练，能够在更短时间内获得对应平顶波束辐射方向图的阵因子激励向量，即激励幅度和相位，以实时调整阵列天线。整个过程计算速度快，具有较好的时效性。

上述基于锥优化和深度学习的太赫兹平顶波束赋形方法，通过获取波束赋形参数；构建锥优化模型，并设定锥约束条件；然后基于锥约束条件，采用锥优化模型对波束赋形参数进行求解，得到单波束激励向量；将各单波束激励向量对应的阵因子权重线性叠加，得到平顶波束辐射方向图；将平顶波束辐射方向图输入预先训练好的神经网络模型中，得到阵因子激励向量。本发明通过两层优化的方式，第一层利用构建的锥优化模型得到满足锥约束条件的单波束激励向量，以形成单波束方向图，然后通过阵因子权重叠加产生平顶波束的辐射方向图；第二层则利用预先训练好的神经网络模型，可以更加快速地获得满足目标方向图的阵因子激励向量，这在实际工程应用中有非常重要的意义，能够快速根据不同场景来生成目标方向图对应的阵因子激励向，从而进行平顶波束的赋形。

相较于传统的平顶波束赋形技术，本发明优化解空间小，不需要设置大量的优化变量，精度高，计算时间快，具有较好的时效性，想要获得指向性不同的平顶波束，只需要改变叠加的角度即可，灵活性更强。

其中一个实施例中，波束赋形参数包括主瓣角度、副瓣控制范围及峰值副瓣水平。

可以理解，波束赋形参数为在波束形成过程中需要控制和优化的关键参数。这些参数共同决定了天线阵列的辐射方向图（beam pattern），其影响主瓣的方向性、副瓣的控制以及整体的波束性能。

主瓣角度为天线阵列主瓣的指向角度，即期望的波束最大增益方向。副瓣控制范围指需要进行副瓣控制的角度范围，范围内的副瓣水平需要尽量降低，以减少干扰和噪声，提高系统的性能。峰值副瓣水平则是指在副瓣控制范围内的最大副瓣电平，控制峰值副瓣水平可以显著减少副瓣干扰，提高波束的定向性和整体性能。

在本实施例中，通过设定不同的主瓣指向角度，确定需要进行副瓣控制范围和峰值副瓣水平，使主瓣在指定角度上形成，同时在指定的副瓣控制范围内抑制峰值副瓣水平，从而生成不同的单波束激励向量。最终得到满足需求的平顶波束辐射方向图。

其中一个实施例中，对获取的波束赋形参数进行矩阵形式转换，包括：

设主瓣角度为，副瓣角度为；

则波束赋形参数约束条件的矩阵形式为：

；

；

其中，

；

；

将副瓣控制极角范围的矩阵形式、副瓣控制方位角范围的矩阵形式转换为列向量，并转置成行向量，表达式为：

；

；

式中，表示极角；表示方位角；表示期望的极角；表示期望的方位角；表示副瓣控制极角范围的向量表示；表示副瓣控制方位角范围的向量表示；表示副瓣控制的极角范围角度；表示副瓣控制的方位角范围角度，表示副瓣抑制水平；表示转换成单行或单列后进行转置。

然后计算天线阵列的协方差矩阵，为一个的矩阵，通过对每个阵元的指向进行积分计算，以快速计算阵列的方向图。

其中一个实施例中，锥优化模型的目标为最小化目标函数关于优化变量的线性组合，并在优化过程中设置二阶锥约束条件、线性等式约束条件及优化变量的上下约束范围，表达式为：

；

；

；

；

式中，表示约束矩阵；表示向量；表示标量；表示等式约束矩阵；表示转置算子；表示目标函数；表示优化变量，即阵因子权重；表示优化变量的约束最小值；表示优化变量的约束最大值。

具体地，首先确定二次规划的最小方差波束形成模型，表达式为：

；

；

；

；

式中，表示共轭转置算子；表示不等式约束；表示向量；表示阵列的激励向量；表示激励向量的下界；表示激励向量的上界。

其中，和、和分别表示不等式和等式约束的期望边界。

然后，通过修改二次规划的最小方差波束形成模型中的目标函数，将最小方差目标函数进行转换，从而构建锥优化模型。

其中一个实施例中，锥约束条件中，将优化向量与波约束条件计算得到的虚部和实部组成向量拼接在一起，计算拼接后的向量的欧几里德范数，得到新的扩展向量；计算新的扩展向量的欧几里德范数，且新的扩展向量的欧几里德范数小于或等于约束值，表达式为：

