【技术实现步骤摘要】
本专利技术涉及无线通信领域，具体涉及一种基于多目标代理模型的介质加载型轨道角动量天线阵列的设计方法。
技术介绍
1、无线电技术的快速发展要求增加频谱分配，但是通信系统的频谱资源日益稀缺。不同模态的oam波束彼此正交且携带一个独立的信道空间，可以减少信号串扰，提高频谱利用率。
2、均匀圆阵列(uca)因结构简单，可以产生多模态等优点常被用来产生涡旋波，模态数l和阵元数n的关系为：|l|＜n/2。模态数的增多伴随着天线单元数目增多，阵列空间有限时，阵元间距变窄，导致强烈的相互耦合。
3、在天线上方加载一块介质，可以操纵电磁波的散射来减少天线阵列单元之间的耦合以增强天线隔离度。但是介质板的引入会破坏天线阵列的阻抗匹配，同时增加了结构的复杂性。共同模拟介质表面和天线阵列导致全波仿真的迭代时间延长。因此，快速设计一个令人满意的介质加载型轨道角动量天线阵列是一项具有挑战性的任务。
技术实现思路
1、本专利技术的目的在于提供一种基于多目标代理模型的介质加载型轨道角动量天线阵列的设计方法，从而加速天线阵列的设计过程。
2、实现本专利技术目的的技术解决方案为：一种基于多目标代理模型的介质加载型轨道角动量天线阵列的设计方法，基于反向传播神经网络建立一个忽略非相邻天线单元之间相互耦合效应的简约式s矩阵的多目标代理模型，该方法包括：训练样本的收集，对样本集进行分类，搭建基于反向传播神经网络的多目标代理模型并训练，调用遗传算法寻找全局最优值，通过仿真验证判断是否满足设计指
3、进一步的，介质加载型轨道角动量天线阵列中每个天线单元都会受到其他单元的影响，6个天线单元呈环形排列，非相邻天线单元的距离较远，产生的耦合影响较小。
4、进一步的，6个天线单元产生的s参数矩阵包含36个s参数值，为降低数据集中输出数据的维度，节省计算时间，主要考虑相邻天线单元之间的影响，忽略非相邻天线单元之间相互耦合效应，进行子阵列划分，每个子阵列仅计算3个s参数，则该s矩阵的计算目标降为18个。
5、进一步的，介质加载型轨道角动量天线阵列关于y轴对称，s参数的关系为：sij＝sji，s矩阵的计算目标降低为12个。
6、进一步的，利用k-means聚类算法对数据集按特征变量进行分类，三个特征变量分别为：s11、s21和增益。
7、进一步的，对数据集中的每组样本标注类别编号，相同编号的样本进入同一个子网络模型进行学习，每个子网络模型进一步拆分为多路并行的多输入单输出的三层前馈神经网络模型，通过全连接层将单目标代理模型集成为多目标代理模型，模型的输入为待优化的天线参数，输出为s矩阵。
8、进一步的，用遗传算法调用代理模型寻找最优天线参数，通过全波仿真进行计算验证，判断整个s参数矩阵是否满足设计指标，满足，则结束整个设计流程。
9、不满足设计指标时，需要收集验证数据为新增样本，然后将新增样本输入到已经训练好的网络模型，如果网络的预测值与真实值在误差容许范围之内，则无需重新训练该模型；否则，对新增样本进行重新分类，判断其类别。
10、进一步的，新增样本所属类别对应的子网络模型重新训练，其他的子网络模型无需参与训练，用遗传算法对微调后的网络模型进行寻优，并重复以上步骤直至满足设计要求
11、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述方法的步骤。
12、与现有技术相比，本专利技术的显著优点为：该多目标替代模型主要考虑相邻天线单元间的互耦影响，忽略非相邻天线单元间的相互耦合效应，将s矩阵中的36个参数简化为12个待优化的指标，数据集的维度减小，节约计算时间。通过样本划分，每个子网络都只对所划分的子空间样本进行训练，由于子样本远远小于原数据样本，而且各个子网络可以多路并行学习，大大提升了整个网络模型的运算速度。在模型微调阶段，收集到的大部分新增样本分类后一般只属于一个或者几个子样本，只需对相应的子网络模型进行重新训练，其他子网络模型的训练结果得以保留，因此可以减少重新训练的时间，加快天线阵列的设计进程。
本文档来自技高网...【技术保护点】
