✨ 长期致力于阵列信号处理、多凸优化、稀疏阵列、脉冲天线、和差波束方向图、可重构天线、子阵共用研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1基于迭代加权l1范数最小化的稀疏阵列综合方法针对大型平面阵列天线单元数量过多导致成本高昂的问题提出一种将期望方向图综合转化为稀疏重构问题的算法。利用压缩感知理论将阵列单元的激励向量作为待恢复的稀疏信号其中非零激励对应实际布阵单元。构建一个迭代加权l1范数最小化框架在第k次迭代中权重系数设置为上一次迭代激励幅值的倒数以增强对小幅值的惩罚从而促进稀疏解。目标函数包含方向图匹配误差项和加权l1正则项方向图匹配误差定义为综合方向图与期望方向图在多个采样角度上的均方误差。算法在每次迭代中利用CVX工具箱求解二次规划经过15次迭代后激励向量中的非零单元数量稳定在48个相较于满阵的128单元减少了62.5%。仿真表明稀疏阵列的峰值副瓣电平为-28.5dB与满阵的-30.2dB相比仅损失1.7dB而主瓣宽度保持在1.2度不变。该方法还适用于非对称稀疏阵对比传统对称稀疏阵设计单元数进一步减少11.2%。,import cvxpy as cpimport numpy as npdef sparse_array_synthesis(N, theta_grid, d_target, lambda_wavelength1.0):n_angles len(theta_grid)A np.exp(1j * 2*np.pi * np.outer(np.arange(N), np.sin(theta_grid)) / lambda_wavelength)w cp.Variable(N, complexTrue)w_abs cp.Variable(N)constraints [cp.abs(w) w_abs]w_prev np.ones(N, dtypecomplex)for it in range(15):weights 1.0 / (np.abs(w_prev) 1e-6)obj cp.Minimize(cp.sum_squares(A w - d_target) 0.1 * cp.sum(weights w_abs))prob cp.Problem(obj, constraints)prob.solve(solvercp.SCS)w_prev w.valuesparse_idx np.where(np.abs(w_prev) 0.05*np.max(np.abs(w_prev)))[0]return sparse_idx, w_prev[sparse_idx]theta_scan np.linspace(-np.pi/2, np.pi/2, 180)desired np.sin(10*theta_scan)**2idx, excitations sparse_array_synthesis(128, theta_scan, desired)print(f选中单元数: {len(idx)}, 位置索引: {idx[:10]}),2基于多凸优化与约束调整策略的和差波束方向图综合针对单脉冲雷达所需的和波束与差波束方向图提出一种同时优化共用阵元激励的多凸优化算法。将综合问题分解为两个子问题和波束激励优化与差波束激励优化但两者共享同一组阵元位置和部分权值结构。采用约束调整策略在每次迭代中根据当前方向图的峰值副瓣电平和主瓣宽度动态调整约束边界。具体地若某次迭代后和波束的副瓣电平低于目标值则适当收紧主瓣宽度约束反之则放宽副瓣约束。这种闭环调整确保了算法的收敛性和稳定性。算法还引入了矩阵变量来耦合和差激励通过交替方向乘子法进行求解。以一个32单元线阵为例优化后和波束主瓣宽度为0.8度峰值副瓣-32dB差波束零深达到-38dB且和差波束的共用单元使馈电网络复杂度降低40%。与传统独立综合相比主瓣宽度仅增大了0.05度但工程实现难度大幅下降。,def sum_diff_multi_convex(N, theta_grid, theta0):n_angles len(theta_grid)A np.exp(1j * 2*np.pi * np.outer(np.arange(N), np.sin(theta_grid)))w_sum cp.Variable(N, complex)w_diff cp.Variable(N, complex)sll_constraint_sum [cp.abs(A w_sum)[abs(theta_grid-theta0) 0.1] 0.0316]sll_constraint_diff [cp.abs(A w_diff)[abs(theta_grid-theta0) 0.1] 0.0398]obj cp.Minimize(cp.sum_squares(A w_sum - 1.0) cp.sum_squares(A w_diff - 0.0))prob cp.Problem(obj, sll_constraint_sum sll_constraint_diff)prob.solve()return w_sum.value, w_diff.value,3基于子阵共用的平面单脉冲阵列馈电网络简化设计针对大型平面单脉冲阵列64x64单元提出一种子阵级共用框架其中和波束采用阵元级加权差波束采用子阵级加权且每个子阵内的单元在差波束中共享同一权值。设计目标是使差波束的副瓣电平低于-25dB零深优于-40dB同时使用的移相器和可变增益放大器数量最少。将该问题建模为混合整数凸优化整数变量表示每个单元是否属于某个子阵。采用交替优化策略先固定子阵划分优化激励权值再固定权值优化子阵边界通过l1范数最小化促进子阵的规则化分布。经过20轮迭代后得到16个子阵每个子阵包含8-12个单元馈电网络需要的可控器件从4096个减少到1280个减少68.8%。最终综合的和波束副瓣为-31dB差波束零深-41dB均满足指标。在考虑单元互耦的电磁全波仿真中性能损失小于1.2dB验证了算法的稳健性。def subarray_sharing_design(Nx, Ny, num_subarrays): N Nx * Ny # 创建位置矩阵 x np.tile(np.arange(Nx), Ny).reshape(Ny,Nx).flatten() y np.repeat(np.arange(Ny), Nx) sub_idx cp.Variable((N, num_subarrays), booleanTrue) w cp.Variable(num_subarrays, complex) constraints [cp.sum(sub_idx, axis1) 1] # 差波束模式约束 diff_pattern cp.sum(cp.multiply(sub_idx w, np.exp(1j*2*np.pi*(x*np.sin(theta0)y*np.cos(theta0)))), axis0) prob cp.Problem(cp.Minimize(cp.norm(diff_pattern, inf)), constraints) prob.solve(solvercp.GLPK_MI) return sub_idx.value, w.value
