一种机器学习辅助的阵列环境下的天线快速建模方法

摘要

本发明公开了一种机器学习辅助的阵列环境下的天线快速建模方法，该方法通过引入机器学习方法，学习天线单元在阵列中的位置信息对单元的阵列中方向图和回波损耗等天线性能的影响，从而可以对任意阵列排布下的天线单元的性能进行快速预测。本发明中的方法将天线单元间互耦、阵列的电磁环境以及平台影响等考虑在内进行建模，可供天线阵列在实际电磁环境中的方向图进行快速优化设计。该方法可用于对不同类型的天线及天线阵列的波束赋形设计、低副瓣设计、多波束设计领域。

说明书

技术领域

本发明属于天线设计技术领域，涉及一种机器学习辅助的阵列环境下的天线快速建模方法。

背景技术

作为电磁场与微波技术、信号处理等专业所重点关注的研究问题，天线阵列的快速优化与设计一直是学术界试图解决的热点与难点。传统的信号处理方法针对理想的天线单元，通过发展出不同的数学方法进行阵列综合，虽然能在较短的时间内取得不错的效果，却往往因为未能考虑到实际应用中，天线单元间的互耦以及天线所处的设备平台的电磁影响等问题，在全波仿真及实际使用时通常无法达到所设计的性能。近些年，出现了一些考虑互耦及平台电磁影响的算法，但通常都只适用于固定天线单元位置时对天线单元幅相或旋转角度的优化，很少能将天线单元位置作为优化参数进行考虑，从而大大限制了优化的性能。

在过去的十多年中，机器学习方法被广泛地引入天线、无源器件和电路设计等电子器件的设计领域，并取得了很好的效果。目前，绝大多数机器学习辅助的天线设计都仅考虑天线单元的设计，而无法解决更加复杂的天线阵列设计问题。近几年，有一些文献提出了机器学习辅助的天线阵列的优化及设计方法，但都存在所需的数据集过大等问题，难以进行实际的应用。

因此，如何采用机器学习，利用较小的数据集取得天线阵列的精确的预测结果，也即如何在阵列环境下快速对天线单元的性能进行精确建模，从而加速阵列的设计及优化过程是解决实际天线阵列设计的关键所在。

发明内容

发明目的：针对以上问题，本发明提出一种机器学习辅助的阵列环境下的天线快速建模方法，从而加速天线阵列的优化设计。

技术方案：为实现上述发明目的，本发明采用以下技术方案：

一种机器学习辅助的阵列环境下的天线快速建模方法，将天线单元的位置信息作为机器学习算法的输入，并将天线单元对应的天线方向图和回波损耗性能作为机器学习算法的输出，学习出相应的计算复杂度低的代理模型，从而对任意天线阵列排布下的天线单元的特性进行预测，继而对天线阵列进行快速设计。

进一步的，所述机器学习算法的输入包含天线单元在设备平台中的绝对位置信息及与该天线单元相邻的天线单元之间的相对位置信息。

进一步的，所述天线单元在设备平台中的绝对位置信息及与该天线单元相邻的天线单元之间的相对位置信息，是指取其距离值的倒数作为机器学习算法的输入，从而将在天线阵列边缘处的天线单元的相对位置信息置为0。

进一步的，所述机器学习算法的输出包含天线单元在不同角度的电场值的幅度和相位信息及回波损耗天线特性。

进一步的，天线阵列的设计与优化过程，在使用代理模型的基础上，采用任意的阵列综合的传统优化方法，包括凸优化算法、智能优化算法、决定性的优化算法及其他常用的阵列优化方法

一种机器学习辅助的阵列环境下的天线快速建模方法，包括如下步骤：

(1)建模：将天线单元的绝对和相对位置作为输入，其在阵列中的天线方向图作为输出，利用机器学习方法建立代理模型。其具体步骤可以分为：

(101)采样：利用随机采样方法如拉丁超立方采样等算法，采样N组天线阵列位置参数组合，利用全波仿真软件如HFSS对阵列进行仿真，得到天线单元的阵列中方向图(Embedded Element Pattern,EEP)。

