【技术实现步骤摘要】
本专利技术涉及波束赋形，特别是涉及一种基于锥优化和深度学习的太赫兹平顶波束赋形方法与装置。
技术介绍
1、平顶波束指形成一种顶部均匀平坦的波束，这种波束在无线能量传输中能够保证接收端收到的功率密度在一定范围内呈现均匀，从而提高接受效率。平顶波束天线应用到卫星通信中，能够有效避免各个蜂窝区间的干扰，同时支持多星座通信。平顶波束一般采用阵列综合赋形的方法实现，即通过调节阵列中各个单元的相位和幅值，使其阵因子呈现矩形特性。
2、传统的波束赋形方法，比如伍德沃德（woodward）合成方法通过从预期远场方向图中选取特定角度上的离散点，逐步逼近实际辐射图，其显著优势在于具备生成无零点辐射图案的能力。泰勒（taylor）合成方法则侧重于优化线性源天线的辐射特性，确保天线的副瓣电平在半功率波束宽度附近保持近乎均匀的分布，同时在其他区域实现电平的有效减小。微扰法则基于已有的天线阵列参数，通过对天线单元间距、电流幅度和相位等因素进行细微调整，来逼近所需的辐射特性，并据此构建新的天线阵列配置。当涉及到大量阵元时，这些传统综合方法通常还能提供较为满意的结果。然而，在阵元数量有限或者所需方向图复杂度较高的情况下，这些方法可能无法精确实现预期效果，导致严重 的综合误差。
3、近年来，利用智能优化算法来实现平顶波束天线综合算法也被广泛研究。其中，利用粒子群优化-遗传算法来进行平顶波束赋形优化，可以避免粒子群优化算法容易陷入局部最优解，引入了遗传算法增强种群的遗传多样性。
4、然而，如果天线阵元过多，将会导致搜索解空间变大
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种计算精度高，计算时间快的基于锥优化和深度学习的太赫兹平顶波束赋形方法与装置。
2、一种基于锥优化和深度学习的太赫兹平顶波束赋形方法，所述方法包括：
3、获取波束赋形参数；
4、构建锥优化模型，并设定锥约束条件；
5、基于所述锥约束条件，采用锥优化模型对所述波束赋形参数进行求解，得到单波束激励向量；
6、将各所述单波束激励向量对应的阵因子权重线性叠加，得到平顶波束辐射方向图；
7、将所述平顶波束辐射方向图输入预先训练好的神经网络模型中，得到阵因子激励向量；
8、所述锥约束条件为：
9、将优化向量与波约束条件计算得到的虚部和实部组成向量拼接在一起，计算拼接后的向量的欧几里德范数，得到新的扩展向量；
10、计算新的扩展向量的欧几里德范数，且新的扩展向量的欧几里德范数小于或等于约束值；
11、所述锥优化模型的目标为最小化目标函数关于优化变量的线性组合，并在优化过程中设置二阶锥约束条件、线性等式约束条件及优化变量的上下约束范围。
12、一种基于锥优化和深度学习的太赫兹平顶波束赋形装置，所述装置包括：
13、参数获取模块，用于获取波束赋形参数；
14、模型构建模块，用于构建锥优化模型，并设定锥约束条件；
15、单波束优化模块，用于基于所述锥约束条件，采用锥优化模型对所述波束赋形参数进行求解，得到单波束激励向量；
16、方向图获取模块，用于将各所述单波束激励向量对应的阵因子权重线性叠加，得到平顶波束辐射方向图；
17、阵因子激励向量获取模块，用于将所述平顶波束辐射方向图输入预先训练好的神经网络模型中，得到阵因子激励向量；
18、其中，所述单波束优化模块中，所述锥约束条件为：
19、将优化向量与波约束条件计算得到的虚部和实部组成向量拼接在一起，计算拼接后的向量的欧几里德范数，得到新的扩展向量；
20、计算新的扩展向量的欧几里德范数，且新的扩展向量的欧几里德范数小于或等于约束值；
21、所述锥优化模型的目标为最小化目标函数关于优化变量的线性组合，并在优化过程中设置二阶锥约束条件、线性等式约束条件及优化变量的上下约束范围。
