【技术实现步骤摘要】
本申请涉及计算机，特别涉及一种阵列天线故障诊断方法、装置、电子设备和存储介质。
技术介绍
1、在5g通信和其他要求严格的通信领域，通常要求天线要有高增益、好方向性、窄的波束带宽，通常单个天线难以达到这些要求。根据电磁波的叠加干涉特性，将同样类型的天线按照一定的排列规则排列起来，从而产生符合需求的辐射模式，这种将多个天线按照规则排列的方式被称为阵列天线。为了得到更好的方向图或是为了达到更适合需求的辐射模式，如今的天线阵列越来越大型化，阵列中阵元数量也越来越多，通常有成百上千个辐射阵元，在天线阵中，一些阵元会因为设计与制作工艺不完善、使用时间太长导致老化或是长时间处在恶劣的工作环境等原因而造成损坏，成为失效单元。日益大型化的阵列天线常会因为失效单元的存在而出现性能削弱，因此及时准确地获知阵列中的故障天线，从而避免阵列性能的恶化成为了当务之急。
2、相关技术中常用的阵列诊断方法包括反向传播算法和矩阵算法，反向传播算法和矩阵算法进行阵列诊断都需要满足奈奎斯特-香农采样定理，其在进行阵列诊断时对测量点的要求较高。然而由于阵列天线中的阵元个数随着对天线的高增益、窄宽带的要求提高而越来越多，使得阵列天线诊断需要的测量点更多，需要大量的时间和成本。
技术实现思路
1、本申请实施例提供一种阵列天线故障诊断方法、装置、电子设备和存储介质，基于压缩感知理论，只需从阵列天线中测量少量天线阵元，便能够以较高精度重构出整个阵列天线，并在阵列天线中定位出故障天线阵元。
2、第一方面，本申
3、根据本申请实施例的第一方面，对测量向量、稀疏基矩阵和观测矩阵进行计算，得到稀疏列向量的重构估计值，包括：基于稀疏基矩阵和观测矩阵，确定传感矩阵；根据测量向量、传感矩阵和稀疏列向量进行计算，得到稀疏列向量的重构估计值。
4、根据本申请实施例的第一方面，稀疏列向量服从均值为0的高斯先验分布；根据测量向量、传感矩阵和稀疏列向量进行计算，得到稀疏列向量的重构估计值，包括：向测量向量添加噪声向量，噪声向量为加性高斯白噪声；基于噪声向量、传感矩阵和稀疏列向量，确定稀疏列向量的后验概率；基于稀疏列向量的后验概率，确定稀疏列向量服从的高斯分布函数，以及与高斯分布函数对应的目标均值和目标方差；在目标均值满足目标收敛条件的情况下，根据目标均值确定稀疏列向量的重构估计值。
5、根据本申请实施例的第一方面，基于噪声向量、传感矩阵和稀疏列向量，确定稀疏列向量的后验概率，包括：对稀疏列向量采用贝叶斯准则进行估计，得到测量向量的似然函数；确定高斯先验分布的方差倒数满足伽马先验条件的概率为目标概率；对目标概率进行积分，得到稀疏列向量的先验概率；基于似然函数和先验概率，确定稀疏列向量的后验概率。
6、根据本申请实施例的第一方面，目标均值的表达式为：目标方差的表达式为：其中，μ为目标均值，∑为目标方差，σ2为噪声向量的方差，a为传感矩阵，at为传感矩阵的转置矩阵，s为稀疏列向量，λ＝diag(α1,α2,...,αn)，αj为高斯先验分布的方差倒数,1≤j≤n。
7、根据本申请实施例的第一方面，在目标均值满足目标收敛条件的情况下，根据目标均值确定稀疏列向量的重构估计值之前，方法还包括：使用最大似然估计法对目标参数进行估计，对稀疏列向量进行积分，确定目标参数的边缘对数似然函数；其中，目标参数包括噪声向量的方差和高斯先验分布的方差倒数；使用期望最大化算法对边缘对数似然函数进行计算，确定目标参数的点估计；基于目标参数的点估计，对目标均值进行迭代，确定第i+1次迭代对应的目标均值和第i次迭代对应的目标均值的差值小于目标阈值为目标收敛条件。
8、根据本申请实施例的第一方面，基于目标参数的点估计，对目标均值进行迭代，确定第i+1次迭代对应的目标均值和第i次迭代对应的目标均值的差值小于目标阈值为目标收敛条件，包括：基于目标参数的点估计、目标均值和目标方差，计算第i次迭代对应的目标均值和目标方差；根据第i次迭代对应的目标均值和目标方差，以及目标参数的点估计，确定第i+1次迭代对应的目标参数；基于第i+1次迭代对应的目标参数，计算第i+1次迭代对应的目标均值和目标方差；确定第i+1次迭代对应的目标均值和第i次迭代对应的目标均值的差值小于目标阈值为目标收敛条件。
9、根据本申请实施例的第一方面，目标参数中的高斯先验分布的方差倒数的点估计表达式如下：目标参数中的噪声向量的方差的点估计表达式如下：其中，γn为1-αnσnn，σnn为目标方差中第n行第n列对应的元素，i为迭代次数，k为稀疏列向量中非零元素的个数。
