CN1725556A - 基于遗传算法的智能天线复合波束形成方法 - Google Patents

Abstract

基于遗传算法的智能天线复合波束形成方法，它涉及的是移动通信天线技术领域。它解决了现有基于遗传算法的阵列波束形成方法，存在适应度函数式过于复杂，及对适应度函数中优化参数权值的选择非常敏感的问题。它的算法步骤为：第一步：计算出每个信号源的波达角；第二步：根据自适应阵元分配原则，把阵元划分成增强期望子阵列和抵消干扰子阵列；第三步：将增强期望子阵列的阵元和抵消干扰子阵列的阵元分别由各自的优化遗传算法形成各自波束赋形；而得到优化权值；第四步：对增强期望子阵列和抵消干扰子阵列两部分权卷积复合得到最终复合权；第五步：计算得到优化的复合波束图。本发明能降低其参数权值选择的复杂度，能容易找出一组最优参数权值。

Description

基于遗传算法的智能天线复合波束形成方法

技术领域：

本发明涉及的是移动通信天线技术领域。

背景技术：

当代及未来移动通信领域，智能天线是必选的先进技术。它可以在有用信号入射方向保持高增益，在干扰信号入射方向形成零陷。从而消除干扰，增加系统的容量。在宽带移动通信中，干扰的数目往往大于天线阵列的数目。在此情况下，天线方向图不可能在各个干扰来波方向都形成零陷来抑制干扰的影响，而只能选择在最强的若干个干扰方向上形成零陷，同时采用低旁瓣设计来抑制其它方向干扰。另外，还要求天线能够在有用信号方向上获得最大的增益值，因此，需要在期望信号的来波方向形成主瓣，并且主瓣宽度应尽可能窄以抑制对邻近角度用户的干扰。由此看来，方向图的综合和优化是一个多目标多参数的非线性优化问题，而遗传算法在解决这类多目标多参数的非线性优化问题上有很大的优势，它可以弥补传统算法容易收敛至局部最优点的缺陷，更容易获得全局最优。目前很多学者对基于遗传算法的阵列波束图优化进行了深入研究，但这些已有的方法都不同程度地存在两个问题：1.适应度函数式过于复杂，计算量大；在遗传算法中适应度函数的复杂程度将直接影响着遗传算法的收敛速度和计算量；适应度函数越复杂，函数收敛越慢；在同样的收敛速度下，适应度函数越复杂，整个遗传算法的计算复杂度就越高。由于目前已有的基于遗传算法的智能天线波束形成算法中将期望主波瓣的优化和干扰抑制同时进行，目标函数相当复杂，因此，严重的影响了算法的收敛速度，需要较高的计算量。2.对适应度函数中优化参数权值的选择非常敏感；遗传算法要达到最佳性能，所有参数权值必须同时取得最优值，即满足每个约束条件，要找到这样一组最优参数权值，将非常困难。

发明内容：

本发明的目的是为了克服现有基于遗传算法的阵列波束形成方法，存在适应度函数式过于复杂、计算量过大，及对适应度函数中优化参数权值的选择非常敏感，而使得最优权值的寻找非常困难的问题，进而提供了一种基于遗传算法的智能天线复合波束形成方法。它的复合算法步骤为：

第一步骤：计算出每个信号源的波达角；

第二步骤：根据自适应阵元分配原则，把现有阵元划分成增强期望子阵列和抵消干扰子阵列两部分；两部分的阵元个数分别为：m1，m2；且适应度函数分别为：

$\begin{array}{c}{\mathrm{fitness}}_2={\mathrm{\κ}}_2.\mathrm{abs}({\mathrm{SLL}}_0-{\mathrm{SLL}}_{\mathrm{des}})+{\mathrm{\κ}}_3.\frac{|{\mathrm{\θ}}_{\mathrm{BWFN}}-{\mathrm{\θ}}_{\mathrm{BWFN}\_\mathrm{des}}|}{180}\\ {\mathrm{fitness}}_1={\mathrm{\κ}}_1\·\frac{|{\mathrm{\θ}}_0-{\mathrm{\θ}}_{\mathrm{des}}|}{180}+{\mathrm{\κ}}_4\mathrm{\Σabs}({\mathrm{NULL}}_{{\mathrm{\θ}}_i}-{\mathrm{NULL}}_{\mathrm{des}\_{\mathrm{\θ}}_i});\end{array}$

