一种基于多层感知器网络的天线阵列辐射方向图高效优化合成方法

1.本发明涉及深度学习与天线阵列辐射方向图优化合成技术领域，尤其涉及基于多层感知器网络的天线阵列辐射方向图高效优化合成方法


背景技术：

2.阵列天线由于波束设计的灵活性而被广泛应用于雷达、通信、检测和成像等诸多领域。通过对天线元件的排布和激励信号的设计，阵列天线可以实现许多单一天线无法实现的优良性能，如更高的增益、更低的副瓣电平和多波束等。在过去的几十年里，许多阵列天线辐射远场方向图的优化合成方法的到了发展。根据这些方法的特点，可分为:数学优化综合方法、智能进化算法和凸优化算法。目前已有几种较为成熟的数学优化合成方法，如:woodward采样、chebyshev分布、taylor分布等，通过调整天线单元的激励信号来合成目标辐射远场方向图。这些数学优化综合方法一般适用于当天线阵列中天线单元均匀分布时，而在处理天线单元排布不均匀和目标辐射远场方向图复杂等问题时，这些方法在效率上没有优势。
3.智能进化算法对解决阵列天线优化合成问题具有很好的效果。虽然这些算法在处理复杂的优化问题时具有较强的鲁棒性，但当阵列天线数量较大时，会导致优化模型的参数增多，最终使得优化合成效率较低。同时，凸优化算法作为优化领域的另一个算法分支，在天线阵辐射远场方向图的优化合成中也得到了广泛的应用。然而，对于不同的问题，在凸算法框架中需要构造不同的凸模型，其灵活性受到限制。近年来，随着计算机技术的进步，机器学习技术也得到了迅速的发展。神经网络作为机器学习的主要技术，已被广泛研究和应用。这些机器学习方法在处理组合优化问题时表现良好。许多研究者受到了吸引，并逐渐开始采用机器学习技术来解决天线领域的问题。


