一种平面阵列天线有源散射方向图预测方法

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。

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_j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_ij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；w_ki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_k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_k表示输出层第k个节点的输出；3)计算输出的误差：$o_k=\psi \left({\mathrm{net}}_k\right)=\psi (\underset{i=1}{\overset{q}{\Sigma }}{w}_{\mathrm{ki}}{y}_i+a_k)=\psi (\underset{i=1}{\overset{q}{\Sigma }}{w}_{\mathrm{ki}}\phi (\underset{j=1}{\overset{M}{\Sigma }}{w}_{\mathrm{ij}}{x}_j+{\theta }_i)+a_k);$4)系统对P个训练样本的总误差准则函数为：其中T_k^p为计算的阵列天线单站RCS理论值；5)将输出结果与Δ的差值反向回传，根据误差梯度下降法依次修正输出层权值的修正量Δw_ki，输出层阈值的修正量Δa_k，隐含层权值的修正量Δw_ij，隐含层阈值的修正量Δθ_i；其中Δ＝Theory‑Simulation，即理论计算值和相应HFSS仿真计算值的误差值Δ；$\Delta w_{\mathrm{ki}}=\eta \underset{p=1}{\overset{P}{\Sigma }}\underset{k=1}{\overset{L}{\Sigma }}({T_k}^p-{o_k}^p)·{\psi }^{\prime }\left({\mathrm{net}}_k\right)·y_i$$\Delta a_k=\eta \underset{p=1}{\overset{P}{\Sigma }}\underset{k=1}{\overset{L}{\Sigma }}({T_k}^p-{o_k}^p)·{\psi }^{\prime }\left({\mathrm{net}}_k\right)$$\Delta w_{\mathrm{ij}}=\eta \underset{p=1}{\overset{P}{\Sigma }}\underset{k=1}{\overset{L}{\Sigma }}(T_k^p-o_k^p)·{\psi }^{\prime }\left({\mathrm{net}}_k\right)·w_{\mathrm{ki}}·{\phi }^{\prime }\left({\mathrm{net}}_i\right)·x_j$$\Delta {\theta }_i=\eta \underset{p=1}{\overset{P}{\Sigma }}\underset{k=1}{\overset{L}{\Sigma }}(T_k^p-o_k^p)·{\psi }^{\prime }\left({\mathrm{net}}_k\right)·w_{\mathrm{ki}}·{\phi }^{\prime }\left({\mathrm{net}}_i\right);$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。