(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 202111678592.9 (22)申请日 2021.12.31 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市雁塔区太白南 路2号 (72)发明人 公茂果　蒲彦　张明阳　姜文　 胡伟　蒋汾龙　郑翰泓　高雨辰　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 代理人 姚咏华 (51)Int.Cl. G06N 3/063(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于多层感知神经网络的相控阵驱动 方法 (57)摘要 本发明公开了一种基于多层感知神经网络 的相控阵驱动方法， 包括期望方向图参数输入， 多层感知神经网络模型构建， 阵元驱动参数输 出， 计算输出波形方向图， 损失代价计算评估方 向图是否达标。 通过对目标方向图自身的监督学 习完成网络参数的生成， 最终学习完成的多层感 知神经网络模型能够在多种复杂场景下实现目 标方向图对应阵元参数的实时生成， 从而达到相 控阵天线智能驱动的目的。 通过构建目标方向图 与阵元参数间的映射关系， 实现多场景下目标方 向图对应阵元参数的实时生 成能力， 以解决传统 波束形成方法单一性高、 生成时间代价大的问 题。 权利要求书2页 说明书6页 附图2页 CN 114330695 A 2022.04.12 CN 114330695 A 1.一种基于多层感知神经网络的相控阵驱动方法， 其特 征在于， 包括： 通过已知场景条件Ck和约束参数构造期望波形方向图向量X作为多层感知神经网络输 入； 构造多层感知神经 网络模型， 建立期望波形方向图向量X与阵元参数Ii和βi之间的映射 关系； 初始化网络权重参数Wi， 按照全连接的方式连接网络各层， 根据输入方向图向量X生成 相控阵阵元参数Ii和βi； 根据生成的阵元参数Ii和βi， 计算相应波形 方向图 通过复合损失函数LFinal计算生成方向图 与期望方向图X 之间的误差， 通 过随机梯 度下降对多层感知神经网络的权值Wi进行更新， 直至误差收敛或达到最大迭代次数， 即生 成的波形 方向图达标； 输出生成波形 方向图对应的阵元参数Ii和βi， 实现对相控阵天线的驱动。 2.根据权利要求1所述的基于多层感知神经网络的相控阵驱动方法， 其特征在于， 所述 约束参数包括相控阵天线的方向θ、 副瓣SL L和波束宽度D。 3.根据权利要求1所述的基于多层感知神经网络的相控阵驱动方法， 其特征在于， 所述 已知场景条件Ck分别对应包括宽角扫描、 波宽控制、 旁瓣抑制、 自适应零陷和余割平方波形 实际应用场景。 4.根据权利要求2所述的基于多层感知神经网络的相控阵驱动方法， 其特征在于， 通过 已知场景 条件Ck和约束参数构造期望波形 方向图向量X为： X＝Ck·f( θ， SLL， D) (1)。 5.根据权利要求1所述的基于多层感知神经网络的相控阵驱动方法， 其特征在于， 构造 多层感知神经网络模型， 建立期望方向图向量X与阵元参数Ii和βi之间的映射关系， 网络中 每层神经 元输出关系为： 式中， Wi为神经元权重参数， g为激励函数， m为每层神经 元个数。 6.根据权利要求1所述的基于多层感知神经网络的相控阵驱动方法， 其特征在于， 随机 初始化模型参数权 重Wi， 网络各层 如下： 输入层： 输入数据采样数量大小为S， 输出神经 元个数为2n， 激活函数为PReLU； 隐藏层一： 输入神经 元个数为2n， 输出神经 元个数为2n‑1， 激活函数为PReLU； 隐藏层二： 输入神经 元个数为2n‑1， 输出神经 元个数为2n‑2， 激活函数为PReLU； 输出层： 输入神经元个数为2n‑2， 输出数据阵元单位数量大小为2N， 激活函数为 Sigmoid。 7.根据权利要求6所述的基于多层感知神经网络的相控阵驱动方法， 其特征在于， 网络 层的层与层之间的神经 元连接方式为全连接， 网络深度参数n与阵元 数量N之间的关系为： n＝2 log2N (3)。 8.根据权利要求1所述的基于多层感知神经网络的相控阵驱动方法， 其特征在于， 根据 阵元参数生成相应波形 方向图， 波形 方向图与阵元参数间的关系为：权　利　要　求　书 1/2 页 2 CN 114330695 A 2式中， xi， yi和zi为相控阵天线单位的位置 分布， 为阵元自身 方向图， K为传播常 数， j为虚数单位； 为生成的辐射方向图， θ和 分别为俯仰面和方位面内的角度参 数。 9.根据权利要求1所述的基于多层感知神经网络的相控阵驱动方法， 其特征在于， 通过 损失函数评估生成方向图 与期望方向图X之间的误差， 复合损失函数LFinal为： LFinal＝α LReLU+β LMSE+γLMSE (5) 式中， LReLU为ReLU损失函数， LMSE为均方方差损失函数， α， β 和γ为权 重参数； LReLU计算关系为： 式中， ReLU为线性整流激活函数， 为网络中第i个神经 元的期望 输出， n为神经元个数； LMSE计算关系为： 式中， Yi为网络中第i个神经 元的输出， 而 为网络中第i个神经 元的期望 输出。 10.根据权利要求1所述的基于多层感知神经网络的相控阵驱动方法， 其特征在于， 通 过损失函数LFinal计算梯度方向， 按照负梯度方向中第i个更新模型权重参数Wi， 更新公式 为： 式中， t为迭代次数， gt为损失函数梯度， wt+1为更新后的权 重参数， η为更新 率； 对于输出层神经 元权值的更新公式为： 式中， δk为输出层第k个神经元的迭代误差， ek为输出层第k个神经元的算术误差， Oj为 输出层第j个输出； 对隐藏层神经 元权值更新公式为： 式中， δj为第j个神经 元的学习误差， 为更新后的隐藏层权 重参数。权　利　要　求　书 2/2 页 3 CN 114330695 A 3