(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110327755.2 (22)申请日 2021.03.26 (65)同一申请的已公布的文献号 申请公布号 CN 112906308 A (43)申请公布日 2021.06.04 (73)专利权人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 高正平　赵淑民　 (74)专利代理 机构 电子科技大 学专利中心 51203 代理人 周刘英 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/25(2020.01) G06N 3/00(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06N 3/12(2006.01) G06F 111/06(2020.01) (56)对比文件 US 2011032149 A1,201 1.02.10 CN 111276822 A,2020.0 6.12 CN 107357962 A,2017.1 1.17 CN 111430903 A,2020.07.17 冯艳香.基 于BP网络和遗传算法的GP S微带 天线优化技术研究. 《万方数据》 .2012, 陈伶璐.反射 面型脉冲辐射天线的快速优化 方法研究. 《中国博士学位 论文全文数据库 (信 息科技辑)》 .2015,(第1 1期), AlSabbagh, H.M等.The design of fractal anten nas for UWB usi ng MoM. 《201 1 Loughborough Anten nas & Propa gation Conference》 .201 1, 审查员 刘晓丹 (54)发明名称 一种天线罩辐射特性快速预示方法、 设备及 存储介质 (57)摘要 本发明公开了一种天线罩辐射特性快速预 示方法、 设备及存储介质， 属于雷达天线技术领 域。 本发明方法为： 获取训练数据集， 且每条训练 数据包括天线辐射的状态参数和天线辐射特性； 并对每条状态 参数进行归一化处理， 得到一个训 练样本， 且 所述训练样本的样 本标签为对应的天 线辐射特性， 从而得到训练样本集； 基于训练样 本集对基于BP神经网络的辐射特性预测模型进 行网络参数训练； 实时获取当前的状态参数， 并 对其进行归一化处理后输入辐射特性预测模型， 得到天线辐射特性预测结果。 同时， 本发明还公 开了对应该方法的设备以及存储介质。 本发明能 实现对当前天线辐射的状态参数下的天线辐射 特性的实时预测， 从而实时为导弹制导控制系统提供准确的制导信息 。 权利要求书3页 说明书10页 附图2页 CN 112906308 B 2022.05.03 CN 112906308 B 1.一种天线罩辐射特性快速预示方法， 其特 征在于， 所述方法包括： 获取训练数据集， 所述训练数据集中的每条训练数据包括天线辐射的状态参数和天线 辐射特性， 所述状态参数至少包括天线的激励频率、 极化方式、 扫描角度， 电磁波入射时的 入射角度、 极化角度， 天线罩的曲率、 厚度、 相对介电常数、 损耗正切角， 天线的方向图角， 以 及无罩时的天线辐射方向图； 对训练数据集中的每条状态参数进行归一化处理， 得到一个训练样本， 且所述训练样 本的样本标签为对应的天线辐射特性， 从而得到训练样本集； 基于训练样本集对辐射特性预测模型进行网络参数训练， 所述辐射特性预测模型包括 顺次连接 输入层、 至少一层隐含层和输出层； 实时获取当前的状态参数， 并对其进行归一化处理后输入辐射特性预测模型， 得到天 线辐射特性预测结果。 2.如权利要求1所述的方法， 其特征在于， 所述归一化处理具体 为： 其中， e表示状态参数归一化之前的值， min、 max分别表 示训练数据集的每种状态 参数中的最小和 最大值， I表示归一 化处理后的状态参数值。 