[發(fā)明專利]基于AI的相控陣天線校準(zhǔn)方法、系統(tǒng)、設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202211267181.5
• 申請日: 2022-10-17
• 公開（公告）號: CN115693157A
• 公開（公告）日: 2023-02-03
• 發(fā)明（設(shè)計）人: 鐘浩城;林偉偉;李慶宇
• 申請（專利權(quán)）人: 華南理工大學(xué)
• 主分類號: H01Q3/26
• 分類號: H01Q3/26;H01Q3/34;G06N20/00
• 代理公司: 廣州市華學(xué)知識產(chǎn)權(quán)代理有限公司 44245
• 代理人: 李斌

1.基于AI的相控陣天線校準(zhǔn)方法，其特征在于，包括下述步驟：

對于具有M*N個輻射單元的相控陣天線，使用仿真軟件進(jìn)行數(shù)值模擬分別收集每個輻射單元在不同相位時對應(yīng)的輻射功率的原始數(shù)據(jù)；

對所述的原始數(shù)據(jù)進(jìn)行處理，得到用于訓(xùn)練模型的數(shù)據(jù)集；

構(gòu)造基于AI的機(jī)器學(xué)習(xí)模型；

利用數(shù)據(jù)集對所構(gòu)造的機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的模型；

對給定的相控陣天線進(jìn)行測量，獲得用于輸入訓(xùn)練好的模型的數(shù)據(jù)；

將測量數(shù)據(jù)輸入訓(xùn)練好的模型，輸出輻射單元的預(yù)測饋電相位；

計算預(yù)測饋電相位與所設(shè)置相位的差值，并求誤差的平均值，將該平均值視為應(yīng)當(dāng)校準(zhǔn)至的初始相位，至此相控陣天線校準(zhǔn)完成。

2.根據(jù)權(quán)利要求1所述基于AI的相控陣天線校準(zhǔn)方法，其特征在于，所述輻射功率數(shù)據(jù)是指某輻射單元的饋電相位從0°通過調(diào)相器以固定間隔逐步調(diào)整到360°時，同時其他的輻射單元的饋電相位均設(shè)置為隨機(jī)值時所測量到的輻射功率數(shù)據(jù)，并通過仿真軟件施加不同功率的噪聲。

3.根據(jù)權(quán)利要求1所述基于AI的相控陣天線校準(zhǔn)方法，其特征在于，所述基于AI的機(jī)器學(xué)習(xí)模型具體為：

使用隨機(jī)初始超參數(shù)建立相控陣天線校準(zhǔn)XGBoost模型；

所述XGBoost模型由一組基學(xué)習(xí)器和一個超參數(shù)調(diào)優(yōu)器組成；

所述基學(xué)習(xí)器使用回歸樹，對每個輸入數(shù)據(jù)，基學(xué)習(xí)器會輸出一個權(quán)重值，所有基學(xué)習(xí)器的權(quán)重值經(jīng)過函數(shù)處理后得到預(yù)測數(shù)據(jù)；

所述超參數(shù)調(diào)優(yōu)器使用貝葉斯優(yōu)化方法進(jìn)行超參數(shù)的調(diào)優(yōu)，在訓(xùn)練過程中，超參數(shù)調(diào)優(yōu)器根據(jù)訓(xùn)練情況對模型的超參數(shù)進(jìn)行調(diào)整，以降低模型的誤差。

4.根據(jù)權(quán)利要求3所述基于AI的相控陣天線校準(zhǔn)方法，其特征在于，所述隨機(jī)超參數(shù)的隨機(jī)范圍如下：

特征權(quán)重縮減系數(shù)范圍為0.01～0.3；

最大樹深范圍為2～16；

葉子結(jié)點權(quán)重之和范圍為0.1～10；

樣本隨機(jī)采樣的比例范圍為0.5～1.0；

權(quán)重的L1正則化項范圍為0～10；

權(quán)重的L2正則化項范圍為0～10；

最小損失函數(shù)下降值范圍為0～20；

特征隨機(jī)采樣比例范圍為0.5～1.0。

5.根據(jù)權(quán)利要求3所述基于AI的相控陣天線校準(zhǔn)方法，其特征在于，所述對所構(gòu)造的機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，具體為：

對原始數(shù)據(jù)進(jìn)行處理，將原始數(shù)據(jù)中各條數(shù)據(jù)的所有相位調(diào)整至0°至360°之間，得到用于訓(xùn)練的數(shù)據(jù)集；

使用隨機(jī)生成的初始超參數(shù)建立XGBoost模型，將數(shù)據(jù)集輸入模型，使用近似貪心算法依次建立各個基學(xué)習(xí)器，在該過程中優(yōu)化基學(xué)習(xí)器的輸出權(quán)重；

使用貝葉斯優(yōu)化對模型的超參數(shù)進(jìn)行優(yōu)化，使用新的超參數(shù)校準(zhǔn)模型；

如果校準(zhǔn)模型的誤差不符合要求，則繼續(xù)使用貝葉斯優(yōu)化進(jìn)行超參數(shù)的調(diào)優(yōu)，直到獲得滿足精度要求的誤差。

6.根據(jù)權(quán)利要求5所述基于AI的相控陣天線校準(zhǔn)方法，其特征在于，在訓(xùn)練過程中采用貝葉斯優(yōu)化進(jìn)行超參數(shù)的調(diào)優(yōu)，具體為：

將隨機(jī)生成的初始超參數(shù)輸入到高斯模型中，并將數(shù)據(jù)集輸入校準(zhǔn)模型，對模型輸出進(jìn)行修正使模型進(jìn)一步接近函數(shù)真實分布；

從修正后的高斯模型中選取下一步需要評估的超參數(shù)組合點，讓高斯模型能夠更快的接近目標(biāo)函數(shù)的真實分布；

如果選出的超參數(shù)組合的誤差符合設(shè)定的要求，則終止算法并退出，輸出此時的超參數(shù)組合以及校準(zhǔn)模型的誤差；

如果校準(zhǔn)模型的誤差不符合要求則將超參數(shù)組合點與誤差輸入到高斯模型中進(jìn)行高斯模型的修正，重新執(zhí)行從修正后的高斯模型中選取下一步需要評估的超參數(shù)組合點的步驟，直到獲得滿足精度要求的誤差。

7.根據(jù)權(quán)利要求1所述基于AI的相控陣天線校準(zhǔn)方法，其特征在于，所述誤差的平均值為平方平均數(shù)、算數(shù)平均數(shù)、幾何平均數(shù)、調(diào)和平均數(shù)中的一種。