本發(fā)明涉及射頻制導(dǎo)仿真領(lǐng)域，具體涉及一種高速高效的基于人工智能的多元近場效應(yīng)修正方法。

背景技術(shù)：

在射頻仿真系統(tǒng)中，從陣元區(qū)的天線激勵電磁場，通過傳輸空間區(qū)域傳播到遠(yuǎn)場區(qū)域的高頻頭接收，高頻頭接收到的電磁能量，由比相法計(jì)算出等效輻射中心，也就是目標(biāo)定位位置。由于各陣元天線激勵的電磁波非理想平面波，因此實(shí)際電磁場在遠(yuǎn)區(qū)場接收天線口面上合成的場與理想電磁場有偏差，需要對此偏差進(jìn)行修正，以獲得精確的陣元矢量控制量。誤差修正模型包括饋源區(qū)，由不同天線單元饋源激勵場疊加形成合成場，空間傳輸區(qū)域以及遠(yuǎn)場接收的導(dǎo)引區(qū)，采用四個(gè)高頻頭天線接收傳輸空間中的電磁場能量，通過比相法確定實(shí)際電磁場傳播的目標(biāo)位置。三個(gè)區(qū)域模型中，饋源天線及高頻頭天線模型是基礎(chǔ)，利用時(shí)域有限差分法或者矩量法獲得電磁波在空間中的傳輸是實(shí)現(xiàn)多元近場效應(yīng)修正的核心關(guān)鍵，但目前的問題集中在電磁仿真時(shí)間較長，優(yōu)化算法實(shí)現(xiàn)近場效應(yīng)修正的效率很低、甚至不可實(shí)現(xiàn)，同時(shí)不具有重復(fù)性，沒有記憶性，即進(jìn)行下一次修正時(shí)需要重新進(jìn)行一次該耗時(shí)的優(yōu)化過程，因此需要研究新的誤差修正方法。

技術(shù)實(shí)現(xiàn)要素：

針對現(xiàn)有傳統(tǒng)電磁仿真(FDTD或MoM)耗時(shí)長，資源占用大的問題，本發(fā)明目的在于提供一種基于神經(jīng)網(wǎng)絡(luò)的方法替代傳統(tǒng)電磁仿真，能夠大大提高近場效應(yīng)誤差修正的速度：

一種高速高效的基于人工智能的多元近場效應(yīng)修正方法：

所述步驟為：

a：建立神經(jīng)網(wǎng)絡(luò)模型；

b：對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使其達(dá)到訓(xùn)練終止條件；

c：由GA通過隨機(jī)生成種群方式產(chǎn)生N組初始個(gè)體，即N組三元組天線的三個(gè)幅度和相位；

d：設(shè)置GA算法基本參數(shù)，將神經(jīng)網(wǎng)絡(luò)作為GA算法的適應(yīng)度函數(shù)；

e：將出N組初始個(gè)體數(shù)據(jù)逐組帶入訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型，獲得遠(yuǎn)場接收導(dǎo)引區(qū)接收的電場對應(yīng)的傳輸函數(shù)的系數(shù)；

f：依據(jù)傳輸函數(shù)擬合出電場強(qiáng)度；

g：依據(jù)電場強(qiáng)度通過比相法計(jì)算目標(biāo)信號生成區(qū)的定位點(diǎn)數(shù)據(jù)，定位點(diǎn)數(shù)據(jù)包括度相位、計(jì)算定位點(diǎn)坐標(biāo)值、俯仰角誤差；

h：將各組中俯仰角誤差與誤差精度進(jìn)行判斷，將符合誤差精度的條件的該組數(shù)據(jù)對應(yīng)的幅度相位、計(jì)算定位點(diǎn)坐標(biāo)值、俯仰角誤差輸出作為定位點(diǎn)信息；若未有誤差精度的條件的數(shù)據(jù)，直接進(jìn)行下一步；

i：對N組初始個(gè)體進(jìn)行選擇重組變異，產(chǎn)生新的N組個(gè)體重復(fù)步驟e到h使個(gè)體數(shù)據(jù)的俯仰角誤差滿足誤差精度；

j：目標(biāo)信號生成區(qū)的定位點(diǎn)信息。

進(jìn)一步的，所述神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法為：

a：收集神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，包括訓(xùn)練輸入數(shù)據(jù)和目標(biāo)數(shù)據(jù)；所述訓(xùn)練輸入數(shù)據(jù)為三元組三個(gè)單元A₁、A₂、A₃的輸入幅度a₁、a₂、a₃及相位φ₁、φ₂、φ₃；目標(biāo)數(shù)據(jù)為四個(gè)導(dǎo)引頭所接收的電場E₁、E₂、E₃、E₄所對應(yīng)的傳輸函數(shù)的系數(shù)；