技术实现要素：

4.针对在天线阵列远场辐射方向图优化合成上现有的计算方法存在效率较低、优化合成效果不理想、适用性不广等问题，本文提出了一种基于多层感知器网络的天线阵列辐射方向图的高效优化合成方法。
5.本发明提出了一种基于多层感知器网络的天线阵列辐射方向图的高效优化合成方法，包括以下几个步骤：步骤1：根据目标方向图的设计要求，对目标方向图的特征进行人工筛选，选择重要的特征参数输入多层感知器网络进行训练和学习。步骤2：根据目标方向图的要求，确定对应的多参数控制的掩膜函数，将其与感知器网络预测出的辐射方向图的差值作为损失函数以此来指导训练时梯度下降的方向。步骤3：根据需求确定多层感知器网络的层结构和参数，在输入目标方向图重要的特征参数后，输出对应阵列天线单元的幅度与相位信息。
6.进一步地，步骤1具体为：本专利为了减小多层感知器网络在输入数据中进行特征学习的难度，同时也是为了减小多层感知器网络输入参数的冗余进一步提高计算效率。因此，在设计多层感知器网络的输入参数时进行了人工选择。根据目标方向图的设计要求，选择主波束位置作为重要特征输入多层感知器网络进行训练和学习。
7.进一步地，步骤2具体为：本专利中由于辐射图形要求的多样性，设计一个通用方法来描述目标辐射方向图的各种要求。本专利设计了两个二维数据矩阵来重新定义所需的辐射远场方向图要求，分别命名为下掩模函数和上掩模函数。上掩模函数代表期望辐射方向图的上限约束，下掩模函数代表期望辐射方向图的下限约束。上掩模函数中存在若干控制参数，包括指向主波束方向控制副瓣电平sll，以及期望辐射方向图的主波束宽度θw。下掩模函数中则包括主波束的-3db宽度，期望辐射方向图电平的最小值l。根据目标远场辐射方向图确定了两种掩膜函数中的控制参数后，优化的目标被转化为在训练过程中多层感知器网络计算的幅度与相位合成的远场辐射方向图应该满足：上误差函数lossu以及下误差函数loss
l
是由训练过程中多层感知器网络计算的幅度与相位合成的远场辐射方向图与对应的掩膜函数的差值：与对应的掩膜函数的差值：在优化过程中，不同的注意力机制ν1、ν2被分配给上误差函数lossu以及下误差函数loss
l
：loss＝ν1·
lossu+ν2·
loss
l
8.进一步地，步骤3具体为：本专利中根据目标辐射远场方向图的具体需求来确定多层感知器网络的层结构和参数，在本发明中，放置了4个隐层，分别为4096、2048、2048和1024个感知单元，通过数据降维提取信息。第二层和第三层之间的相等映射为数据流计算提供了必要的缓冲作用，以避免信息崩溃。为了提高收敛速度，防止梯度消失，设置各层的激活函数为“relu”，但输出层的激活函数为“tanh”。在输入目标方向图重要的特征参数后，输出对应阵列天线单元的幅度与相位信息。以目标方向图重要的特征参数作为输入，将天线阵列单元的幅度与相位信息作为输出。
9.本发明的有益效果：本发明提出了一种基于多层感知器网络的天线阵列辐射方向图的高效优化合成方法。设计了多层感知网络的结构，与目标辐射方向图特征要求的描述策略。通过构建相应的上掩膜函数与下掩膜函数，不同的辐射远场方向图被成功优化合成。除此之外，掩模函数设计的灵活性使优化方法具有足够的灵活性，可以有效地处理任意需
求下的辐射远场方向图优化问题。该优化方法具有经典进化算法无法比拟的优点，可推广到雷达、通信、成像、近场分布设计等多参数控制的电磁场相干叠加问题。
附图说明
10.图1是本发明中基于多层感知器网络的天线阵列辐射方向图的高效优化合成方法的流程图
11.图2是本发明中掩膜函数的示意图
12.图3是本发明中多层感知器网络的结构
13.图4是本发明中仿真实验中所使用的天线阵列排布示意图。
14.图5时本发明中远场辐射方向图主波束位置在(50
°
,50
°
)的优化合成结果。
具体实施方式
15.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
16.如图1所示，本发明实施提供了一种基于多层感知器网络的天线阵列辐射方向图的高效优化合成方法，该方法包括以下步骤：s101、根据目标方向图的设计要求，对目标方向图的特征进行人工筛选，选择重要的特征参数输入多层感知器网络进行训练和学习；具体地，本专利为了减小多层感知器网络在输入数据中进行特征学习的难度，同时也是为了减小多层感知器网络输入参数的冗余进一步提高计算效率。因此，在设计多层感知器网络的输入参数时进行了人工选择。根据目标方向图的设计要求，选择主波束位置作为重要特征输入多层感知器网络进行训练和学习。s102、根据目标方向图的要求，确定对应的多参数控制的掩膜函数，将其与感知器网络预测出的辐射方向图的差值作为损失函数以此来指导训练时梯度下降的方向；具体地，本专利中由于辐射图形要求的多样性，设计一个通用方法来描述目标辐射方向图的各种要求。本专利设计了两个二维数据矩阵来重新定义所需的辐射模式要求，分别命名为下掩模函数和上掩模函数如图2所示。上掩模函数代表期望辐射方向图的上限约束，下掩模函数代表期望辐射方向图的下限约束。上掩模函数中存在若干控制参数，包括指向主波束方向控制副瓣电平sll，以及期望辐射方向图的主波束宽度θw。下掩模函数中则包括主波束的-3db宽度，期望辐射方向图电平的最小值l。根据目标远场辐射方向图确定了两种掩膜函数中的控制参数后，优化的目标被转化为在训练过程中多层感知器网络计算的幅度与相位合成的远场辐射方向图应该满足：上误差函数lossu以及下误差函数loss
l
是由训练过程中多层感知器网络计算的幅
度与相位合成的远场辐射方向图与对应的掩膜函数的差值：与对应的掩膜函数的差值：在优化过程中，不同的注意力机制ν1、ν2被分配给上误差函数lossu以及下误差函数loss
l
：loss＝ν1·
lossu+ν2·
loss
l
17.s103、根据需求确定多层感知器网络的层结构和参数，在输入目标方向图重要的特征参数后，输出对应阵列天线单元的幅度与相位信息，合成远场方向图的结果如图5中(a)、(b)所示。
18.具体地，本发明中所设计的多层感知器网络如图3所示，在本发明中，放置了4个隐层，分别为4096、2048、2048和1024个感知单元，通过数据降维提取信息。第二层和第三层之间的相等映射为数据流计算提供了必要的缓冲作用，以避免信息崩溃。为了提高收敛速度，防止梯度消失，设置各层的激活函数为“relu”，但输出层的激活函数为“tanh”。在输入目标方向图重要的特征参数后，输出对应阵列天线单元的幅度与相位信息。
19.仿真实验的设计分别平面阵列和共形阵列两种，如图4所示，(a)在xoy平面上，每个单元间距为半个波长的100个贴片天线单元均匀分布，(b)100个贴片天线单元在半球面上进行共形分布。优化合成的目标是在天线阵的上半空间内优化合成主波束方向为(50
°
,50
°
)、副瓣电平低于-20db辐射远场方向图。图5中(a)为平面阵列、(b)为共形阵列。最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。