本發(fā)明涉及通信，尤其涉及一種相控陣天線多波束自動優(yōu)化方法、裝置、設備及存儲介質。
背景技術：
：：1、控陣天線工作模式多，波束數(shù)量多，指向精度要求高，并且需要在地面測試完成后存儲波束控制碼以待輸入波控系統(tǒng)使用，波束控制碼中包含控制波束掃描的饋電組件控制信息，如發(fā)送接收組件饋電幅度衰減控制量、饋電相位移相控制量以及延時放大組件延時控制量等。為完成相控陣天線多波束校準，獲取各波束的波束控制碼，需要采用合適的優(yōu)化方法。因此，如何有效地針對相控陣天線的多波束系統(tǒng)開發(fā)一種全自動化的優(yōu)化方法，以確保在各種復雜的空間環(huán)境下，精確測定并應用各個波束的波束控制碼，從而實現(xiàn)快速準確的波束指向與切換，滿足空間通信和探測任務對高指向精度和多目標追蹤的要求，已越來越成為一個亟需解決的問題。技術實現(xiàn)思路1、本發(fā)明實施例提供一種相控陣天線多波束自動優(yōu)化方法、裝置、設備及存儲介質，能夠實時自適應優(yōu)化相控陣天線多波束，實現(xiàn)了快速準確的波束指向與切換，滿足空間通信和探測任務對高指向精度和多目標追蹤的要求，確保其在復雜多變的空間環(huán)境中始終發(fā)揮最佳效能。2、本發(fā)明一實施例提供一種相控陣天線多波束自動優(yōu)化方法，包括：3、構建基于稀疏編碼和深度神經(jīng)網(wǎng)絡的波束優(yōu)化模型；所述波束優(yōu)化模型用于預測不同波束指向下的最優(yōu)饋電參數(shù)組合，所述波束優(yōu)化模型的輸入層用于接收特征向量，所述波束優(yōu)化模型的輸出層用于預測對應的波束控制碼值；所述波束優(yōu)化模型是基于預先獲取到的相控陣天線的工作數(shù)據(jù)樣本進行訓練的；4、利用強化學習策略對構建好的所述波束優(yōu)化模型進行優(yōu)化，使得所述波束優(yōu)化模型能根據(jù)實際空間環(huán)境和工作狀態(tài)的反饋，自主調整波束控制策略；5、建立一個多任務學習框架，讓所述波束優(yōu)化模型同時學習多個波束之間的相互影響和耦合效應，以實現(xiàn)全局最優(yōu)解；6、將訓練好的所述波束優(yōu)化模型部署到星載衛(wèi)星中，以使得訓練好的所述波束優(yōu)化模型根據(jù)所述星載衛(wèi)星當前的相控陣天線的工作參數(shù)來輸出最優(yōu)的波束控制碼，從而使得星載衛(wèi)星基于所述最優(yōu)的波束控制碼控制相控陣天線的工作。7、作為上述方案的改進，所述構建基于稀疏編碼和深度神經(jīng)網(wǎng)絡的波束優(yōu)化模型，包括：8、初始化基于稀疏編碼和深度神經(jīng)網(wǎng)絡的波束優(yōu)化模型；初始化的波束優(yōu)化模型的模型架構包括輸入層、隱藏層和輸出層；其中，輸入層用于接收特征向量；隱藏層的第一層為稀疏編碼層，編碼維度設為原始特征向量長度的1/4，激活函數(shù)采用硬閾值函數(shù)，保持輸入的稀疏性，后續(xù)隱藏層為3個全連接層，每層節(jié)點數(shù)分別為512、256、128，激活函數(shù)均為relu；輸出層用于預測對應波束指向下的波束控制碼值；初始化的波束優(yōu)化模型的優(yōu)化器選用了adam優(yōu)化器，設置學習率為0.001；損失函數(shù)設定為：9、nbeams為波束總數(shù)，為各控制碼損失項的權重；10、獲取到的相控陣天線的工作數(shù)據(jù)樣本進行特征提；所述工作數(shù)據(jù)樣本包括：波束指向掃描角度和饋電參數(shù)，饋電參數(shù)包括：注入信號功率、透射功率、饋電幅度ai和饋電相位11、應用深度學習特征提取技術，對所述工作數(shù)據(jù)樣本進行特征提取，得到對應的特征向量：關鍵特征包括：發(fā)送接收組件的電氣