上述公式中θ₀为计算波达角，θ_des为期望信号的波达角；SLL₀为计算最大相对旁瓣电平，SLL_des为设计最大相对旁瓣电平；NULL_θi为干扰方向θ_i的计算零陷值，NULL_{des_θi}为干扰方向θ_i的期望零陷值；θ_BWFN，θ_{BWFN_des}分别为计算3dB波束宽度和设计3dB波束宽度；κ₁κ₂κ₃κ₄为权值系数，作用是调整每个参数变化对于目标函数的贡献；

第三步骤：将增强期望子阵列的阵元和抵消干扰子阵列的阵元分别由各自的优化遗传算法形成各自的波束赋形；从而得到两个子阵列的优化权值向量，且权值向量分别为w₁，w₂；

第四步骤：对增强期望子阵列和抵消干扰子阵列两部分权卷积复合得到最终复合权，即w＝w₁*w₂；其中复合权向量的维数为：m1+m2-1；

第五步骤：根据公式：

$f\left(\mathrm{\θ}\right)=\underset{i=1}{\overset{m1+m2-1}{\mathrm{\Σ}}}{w}_i{e}^{-\mathrm{j\βi\Δ}x\sin \mathrm{\θ}},$

得到阵列复合波束图；其中，w_i为复合权向量中的第i个元素；β为相位传播因子，β＝2π/λ，λ代表波长，Δx代表阵元距离差，θ为波达角。

本发明能降低其参数权值选择的复杂度，能容易的找出设计波束图所对应的一组最优权值(如图1)，并具有计算量小、简单、实用的优点。

附图说明：

图1是本发明复合算法生成的波束与现有算法生成的波束之间的比较图。

具体实施方式：

具体实施方式一：它的复合算法步骤为：

第一步骤：计算出每个信号源的波达角；

第二步骤：根据自适应阵元分配原则，把现有阵元划分成增强期望子阵列和抵消干扰子阵列两部分；两部分的阵元个数分别为：m1，m2；且适应度函数分别为：

$\begin{array}{c}{\mathrm{fitness}}_2={\mathrm{\κ}}_2.\mathrm{abs}({\mathrm{SLL}}_0-{\mathrm{SLL}}_{\mathrm{des}})+{\mathrm{\κ}}_3.\frac{|{\mathrm{\θ}}_{\mathrm{BWFN}}-{\mathrm{\θ}}_{\mathrm{BWFN}\_\mathrm{des}}|}{180}\\ {\mathrm{fitness}}_1={\mathrm{\κ}}_1\·\frac{|{\mathrm{\θ}}_0-{\mathrm{\θ}}_{\mathrm{des}}|}{180}+{\mathrm{\κ}}_4\mathrm{\Σabs}({\mathrm{NULL}}_{{\mathrm{\θ}}_i}-{\mathrm{NULL}}_{\mathrm{des}\_{\mathrm{\θ}}_i});\end{array}$

上述公式中θ₀为计算波达角，θ_des为期望信号的波达角；SLL₀为计算最大相对旁瓣电平，SLL_des为设计最大相对旁瓣电平；NULL_θi为干扰方向θ_i的计算零陷值，NULL_{des_θi}为干扰方向θ_i的期望零陷值；θ_BWFN，θ_{BWFN_des}分别为计算3dB波束宽度和设计3dB波束宽度；κ₁κ₂κ₃κ₄为权值系数，作用是调整每个参数变化对于目标函数的贡献；

第三步骤：将增强期望子阵列的阵元和抵消干扰子阵列的阵元分别由各自的优化遗传算法形成各自的波束赋形；从而得到两个子阵列的优化权值向量，且权值向量分别为w₁，w₂；

第四步骤：对增强期望子阵列和抵消干扰子阵列两部分权卷积复合得到最终复合权，即w＝w₁*w₂；其中复合权向量的维数为：m1+m2-1；

第五步骤：根据公式：

$f\left(\mathrm{\θ}\right)=\underset{i=1}{\overset{m1+m2-1}{\mathrm{\Σ}}}{w}_i{e}^{-\mathrm{j\βi\Δ}x\sin \mathrm{\θ}},$

得到阵列复合波束图；其中，w_i为复合权向量中的第i个元素；β为相位传播因子，β＝2π/λ，λ代表波长，Δx代表阵元距离差，θ为波达角。

具体实施方式二：在具体实施方式一的第二步骤中所述的自适应阵元分配原则为：

第一原则：分配增强期望子阵列(压低旁瓣)的原则为：主波瓣宽度和天线孔径长度的关系为：3dB波束宽度φ_3dB≈λ/L，其中λ为波长，L为天线孔径长度；当阵元间隔为λ/2，阵元个数为N，则L＝λ/2×N；