10、第二方面，本申请实施例提供了一种阵列天线故障诊断装置，该阵列天线故障诊断装置包括获取模块，用于获取待测阵列天线的阵列信号；表示模块，用于基于稀疏基矩阵，对阵列信号进行稀疏化表示，得到满足压缩感知条件的稀疏列向量；降维模块，用于基于观测矩阵对阵列信号进行降维处理，得到测量向量，其中，观测矩阵和稀疏基矩阵具有非相关性；计算模块，用于对测量向量、稀疏基矩阵和观测矩阵进行计算，得到稀疏列向量的重构估计值；确定模块，用于根据稀疏基矩阵和重构估计值，确定阵列信号，还用于基于阵列信号，确定待测阵列天线中的故障天线。
11、第三方面，本申请实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，程序被处理器执行时实现前述第一方面中的阵列天线故障诊断方法。
12、第四方面，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储程序或指令，程序或指令被处理器执行时实现前述第一方面中的阵列天线故障诊断方法的步骤。
13、本申请实施例提供的一种阵列天线故障诊断方法、装置、电子设备和存储介质，利用故障阵元远小于正常阵元的先验知识，只需从阵列天线中测量少量天线阵元，基于压缩感知对数据进行稀疏重构，对阵列信号进行稀疏化表示，得到满足压缩感知条件的稀疏列向量，并运用贝叶斯统计方法求解基于压缩感知构造的欠定方程，得到稀疏列向量的后验概率的收敛均值，该收敛均值能够直接作为稀疏列向量的重构估计值，进而解得原阵列信号。本申请中的测量点数不受限于奈奎斯特采样定理，用较少的测量点便能够定位全部故障阵元位置，故障天线诊断的时间短、效率高。
本文档来自技高网...【技术保护点】
1.一种阵列天线故障诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的阵列天线故障诊断方法，其特征在于，所述对所述测量向量、所述稀疏基矩阵和所述观测矩阵进行计算，得到所述稀疏列向量的重构估计值，包括：
3.根据权利要求2所述的阵列天线故障诊断方法，其特征在于，所述稀疏列向量服从均值为0的高斯先验分布；所述根据所述测量向量、所述传感矩阵和所述稀疏列向量进行计算，得到所述稀疏列向量的重构估计值，包括：
4.根据权利要求3所述的阵列天线故障诊断方法，其特征在于，所述基于所述噪声向量、所述传感矩阵和所述稀疏列向量，确定所述稀疏列向量的后验概率，包括：
5.根据权利要求3所述的阵列天线故障诊断方法，其特征在于，
6.根据权利要求3所述的阵列天线故障诊断方法，其特征在于，
7.根据权利要求6所述的阵列天线故障诊断方法，其特征在于，所述基于所述目标参数的点估计，对目标均值进行迭代，确定第i+1次迭代对应的目标均值和第i次迭代对应的目标均值的差值小于目标阈值为所述目标收敛条件，包括：
8.根据权利要求
9.一种阵列天线故障诊断装置，其特征在于，包括：
10.一种电子设备，其特征在于，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1至8中任一项所述的阵列天线故障诊断方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1至8任一项所述的方法的步骤。
...【技术特征摘要】
1.一种阵列天线故障诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的阵列天线故障诊断方法，其特征在于，所述对所述测量向量、所述稀疏基矩阵和所述观测矩阵进行计算，得到所述稀疏列向量的重构估计值，包括：
3.根据权利要求2所述的阵列天线故障诊断方法，其特征在于，所述稀疏列向量服从均值为0的高斯先验分布；所述根据所述测量向量、所述传感矩阵和所述稀疏列向量进行计算，得到所述稀疏列向量的重构估计值，包括：
4.根据权利要求3所述的阵列天线故障诊断方法，其特征在于，所述基于所述噪声向量、所述传感矩阵和所述稀疏列向量，确定所述稀疏列向量的后验概率，包括：
5.根据权利要求3所述的阵列天线故障诊断方法，其特征在于，
6.根据权利要求3所述的阵列天线故障诊断方法，其特...
【专利技术属性】
技术研发人员：张国鑫，张乐，傅强，费新，蒋顺吉，
申请(专利权)人：中移物联网有限公司，
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。