一种平面阵列天线有源散射方向图预测方法
【专利摘要】本发明公开了一种平面阵列天线有源散射方向图预测方法，方法包括以下步骤：1)根据有源方向图法，将大型平面阵列的散射场划分为几个小型平面子阵列散射场；2）建立BP神经网络校正模型；所述BP神经网络校正模型结构分为三大层：输入层、隐含层、输出层；计算输出的误差；将输出结果与Δ的差值反向回传，根据误差梯度下降法依次修正权值的修正量；进行模型训练，网络达到收敛目标或者预定迭代次数即训练完成；运用基于训练后神经网络校正模型的有源方向图法，给出大型平面阵列的散射方向图。本发明通过神经网络这种优化算法对阵列天线传统的有源散射方向图预测方法进行优化，可较好的进行误差控制，为把握大型阵列天线的散射方向图提供预测手段。
【专利说明】一种平面阵列天线有源散射方向图预测方法
【技术领域】
[0001] 本发明涉及通信领域，尤其涉及一种平面阵列天线有源散射方向图预测方法。
【背景技术】
[0002] 预测阵列天线的散射方向图一般采用基于有限元、矩量法等数值算法进行预测。 然而对于较大型的平面阵列天线，数值算法所需要的计算时间和计算内存资源剧增，导致 往往难以给出散射方向图的预估。国内外有研宄者提出了一种基于小型阵列散射场推算的 大型阵列的有源方向图法，大大降低了算法对于计算时间和计算内存资源的需求。然而由 于该方法存在近似误差，使其计算结果误差相对较大。由于有源方向图法的近似误差属于 非线性误差，常规的线性误差消除办法和回归方法失效。如何控制这种近似误差成为实际 应用急需解决的难题。
【发明内容】
[0003] 本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于BP神经网 络误差控制技术的平面阵列天线有源散射方向图预测方法，通过神经网络这种优化算法对 阵列天线传统的有源散射方向图预测方法进行优化，可较好的进行误差控制，为把握大型 阵列天线的散射方向图提供预测手段。
[0004] 本发明解决其技术问题所采用的技术方案是：一种平面阵列天线有源散射方向图 预测方法，包括以下步骤：
[0005] 1)根据有源方向图法，将大型平面阵列的散射场划分为几个小型平面子阵列散射 场；
[0006] 2)建立BP神经网络校正模型；所述BP神经网络校正模型结构分为三大层：输入 层、隐含层、输出层；
[0007] 输入层为通过步骤1)计算的单站RCS理论值Theory，大型平面阵列的X方向阵元 数目Q，Z方向阵元数目N;
[0008] 该BP神经网络校正模型中：
[0009] χ」表示输入层第j个节点的输入，j = 1，…，M ;M为总节点（单元）数量；
[0010] 表示隐含层第i个节点到输入层第j个节点之间的权值；
[0011] θ i表示隐含层第i个节点的阈值；
[0012] Φ (X)表示隐含层的激励函数；
[0013] Wki表示输出层第k个节点到隐含层第i个节点之间的权值，i = 1，…，q ;
[0014] ak表示输出层第k个节点的阈值，k = 1，…，L ;
[0015] q，L为权重系数的个数值；可根据实际需求予以调节，最极端的Q = L = 1，即意 味着权重仅仅为1 ;
[0016] Φ (X)表示输出层的激励函数；
[0017] Ok表示输出层第k个节点的输出；
[0018] 3)计算输出的误差：
[0019]
【权利要求】
1. 一种平面阵列天线有源散射方向图预测方法，其特征在于包括以下步骤： 1) 根据有源方向图法，将大型平面阵列的散射场划分为几个小型平面子阵列散射场； 2) 建立BP神经网络校正模型；所述BP神经网络校正模型结构分为三大层：输入层、隐 含层、输出层； 输入层为通过步骤1)计算的单站RCS理论值Theory，大型平面阵列的X方向阵元数目 Q，Z方向阵元数目N ; 该BP神经网络校正模型中： Xj表示输入层第j个节点的输入，j = 1，…，M ;M为总节点（单元）数量； Wij表示隐含层第i个节点到输入层第j个节点之间的权值； Θ i表示隐含层第i个节点的阈值； Φ (X)表示隐含层的激励函数； Wki表示输出层第k个节点到隐含层第i个节点之间的权值，i = 1，…，q ; ak表示输出层第k个节点的阈值，k = 1，…，L ;， q，L为权重系数的个数值；可根据实际需求予以调节，最极端的Q = L=I,即意味着 权重仅仅为1 ; Φ (X)表示输出层的激励函数； Ok表示输出层第k个节点的输出； 3) 计算输出的误差：
4) 系统对P个训练样本的总误差准则函数为：
其中T/为计算的阵列天线单站RCS理论值； 5) 将输出结果与△的差值反向回传，根据误差梯度下降法依次修正输出层权值的 修正量Awki，输出层阈值的修正量Aa k，隐含层权值的修正量Awij，隐含层阈值的修正量 Δ θ?;其中Δ = Theory-Simulation，S卩理论计算值和相应HFSS仿真计算值的误差值Δ ;
6) 进行模型训练，网络达到收敛目标或者预定迭代次数即训练完成；通过训练数据的 训练，使神经网络映射理论计算值、阵元数目和理论值近似误差的关系。 7) 运用基于训练后神经网络校正模型的有源方向图，给出大型平面阵列的散射方向 图。
2. 根据权利要求1所述的预测方法，其特征在于，所述步骤6)中的收敛目标为le-8。
3. 根据权利要求1所述的预测方法，其特征在于，所述步骤6)中的预定迭代次数为 30000〇
【文档编号】G06N3/02GK104517035SQ201410801884
【公开日】2015年4月15日 申请日期:2014年12月22日 优先权日:2014年12月22日
【发明者】方重华, 赖奔, 谭辉, 刘其凤, 吴锋涛 申请人:中国舰船研究设计中心