一种相控阵声纳系统换能器稀疏面阵优化方法

摘要

本发明提供了一种相控阵声纳系统换能器稀疏面阵优化方法，包括如下步骤:(1)初始化步骤、(2)模拟退火优化步骤、(3)教与学优化步骤和(4)终止步骤。本发明以阵列的主瓣宽度和旁瓣峰值等空间响应性能为约束条件，求解使稀疏面阵满足空间响应性能所需激活的最小换能器数目。本发明利用改进教与学优化算法对模拟退火算法所得可行解进行二次优化，具有更好的收敛速度和收敛精度，可获得全局最优解，利用尽量少的换能器工作，获得换能器面阵所需的空间响应性能，能够很好的降低相控阵成像声纳系统所需的硬件成本。

主权项

1.一种相控阵声纳系统换能器稀疏面阵优化方法，其特征在于，包括如下步骤：(1)初始化步骤：初始化换能器稀疏面阵中的换能器权重系数矩阵W、退火初始温度T、退火系数k_t、灭活概率Pi、激活概率Pa、最大迭代次数maxGen；所述换能器权重系数矩阵W是三维矩阵，包含Pz个M×N的个体矩阵W_i；其中Pz表示预先设定的班级种群规模，M和N表示换能器稀疏面阵两轴线方向的换能器数目，i代表班级种群个体序号i=1，2，……Pz；定义与第i个个体矩阵W_i相对应的系统能量函数E(W_i)，$E\left(W_i\right)={N_{\mathrm{ai}}}^2+k_1\left[\underset{(u,v)\in S}{\int \int }{(\frac{P(W_i,u,v)}{\max \left(P(W_i,u,v)\right)}-P_d)}^2\right]+k_2\frac{\mathrm{sign}(M-M_d)+1}{2}·{(M-M_d)}^2;$$P(W_i,u,v)=\left|\underset{i=1}{\overset{M}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}{w}_{\mathrm{ij}}\exp \left(\mathrm{j\pi }((i-\frac{M+1}{2})u+(j-\frac{N+1}{2})v)\right)\right|;$其中，N_ai表示W_i中激活的换能器数目，P_d表示最大旁瓣峰值阈值，M_d表示最大主波束宽度阈值，k₁表示最大旁瓣峰值的惩罚系数，k₂表示最大主波束宽度的惩罚系数；P(W_i，u，v)表示换能器稀疏阵列的远场空间响应，u，v分别表示波束方向单位矢量在x轴和y轴的分量；S表示旁瓣声压值大于最大旁瓣峰值阈值P_d的集合；令迭代次数gen的初始值为1；(2)模拟退火优化步骤：(2.1)从换能器权重系数矩阵W中随机选择一个个体矩阵W_i；(2.2)从W_i中随机选择任一个换能器权重系数w_mn，判断w_mn是否等于0，若是，则以激活概率Pa启动激活流程；否则，以灭活概率Pi启动灭活流程；(2.3)按照步骤(2.2)的方法，遍历W_i中的所有换能器权重系数，完成第i个个体矩阵W_i的模拟退火优化；(2.4)按照步骤(2.2)～(2.3)的方法，遍历换能器权重系数矩阵W中所有的个体矩阵W_i，完成Pz个个体矩阵W_i的模拟退火优化；(3)教与学优化步骤：(3.1)计算班级种群中所有个体矩阵W_i的能量值E(W_i)，并选择其中能量值最低的个体矩阵作为教师矩阵W_t，其余个体矩阵均作为学生矩阵W_s；(3.2)进行教师自学，具体包括：(3.2.1)令W_tn=W_t+0.1*rand(M,N)，其中rand(M,N)表示一个由M×N个0到1的随机数组成的二维矩阵；计算与W_tn对应的矩阵能量值E_tn，若E_tn小于W_t对应的能量值E_t，则令W_t=W_tn；否则，不做处理；(3.2.2)重复步骤(3.2.1)Pz-1次；(3.3)进行教师教学，具体包括：(3.3.1)随机选择一个学生矩阵W_s，令$W_{\mathrm{sn}}=W_s+\mathrm{rand}*(W_t-T_f*\overline{W_s}),$其中，$\overline{W_s}=\frac{1}{\mathrm{Pz}}\underset{i=1}{\overset{\mathrm{Pz}}{\Sigma }}{W}_i,$W_sn表示学习之后的个体矩阵，T_f表示教学系数；计算与W_sn对应的矩阵能量值E_sn，若E_sn小于W_s对应的能量值E_s，则令W_s=W_sn；否则，不做处理；(3.3.2)按照步骤(3.3.1)的方法遍历所有学生矩阵，完成所有学生矩阵向教师矩阵W_t的学习；(3.4)进行学生互相学习，具体包括：(3.4.1)随机选择两个学生矩阵W_si和W_sj，计算W_si和W_sj所对应的能量值分别为E_si和E_sj；若E_si<E_sj，则W_sj向W_si学习，即令W_nsj=W_sj+rand*(W_si-W_sj)；否则，学生矩阵W_si向W_sj学习，即令W_nsi=W_si+rand*(W_sj-W_si)；(3.4.2)若W_nsi对应的矩阵能量值E_nsi小于E_si，则令W_si=W_nsi；否则，不做处理；若W_nsj对应的矩阵能量值E_nsj小于E_sj，则令W_sj=W_nsj；否则，不做处理：(3.4.3)重复执行步骤(3.4.1)～(3.4.2)Pz次，使多个班级个体之间互相学习；(3.5)计算经过教与学优化之后的班级种群中所有个体的能量值E(W_i)，并得到班级种群中的最优个体能量值min(E(W_i))；(4)终止步骤：如果系统的最小能量值min(E(W_i))小于预定值E_objv，而且连续g次迭代中能量值最小的个体中激活换能器数目N_ai不发生变化时，优化过程终止；或者当前迭代次数达到最大迭代次数时，优化过程终止；其中，g为预先设定的收敛次数；否则，令gen=gen+1，T=T*k_t，返回步骤(2)进行模拟退火优化。