(102)学习：将所有天线单元在设备平台上的绝对位置(l

(103)预测：利用建立的代理模型R，可以对天线阵列中任意位置的天线单元的方向图进行预测。

有益效果：与现有技术相比，本发明具有以下有益效果：

本发明提供的方法将天线单元间互耦、阵列的电磁环境以及平台影响等考虑在内进行建模，可供天线阵列在实际电磁环境中的方向图进行快速优化设计。该方法可用于对不同类型的天线及天线阵列的波束赋形设计、低副瓣设计、多波束设计领域。

附图说明

图1是本发明实施例的天线阵列示意图；

图2是用来验证本发明的天线阵列实例的结构示意图；

图3是一组典型的阵列排布下的某个天线单元的幅度的实际值及不同M下的预测值对比图；

图4是一组典型的阵列排布下的某个天线单元的相位的实际值及不同M下的预测值对比图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

本发明实施例公开了一种机器学习辅助的阵列环境下的天线快速建模方法，考虑线性阵列的情况，设计任务为设计优化P个天线单元的位置、幅度及相位特征，以达到所需的天线阵列方向图性能，其关键在于如何快速建立天线单元的特征信息与其所对应的EEP之间的计算复杂度低的代理模型，从而可以利用阵列综合或智能优化算法，对阵列方向图进行优化。

图1给出了在某种形状的设备平台上的天线阵列的位置图。针对任意的天线单元A，其绝对位置与初始设定的坐标原点O的距离l

考虑对于阵列边缘的天线单元而言，只有左侧或右侧一侧有相邻单元，其无相邻单元侧的单元间距离难以定义，因此统一将相对位置和绝对位置的倒数设置为代理模型的输入参数，对上述情况，其单元间距离的倒数设置为0。

综上所述，对天线阵列中的天线单元而言，其对应的代理模型的输入参数为绝对位置的倒数、相对位置的倒数和角度值，输出参数为相应角度处的EEP的电场值。对所考虑的线性阵列而言，一般考虑上半平面所关心的平面上的电场值。

在给定的单元间距限制及其他限制条件下，首先采样得到N组天线阵列位置参数组合，利用全波仿真软件如HFSS对阵列进行仿真，得到天线单元的EEP；继而将所有天线单元在设备平台上的绝对位置(l

利用所得到的代理模型，可以采用传统的阵列综合方法，或智能优化算法对天线阵列的位置和幅相等特征进行优化。在优化得到结果后，可利用HFSS等仿真软件得到精确的天线阵列方向图的结果，从而判断是否满足设计指标。若不满足，可以将得到的结果加入数据集对代理模型进行重新学习，得到更加精确的代理模型，从而进行下一步的优化设计。

考虑如图2所示的处于不规则形状电路板表面的微带天线阵列，其电路板含有不规则的开口及过孔结构，微带天线单元工作在10GHz，天线单元个数为P，天线阵列沿X轴方向排布。取P＝6～16，N＝11×5＝55，即对每种单元个数采样5次，M＝0～4，对每种单元个数的数据集，取其中的4次加入训练集，剩下的1次加入测试集。将训练集随机采样1/20，利用GPML对其进行学习，建立天线单元的位置信息与其性能之间的代理模型，并利用所得到的代理模型对测试集进行预测，将预测结果与实际仿真结果进行比较计算均方根误差(Root-mean-square deviation,RMSE)，所得结果如表1所示。图3及图4给出了一组典型的阵列排布下的某个天线单元的幅度和相位的实际值及不同M下的预测值。可以看出，在M＝0即不使用天线单元的相对位置信息时，代理模型的预测偏差较大，而在M＝1～4即考虑到天线单元在阵列中的相对位置信息时，代理模型的预测偏差有大幅度的减小；另外，可以看出，M＝1即只考虑天线单元与相邻左右2个单元间的互耦时，代理模型的预测精度即能达到相当高的水平。考虑到数据量的减少所能带来的机器学习时间的减少，前述的选取M＝1是非常合理的。

表1给出了本发明中，利用所得到的代理模型对测试集进行预测，将预测结果与实际仿真结果进行比较计算均方根误差(Root-mean-square deviation,RMSE)。

表1

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。