3.如权利要求1所述的方法， 其特 征在于， 所述天线辐射特性 为天线增益。 4.如权利要求1所述的方法， 其特征在于， 所述辐射特性预测模型的网络参数的初始值 的设置采用自适应遗传算法， 包括： (1‑1)、 初始化群 体： 对辐射特性预测模型的网络参数进行排列， 将排列结果作为种群的个体的染色体的基 因表示， 并基于所述染色体的基因表示， 随机生成一定规模的初始种群； (1‑2)、 计算个 体的适应度： 对于种群中的任意一个个体r， 其个体的适应度 为 其中， MSEr表示基于第 r个个体的染色体的基因表示作为辐射特性预测模型的当前网络参数的当前预测值与样本 标签之间的均方误差； (1‑3)、 对当前种群进行选择、 交叉和变异操作， 生成新的个 体； 其中， 进行选择操作时的个 体选择算子为： 对当前代种群中的所有个 体按照其 适应度进行升序排序； 按照轮盘赌法计算第r个 个体的选择概 率： 其中， M表示种群的数量； 进行交叉操作时， 采用单点交叉， 且基因 交叉算子为： 定义待进行交换的两个父代个体染色体分别为 则交叉操作后得到的子代个 体的染色体为 其中， n表示当前种群繁衍的代数， α 为在(0,1)之间的符合均匀分布的随机数；权　利　要　求　书 1/3 页 2 CN 112906308 B 2进行变异操作时的基因变异算子为： 定义变异操作的位置索引为i， 变异之前的基因为gi， 则变异后的基因为： g ′i＝gi,min+λ (gi,max‑gi,min)， 其中， gi,min、 gi,max分别表示基因位置i处可以取到的最小和最大值， λ为在(0, 1)之间的符合均匀分布的随机数； 且将交叉操作时的交叉概 率Fc和变异操作时变异概 率Fm设置为： 其中， fmax表示当代种群中的最大适应度 值， favg表示当代种群的个体平均适应度 值， f′ 表示待交叉 的两个个体中较大的适应度， f ″表示变异个体的适应度值， 参数E1、 E2、 E3、 E4的 取值范围为(0,1)； (1‑4)、 确定是否 达到预置的收敛 条件， 若是， 则执 行步骤(1 ‑5)； 否则， 返回(1 ‑2)； (1‑5)、 基于当前代的种群 中的适应度最大的个体的染色体上基因对应的网络参数值， 得到所设置的辐射特性预测模型的网络参数的初始 值， 即得到层间权重和对应阈值的初始 值。 5.如权利 要求4所述的方法， 其特征在于， 步骤(1 ‑4)中的收敛条件为： 遗传代数达到预 设的代数 上限或者种群中最佳个 体的适应度达 到指定值。 6.如权利要求1至5任一所述的方法， 其特征在于， 所述基于训练样本集对辐射特性预 测模型进行网络参数训练包括： (2‑1)、 初始化 参数： 初始化一定数量的粒子， 初始的粒子群， 将粒子群中任意一个粒子i的初始粒子位置 初始粒子速度 其中D表示粒子位置的数据维 度， 取值对应辐射特性预测模型进行网络参数的总个数； 其中， 初始粒子位置 基于辐射特性预测 模型的网络参数的初始值得到， 初始粒子速 度 在(0,1)之间随机生成； 初始化惯性因子ω的初始值ωmax和最终值ωmin， 且ωmax和ωmin的取值范围为(0,1)， ωmax大于ωmin； 以及初始化两个加速度系数c1、 c2， 最大迭代次数itermax； 确定粒子的个体极值Pi和粒子群的全局极值PG， 其中Pi＝(Pi1,Pi2,...,PiD)表示粒子i 到当前迭代为止搜索到的最优位置， PG＝(PG1,PG2,...,PGD)表示整个粒子群到当前迭代为 止搜索到的最优位置， 搜索最优位置时搜索范围中的最大粒子适应度所对应的粒子位置即 为最优位置； 其中， 粒子适应度为对应的辐射特性预测模型的当前预测值与样本标签之间的均 方误 差； (2‑2)、 基于设置的粒子参数 更新策略更新每 个粒子位置和速度， 以及惯性因子： 位置和速度的更新策略为： 权　利　要　求　书 2/3 页 3 CN 112906308 B 3