(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111382528.6 (22)申请日 2021.11.22 (71)申请人 北京航空航天大 学 地址 100191 北京市海淀区学院路37号 (72)发明人 白明　张师源　黄达　 (51)Int.Cl. G06F 30/10(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的平面阵列天线辐射方 向图综合方法 (57)摘要 本发明提供了一种将深度学习应用 于共形 (不规则排布)阵列天线辐射方向图综合的方法。 该方法包括： 步骤1、 根据方向图的设计要求， 针 对特定的天线阵列单元的排布方式利用正向解 析法计算方向图样本集， 并为样 本集配置相应的 方向图特征标签。 步骤2、 以方向图和方向图特征 标签作为神经网络输入数据， 阵列单元的激励分 布作为输 出， 训练端到端的深度卷积神经网络结 构参数， 最终获得效果较好的卷积神经网络。 步 骤3： 训练好的神经网络， 在输入目标辐射方向图 的特征要求后， 输出对应阵列天线单元的幅度与 相位信息 。 权利要求书1页 说明书3页 附图2页 CN 114117565 A 2022.03.01 CN 114117565 A 1.一种基于深度学习的平面阵列天线辐射方向图综合方法 步骤1： 根据 方向图的设计要求， 针对特定的天线阵列单元的排布方式利用正向解析法 计算方向图样本集， 并为样本集配置相应的方向图特 征标签。 步骤2： 以方向图和方向图特征标签作为神经网络输入数据， 阵列单元的激励 分布作为 输出， 训练端到端的深度卷积神经网络结构参数， 最终 获得效果较好的卷积神经网络 。 步骤3： 训练好的神经网络， 在输入目标辐射方向图的特征要求后， 输出对应阵列天线 单元的幅度与相位信息 。 2.根据权利要求1所述的方法， 其特 征在于， 步骤1具体为： 本专利对于指定排布方式的天线阵列， 基于深度神经网络的训练数据特点， 建立天线 阵列激励与阵列辐 射综合的参数化模型。 采用正向解析法例如口径投影法、 快速傅里叶变 换法等， 且不限于以上 方法， 快速计算获得 具有一定特 征要求的方向图样本集。 针对天线阵列辐射方向图的特征为： 空间位置 处有最大的波束指向。 计算生成一 种二维矩阵作为方向图样本集的方向图特征标签， 该二 维矩阵的行数对应空间的水平角的 范围(0°～360°)， 列数对应空间俯仰角的范围(0 °～90°)， 行列之间的间隔为1， 且Gauss函 数在该空间位置处是全局最大值。 3.根据权利要求1所述的方法， 其特 征在于， 步骤2具体为： 本专利中卷积神经网络的输入分为两个部分： 一部分是天线阵列总辐射方向图， 另一 部分是方向图特 征标签。 本专利中卷积神经网络的结构共由卷积层、 最大池化层、 标准化层(Batch   Nomalization)、 Flatten层和全连接层组成。 根据需要来添加特定数目的池化层来减小整 个神经网络结构的大小。 卷积层后连接标准化层(Batch  Nomalization)使 得卷积神经网络 的输出效果好。 全连接层的层数以及每层所含隐藏层的个数根据需要来添加但是最后一层 的隐藏层的个数一定是天线单 元的二倍。 本专利中卷积神经网络的输出是每个天线单元激励的幅度与相位的值。 除了输出层， 其他所有层的激活函数都使用ReLU， 输出层不使用激活函数。 反向传播过程中使用Adam优 化算法来更新网络 权重。 卷积神经网络中使用均方对数误差(MSLE)作为损失函数。权　利　要　求　书 1/1 页 2 CN 114117565 A 2一种基于深度学习的平面阵列天线辐射 方向图综合 方法 技术领域 [0001]本发明涉及智能算法与天线阵列辐射方向图综合技术领域， 尤其涉及 一种基于深 度学习的平面阵列天线辐射方向图综合方法 背景技术 [0002]阵列天线就是由若干天线按照一定的排列方式和激励所组成的。 由于阵列天线可 以实现单个天线 所不能实现的一些特殊指标如较强的方向性、 较高的增益等而被广泛的应 用在电子信息工程中。 平面阵列常用的分析综合方法有Woodward综合法、 Chebyshev综合 法、 Taylor综合法。 然而随着阵列天线载体逐步演变， 应对具体情境的天线阵设计日趋复 杂， 适应性要求也更高， 如共形阵的设计等， 在此类情况下， 已有的几种阵列综合方法有着 相当大的局限性。 同时在天线方向图的生成方面， 复杂的天线方向图在诸多领域中也有大 量的需求与更加广阔的应用前景， 如： 利用5G信号进行通讯、 利用雷达进行目标扫描与跟 踪、 利用微波进行成像等。 在实际工程应用过程中天线阵列的单元数量有时较多， 且排布的 方式较为复杂， 这时再利用已有的几种阵列综合方法计算各个天线单元所需的幅度与相位 值效率较低且计算时间较长， 往 往不能满足工程上实时、 快速的要求。 [0003]近些年来随着计算机技术的飞速发展深度学习作为人工智能的一条重要分支， 被 广泛的应用在诸多领域。 由于深度学习的普适性广、 可移植性强且善于处理模型复杂和计 算量大的问题， 很多的研究人员也将其应用在天线的研究领域上来解决相关问题。 本专利 提出一种方法基于深度学习的平面阵列天线辐射方向图综合方法， 通过卷积神经网络来快 速计算各个天线 单元所需的激励幅度与相位的值， 在计算效率上可以满足工程上所需的实 时、 快速的需求。 发明内容 [0004]针对天线单元排布方式复杂(在平面内不规则排布)的天线阵列， 本文提出了一种 将深度学习应用于共形(不 规则排布)阵列天线辐射方向图综合的方法。 [0005]本发明提出了一种将深度学习应用于共形(不规则排布)阵列天线辐射方向图综 合的方法， 包括以下几个步骤： 步骤1： 根据方向图的设计要求， 针对特定的天线阵列单元的排布方式利用正向解 析法计算方向图样本集， 并为样本集配置相应的方向图特 征标签。 步骤2： 以方向 图和方向图特征标签作为神经网络输入数据， 阵列单元的激励分布 作为输出， 训练端到端的深度卷积神经网络结构参数， 最终 获得效果较好的卷积神经网络 。 步骤3： 训练好的神经网络， 在输入 目标辐射方向图的特征要求后， 输出对应阵列 天线单元的幅度与相位信息 。 [0006]进一步地， 步骤1具体为： 本专利对于指定排布方式的天线阵列， 基于深度神经网络 的训练数据特点， 建立 天线阵列激励与阵列辐 射综合的参数化模型。 采用正向解析法例如口径投影法、 快速傅里说　明　书 1/3 页 3 CN 114117565 A 3