[发明专利]一种采用知识和数据混合驱动的阵列天线设计方法

说明书

本发明公开了一种采用知识和数据混合驱动的阵列天线设计方法。该方法通过引入平面耦合区域分割和二维虚拟阵列拟合技术等先验的电磁知识，结合机器学习等数据驱动的方法，成功实现了快速的二维阵列环境下的天线元单元的有源方向图的建模，相较于传统的机器学习辅助的建模方法，提升了模型的预测精度的同时降低了计算复杂度。在此基础上，可以结合任意传统的阵列天线设计方法实现快速、精确的考虑阵元间互耦和平台效应的阵列天线设计。该方法可用于对不同类型的天线及天线阵列的建模及波束赋形设计、低副瓣设计、多波束设计领域。

技术领域

本发明属于天线设计技术领域，尤其涉及一种采用知识和数据混合驱动的阵列天线设计方法。

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。其原因在于若将天线单元位置作为优化参数，则阵元的有源方向图将随着其在平台中的位置及其周围的阵元的位置等带来的互耦和平台效应的影响而变化，从而势必需要在每次变更阵列位置排布时重新进行全波仿真，以获得每个阵元的有源方向图，从而将大大提升优化问题的计算复杂度。

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，其中最先进的是有源元阵元建模方法(Active Base Element Modeling,ABEM)，其核心思想是将阵列中的阵元都视为有源元阵元进行统一建模，模型的输入为所考虑的有源元阵元的绝对位置信息及与其周边相邻阵元的相对位置信息等设计参数，及所关注的频率和角度等维度，输出则为对应的频率和角度下的阵元的有源方向图信息(可采用电场或功率等进行表示)。ABEM方法大大提升了阵列天线设计中获取阵元有源方向图的效率，相较于传统的基于阵列总体位置排布的建模方法具有更优越的性能，包括更高的设计自由度及更高的预测精度，但其仍存在一定的缺陷。首先，ABEM的建模方法建立在对每个需要关注的辐射角度的辐射特性的学习的基础上。随着优化过程中数据量的增大，ABEM的建模及预测速度将会相应地迅速增长，从而严重影响算法的性能。更加重要的是，ABEM在二维面阵的设计及优化中的直接应用将会受到两个方面的限制：1、相较于线阵，二维面阵中有源元阵元(Active Base Element,ABE)的输入参数的定义将会更加复杂，影响ABE的其他天线单元与ABE的相对位置难以通过少量的参数进行量化；2、相较于线阵，二维面阵中的有源单元方向图(Active Element Pattern,AEP)涉及到更多的角度，线阵的阵列综合通常仅关注一个面上不同俯角处的辐射特性，而面阵则需要关注不同俯仰角及方位角上的辐射特性。对常用的机器学习方法如高斯过程回归(Gaussian Process Regression,GPR)，其计算复杂度为其中n_d代表了训练集的维度。面阵相较于线阵更大的训练集将严重地制约算法的效率。

因此，如何采用机器学习，在合适的计算资源的消耗下，尽量获得更加精确的阵列，特别是二维阵列中不同位置的天线单元的性能的建模，以实现对优化设计中模型的预测，是解决实际天线阵列设计的关键所在。

发明内容

本发明目的在于提供一种采用知识和数据混合驱动的阵列天线设计方法,以解决如何采用机器学习，在合适的计算资源的消耗下，尽量获得更加精确的阵列，特别是二维阵列中不同位置的天线单元的性能的建模，以实现对优化设计中模型的预测的技术问题。

为解决上述技术问题，本发明的具体技术方案如下：