阵列天线失效阵元诊断及方向图校正算法研究

摘要

阵列天线由许多辐射天线单元组成，当阵列存在一定数目阵元失效的情况下，阵列辐射方向图将发生不同程度的畸变，严重影响阵列系统的正常使用。因此，分析失效阵元对阵列方向图畸变的影响，判断阵列中失效阵元的位置与数量，以及采用优化算法降低方向图畸变程度，恢复方向图性能，是十分有必要的。本文在计算阵列天线方向图的基础上，分析了失效阵元对阵列方向图的影响，提出了基于远场方向图的失效阵元诊断方法，并设计了畸变方向图的优化算法。通过诊断和优化实例验证了算法的有效性，最终的实验结果表明:BP神经网络和极限学习机的神经网络算法在测得远场方向图的条件下可以有效定位阵列中失效的阵元，使用遗传算法和萤火虫算法的种群优化算法能够很大程度上校正畸变的方向图，从而实现了阵列方向图的畸变分析与诊断和优化技术研究的目标。本文研究工作如下: 第一，失效阵元对阵列方向图的影响分析。介绍了均匀线阵、圆环阵和面阵的方向图计算方法，分析了不同位置阵元失效对均匀线阵、圆环阵和面阵方向图的影响，通过仿真验证了不同位置阵元失效下的三种典型均匀阵列方向图的峰值副瓣电平、第一零点波束宽度和半功率波束宽度的畸变情况，以1024元均匀面阵为例，分析了不同失效率下的阵元失效、T/R组件失效和子阵失效对阵列方向图的影响，并通过仿真探讨了方向图平均副瓣电平的恶化程度。 第二，失效阵元诊断算法研究。以BP神经网络和极限学习机的神经网络算法为基础，利用不同失效模式下的阵列方向图训练神经网络模型，并使用训练好的网络模型从包含随机误差的远场方向图中诊断失效阵元在阵列中的位置以及数量，最后讨论了两种算法诊断失效阵元的性能比较，通过仿真验证了极限学习机较传统的BP神经网络算法具有更快的学习速度，大大提高了诊断效率。 第三，方向图校正算法研究。分别采用遗传算法和改进的萤火虫算法，通过反复的迭代过程重新设计剩余阵列单元的激励，使阵列畸变的方向图在较大程度上恢复其性能，从而实现方向图的校正。最后分析比较了两种阵列方向图优化算法的特点，仿真结果证明基于参数方差调节的萤火虫算法拥有较好的优化效果，弥补了标准萤火虫算法发现率和收敛率低等特点，且相较于遗传算法具有更快的收敛速度。

目录

声明

摘要

第1章绪论

1．1研究背景及意义

1．2国内外研究现状及发展趋势

1．2．1失效阵元诊断研究现状

1．2．2方向图校正研究现状

1．3研究内容与结构安排

第2章失效阵元对阵列方向图的影响分析

2．1引言

2．2失效阵元对均匀阵列方向图的影响

2．2．1失效阵元对均匀线阵方向图的影响

2．2．2失效阵元对均匀圆环阵方向图的影响

2．2．3失效阵元对均匀面阵方向图的影响

2．3系统分级失效分析

2．3．1阵元失效

2．3．2 T／R组件失效

2．3．3子阵失效

2．4本章小结

第3章基于神经网络算法的失效阵元诊断

3．1引言

3．2基于BP神经网络的失效阵元诊断

3．2．1 BP神经网络诊断模型建立

3．2．2基于BP神经网络的失效阵元诊断

3．3基于极限学习机的失效阵元诊断

3．3．1极限学习机诊断模型建立

3．3．2基于极限学习机的失效阵元诊断

3．4诊断性能分析

3．5本章小结

第4章基于种群优化算法的方向图校正

4．1引言

4．2基于遗传算法的方向图校正

4．2．1遗传算法优化模型建立

4．2．2基于遗传算法的方向图校正

4．3基于萤火虫算法的方向图校正

4．3．1萤火虫算法优化模型建立

4．3．2改进萤火虫算法研究

4．3．3基于萤火虫算法的方向图校正

4．4优化性能分析

4．5本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