1.一种基于多目标代理模型的介质加载型轨道角动量天线阵列的设计方法，其特征在于，基于反向传播神经网络建立一个忽略非相邻天线单元之间相互耦合效应的简约式S矩阵的多目标代理模型，该方法包括：训练样本的收集，对样本集进行分类，搭建基于反向传播神经网络的多目标代理模型并训练，调用遗传算法寻找全局最优值，通过仿真验证判断是否满足设计指标，将验证样本收集后进行分类，并对该基于反向传播神经网络的多目标代理模型的部分子网络进行微调。
2.根据权利要求1所述的基于多目标代理模型的介质加载型轨道角动量天线阵列的设计方法，其特征在于，介质加载型轨道角动量天线阵列中，6个天线单元呈环形排列。
3.根据权利要求2所述的基于多目标代理模型的介质加载型轨道角动量天线阵列的设计方法，其特征在于，6个天线单元产生的S参数矩阵包含36个S参数值，忽略非相邻天线单元之间相互耦合效应，进行子阵列划分，每个子阵列仅计算3个S参数，则该S矩阵的计算目标降为18个。
4.根据权利要求3所述的基于多目标代理模型的介质加载型轨道角动量天线阵列的设计方法，其特征在于，介质加载型轨道角动量天线阵列
5.根据权利要求1所述的基于多目标代理模型的介质加载型轨道角动量天线阵列的设计方法，其特征在于，利用K-Means聚类算法对数据集按特征变量进行分类，三个特征变量分别为：S11、S21和增益。
6.根据权利要求5所述的基于多目标代理模型的介质加载型轨道角动量天线阵列的设计方法，其特征在于，对数据集中的每组样本标注类别编号，相同编号的样本进入同一个子网络模型进行学习，每个子网络模型进一步拆分为多路并行的多输入单输出的三层前馈神经网络模型，通过全连接层将单目标代理模型集成为多目标代理模型，模型的输入为待优化的天线参数，输出为S矩阵。
7.根据权利要求1所述的基于多目标代理模型的介质加载型轨道角动量天线阵列的设计方法，其特征在于，用遗传算法调用代理模型寻找最优天线参数，通过全波仿真进行计算验证，判断整个S参数矩阵是否满足设计指标，满足，则结束整个设计流程。
8.根据权利要求7所述的基于多目标代理模型的介质加载型轨道角动量天线阵列的设计方法，其特征在于，不满足设计指标时，需要收集验证数据为新增样本，然后将新增样本输入到已经训练好的网络模型，如果网络的预测值与真实值在误差容许范围之内，则无需重新训练该模型；否则，对新增样本进行重新分类，判断其类别。
9.根据权利要求8所述的基于多目标代理模型的介质加载型轨道角动量天线阵列的设计方法，其特征在于，新增样本所属类别对应的子网络模型重新训练，其他的子网络模型无需参与训练，用遗传算法对微调后的网络模型进行寻优，并重复以上步骤直至满足设计要求。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-9中任一所述的方法的步骤。
...【技术特征摘要】
1.一种基于多目标代理模型的介质加载型轨道角动量天线阵列的设计方法，其特征在于，基于反向传播神经网络建立一个忽略非相邻天线单元之间相互耦合效应的简约式s矩阵的多目标代理模型，该方法包括：训练样本的收集，对样本集进行分类，搭建基于反向传播神经网络的多目标代理模型并训练，调用遗传算法寻找全局最优值，通过仿真验证判断是否满足设计指标，将验证样本收集后进行分类，并对该基于反向传播神经网络的多目标代理模型的部分子网络进行微调。
2.根据权利要求1所述的基于多目标代理模型的介质加载型轨道角动量天线阵列的设计方法，其特征在于，介质加载型轨道角动量天线阵列中，6个天线单元呈环形排列。
3.根据权利要求2所述的基于多目标代理模型的介质加载型轨道角动量天线阵列的设计方法，其特征在于，6个天线单元产生的s参数矩阵包含36个s参数值，忽略非相邻天线单元之间相互耦合效应，进行子阵列划分，每个子阵列仅计算3个s参数，则该s矩阵的计算目标降为18个。
4.根据权利要求3所述的基于多目标代理模型的介质加载型轨道角动量天线阵列的设计方法，其特征在于，介质加载型轨道角动量天线阵列关于y轴对称，s参数的关系为：sij＝sji，s矩阵的计算目标降低为12个。
5.根据权利要求1所述的基于多目标代理模型的介质加载型轨道角动量天线阵列的设计方法，其特征在于，利用k-means聚类算法对数据集按特征变量进行分类，三个特征变量分别为：s11、s21和增益。
6.根据权利要...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。