[发明专利]基于深度强化学习的共形相控阵天线设计系统及设计方法

说明书

本发明公开了基于深度强化学习的共形相控阵天线设计系统及设计方法，本发明利用深度强化学习强大的学习能力，通过逆向训练使得共形天线阵列的辐射性能达到目标值，大大简化了阵列天线在复杂共形环境下的设计复杂度，且可以忽略各路信号之间的相位不一致性，使得后期调试和校准工作难度得以显著降低。

技术领域

本发明属于雷达通信的技术领域，具体涉及一种基于深度强化学习的共形相控阵天线设计系统及设计方法。

背景技术

在现代雷达和通信系统中，天线的安装平台通常为不规则的形状。因此，能在各类不同天线安装平台上应用的共形相控阵天线引起了巨大的研究热潮。但是在复杂的共形环境下，如何设计每个天线单元的馈入相位使得阵列能实现所需的辐射特性，例如波束扫描，波束跟踪，波束合成等，其正向计算算法过于复杂。其复杂之处在于元件间的相互耦合作用必须包括在磁场和电流的解决方案中。

另外，相控阵天线通常包含多路信号通路，每路信号需要经过数字移相器，功率放大器，衰减器等各类器件，导致最终输入到每个天线单元的相位存在不一致性。因此，在相控阵天线的实际使用中，需要对每一路信号进行相位校准，以此保证最终辐射性能的准确性，而这往往需要耗费大量的时间和人力成本。

2014年，国外DeepMind提出了一种很有吸引力的深度学习算法，称为Deep Q学习框架(DQN)，它具有学习各种游戏人类级别控制策略的能力，其应用的AlphaGo甚至在围棋领域难以被战胜。此后，DQN算法也在一些新兴领域表现出非凡的天赋，如无线通信，资源优化配置，以及其他现实世界的非线性问题。

发明内容

有鉴于此，本发明提供了一种基于深度强化学习的共形相控阵天线设计系统及设计方法，能够利用深度强化学习强大的学习能力，通过逆向训练使得共形天线阵列的辐射性能达到目标值，大大简化了阵列天线在复杂共形环境下的设计复杂度。

实现本发明的技术方案如下：

基于深度强化学习的共形相控阵天线设计系统，包括决策子系统、控制子系统和辐射子系统；

决策子系统包括矢量网络分析仪和计算机，计算机内加载有深度强化学习算法，计算机和矢量网络分析仪通过网线建立连接，实时共享数据；

控制子系统包括微控制器、功分器和数字移相器，微控制器接收决策子系统计算机下发的控制指令数据包，解析后给各个数字移相器下发控制指令，从而控制每一路信号的相位；

功分器接收决策子系统的矢量网络分析仪输出的射频信号，并将信号能量平均分配后向相控阵天线阵列输送，使得相控阵天线阵列向外辐射信号；

辐射子系统包含相控阵天线阵列和喇叭接收天线，相控阵天线阵列向外辐射信号，喇叭接收天线接收信号，并将信号传送到决策子系统的矢量网络分析仪。

进一步地，相控阵天线阵列的天线单元由矩形金属贴片构成，馈电方式为侧馈。

进一步地，基于深度强化学习的共形相控阵天线设计方法，包括算法训练阶段和应用阶段。

进一步地，算法训练阶段具体为：

1、加载有深度强化学习算法的计算机通过控制子系统中的微控制器、功分器和数字移相器向相控阵天线的每一路单元下发相位控制指令，使相控阵天线获得相位分布初值并向外辐射；

2、计算机控制数字移相器对相控阵天线的相位分布进行随机调整，使得天线的辐射性能发生变化；接收天线接收到信号后将数据回传至计算机，经深度强化学习算法提取关键参数后与预先设置的参数进行判定：如果辐射性能向着预期目标迈进则为正反馈，否则为负反馈，以此来判定当前的相位随机调整是否为有益动作；

3、每一次进行相位随机调整均会收到相应的动作反馈值，深度强化学习算法以此来学习正确的相位调整方案，当算法收敛或者平均反馈量达到预期定义的值，训练阶段完成。