一种基于神经网络算法的阵列天线方向图综合方法技术

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】

本专利技术涉及的是移动通信天线

技术介绍
阵列天线方向图综合技术应用于带有精密信号处理器的任何天线阵，它可以调整或自适应其波束方向图，目的是增强感兴趣的信号和减小干扰信号，还能够减轻多径效应的不利影响，它是智能天线的研究领域之一。随着社会信息交流的急剧增加、个人移动通信的迅速普及，频谱已成为越来越宝贵的资源，而智能天线采用空分多址技术，利用信号传播方向上的差别，通过调节各阵元信号的加权幅度和相位来改变阵列天线方向图，从而抑制干扰，提高信噪比、系统容量和允许的信号带宽，有效节约频谱和功率等资源。天线阵系统的方向图是依靠各个振子的方向图的叠加而实现的，如果各个振子的电压激励的幅值和相位有所变化，那么该智能天线系统所要对应的方向图也会发生变化。在移动通信应用中，很多时候基站是相对固定的，而终端是移动的；为了维持他们之间良好的无线信道，保证链路的正常工作，就要求智能天线的主瓣能够时刻的跟踪终端，也就是说智能天线系统的方向图要随着用户的位置变化来做自我的调整。本专利技术利用最短的时间内找到一个矢量，使得它所对应的天线方向图的主瓣对准用户的方向。本专利技术主要利用智能算法实现直线阵天线方向图综合，神经网络算法有很强的容错和函数逼近能力，利用多组理想的方向图样本数据训练径向基神经网络，训练网络时非线性映射的自变量和因变量，分别是信号波达角的快照和阵元的最优权系数值，信号快照是随机选取的、大量的。网络训练好后，当输入不同角的波达角时，天线阵系统自适应的生成方向图。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提供一种基于神经网络算法的阵列天线方向图综合方法，该方法合成速度特别快，零陷电平低，主瓣突出，且方向图形状稳定。本专利技术的目的通过以下技术方案实现：一种基于神经网络算法的阵列天线方向图综合方法，包括：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=λg/2=λ2ϵr---(1)]]>根据天线的工作中心频率f＝1.8GHz，基片材料的介电常数εr＝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。所述快照次数K设为200，训练样本数目A设为800，所得输入样本数据为1600个，800个训练样本输入是通过随机取800组波达角得到的，利用共轭梯度算法得到800组复数权系数，以这些数据训练网络。所述隐节点数据中心学习系数为0.001，隐节点扩展常数学习系数为0.002，隐节点输出权值学习系数为0.005。所述天线阵阵元数设置为8，来波方向设置在[-π,π]之间。所述每组波达角中包括一个有用信号和三个干扰信号，并在每个信号中加入高斯噪声。本专利技术能容易找出最优权值，合成速度特别快，零陷电平低，主瓣突出，且方向图形状稳定。附图说明图1是三次仿真结果的鲁棒性检测值比较。图2是径向基神经网络结构示意图。图3是神经网络算法的阵列天线图综合流程图。图4是天线模型示意图。图5是直线天线阵示意图。具体实施方式具体实施方式一：一种基于神经网络算法的阵列天线方向图综合方法，具体包括以下步骤，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=λg/2=λ2ϵr---(1)]]>根据天线的工作中心频率f＝1.8GHz，基片材料的介电常数εr＝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。具体实施方式二：具体实施方式二与具体实施方式一的主要区别在于，首先快照次数K设为200，训练样本数目A设为800，由于A为复数，所以需分开成实部和虚部计算，这样输入样本数据1600个，期望输出为阵元的复数权系数的实部和虚部。这800个训练样本输入是通过随机取800组波达角得到的。利用共轭梯度算法得到800组复数权系数，以这些数据训练网络。在网络中最大训练次数为5000次。一般情况下，学习速率的选择倾向于选取较小的学习速率以保证系统的稳定性本文档来自技高网...

【技术保护点】
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=λg/2=λ2ϵr---(1)]]>根据天线的工作中心频率f＝1.8GHz，基片材料的介电常数εr＝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。...

【技术特征摘要】
1.一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=λg/2=λ2ϵr---(1)]]>根据天线的工作中心频率f＝1.8GHz，基片材料的介电常数εr＝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...

【专利技术属性】
技术研发人员：宗华，张赫，刘北佳，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23