第二原则：分配抵消干扰子阵列的原则为：根据N+1个天线阵元数最大只能抑制N个干扰的原则，及遗传算法的收敛速度和鲁棒性的因素，选N+3个阵元长度来抑制N个干扰；

第三原则：考虑计算复杂度，在满足上述分配原则的前提下，使增强期望子阵列和抵消干扰子阵列两部分的阵元数相当，能更多的降低计算复杂度。

具体实施方式三：在具体实施方式一的第三步骤中所述的增强期望子阵列的优化遗传算法形成波束赋形的方法步骤为：

第一步骤：设阵元个数为m1，即变量个数为m1，初始化种群，实数编码，即随机产生N1个个体，这里N1为变量个数的2倍；

第二步骤：对种群根据适应度函数进行适应度检测；适应度函数为：

${\mathrm{fitness}}_2={\mathrm{\κ}}_2.\mathrm{abs}({\mathrm{SLL}}_0-{\mathrm{SLL}}_{\mathrm{des}})+{\mathrm{\κ}}_3.\frac{|{\mathrm{\θ}}_{\mathrm{BWFN}}-{\mathrm{\θ}}_{\mathrm{BWFN}\_\mathrm{des}}|}{180}$

第三步骤：选择，这里采用基于排序的选择机制，先将种群中的个体按照优劣降序排列；序号为i的个体被选中的概率为：

$p_i=\frac{1}{\mathrm{popsize}}+\mathrm{\α}\left(\mathrm{gen}\right)\frac{\mathrm{popsize}+1-2i}{\mathrm{popsize}(\mathrm{popsize}+1)},\mathrm{\α}\left(\mathrm{gen}\right)$

在这里是代数gen的分段不连续函数；为了防止早熟，在代数较低的时候，a(gen)值较小，当代数增加的时候，a(gen)值变大；

第四步骤：交叉，这里的交叉概率是自适应改变的；关系表达式为：

$p_c^{\left(\mathrm{gen}\right)}=p_c^{(\mathrm{gen}-1)}-(p_c^{\left(0\right)}-0.2)/\max \mathrm{gen},$

每个个体按照交叉概率进行算术交叉操作；

第五步骤：变异，这里的变异概率是自适应改变的，关系表达式为：

$p_m^{\left(\mathrm{gen}\right)}=p_m^{(\mathrm{gen}-1)}-\left({0.5-p}_m^{\left(0\right)}\right)/\max \mathrm{gen};$

每个个体按照变异概率进行变异操作，其中V_i″＝V_i′+M·d，这里M为任一指定数，V_i″、V_i′、d为m1维向量；

第六步骤：重复第二步骤到第五步骤，直到满足条件，即是否满足最高设计旁瓣电平、主瓣宽度值。

具体实施方式四：在具体实施方式一的第三步骤中所述的抵消干扰子阵列的优化遗传算法形成波束赋形的方法步骤：

第一步骤：设阵元个数为m2，即变量个数为m2，初始化种群，实数编码，即随机产生N2个个体，这里N2为变量个数的2倍；

第二步骤：对种群根据适应度函数进行适应度检测；适应度函数为：

${\mathrm{fitness}}_1={\mathrm{\κ}}_1\·\frac{|{\mathrm{\θ}}_0-{\mathrm{\θ}}_{\mathrm{des}}|}{180}+{\mathrm{\κ}}_4\mathrm{\Σabs}({\mathrm{NULL}}_{{\mathrm{\θ}}_i}-{\mathrm{NULL}}_{\mathrm{des}\_{\mathrm{\θ}}_i})$

第三步骤：选择，这里采用基于排序的选择机制，先将种群中的个体按照优劣降序排列；序号为i的个体被选中的概率为：

$p_i=\frac{1}{\mathrm{popsize}}+\mathrm{\α}\left(\mathrm{gen}\right)\frac{\mathrm{popsize}+1-2i}{\mathrm{popsize}(\mathrm{popsize}+1)},\mathrm{\α}\left(\mathrm{gen}\right)$

在这里是代数gen的分段不连续函数；为了防止早熟，在代数较低的时候，a(gen)值较小，当代数增加的时候，a(gen)值变大；

第四步骤：交叉，这里的交叉概率是自适应改变的；关系表达式为：

$p_c^{\left(\mathrm{gen}\right)}=p_c^{(\mathrm{gen}-1)}-(p_c^{\left(0\right)}-0.2)/\max \mathrm{gen},$

