[发明专利]基于机器学习的索网反射面天线形面精度调整方法

摘要

本发明公开一种基于机器学习的索网反射面天线形面精度调整方法，主要解决现有技术需要建立精确的仿真模型和未考虑复杂非线性因素的问题。其实现方案为：1)建立实物反射面仿真模型，对实物反射面进行预调整获取初始训练样本，2)使用训练样本对机器算法进行训练得到天线仿真模型‑最小二乘支持向量机形面预测模型，并调整该预测模型获得最优调整量，3)将最优调整量施加在实物反射面，得到一组新样本，判断此时实物反射面形面精度是否满足要求，若不满足，则用新样本和原有样本一起对机器算法重新训练，若满足，则输出实物反射面的最优调整量。本发明具有调整次数少、计算效率高的优点，可用于在卫星通信、对地观测、深空探测。

主权项

1.基于机器学习的索网反射面天线形面精度调整方法，其特征在于，包括如下：(1)根据索网反射面天线设计参数对天线结构进行有限元建模，并将该有限元模型作为索网反射面天线的仿真模型；(2)获取初始训练样本：(2a)在初始状态下，调整索的调整量为零，测量得到实物反射面前网面初始节点坐标，使用已有的有限元分析软件ANSYS对仿真模型进行静力分析，得到其平衡状态，提取反射面前网面节点坐标，计算实物反射面与仿真模型网面节点坐标差值用调整量与前网面节点坐标差值构成一组训练样本，其中i为前网面节点编号，j为调整索编号；(2b)建立实物反射面形面精度调整的数学优化模型，使使用进退算法对实物反射面的形面精度调整的数学优化模型进行M次迭代计算，第m次调整中调整索调整量为测量第m次调整后的平衡状态网面节点坐标，将同样的调整量施加在仿真模型上，进行静力分析得到仿真模型平衡状态网面节点坐标，调整量下实物反射面与仿真模型网面节点坐标差值为将调整索调整量与网面节点坐标差值构成第m组训练样本，此时共得到M+1组训练样本；(3)建立FEM‑LSSVM形面预测模型：(3a)对仿真模型进行敏感性分析，得到对反射面每一个网面节点三个方向坐标影响最大的n根调整索；(3b)使用得到的M+1组训练样本使用机器学习算法进行训练，得到前网面每一个节点的三个方向的误差预测模型；(3c)将仿真模型与误差预测模型相结合，构成实物反射面的FEM‑LSSVM形面预测模型；(4)计算最优调整量：使用FEM‑LSSVM形面预测模型替代实物反射面，使用进退算法进行迭代调整计算得到当前最优调整量(5)判断是否满足形面精度要求：(5a)将计算所得的调整量施加在实物反射面上，测量平衡后网面节点坐标，计算当前形面精度和在调整量下的实物反射面与仿真模型网面节点坐标差值(5b)根据测量得到的实物反射面第m次调整后的平衡状态网面节点坐标，计算形面精度如果或者执行(7)，否则，执行(6)，其中ε₁为设定的形面调整目标精度，ε₂为设定的调整迭代精度；(6)生成新样本：将调整量和坐标差值组合成一个新的样本，作为第m+1组训练样本，令m＝m+1，返回(3)；(7)输出索网反射面天线的最优调整量比较第m次和第m+1次调整后的形面精度和如果则实物反射面天线的最优调整量为第m+1次的调整量否则，实物反射面天线的最优调整量为第m次的调整量