22、上述基于锥优化和深度学习的太赫兹平顶波束赋形方法与装置，通过获取波束赋形参数；构建锥优化模型，并设定锥约束条件；然后基于锥约束条件，采用锥优化模型对波束赋形参数进行求解，得到单波束激励向量；将各单波束激励向量对应的阵因子权重线性叠加，得到平顶波束辐射方向图；将平顶波束辐射方向图输入预先训练好的神经网络模型中，得到阵因子激励向量。本专利技术通过两层优化的方式，第一层利用构建的锥优化模型得到满足锥约束条件的单波束激励向量，以形成单波束方向图，然后通过阵因子权重叠加产生平顶波束的辐射方向图；第二层则利用预先训练好的神经网络模型，可以更加快速地获得满足目标方向图的阵因子激励向量，这在实际工程应用中有非常重要的意义，能够快速根据不同场景来生成目标方向图对应的阵因子激励向，从而进行平顶波束的赋形。
23、相较于传统的平顶波束赋形技术，本专利技术优化解空间小，不需要设置大量的优化变量，精度高，计算时间快，具有较好的时效性，想要获得指向性不同的平顶波束，只需要改变叠加的角度即可，灵活性更强。
本文档来自技高网...【技术保护点】
1.一种基于锥优化和深度学习的太赫兹平顶波束赋形方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于锥优化和深度学习的太赫兹平顶波束赋形方法，其特征在于，所述波束赋形参数包括主瓣角度、副瓣控制范围及峰值副瓣水平。
3.根据权利要求2所述的基于锥优化和深度学习的太赫兹平顶波束赋形方法，其特征在于，对获取的所述波束赋形参数进行矩阵形式转换，包括：
4.根据权利要求3所述的基于锥优化和深度学习的太赫兹平顶波束赋形方法，其特征在于，所述锥优化模型的目标为最小化目标函数关于优化变量的线性组合，并在优化过程中设置二阶锥约束条件、线性等式约束条件及优化变量的上下约束范围，表达式为：
5.根据权利要求1至4任一项所述的基于锥优化和深度学习的太赫兹平顶波束赋形方法，其特征在于，将优化向量与波约束条件计算得到的虚部和实部组成向量拼接在一起，计算拼接后的向量的欧几里德范数，得到新的扩展向量；计算新的扩展向量的欧几里德范数，且新的扩展向量的欧几里德范数小于或等于约束值，表达式为：
6.根据权利要求1至4任一项所述的基于锥优化和深度学习
7.根据权利要求6所述的基于锥优化和深度学习的太赫兹平顶波束赋形方法，其特征在于，所述卷积层为5层，所述全连接层为3层。
8.根据权利要求7所述的基于锥优化和深度学习的太赫兹平顶波束赋形方法，其特征在于，各所述卷积层按照滤波尺寸递增的方式排列。
9.根据权利要求6所述的基于锥优化和深度学习的太赫兹平顶波束赋形方法，其特征在于，所述阵因子激励向量包括实数向量和虚数向量。
10.一种基于锥优化和深度学习的太赫兹平顶波束赋形装置，其特征在于，所述装置包括：
...【技术特征摘要】
1.一种基于锥优化和深度学习的太赫兹平顶波束赋形方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于锥优化和深度学习的太赫兹平顶波束赋形方法，其特征在于，所述波束赋形参数包括主瓣角度、副瓣控制范围及峰值副瓣水平。
3.根据权利要求2所述的基于锥优化和深度学习的太赫兹平顶波束赋形方法，其特征在于，对获取的所述波束赋形参数进行矩阵形式转换，包括：
4.根据权利要求3所述的基于锥优化和深度学习的太赫兹平顶波束赋形方法，其特征在于，所述锥优化模型的目标为最小化目标函数关于优化变量的线性组合，并在优化过程中设置二阶锥约束条件、线性等式约束条件及优化变量的上下约束范围，表达式为：
5.根据权利要求1至4任一项所述的基于锥优化和深度学习的太赫兹平顶波束赋形方法，其特征在于，将优化向量与波约束条件计算得到的虚部和实部组成向量拼接在一起，计算拼接后的向量的欧几...
【专利技术属性】
技术研发人员：杨琪，王宏强，易俊，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。