特性曲線、波束形狀參數(shù)和空間分布關系；12、將特征向量與實際測量的波束控制碼值配對，劃分為訓練集和驗證集；13、將訓練集劃分為多個小批量，進行mini-batch梯度下降，每次迭代，從訓練集中隨機抽取一個批量數(shù)據(jù)送入模型進行前向傳播；14、計算模型在當前批量訓練集上輸出的預測控制碼，并計算損失函數(shù)值；15、根據(jù)損失函數(shù)的梯度，通過反向傳播算法計算模型參數(shù)的梯度；16、利用adam優(yōu)化器根據(jù)梯度更新模型參數(shù)；17、每經(jīng)過預定次數(shù)的迭代，使用驗證集評估模型性能；如果驗證集性能不再提升或達到預設的停止條件，則終止對所述波束優(yōu)化模型的訓練。18、作為上述方案的改進，所述應用深度學習特征提取技術，對所述工作數(shù)據(jù)樣本進行特征提取，得到對應的特征向量，包括：19、針對每個發(fā)送接收組件，使用插值法擬合其在不同波束指向下的饋電幅度衰減曲線ai(θ,φ)和饋電相位移相曲線φi(θ,φ)兩者，并計算兩者隨時間的動態(tài)變化率，得到電氣特性變化曲線；20、對于每個波束指向掃描角度，根據(jù)透射功率計算波束增益gj，從而得到波束形狀參數(shù)：21、ptransmitj為透射功率，pinjected為注入信號功率；22、利用三維繪圖軟件，根據(jù)波束指向數(shù)據(jù)繪制波束覆蓋范圍圖，明確相鄰波束交疊區(qū)域，從而得到所述空間分布關系。23、作為上述方案的改進，所述利用強化學習策略對構建好的所述波束優(yōu)化模型進行優(yōu)化，使得所述波束優(yōu)化模型能根據(jù)實際空間環(huán)境和工作狀態(tài)的反饋，自主調整波束控制策略，包括：24、定義強化學習環(huán)境；其中，通過以下方式定義強化學習的狀態(tài)：其中，θ為當前波束的方位角，表示波束在水平面上的指向；φ為當前波束的俯仰角，表示波束在垂直面上的指向；為第i個發(fā)送接收組件的饋電幅度，反映天線在該組件處的信號強度；t為環(huán)境溫度，表征影響天線材料的電氣性能和發(fā)送接收組件的穩(wěn)定性；n為空間噪聲水平，包表征影響通信質量和波束檢測準確性；通過以下方式定義強化學習的動作：其中，δai為第i個發(fā)送接收組件的饋電幅度調整量，用于校正幅度失配或優(yōu)化波束指向；為第i個發(fā)送接收組件的饋電相位調整量，用于調整波束指向或改善波束形狀；δtk為第k個延時放大組件的延時控制量(delaycontro?l，用于精確控制信號到達各發(fā)送接收組件的時間差，進而調整波束指向；通過以下方式定義強化學習的獎勵函數(shù)：r＝f(g,hpbw,sll,preflect,ptransmit,ntotal)其中，g為波束增益，反映天線將能量集中到主瓣的能力；hpbw為半功率波束寬度，表征波束的聚焦程度；sll為旁瓣電平，衡量波束副瓣對主瓣的影響；preflect為反射功率，表示天線向后散射的能量；ptransmit為透射功率，即有效發(fā)射到指定方向的功率；ntotal為總噪聲功率，反映系統(tǒng)信噪比；其中，獎勵函數(shù)的具體公式設定為：其中，wg，whpbw，wsll，是權重系數(shù)，用于平衡不同性能指標對獎勵函數(shù)的貢獻；25、創(chuàng)建一個表格q-table，其大小為狀態(tài)空間大小(|s|)乘以動作空間大小(|a|)，所有元素初始值設為0；q-table用于存儲在每個狀態(tài)s下執(zhí)行每個動作a的預期累積獎勵；26、根據(jù)當前狀態(tài)s，根據(jù)ε-greedy策略從q-table中選擇一個動作a執(zhí)行；27、在相控陣天線上執(zhí)行選定的動作，觀測到新的狀態(tài)s′和獲得的即時獎勵r；28、按照以下設定的q-learning更新規(guī)則更新q-table中的對應項：29、其中，α為學習率，控制新經(jīng)驗對已有q-value的影響程度，α＝0.1；γ是折扣因子，決定對未來獎勵的重視程度，γ＝0.9。