；

式中，表示波束约束条件；表示约束角度；表示优化变量；表示不等式约束值。

具体地，从二次规划的最小方差波束形成模型中的目标函数可以看出，为上述天线阵列的协方差矩阵，因此目标函数是实数，因此，目标函数实际上是最小化的实部，其表达式为：

；

其中：

；

；

式中，表示矩阵转置；表示阵因子权重的虚部；表示阵因子权重的实部；表示协方差矩阵的实部；表示协方差矩阵的虚部。

定义一个辅助变量，并确保方差以为界，将二次规划问题变为最小化，原始的二次目标变成了以为界的锥约束。

将放在底部，即，目标变成最小化，则定义为。

然后将方差约束为：

；

因此，

；

二次锥约束变成了：

；

剩余的锥约束来自原始不等式约束，每个不等式约束为：

；

则得到最终的锥约束条件表达式：

；

值得说明的是，等式约束也需要扩充以容纳辅助变量。

上述锥优化模型与锥约束条件共同构成锥优化求解器，通过锥优化求解器进行求解，得到单波束激励向量。

其中一个实施例中，将平顶波束辐射方向图输入预先训练好的神经网络模型中，得到阵因子激励向量，包括：

构建神经网络模型，神经网络模型包括卷积层及全连接层；将平顶波束辐射方向图输入卷积层进行特征提取，得到特征数据；将特征数据输入全连接层进行处理，得到阵因子激励向量。

其中一个实施例中，卷积层为5层，全连接层为3层。

其中一个实施例中，各所述卷积层按照滤波尺寸递增的方式排列。

具体地，本实施例搭建的神经网络模型的层数可以根据需求进行设置，卷积层与全连接层的层数也可以根据情况进行设定，本实施例优选神经网络模型包括8层结构，其中前5层为卷积层，后3层为全连接层。5层卷积层中，前三层按照滤波器尺寸递增的方式排列，第四层、第五层与第三层的结构相同。比如：第一层创建一个具有1个输出通道和大小为1×64的滤波器的卷积层，第二层创建一个具有1个输出通道和大小为64×128的滤波器的卷积层，第三层到第五层创建一个具有1个输出通道和大小128×256的滤波器的卷积层。全连接层中，第一层和第二层表示创建一个具有2000个神经元的全连接层。全连接层中的每个神经元都与上一层的所有神经元相连。第三层表示创建了一个具有224个神经元的全连接层，也代表了输出的阵因子激励向量，前112个为实数向量，后112个为虚数向量。

训练神经网络模型过程中，创建平顶波束辐射方向图和对应阵因子权重的数据集，然后将数据集划分为训练集和验证集，用于神经网络模型的训练、验证和识别。

具体地，输入平顶波束辐射方向图为int8的721×721的图像；设置使用Adam优化器，最大训练周期数为30，梯度衰减因子为 0.9，平方梯度衰减因子为 0.999，初始学习率为1e^-3。将数据集随机分为训练集和验证集和测试集，并且每3个训练周期对验证集进行验证一次。最终神经网络模型输出为1组1×224的数据，代表了输出的阵因子激励向量，前112个数据代表阵因子的实数向量，后112个数据代表了阵因子的虚数向量。

其中一个实施例中，阵因子激励向量包括实数向量和虚数向量，即阵因子激励向量的识别和虚部。

通过神经网络模型生成实数向量与虚数向量的组合，在平顶波束赋形中提供了极大的灵活性和控制能力，能够实现精确的方向性控制、相位调整和干扰抑制，从而达到更优的波束赋形效果。

比如，在方向控制方面，实数向量与虚数向量的组合能够在特定的方向上具有均匀的增益，这对于平顶波束尤为重要，因为平顶波束赋形就是在一个特定角度范围内实现平坦的增益响应。

相位控制方面，通过虚数向量进行相位控制，从而调整平顶波束的相位，消除副瓣以及控制波束的主瓣宽度，形成期望的波束形状。

应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图5所示，提供了一种基于锥优化和深度学习的太赫兹平顶波束赋形装置，包括：参数获取模块402、模型构建模块404、单波束优化模块406、方向图获取模块408和阵因子激励向量获取模块410，其中：

参数获取模块402用于获取波束赋形参数。

模型构建模块404用于构建锥优化模型，并设定锥约束条件。

单波束优化模块406用于基于锥约束条件，采用锥优化模型对波束赋形参数进行求解，得到单波束激励向量。

方向图获取模块408用于将各单波束激励向量对应的阵因子权重线性叠加，得到平顶波束辐射方向图。

阵因子激励向量获取模块410用于将平顶波束辐射方向图输入预先训练好的神经网络模型中，得到阵因子激励向量。

其中，单波束优化模块406中，锥约束条件为：将优化向量与波约束条件计算得到的虚部和实部组成向量拼接在一起，计算拼接后的向量的欧几里德范数，得到新的扩展向量；计算新的扩展向量的欧几里德范数，且新的扩展向量的欧几里德范数小于或等于约束值。

锥优化模型的目标为最小化目标函数关于优化变量的线性组合，并在优化过程中设置二阶锥约束条件、线性等式约束条件及优化变量的上下约束范围。

关于基于锥优化和深度学习的太赫兹平顶波束赋形装置的具体限定可以参见上文中对于基于锥优化和深度学习的太赫兹平顶波束赋形方法的限定，在此不再赘述。上述基于锥优化和深度学习的太赫兹平顶波束赋形装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于锥优化和深度学习的太赫兹平顶波束赋形方法，其特征在于，所述方法包括：

