一种基于机器学习的天线方向图预测方法技术

本发明专利技术公开了一种基于机器学习的天线方向图预测方法，包括以下步骤：

【技术实现步骤摘要】
一种基于机器学习的天线方向图预测方法


[0001]本专利技术设计天线方向图，特别是涉及一种基于机器学习的天线方向图预测方法
。

技术介绍

[0002]天线方向图，又称天线辐射图，是一种用于描述天线在不同方向上辐射能力的表现形式
。
它描述了天线在各个方向上发射或接收电磁波能力的分布情况
。
这个方向图可以在三维空间中描述
。
天线方向图可以帮助理解天线的主瓣
、
副瓣
、
背瓣的方向
。
主瓣是指辐射强度最大的方向，副瓣是指辐射强度小于主瓣但非零的方向，背瓣是指
180
度方向上的瓣
。
[0003]天线的选择和设计，需要考虑到它在特定应用中的使用需求
。
例如，在无线通信中，可能希望天线的辐射主要集中在某一个特定方向，以达到较大的通信距离和较低的干扰
。
[0004]就目前而言，天线方向图获取困难
、
实际部署天线后天线设备老化或实际环境不同导致的方向图和理论值存在误差
、
无法有效利用少量实测天线方向图样本点数据预测真实天线方向图
。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提供一种基于机器学习的天线方向图预测方法，能够通过构建天线方向图的预测模型，并利用迁移学习的方式，只需要少量实测天线方向图样本点数据预测真实天线方向图
。
[0006]本专利技术的目的是通过以下技术方案来实现的：一种基于机器学习的天线方向图预测方法，包括以下步骤：
[0007]S1.
对于已知型号的一个阵列天线，给定多组配置参数
(
具体的配置参数组数由用户自行设定
)
，并在每一组配置参数下确定对应的天线方向增益图，形成样本集；
[0008]设所述阵列天线位于
O
‑
xyz
坐标系，所述配置参数包括天线配置信息
A
i
和波束赋形条件
B
i
；
[0009]所述天线配置信息
A
i
包括阵列的形状
S
i
，天线的几何形状配置参数
G
i
和天线阵子类型
U
i
，其中：
[0010]阵列形状
S
i
不同取值表征不同的阵列形状，所述不同的阵列形状包括线性阵列
、
平面阵列
、
圆柱阵列或球形阵列；
[0011]所述几何形状配置参数
G
i
＝
(M
y
,M
z
,dy,dz,p1,p2)
，其中
M
y
代表
y
轴方向上的天线数量，
M
z
代表
z
轴方向上的天线数量，
dy
表示
y
方向天线单元的排布间隔，
dz
表示
z
方向天线阵子的排布间隔，
p1表示天线阵子的第一个极化方向，
p2表示天线单元的第二个极化方向；
[0012]所述天线阵子类型
U
i
不同取值表征不同的类型；
[0013]以阵列天线中心为原点
O
，沿阵列天线的电磁波辐射方向作一条射线，用于表示阵列天线的朝向方向，该条射线与
z
轴正方向之间的夹角记为
θ
′
，即极角，该条射线在
xoy
平面
的投影线与
x
轴正方向之间的夹角记为
φ
′
，即方位角；
[0014]极角
θ
′
和方位角
φ
′
构成天线的朝向方向
(
θ
′
,
φ
′
)
；
[0015]所述波束赋形条件
B
i
＝
(G
i
,
θ
′
,
φ
′
)。
[0016]所述步骤
S1
包括以下步骤：
[0017]S101.
对于已知型号的一个阵列天线，设给定的一组配置参数
,
包括天线配置信息
A
i
和波束赋形条件
B
i
；
[0018]S102.
将阵列天线放置在
yoz
平面，此时
θ
′
＝
π
/2,
φ
′
＝0；通过天线配置信息
A
i
在阵列天线朝向方向为
(
θ
′
,
φ
′
)
时模拟仿真，获取阵列天线的初始增益
V(
θ
′
，
φ
′
)
；
[0019]S103.
确定当前配置参数对应的天线方向增益图：
[0020]设是给定的任意方向的单位向量，
θ
是方向的单位向量在和
z
轴正方向之间的夹角，
φ
是方向的单位向量在
xOy
平面上的投影与
x
轴正方向之间的夹角；
[0021]针对天线阵列几何形状配置参数
G
i
，计算
y