30、作為上述方案的改進，所述建立一個多任務學習框架，讓所述波束優(yōu)化模型同時學習多個波束之間的相互影響和耦合效應，以實現(xiàn)全局最優(yōu)解，包括：31、在所述波束優(yōu)化模型的模型結構中，為多波束設置共享的隱藏層，該共享的隱藏層包括稀疏編碼層與前兩個全連接層，該共享的隱藏層用于學習共性的波束形成規(guī)律；32、為每個波束設置獨立的輸出層，預測各自的波束控制碼；33、在預測新波束控制碼時，通過注意力機制考慮其他波束的狀態(tài)，以實現(xiàn)全局最優(yōu)解；注意力機制實現(xiàn)過程包括：34、對于第j個波束的控制碼預測，引入一個注意力向量aj來加權融合其他波束的狀態(tài)信息：其中，nbeams為波束總數(shù)，表示系統(tǒng)中可以獨立控制的波束數(shù)量；hi為第i個波束對應的隱藏層輸出向量，包含了該波束在模型內部學習到的特征表示；w為可學習的注意力權重向量，用于計算每個波束隱藏層輸出向量的注意力得分，經(jīng)過softmax函數(shù)歸一化后，形成對其他波束信息的加權組合；softmax(·)為歸一化函數(shù)，將權重向量與隱藏層輸出向量的點積結果轉換為概率分布，確保加權和為1；35、將加權后的注意力向量aj與當前波束j的隱藏層輸出向量hi拼接，作為新的輸入傳遞給獨立輸出層，預測波束j的控制碼：分別為第j個波束的饋電幅度調整量、饋電相位調整量和延時控制量預測值，outputlayer表示模型的最后一層神經(jīng)網(wǎng)絡，負責將拼接后的向量轉化為控制碼預測；36、在訓練過程中，通過以下方式同時更新共享的底層特征層和獨立的輸出層參數(shù)：使用多任務學習策略，將多個波束的控制碼預測作為不同的子任務，共同優(yōu)化一個損失函數(shù)：，37、其中，l為總損失函數(shù)，用于衡量模型在所有波束控制碼預測任務上的表現(xiàn)；mse為均方誤差函數(shù)，用于計算模型預測值與真實值之間的差異；分別為模型預測的第j個波束的饋電幅度調整量、饋電相位調整量和延時控制量；分別為真實的第j個波束的饋電幅度調整量、饋電相位調整量和延時控制量。38、作為上述方案的改進，所述將訓練好的所述波束優(yōu)化模型部署到星載衛(wèi)星中，以使得訓練好的所述波束優(yōu)化模型根據(jù)所述星載衛(wèi)星當前的相控陣天線的工作參數(shù)來輸出最優(yōu)的波束控制碼，包括：39、獲取波束j當前的狀態(tài)信息和其他波束的狀態(tài)信息；狀態(tài)信息包括：波束指向掃描角度和饋電參數(shù)，饋電參數(shù)包括：注入信號功率、透射功率、饋電幅度ai和饋電相位40、將所有其他波束的狀態(tài)信息作為所述波束優(yōu)化模型的輸入，通過共享的底層特征層進行特征提取，得到每個其他波束對應的隱藏層輸出向量hi(i≠j)；41、對每個其他波束的隱藏層輸出向量hi，利用訓練過程中設定好的注意力權重wi向量進行點積，并通過softmax函數(shù)歸一化，得到注意力得分αi：αi＝softmax(wthi)；42、根據(jù)注意力得分對其他波束的隱藏層輸出向量進行加權求和，生成波束j的注意力向量aj：nbeams為波束總數(shù)；43、將波束j的當前狀態(tài)對應的隱藏層輸出向量hi與計算得到的注意力向量aj拼接，形成新的輸入向量：44、將拼接后的輸入向量送入所述波束優(yōu)化模型的獨立輸出層outputlayer，通過神經(jīng)網(wǎng)絡計算得到波束j的控制碼調整量：45、根據(jù)預測的控制碼調整量，調整波束j的實際饋電幅度aj和相位aj←aj+△aj46、47、根據(jù)延時控制量δtj調整與波束j關聯(lián)的延時放大組件的延時；48、最后通過訓練好的所述波束優(yōu)化模型在訓練過程中預先設置好的多任務學習策略優(yōu)化所有波束的整體性能。