每个个体按照交叉概率进行算术交叉操作；

第五步骤：变异，这里的变异概率是自适应改变的，关系表达式为：

$p_m^{\left(\mathrm{gen}\right)}=p_m^{(\mathrm{gen}-1)}-\left({0.5-p}_m^{\left(0\right)}\right)/\max \mathrm{gen};$

每个个体按照变异概率进行变异操作，其中V_i″＝V_i′+M·d，这里M为任一指定数，V_i″、V_i′、d为m2维向量；；

第六步骤：重复第二步骤到第五步骤，直到满足条件，即是否满足零陷设计深度。

Claims (4)

1、基于遗传算法的智能天线复合波束形成方法，其特征在于它的复合算法步骤为：

第一步骤：计算出每个信号源的波达角；

第二步骤：根据自适应阵元分配原则，把现有阵元划分成增强期望子阵列和抵消干扰子阵列两部分；两部分的阵元个数分别为：m1，m2；且适应度函数分别为：

$\begin{array}{c}{\mathrm{fitness}}_2={\mathrm{\κ}}_2\·\mathrm{abs}({\mathrm{SLL}}_0-{\mathrm{SLL}}_{\mathrm{des}})+{\mathrm{\κ}}_3\·\frac{{|\mathrm{\θ}}_{\mathrm{BWFN}}-{\mathrm{\θ}}_{\mathrm{BWFN}\_\mathrm{des}}|}{180}\\ {\mathrm{fitness}}_1={\mathrm{\κ}}_1\·\frac{{|\mathrm{\θ}}_0-{\mathrm{\θ}}_{\mathrm{des}}|}{180}+{\mathrm{\κ}}_4\mathrm{\Σabs}(\mathrm{NUL}{L}_{{\mathrm{\θ}}_i}-{\mathrm{NULL}}_{\mathrm{des}\_{\mathrm{\θ}}_i});\end{array},$

上述公式中θ₀为计算波达角，θ_des为期望信号的波达角；SLL₀为计算最大相对旁瓣电平，SLL_des为设计最大相对旁瓣电平；NULL_θi为干扰方向θ_i的计算零陷值，NULL_{des_θi}为干扰方向θi的期望零陷值；B_WFN，θ_{BWFN_des}分别为计算3dB波束宽度和设计3dB波束宽度；κ₁κ₂κ₃κ₄为权值系数，作用是调整每个参数变化对于目标函数的贡献；

第三步骤：将增强期望子阵列的阵元和抵消干扰子阵列的阵元分别由各自的优化遗传算法形成各自的波束赋形；从而得到两个子阵列的优化权值向量，且权值向量分别为w₁，w₂；

第四步骤：对增强期望子阵列和抵消干扰子阵列两部分权卷积复合得到最终复合权，即w＝w₁*w₂；其中复合权向量的维数为：m1+m2-1；

第五步骤：根据公式：

$f\left(\mathrm{\θ}\right)=\underset{i=1}{\overset{m1+m2-1}{\mathrm{\Σ}}}{w}_i{e}^{-\mathrm{j\βi\Δ}x\sin \mathrm{\θ}},$

得阵列复合波束图；其中，w_i为复合权向量中的第i个元素；β为相位传播因子，β＝2π/λ，λ代表波长，Δx代表阵元距离差，θ为波达角。

2、根据权利要求1所述的基于遗传算法的智能天线复合波束形成方法，其特征在于它的第二步骤中所述的自适应阵元分配原则为：

第一原则：分配增强期望子阵列的原则为：主波瓣宽度和天线孔径长度的关系为：3dB波束宽度φ_3dB≈λ/L，其中λ为波长，L为天线孔径长度；当阵元间隔为λ/2，阵元个数为N，则L＝λ/2×N；

第二原则：分配抵消干扰子阵列的原则为：根据N+1个天线阵元数最大只能抑制N个干扰的原则，及遗传算法的收敛速度和鲁棒性的因素，选N+3个阵元长度来抑制N个干扰；

第三原则：考虑计算复杂度，在满足上述分配原则的前提下，使增强期望子阵列和抵消干扰子阵列两部分的阵元数相当，能更多的降低计算复杂度。

3、根据权利要求1所述的基于遗传算法的智能天线复合波束形成方法，其特征在于它的第三步骤中所述的增强期望子阵列的优化遗传算法形成波束赋形的方法步骤为：

第一步骤：设阵元个数为m1，即变量个数为m1，初始化种群，实数编码，即随机产生N1个个体，这里N1为变量个数的2倍；

第二步骤：对种群根据适应度函数进行适应度检测；适应度函数为：

${\mathrm{fitness}}_2={\mathrm{\κ}}_2\·\mathrm{abs}({\mathrm{SLL}}_0-{\mathrm{SLL}}_{\mathrm{des}})+{\mathrm{\κ}}_3\·\frac{{|\mathrm{\θ}}_{\mathrm{BWFN}}-{\mathrm{\θ}}_{\mathrm{BWFN}\_\mathrm{des}}|}{180}$

