[發明專利]一種基于回歸模型的三角反射器優化方法

在審

• 申請號: 202211234396.7
• 申請日: 2022-10-10
• 公開（公告）號: CN115455613A
• 公開（公告）日: 2022-12-09
• 發明（設計）人: 盛新慶;馮濤;郭琨毅
• 申請（專利權）人: 北京理工大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06F111/06
• 代理公司: 北京正陽理工知識產權代理事務所(普通合伙) 11639
• 代理人: 周蜜

1.一種基于回歸模型的三角反射器優化方法，其特征在于，包括如下步驟：

步驟一：選擇目標RCS求解方法；

步驟二：確定三角反射器陣列結構參數；根據三角反射器幾何結構和陣列方式，確定優化變量及變量范圍；

步驟三：基于改進的格柵序列法，以空間填充方式對步驟二確定的優化變量進行數據采樣，得到采樣數據；

步驟四：利用步驟三的采樣數據建立三角反射器陣列，采用步驟一確定的目標RCS求解方法，通過電磁仿真計算得到三角反射器陣列RCS特性基礎數據；

步驟五：將步驟三的采樣數據和步驟四的RCS特性基礎數據作為神經網絡學習的樣本數據，建立結構參數和目標RCS特性的回歸模型；具體方式為搭建神經網絡學習環境，將步驟三的第1組變量采樣點、步驟四的三角反射器RCS特性基礎數據合并，作為神經網絡學習的樣本數據，基于Levenberg-Marquardt反向傳播算法進行神經網絡訓練并生成變量與RCS特性的回歸模型；

步驟六：根據用戶需求設置優化目標函數，根據目標函數數量、性質及相互關系選擇優化算法，使用步驟五的回歸模型作進行智能優化并得到優化結果。

2.如權利要求1所述的方法，其特征在于，所述步驟一中，根據三角反射器陣列的幾何結構和作戰對象工作頻率，考慮求解精度和優化時效比，選擇三角反射器陣列RCS求解方法。

3.如權利要求1所述的方法，其特征在于，所述步驟二中，首先確定三角反射器幾何結構參數，在三角反射器反射面上做等腰梯形切割操作，梯形的下底、下底中點分別與三角反射器斜棱邊、斜棱邊中點重合，在梯形下底端點與三角反射器直棱邊交點連線上取梯形的上底端點，梯形下底長度、梯形高度設為優化變量；

其次確定三角反射器陣元的結構參數，將三角反射器沿Y軸正方向移動，后沿平行于XOZ面的斜棱邊旋轉，移動的距離、旋轉的角度設為優化變量；

所述步驟三中，所述采樣數據包括分別生成2組變量采樣點：第1組是切割梯形底邊長度和梯形高度，第2組是三角反射器陣元的移動距離和旋轉角度。

4.如權利要求1所述的方法，其特征在于，所述步驟四中，以步驟三得到的第1組變量采樣點數據為三角反射器建模數據，利用LUA腳本實現FEKO自動化建模并求解RCS，得到三角反射器的RCS特性基礎數據。

5.如權利要求1-4任意一項所述的方法，其特征在于，所述步驟六中，還包括根據三角反射器優化設計指標，設置優化目標函數，選擇基于遺傳算法的多目標優化方法進行變量優化，得到三角反射器陣元的帕累托最優解集。

6.如權利要求5所述的方法，其特征在于，由用戶自行選擇需要的三角反射器幾何結構參數，根據實際應用需求，選擇優化結果中最適合的變量參數，建立三角反射器陣列；其中利用優化的三角反射器幾何結構參數、步驟三得到的第2組變量采樣點數據，作為三角反射器陣元建模數據，重復步驟四至步驟六，得到三角反射器陣元的帕累托最優解集。