[发明专利]一种基于神经网络的平顶波束赋形方法

说明书

本发明公开了一种基于神经网络的平顶波束赋形方法，包括以下步骤：S1：收集样本数据；S2：构建卷积神经网络模型；S3：利用样本数据训练卷积神经网络模型；S4：利用训练后的卷积神经网络模型进行平顶波束赋形。本发明在平顶波束赋形中引入一个闭环控制，使系统更具有鲁棒性，同时，运用神经网络进行训练，只需要大量的数据进行训练，避免的复杂的公式推导和简化。训练完成后，运用训练好的神经网络的方式对天线进行调整，只需要根据输入的变化，能够快速确定需要调整的发射天线及其幅值需要调整的幅值大小，实时性较强。

技术领域

本发明涉及微波能量传输领域，更具体地，涉及一种基于神经网络的平顶波束赋形方法。

背景技术

天线波束赋形在雷达、通信方面已经发展了70多年，并且用于各种不同要求的场合。常见的赋形波束有差分波束，余割波束和平顶波束等。平顶波束赋形在微波能量传输中有了新的意义。为了尽量接收更多能量，接收处的天线口径一般都很大，当发射天线增益很高的时候，接收处的功率密度分布不再均匀分布而是呈锥形递减分布。当整流天线以阵列方式进行分布式整流时，效率就会降低。所以为了提高接收效率，需要对天线进行平顶波束赋形。

对于平顶波束的赋形，现有的方法包括局部优化算法比如遗传算法，粒子群算法，和解析算法例如傅里叶变换法，根匹配综合法等。遗传算法，粒子群算法等优化算法进行调整时，往往需要大量的时间才能调整完毕，难以进行实时的调整。而解析算法，往往需要通过进行复杂的电磁场建模分析。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷，提供一种基于神经网络的平顶波束赋形方法，利用神经网络进行平顶波束赋形，避免复杂的公式推导和简化，无需构建模型，快速确定需要调整的发射天线及其幅值需要调整的幅值大小。

本发明旨在至少在一定程度上解决上述技术问题。

为解决上述技术问题，本发明的技术方案如下：

一种基于神经网络的平顶波束赋形方法，包括以下步骤：

S1：收集样本数据；

S2：构建卷积神经网络模型；

S3：利用样本数据训练卷积神经网络模型；

S4：利用训练后的卷积神经网络模型进行平顶波束赋形。

优选地，步骤S1的具体步骤为：

S1.1：随机调整a个发射天线的幅值A，对应N×N个接收天线的接收场强E，其中接收场强E为N阶矩阵；

S1.2：将幅值A与平顶波束的数据比较得到天线幅值差△A，将接收场强E与平顶波束的数据比较得到场强分布差△E，其中场强分布差△E为N阶矩阵；

S1.3：重复S1.1至S1.2，直到取得多组天线幅值差△A和场强分布差△E。

优选地，步骤S1.3中得到的场强分布差△E转换为N×N像素点的场强分布差特征图。

优选地，步骤S2的卷积神经网络模型包括卷积层、下采样层和全连接层，构建的具体步骤如下：

S2.1：将场强分布差特征图输入卷积层，其被一个可学习的卷积核进行卷积,然后通过一激活函数,就可以得到输出特征图，具体为：

式中，为卷积层l的第j个通道的净激活，通过对前一卷积层输出特征图进行卷积求和与偏置得到，是卷积层l的第j个通道的输出，为卷积和矩阵,,是对卷积后特征图的偏置，“*”是卷积符号，f(·)为激活函数，激活函数选取为非线性激活函数tanh函数。；