一种基于神经网络算法的阵列天线方向图综合方法

摘要

本发明提供了一种基于神经网络算法的阵列天线方向图综合方法，以解决传统阵列天线方向图综合技术计算量大，计算时间长，最优权值的寻找非常困难的问题。所述的方法包括天线阵模型建立步骤、最优权值获取步骤以及天线阵列方向图生成步骤。本发明在阵列天线方向图综合技术中使用神经网络算法，经过训练的RBF神经网络可有效地用于阵列天线方向图综合，即利用神经网络算法实现阵列天线方向图综合，合成速度特别快，零陷电平低，主瓣突出，且方向图形状稳定。

主权项

一种基于神经网络算法的阵列天线方向图综合方法，其特征在于，天线阵模型建立步骤：N个COCO天线组成阵列，所述阵列包含N²个单极子天线，天线阵列采用均匀直线阵形式，天线阵元间距d≤λ，单元节边长为1/2介质波长：$a={\lambda }_g/2=\frac{\lambda }{2\sqrt{{ϵ}_r}}---\left(1\right)$根据天线的工作中心频率f＝1.8GHz，基片材料的介电常数ε_r＝2.56，为使正反面微带段错落有致，产生适合的传输模式和辐射模式，需a≈b；同时介质板长度L是介质板宽度W的6.5倍，其中b为贴片单元间隔；最优权值获取步骤：包括信息确定步骤、网络参数选择步骤、学习训练算法选择步骤、调整与获取步骤；信息确定步骤：将问题转化为网络所能表达的方式并能处理的形式，确定各节点的输入输出；用K均值聚类法计算各个样本中心，N为样本中心个数，即：先聚类，再按取值的方法求每类的样本中心，以所求的样本中心为隐含层单元；网络参数选择步骤：确定输入、输出神经元的数目、多层网络的层数和隐层神经元的数目，快照次数为K，训练样本数目为A，其中A为复数，分成实部和虚部计算，期望输出为阵元的复数权系数的实部和虚部，训练样本输入是通过随机取与训练样本数相同组的波达角得到的，复数权系数利用共轭梯度算法得到；期望误差的选取通过对两个不同的期望误差值的网络进行训练，从中确定一个网络；学习训练算法选择步骤：先进行初始化，然后利用径向基网络完成函数逼近，确定输入样本和期望输出，其中，天线阵K×N矩阵的快照A设为输入样本，各个阵元的权向量ω设为期望输出；对天线阵阵元数进行设置，确定来波方向，归一化后得到信号输入向量，实现信号输入向量到权向量的映射；调整与获取步骤：对聚类方法、隐节点数、隐节点数据中心学习系数、隐节点扩展常数学习系数及隐节点输出权值学习系数进行调整，完成训练后网络连接权得到确定，可直接利用网络来获取期望信号的最优权值；天线阵列方向图生成步骤：利用获取的最优权值对天线阵模型进行验证，从而生成天线阵列方向图。