轴方向的阵列导向矢量
v
y
(
θ
,
φ
)
和
z
轴方向的阵列导向矢量
v
z
(
θ
,
φ
)
：
[0022]v
y
(
θ
,
φ
)
＝
f(M
y
,
θ
,
φ
,
λ
,dy)
[0023]v
z
(
θ
,
φ
)
＝
f(M
z
,
θ
,
φ
,
λ
,dz)
[0024]然后计算阵列天线的阵列导向矢量
a(
θ
,
φ
)
：
[0025][0026]其中
f(
·
)
是通用的阵列导向矢量
(steering vector)
计算函数，
M本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于机器学习的天线方向图预测方法，其特征在于：包括以下步骤：
S1.
对于已知型号的一个阵列天线，给定多组配置参数，并在每一组配置参数下确定对应的天线方向增益图，形成样本集；
S2.
构建神经网络模型，通过样本集中的样本对神经网络进行训练，得到表征天线配置参数到天线方向增益图映射关系的神经网络模型；
S3.
针对制造和使用过程中出现偏差的阵列天线，实测该阵列天线在有限组配置参数下的天线方向增益图，并在神经网络模型的基础上进行迁移学习，得到方向图发生变化的天线的神经网络模型，用于实际天线方向图预测
。2.
根据权利要求1所述的一种基于机器学习的天线方向图预测方法，其特征在于：所述阵列天线采用
MIMO
天线
。3.
根据权利要求2所述的一种基于机器学习的天线方向图预测方法，其特征在于：设所述阵列天线位于
O
‑
xyz
坐标系，所述配置参数包括天线配置信息
A
i
和波束赋形条件
B
i
；所述天线配置信息
A
i
包括阵列的形状
S
i
，天线的几何形状配置参数
G
i
和天线阵子类型
U
i
，其中：阵列形状
S
i
不同取值表征不同的阵列形状，所述不同的阵列形状包括线性阵列
、
平面阵列
、
圆柱阵列或球形阵列；所述几何形状配置参数
G
i
＝
(M
y
，
M
z
，
dy
，
dz
，
p1，
p2)
，其中
M
y
代表
y
轴方向上的天线数量，
M
z
代表
z
轴方向上的天线数量，
dy
表示
y
方向天线阵子的排布间隔，
dz
表示
z
方向天线阵子的排布间隔，
p1表示天线阵子的第一个极化方向，
p2表示天线单元的第二个极化方向；所述天线阵子类型
U
i
不同取值表征不同的类型；以阵列天线中心为原点
O
，沿阵列天线的电磁波辐射方向作一条射线，用于表示阵列天线的朝向方向，该条射线与
z
轴正方向之间的夹角记为
θ
′
，即极角，该条射线在
xoy
平面的投影线与
x
轴正方向之间的夹角记为
φ
′
，即方位角；极角
θ
′
和方位角
φ
′
构成天线的朝向方向
(
θ
′
，
φ
′
)
；所述波束赋形条件
B
i
＝
(G
i
，
θ
′
，
φ
′
)。4.
根据权利要求3所述的一种基于机器学习的天线方向图预测方法，其特征在于：所述步骤
S1
包括以下步骤：
S101.
对于己知型号的一个阵列天线，设给定的一组配置参数，包括天线配置信息
A
i
和波束赋形条件
B
i
；
S102.
将阵列天线放置在
yoz
平面，此时
θ
′
＝
π
/2
，
φ
′
＝0；通过天线配置信息
A
i
在阵列天线朝向方向为
(
θ
′
，
φ
′
)
时模拟仿真，获取阵列天线的初始增益
V(
θ
′
，
φ
′
)
；
S103.
确定当前配置参数对应的天线方向增益图：设是给定的任意方向的单位向量，
θ
是方向的单位向量在和
z
轴正方向之间的夹角，
φ
是方向的单位向量在
xOy
平面上的投影与
x
轴正方向之间的夹角；针对天线阵列几何形状配置参数
G
i
，计算
y
轴方向的阵列导向矢量
v
y
(
θ
，
φ
)
和
z
轴方向的阵列导向矢量
v
z
(
θ
，
φ
)
：
v
y
(
θ
，
φ
)
＝
f(M
y
，
θ
，
φ
，
λ
，
dy)v
z
(
θ
，<...

【专利技术属性】
技术研发人员：黄川，秦晓琦，崔曙光，汪彦丞，蓝万顺，刘大洋，
申请(专利权)人：北京邮电大学中国移动通信集团广东有限公司，
类型：发明
国别省市：