[發明專利]一種采用知識和數據混合驅動的陣列天線設計方法

在審

• 申請號: 202210900482.0
• 申請日: 2022-07-28
• 公開（公告）號: CN115146544A
• 公開（公告）日: 2022-10-04
• 發明（設計）人: 無奇;王海明;余晨;陳煒琦;洪偉
• 申請（專利權）人: 東南大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06T7/11;G06F17/10
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 孫建朋

本發明公開了一種采用知識和數據混合驅動的陣列天線設計方法。該方法通過引入平面耦合區域分割和二維虛擬陣列擬合技術等先驗的電磁知識，結合機器學習等數據驅動的方法，成功實現了快速的二維陣列環境下的天線元單元的有源方向圖的建模，相較于傳統的機器學習輔助的建模方法，提升了模型的預測精度的同時降低了計算復雜度。在此基礎上，可以結合任意傳統的陣列天線設計方法實現快速、精確的考慮陣元間互耦和平臺效應的陣列天線設計。該方法可用于對不同類型的天線及天線陣列的建模及波束賦形設計、低副瓣設計、多波束設計領域。

技術領域

本發明屬于天線設計技術領域，尤其涉及一種采用知識和數據混合驅動的陣列天線設計方法。

背景技術

作為電磁場與微波技術、信號處理等專業所重點關注的研究問題，天線陣列的快速優化與設計一直是學術界試圖解決的熱點與難點。傳統的信號處理方法針對理想的天線單元，通過發展出不同的數學方法進行陣列綜合，雖然能在較短的時間內取得不錯的效果，卻往往因為未能考慮到實際應用中，天線單元間的互耦以及天線所處的設備平臺的電磁影響等問題，在全波仿真及實際使用時通常無法達到所設計的性能。近些年，出現了一些考慮互耦及平臺電磁影響的算法，但通常都只適用于固定天線單元位置時對天線單元幅相或旋轉角度的優化，很少能將天線單元位置作為優化參數進行考慮，從而大大限制了優化的性能。其原因在于若將天線單元位置作為優化參數，則陣元的有源方向圖將隨著其在平臺中的位置及其周圍的陣元的位置等帶來的互耦和平臺效應的影響而變化，從而勢必需要在每次變更陣列位置排布時重新進行全波仿真，以獲得每個陣元的有源方向圖，從而將大大提升優化問題的計算復雜度。

在過去的十多年中，機器學習方法被廣泛地引入天線、無源器件和電路設計等電子器件的設計領域，并取得了很好的效果。目前，絕大多數機器學習輔助的天線設計都僅考慮天線單元的設計，而無法解決更加復雜的天線陣列設計問題。近幾年，有一些文獻提出了機器學習輔助的天線陣列的優化及設計方法，其中最先進的是有源元陣元建模方法(Active Base Element Modeling,ABEM)，其核心思想是將陣列中的陣元都視為有源元陣元進行統一建模，模型的輸入為所考慮的有源元陣元的絕對位置信息及與其周邊相鄰陣元的相對位置信息等設計參數，及所關注的頻率和角度等維度，輸出則為對應的頻率和角度下的陣元的有源方向圖信息(可采用電場或功率等進行表示)。ABEM方法大大提升了陣列天線設計中獲取陣元有源方向圖的效率，相較于傳統的基于陣列總體位置排布的建模方法具有更優越的性能，包括更高的設計自由度及更高的預測精度，但其仍存在一定的缺陷。首先，ABEM的建模方法建立在對每個需要關注的輻射角度的輻射特性的學習的基礎上。隨著優化過程中數據量的增大，ABEM的建模及預測速度將會相應地迅速增長，從而嚴重影響算法的性能。更加重要的是，ABEM在二維面陣的設計及優化中的直接應用將會受到兩個方面的限制：1、相較于線陣，二維面陣中有源元陣元(Active Base Element,ABE)的輸入參數的定義將會更加復雜，影響ABE的其他天線單元與ABE的相對位置難以通過少量的參數進行量化；2、相較于線陣，二維面陣中的有源單元方向圖(Active Element Pattern,AEP)涉及到更多的角度，線陣的陣列綜合通常僅關注一個面上不同俯角處的輻射特性，而面陣則需要關注不同俯仰角及方位角上的輻射特性。對常用的機器學習方法如高斯過程回歸(Gaussian Process Regression,GPR)，其計算復雜度為其中n_d代表了訓練集的維度。面陣相較于線陣更大的訓練集將嚴重地制約算法的效率。

因此，如何采用機器學習，在合適的計算資源的消耗下，盡量獲得更加精確的陣列，特別是二維陣列中不同位置的天線單元的性能的建模，以實現對優化設計中模型的預測，是解決實際天線陣列設計的關鍵所在。

發明內容

本發明目的在于提供一種采用知識和數據混合驅動的陣列天線設計方法,以解決如何采用機器學習，在合適的計算資源的消耗下，盡量獲得更加精確的陣列，特別是二維陣列中不同位置的天線單元的性能的建模，以實現對優化設計中模型的預測的技術問題。

為解決上述技術問題，本發明的具體技術方案如下：