主权项 |
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:x<sub>j</sub>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;w<sub>ij</sub>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<sub>i</sub>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;w<sub>ki</sub>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;a<sub>k</sub>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=1,即意味着权重仅仅为1;ψ(x)表示输出层的激励函数;O<sub>k</sub>表示输出层第k个节点的输出;3)计算输出的误差:<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><msub><mi>o</mi><mi>k</mi></msub><mo>=</mo><mi>ψ</mi><mrow><mo>(</mo><msub><mi>net</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>=</mo><mi>ψ</mi><mrow><mo>(</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>q</mi></munderover><msub><mi>w</mi><mi>ki</mi></msub><msub><mi>y</mi><mi>i</mi></msub><mo>+</mo><msub><mi>a</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>=</mo><mi>ψ</mi><mrow><mo>(</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>q</mi></munderover><msub><mi>w</mi><mi>ki</mi></msub><mi>φ</mi><mrow><mo>(</mo><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>M</mi></munderover><msub><mi>w</mi><mi>ij</mi></msub><msub><mi>x</mi><mi>j</mi></msub><mo>+</mo><msub><mi>θ</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>+</mo><msub><mi>a</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>;</mo></mrow>]]></math><img file="FDA0000639896500000011.GIF" wi="1429" he="241" /></maths>4)系统对P个训练样本的总误差准则函数为:<img file="FDA0000639896500000021.GIF" wi="773" he="227" />其中T<sub>k</sub><sup>p</sup>为计算的阵列天线单站RCS理论值;5)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输出层权值的修正量Δw<sub>ki</sub>,输出层阈值的修正量Δa<sub>k</sub>,隐含层权值的修正量Δw<sub>ij</sub>,隐含层阈值的修正量Δθ<sub>i</sub>;其中Δ=Theory‑Simulation,即理论计算值和相应HFSS仿真计算值的误差值Δ;<maths num="0002" id="cmaths0002"><math><![CDATA[<mrow><mi>Δ</mi><msub><mi>w</mi><mi>ki</mi></msub><mo>=</mo><mi>η</mi><munderover><mi>Σ</mi><mrow><mi>p</mi><mo>=</mo><mn>1</mn></mrow><mi>P</mi></munderover><munderover><mi>Σ</mi><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>L</mi></munderover><mrow><mo>(</mo><msup><msub><mi>T</mi><mi>k</mi></msub><mi>p</mi></msup><mo>-</mo><msup><msub><mi>o</mi><mi>k</mi></msub><mi>p</mi></msup><mo>)</mo></mrow><mo>·</mo><msup><mi>ψ</mi><mo>′</mo></msup><mrow><mo>(</mo><msub><mi>net</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>·</mo><msub><mi>y</mi><mi>i</mi></msub></mrow>]]></math><img file="FDA0000639896500000022.GIF" wi="780" he="150" /></maths><maths num="0003" id="cmaths0003"><math><![CDATA[<mrow><mi>Δ</mi><msub><mi>a</mi><mi>k</mi></msub><mo>=</mo><mi>η</mi><munderover><mi>Σ</mi><mrow><mi>p</mi><mo>=</mo><mn>1</mn></mrow><mi>P</mi></munderover><munderover><mi>Σ</mi><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>L</mi></munderover><mrow><mo>(</mo><msup><msub><mi>T</mi><mi>k</mi></msub><mi>p</mi></msup><mo>-</mo><msup><msub><mi>o</mi><mi>k</mi></msub><mi>p</mi></msup><mo>)</mo></mrow><mo>·</mo><msup><mi>ψ</mi><mo>′</mo></msup><mrow><mo>(</mo><msub><mi>net</mi><mi>k</mi></msub><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000639896500000023.GIF" wi="702" he="149" /></maths><maths num="0004" id="cmaths0004"><math><![CDATA[<mrow><mi>Δ</mi><msub><mi>w</mi><mi>ij</mi></msub><mo>=</mo><mi>η</mi><munderover><mi>Σ</mi><mrow><mi>p</mi><mo>=</mo><mn>1</mn></mrow><mi>P</mi></munderover><munderover><mi>Σ</mi><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>L</mi></munderover><mrow><mo>(</mo><msubsup><mi>T</mi><mi>k</mi><mi>p</mi></msubsup><mo>-</mo><msubsup><mi>o</mi><mi>k</mi><mi>p</mi></msubsup><mo>)</mo></mrow><mo>·</mo><msup><mi>ψ</mi><mo>′</mo></msup><mrow><mo>(</mo><msub><mi>net</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>·</mo><msub><mi>w</mi><mi>ki</mi></msub><mo>·</mo><msup><mi>φ</mi><mo>′</mo></msup><mrow><mo>(</mo><msub><mi>net</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>·</mo><msub><mi>x</mi><mi>j</mi></msub></mrow>]]></math><img file="FDA0000639896500000024.GIF" wi="1006" he="140" /></maths><maths num="0005" id="cmaths0005"><math><![CDATA[<mrow><mi>Δ</mi><msub><mi>θ</mi><mi>i</mi></msub><mo>=</mo><mi>η</mi><munderover><mi>Σ</mi><mrow><mi>p</mi><mo>=</mo><mn>1</mn></mrow><mi>P</mi></munderover><munderover><mi>Σ</mi><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>L</mi></munderover><mrow><mo>(</mo><msubsup><mi>T</mi><mi>k</mi><mi>p</mi></msubsup><mo>-</mo><msubsup><mi>o</mi><mi>k</mi><mi>p</mi></msubsup><mo>)</mo></mrow><mo>·</mo><msup><mi>ψ</mi><mo>′</mo></msup><mrow><mo>(</mo><msub><mi>net</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>·</mo><msub><mi>w</mi><mi>ki</mi></msub><mo>·</mo><msup><mi>φ</mi><mo>′</mo></msup><mrow><mo>(</mo><msub><mi>net</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>;</mo></mrow>]]></math><img file="FDA0000639896500000025.GIF" wi="1021" he="162" /></maths>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。 |