获取波束赋形参数；

构建锥优化模型，并设定锥约束条件；

基于所述锥约束条件，采用锥优化模型对所述波束赋形参数进行求解，得到单波束激励向量；

将各所述单波束激励向量对应的阵因子权重线性叠加，得到平顶波束辐射方向图；

将所述平顶波束辐射方向图输入预先训练好的神经网络模型中，得到阵因子激励向量；

所述锥约束条件为：

将优化向量与波约束条件计算得到的虚部和实部组成向量拼接在一起，计算拼接后的向量的欧几里德范数，得到新的扩展向量；

计算新的扩展向量的欧几里德范数，且新的扩展向量的欧几里德范数小于或等于约束值；

所述锥优化模型的目标为最小化目标函数关于优化变量的线性组合，并在优化过程中设置二阶锥约束条件、线性等式约束条件及优化变量的上下约束范围。

2.根据权利要求1所述的基于锥优化和深度学习的太赫兹平顶波束赋形方法，其特征在于，所述波束赋形参数包括主瓣角度、副瓣控制范围及峰值副瓣水平。

3.根据权利要求2所述的基于锥优化和深度学习的太赫兹平顶波束赋形方法，其特征在于，对获取的所述波束赋形参数进行矩阵形式转换，包括：

设主瓣角度为，副瓣角度为；

则所述波束赋形参数的矩阵形式为：

；

；

其中，

；

；

将副瓣控制极角范围的矩阵形式、副瓣控制方位角范围的矩阵形式转换为列向量，并转置成行向量，表达式为：

；

；

式中，表示极角；表示方位角；表示期望的极角；表示期望的方位角；表示副瓣控制极角范围的向量表示；表示副瓣控制方位角范围的向量表示；表示副瓣控制的极角范围角度；表示副瓣控制的方位角范围角度，；表示副瓣抑制水平；表示转换成单行或单列后进行转置。

4.根据权利要求3所述的基于锥优化和深度学习的太赫兹平顶波束赋形方法，其特征在于，所述锥优化模型的目标为最小化目标函数关于优化变量的线性组合，并在优化过程中设置二阶锥约束条件、线性等式约束条件及优化变量的上下约束范围，表达式为：

；

；

；

；

式中，表示约束矩阵；表示向量；表示标量；表示等式约束矩阵；表示转置算子；表示目标函数；表示优化变量；表示优化变量的约束最小值；表示优化变量的约束最大值。

5.根据权利要求1至4任一项所述的基于锥优化和深度学习的太赫兹平顶波束赋形方法，其特征在于，将优化向量与波约束条件计算得到的虚部和实部组成向量拼接在一起，计算拼接后的向量的欧几里德范数，得到新的扩展向量；计算新的扩展向量的欧几里德范数，且新的扩展向量的欧几里德范数小于或等于约束值，表达式为：

；

式中，表示波束约束条件；表示约束角度；表示优化变量；表示不等式约束值。

6.根据权利要求1至4任一项所述的基于锥优化和深度学习的太赫兹平顶波束赋形方法，其特征在于，将所述平顶波束辐射方向图输入预先训练好的神经网络模型中，得到阵因子激励向量，包括：

构建神经网络模型，所述神经网络模型包括卷积层及全连接层，将所述平顶波束辐射方向图输入所述卷积层进行特征提取，得到特征数据；将所述特征数据输入所述全连接层进行处理，得到阵因子激励向量。

7.根据权利要求6所述的基于锥优化和深度学习的太赫兹平顶波束赋形方法，其特征在于，所述卷积层为5层，所述全连接层为3层。

8.根据权利要求7所述的基于锥优化和深度学习的太赫兹平顶波束赋形方法，其特征在于，各所述卷积层按照滤波尺寸递增的方式排列。

9.根据权利要求6所述的基于锥优化和深度学习的太赫兹平顶波束赋形方法，其特征在于，所述阵因子激励向量包括实数向量和虚数向量。

10.一种基于锥优化和深度学习的太赫兹平顶波束赋形装置，其特征在于，所述装置包括：

参数获取模块，用于获取波束赋形参数；

模型构建模块，用于构建锥优化模型，并设定锥约束条件；

单波束优化模块，用于基于所述锥约束条件，采用锥优化模型对所述波束赋形参数进行求解，得到单波束激励向量；

方向图获取模块，用于将各所述单波束激励向量对应的阵因子权重线性叠加，得到平顶波束辐射方向图；

阵因子激励向量获取模块，用于将所述平顶波束辐射方向图输入预先训练好的神经网络模型中，得到阵因子激励向量；

其中，所述单波束优化模块中，所述锥约束条件为：

将优化向量与波约束条件计算得到的虚部和实部组成向量拼接在一起，计算拼接后的向量的欧几里德范数，得到新的扩展向量；

计算新的扩展向量的欧几里德范数，且新的扩展向量的欧几里德范数小于或等于约束值；

所述锥优化模型的目标为最小化目标函数关于优化变量的线性组合，并在优化过程中设置二阶锥约束条件、线性等式约束条件及优化变量的上下约束范围。