b：將訓(xùn)練輸入數(shù)據(jù)輸入至神經(jīng)網(wǎng)絡(luò)獲得訓(xùn)練輸出數(shù)據(jù)；

c：將訓(xùn)練輸出數(shù)據(jù)與目標(biāo)數(shù)據(jù)進(jìn)行對比，滿足訓(xùn)練終止條件時(shí)確定神經(jīng)網(wǎng)絡(luò)；不滿足訓(xùn)練終止條件進(jìn)入步驟d；

d：通過誤差學(xué)習(xí)，更新神經(jīng)網(wǎng)絡(luò)中輸入層、隱含層、輸出層中的權(quán)重、閥值，所述權(quán)重為上下層節(jié)點(diǎn)之間的聯(lián)接強(qiáng)度取值，決定輸入層、隱含層、輸出層的輸出值；所述閾值是每個(gè)神經(jīng)元輸出值的判定條件，重復(fù)步驟a-c，更新神經(jīng)網(wǎng)絡(luò)，直至神經(jīng)網(wǎng)絡(luò)滿足訓(xùn)練終止條件。

進(jìn)一步的，所述傳遞函數(shù)為：

進(jìn)一步的，所述目標(biāo)數(shù)據(jù)為訓(xùn)練輸入數(shù)據(jù)使用矩量法MoM仿真獲得。

進(jìn)一步的，所述誤差精度為5×10^-5。

由GA(遺傳算法)通過隨機(jī)生成種群方式產(chǎn)生50組初始個(gè)體，即三元組天線的三個(gè)幅度和相位總共6個(gè)變量。GA算法將神經(jīng)網(wǎng)絡(luò)計(jì)算模型作為其適應(yīng)度函數(shù)，把產(chǎn)生的50組幅度相位初始值代入到訓(xùn)練成熟神經(jīng)網(wǎng)絡(luò)模型中，幅相控制參量帶入傳遞函數(shù)，可快速計(jì)算得到四個(gè)導(dǎo)引頭所接收的電場(E₁、E₂、E₃、E₄)，接著采用比相法進(jìn)行逐組數(shù)據(jù)的計(jì)算，得出50組數(shù)據(jù)對應(yīng)的定位點(diǎn)坐標(biāo)，將計(jì)算的結(jié)果，即實(shí)際計(jì)算定位點(diǎn)的坐標(biāo)值和俯仰角的誤差返回給GA算法，GA算法根據(jù)適應(yīng)度函數(shù)(神經(jīng)網(wǎng)絡(luò)輸出)值(計(jì)算點(diǎn)的坐標(biāo))，進(jìn)行優(yōu)化計(jì)算，得出新的50組幅度相位(新的種群)，輸入到神經(jīng)網(wǎng)絡(luò)重復(fù)上述計(jì)算過程。待計(jì)算完成之后，讀取神經(jīng)網(wǎng)絡(luò)計(jì)算的定位點(diǎn)坐標(biāo)值和俯仰角誤差。判斷俯仰角誤差是否達(dá)到5×10^-5精度要求。若達(dá)到要求，選取最優(yōu)值，保存該組數(shù)據(jù)對應(yīng)的幅度相位、計(jì)算定位點(diǎn)坐標(biāo)值、俯仰角誤差等信息，結(jié)束；若沒有達(dá)到精度要求，則返回，進(jìn)行下一輪的計(jì)算，直至找到最優(yōu)解。這就是近場效應(yīng)修正的過程，在神經(jīng)網(wǎng)絡(luò)之前，都是通過電磁仿真方法獲得導(dǎo)引頭電場值，全波電磁仿真方法單次的電磁仿真時(shí)間較長，但是矩陣填充就需要幾小時(shí)，優(yōu)化算法成百上千次地調(diào)用電磁仿真程序?qū)?dǎo)致實(shí)現(xiàn)近場效應(yīng)修正的效率很低，并且優(yōu)化算法實(shí)現(xiàn)近場效應(yīng)修正不具有重復(fù)性，即進(jìn)行下一次的近場效應(yīng)修正時(shí)需要重新進(jìn)行一次該耗時(shí)的優(yōu)化過程。神經(jīng)網(wǎng)絡(luò)代替電磁仿真方法則只需要幾秒就能計(jì)算出目標(biāo)位置點(diǎn)，能大大提高效率。