第三步骤：选择，这里采用基于排序的选择机制，先将种群中的个体按照优劣降序排列；序号为i的个体被选中的概率为：

$p_i=\frac{1}{\mathrm{popsize}}+\mathrm{\α}\left(\mathrm{gen}\right)\frac{\mathrm{popsize}+1-2i}{\mathrm{popsize}(\mathrm{popsize}+1)},\mathrm{\α}\left(\mathrm{gen}\right)$

在这里是代数gen的分段不连续函数；为了防止早熟，在代数较低的时候，α(gen)值较小，当代数增加的时候，α(gen)值变大；

第四步骤：交叉，这里的交叉概率是自适应改变的；关系表达式为：

$p_c^{\left(\mathrm{gen}\right)}=p_c^{(\mathrm{gen}-1)}{-}^{(p_c^{\left(0\right)}-0.2)}/\max \mathrm{gen},$

每个个体按照交叉概率进行算术交叉操作；

第五步骤：变异，这里的变异概率是自适应改变的，关系表达式为：

$p_m^{\left(\mathrm{gen}\right)}=p_m^{(\mathrm{gen}-1)}{-}^{(0.5-p_m^{\left(0\right)})}/\max \mathrm{gen};$

每个个体按照变异概率进行变异操作，其中V_i″＝V_i′+M·d，这里M为任一指定数，V_i″、V_i′、d为m1维向量；

第六步骤：重复第二步骤到第五步骤，直到满足条件，即是否满足最高设计旁瓣电平、主瓣宽度值。

4、根据权利要求1所述的基于遗传算法的智能天线复合波束形成方法，其特征在于它的第三步骤中所述的抵消干扰子阵列的优化遗传算法形成波束赋形的方法步骤为：

第一步骤：设阵元个数为m2，即变量个数为m2，初始化种群，实数编码，即随机产生N2个个体，这里N2为变量个数的2倍；

第二步骤：对种群根据适应度函数进行适应度检测；适应度函数为：

${\mathrm{fitness}}_1={\mathrm{\κ}}_1\·\frac{{|\mathrm{\θ}}_0-{\mathrm{\θ}}_{\mathrm{des}}|}{180}+{\mathrm{\κ}}_4\mathrm{\Σabs}(\mathrm{NUL}{L}_{{\mathrm{\θ}}_i}-{\mathrm{NULL}}_{\mathrm{des}\_{\mathrm{\θ}}_i})$

第三步骤：选择，这里采用基于排序的选择机制，先将种群中的个体按照优劣降序排列；序号为i的个体被选中的概率为：

$p_i=\frac{1}{\mathrm{popsize}}+\mathrm{\α}\left(\mathrm{gen}\right)\frac{\mathrm{popsize}+1-2i}{\mathrm{popsize}(\mathrm{popsize}+1)},\mathrm{\α}\left(\mathrm{gen}\right)$

在这里是代数gen的分段不连续函数；为了防止早熟，在代数较低的时候，α(gen)值较小，当代数增加的时候，α(gen)值变大；

第四步骤：交叉，这里的交叉概率是自适应改变的；关系表达式为：

$p_c^{\left(\mathrm{gen}\right)}=p_c^{(\mathrm{gen}-1)}{-}^{(p_c^{\left(0\right)}-0.2)}/\max \mathrm{gen},$

每个个体按照交叉概率进行算术交叉操作；

第五步骤：变异，这里的变异概率是自适应改变的，关系表达式为：

$p_m^{\left(\mathrm{gen}\right)}=p_m^{(\mathrm{gen}-1)}{-}^{(0.5-p_m^{\left(0\right)})}/\max \mathrm{gen};$

每个个体按照变异概率进行变异操作，其中V_i″＝V_i′+M·d，这里M为任一指定数，V_i″、 V_i′、d为m2维向量；；

第六步骤：重复第二步骤到第五步骤，直到满足条件，即是否满足零陷设计深度。