49、本發(fā)明另一實施例對應提供了一種相控陣天線多波束自動優(yōu)化裝置，包括：50、構建模塊，用于構建基于稀疏編碼和深度神經(jīng)網(wǎng)絡的波束優(yōu)化模型；所述波束優(yōu)化模型用于預測不同波束指向下的最優(yōu)饋電參數(shù)組合，所述波束優(yōu)化模型的輸入層用于接收特征向量，所述波束優(yōu)化模型的輸出層用于預測對應的波束控制碼值；所述波束優(yōu)化模型是基于預先獲取到的相控陣天線的工作數(shù)據(jù)樣本進行訓練的；51、優(yōu)化模塊，用于利用強化學習策略對構建好的所述波束優(yōu)化模型進行優(yōu)化，使得所述波束優(yōu)化模型能根據(jù)實際空間環(huán)境和工作狀態(tài)的反饋，自主調整波束控制策略；52、建立模塊，用于建立一個多任務學習框架，讓所述波束優(yōu)化模型同時學習多個波束之間的相互影響和耦合效應，以實現(xiàn)全局最優(yōu)解；53、應用模塊，用于將訓練好的所述波束優(yōu)化模型部署到星載衛(wèi)星中，以使得訓練好的所述波束優(yōu)化模型根據(jù)所述星載衛(wèi)星當前的相控陣天線的工作參數(shù)來輸出最優(yōu)的波束控制碼，從而使得星載衛(wèi)星基于所述最優(yōu)的波束控制碼控制相控陣天線的工作。54、本發(fā)明另一實施例提供了一種相控陣天線多波束自動優(yōu)化系統(tǒng)，包括處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執(zhí)行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)上述發(fā)明實施例所述的相控陣天線多波束自動優(yōu)化方法。55、本發(fā)明另一實施例提供了一種存儲介質，所述計算機可讀存儲介質包括存儲的計算機程序，其中，在所述計算機程序運行時控制所述計算機可讀存儲介質所在設備執(zhí)行上述發(fā)明實施例所述的相控陣天線多波束自動優(yōu)化設備方法。56、相比于現(xiàn)有技術，本發(fā)明實施例具有如下有益效果：57、本發(fā)明實施例首先通過構建基于稀疏編碼和深度神經(jīng)網(wǎng)絡的波束優(yōu)化模型，該模型通過接收包含相控陣天線工作狀態(tài)特征的向量作為輸入，預測不同波束指向下的最優(yōu)饋電參數(shù)組合，并輸出對應的波束控制碼值。模型基于預先獲取的相控陣天線工作數(shù)據(jù)樣本進行訓練，確保其具備實際場景適應能力。接著，利用強化學習策略對構建好的波束優(yōu)化模型進行優(yōu)化，使模型能夠根據(jù)實際空間環(huán)境和工作狀態(tài)的反饋，自主調整波束控制策略，實現(xiàn)動態(tài)適應性和自學習能力。此外，通過建立一個多任務學習框架，使波束優(yōu)化模型同時學習多個波束之間的相互影響和耦合效應，確保模型在優(yōu)化單個波束性能的同時，兼顧整體系統(tǒng)的全局最優(yōu)解。最后，將訓練好的波束優(yōu)化模型部署至星載衛(wèi)星，使其根據(jù)當前相控陣天線的工作參數(shù)實時輸出最優(yōu)的波束控制碼，指導衛(wèi)星基于此控制碼精確控制相控陣天線工作，實現(xiàn)快速準確的波束指向與切換。由上分析可知，本發(fā)明實施例能夠實時自適應優(yōu)化相控陣天線多波束的工作，確保在復雜多變的空間環(huán)境中始終保持最佳效能，有效滿足空間通信和探測任務對高指向精度和多目標追蹤的要求。當前第1頁12當前第1頁12