本發(fā)明基于神經(jīng)網(wǎng)絡(luò)，采用神經(jīng)網(wǎng)絡(luò)的方法期望在未來能夠取代矩量法MoM仿真，在近場效應(yīng)誤差修正過程中，訓(xùn)練成熟的神經(jīng)網(wǎng)絡(luò)輸入一組幅度相位值能夠快速得到定位點(diǎn)坐標(biāo)與目標(biāo)點(diǎn)誤差值，將之與GA優(yōu)化算法結(jié)合，構(gòu)成新的近場效應(yīng)修正算法模型。相比較傳統(tǒng)電磁仿真方法(MoM或FDTD)，該方法能夠大大提高近場效應(yīng)誤差修正的速度。

附圖說明

圖1為神經(jīng)網(wǎng)絡(luò)-傳遞函數(shù)模型結(jié)構(gòu)；

圖2為三元組示意圖；

圖3為四個(gè)導(dǎo)引頭位置示意圖；

圖4為神經(jīng)網(wǎng)絡(luò)訓(xùn)練示意圖；

圖5為神經(jīng)網(wǎng)絡(luò)訓(xùn)練集(輸入輸出訓(xùn)練集)示意圖；

圖6為神經(jīng)網(wǎng)絡(luò)的應(yīng)用示意圖；

圖7為毫米波仿真系統(tǒng)和電磁模型；

圖8為毫米波仿真系統(tǒng)神經(jīng)網(wǎng)絡(luò)-傳遞函數(shù)模型；

圖9-12為實(shí)驗(yàn)結(jié)果；

具體實(shí)施方式

本說明書中公開的所有特征，或公開的所有方法或過程中的步驟，除了互相排斥的特征和/或步驟以外，均可以以任何方式組合。

下面結(jié)合附圖對本發(fā)明做進(jìn)一步說明：

實(shí)施例

圖7給出針對毫米波仿真系統(tǒng)中的三元陣列區(qū)和導(dǎo)引區(qū)進(jìn)行電磁數(shù)值計(jì)算模型示意圖，這兩個(gè)分別屬于毫米波系統(tǒng)目標(biāo)信號生成區(qū)和遠(yuǎn)場接收導(dǎo)引區(qū)，包含多個(gè)工作天線，三元陣列區(qū)的毫米波陣列天線作為目標(biāo)信號模擬的發(fā)射天線，分布在球面上，等邊三角分布，天線中心線都指向球心。導(dǎo)引區(qū)包含4個(gè)射頻天線作為接收三元區(qū)激勵信號的天線，分布在以轉(zhuǎn)臺中心對稱分布的平面上，對應(yīng)的圖8是其神經(jīng)網(wǎng)絡(luò)-傳遞函數(shù)模型，在該模型中，輸入數(shù)據(jù)為三元組三個(gè)單元A₁、A₂、A₃的輸入幅度(a₁、a₂、a₃)及相位(φ₁、φ₂、φ₃)，輸出數(shù)據(jù)為四個(gè)導(dǎo)引頭所接收的電場(E₁、E₂、E₃、E₄)所對應(yīng)的傳輸函數(shù)的系數(shù)A₀～A_Nmax,B₁～B_Nmax，由此得到傳輸函數(shù)，依據(jù)傳輸函數(shù)擬合出電場強(qiáng)度，再采用比相法獲得定位點(diǎn)坐標(biāo)，我們將三元組的幅度及相位作為神經(jīng)網(wǎng)絡(luò)的輸入，將目標(biāo)點(diǎn)位置橫坐標(biāo)x和縱坐標(biāo)y分別作為神經(jīng)網(wǎng)絡(luò)的作為輸出。經(jīng)過800組訓(xùn)練數(shù)據(jù)的訓(xùn)練，我們選取了400組測試數(shù)據(jù)測試訓(xùn)練成熟的神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)的測試結(jié)果如圖9-12所示。其中圖9-10分別為坐標(biāo)x的神經(jīng)網(wǎng)絡(luò)輸出及與MoM方法對比的誤差。其中圖11-12分別為坐標(biāo)y的神經(jīng)網(wǎng)絡(luò)輸出及與MoM方法對比的誤差。從實(shí)驗(yàn)結(jié)果來看將位置(x,y)作為神經(jīng)網(wǎng)絡(luò)的輸出同樣可以達(dá)到較好的精度。

以上所述，僅為本發(fā)明的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何屬于本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。