遺傳算法綜合智能天線的賦形波束

趙福玲 王永軍 何紹林 聶賀峰

(中國電波傳播研究所,山東 青島 266107)

1.引 言

隨著無線移動通信事業的飛速發展,人們對移動通信的需求也不斷擴大。智能天線可以提高無線通信系統的性能,因此受到了廣泛關注。智能天線技術是一種構建在天線設計和信號處理技術基礎之上的綜合技術。它能夠實時地感知空間信號環境的變化,從而動態地優化接收或發送波束,以求達到最佳的信號接收性能。

自適應天線的波束賦形就是尋找可實現期望方向的陣列單元的激勵幅相,而且獲得的激勵幅度應保證饋電網絡易于實現。影響饋電網絡耦合度的主要因素是陣列相鄰單元的激勵幅度之比。幅度越小,饋電網絡的耦合度就越小,性能也就越好。

賦形波束的綜合中,遺傳算法具有很大的吸引力,它是一種全局優化技術。通過遺傳算法,可以發現最優化的結果,或者是很接近最優結果的解。由于余割形賦形波束是一種具有低副瓣特性的窄波束,它可以在俯仰面內產生預先指定的賦形波束,在很寬的角域內有強度近于恒定的回波,能較好地滿足用戶的要求。因此,本文采用遺傳算法進行綜合智能天線的波束,使其具有余割波束。

2.智能天線及工作原理簡介

自適應天線陣列,最初應用于雷達、聲納、軍事方面,主要用來完成空間濾波和定位。在移動通信中普遍稱為智能天線,確切的說應稱為智能天線系統。因為智能的不是系統天線陣本身,而是天線和數字信號處理設備相結合的整個系統。

智能天線是一種能夠根據信號環境的變化,實時地調整自身參數以進行最佳信號接收的陣列天線。

圖1 自適應波束形成器原理圖

如圖1所示,設有一個自由配置的N元陣,其陣元坐標用向徑 ρi(i=1,2,…,N)表示。若從er(θd,φd)方向傳來一個平面波,則在第i個陣元上的感應信號為

式中,X0(t)為坐標原點處來波信號。陣列響應可總體地用信號向量X表示為

若令bd

若各陣元響應的信號分別經過相應的加權 ω1、ω2、…、ωN后合成 ,則輸出應為

3.天線單元及陣列天線形式

移動通信中最常用的天線單元形式是印刷振子天線,此類半波振子天線具有合適的頻帶寬度,印刷振子天線一致性好,厚度比較薄,方便加工,便于批量生產。通過在天線的下方加反射板的方法可以把振子天線的H面方向圖壓制成一個扇形波瓣形狀。振子的饋電方式屬于耦合饋電,振子和饋線由印制板的覆銅通過腐蝕形成,分布在電路板的兩面,電流通過饋線耦合到振子上。由于饋電網絡是非平衡結構,而天線需要平衡饋電,因而在饋電網絡和天線之間應引入一個非平衡——平衡的巴倫。饋線采用倒J形帶線饋電結構,該形式可以避免饋線諧振。由于彎曲形狀振子臂的特殊形狀,振子臂上的電流會使諧振頻率往低頻端偏移,振子天線單元的長度得到有效縮短。為了展寬頻帶和改善邊頻的方向性,在距離振子上部1.5 mm處增加了寄生單元。天線結構形式見圖2和圖3所示的天線模型。通過調整饋線、振子和寄生單元的尺寸與距離,振子天線單元的駐波系數小于1.5(歸算于50歐姆)。

陣列天線采用間距為0.09 m的16個單元的自適應天線陣列,如圖4所示。

圖4 陣列天線示意圖

4.仿真實例

本例采用間距為0.09 m的16個振子天線單元的自適應天線陣列,上邊頻為2.17 GHz,下邊頻為1.92 GHz.根據工程需要,需要設計一個天線方向圖為繪制的類似余割形曲線的形式,利用讀圖軟件得到每個變量和自變量的值。

采用遺傳算法進行天線陣列綜合計算優化得到類似余割形曲線形式的天線方向圖。

遺傳算法的運行過程為一個典型的迭代過程,簡單遺傳算法基本流程如圖5所示,其必須完成的工作內容和基本步驟如下：

圖5 簡單遺傳算法基本流程框圖

1)選擇編碼策略,把參數集合X和域轉換為位串結構空間S。

2)選擇適應值函數f(X)

選擇操作采用線性排序選擇。排序選擇的主要著眼點是個體適應度之間的大小關系,對個體適應度是否取正值或負值以及個體適應度之間的數值差異程度并無特別要求。所以不需要對適應度進行變換處理。本文中使用線性排序選擇。線性排序的選擇概率為

式中：η+為當前群體最佳個體a1在選擇操作后的期望數量;η-為最差的個體an在選擇操作后的期望數量;其他個體的期望數量按等差序列計算,即ηj=η+-Δη(i-1)=η+-(η+-η-)(i-1)/(n-1).

可以導出 η++η-=2。通過調節 η+和 η-的值,可以控制群體的選擇壓力。因此,這里根據進化的不同階段,選擇不同的 η+值。

3)確定遺傳策略,包括選擇群體大小n,選擇、交叉、變異方法,以及確定交叉概率pc、變異概率p m等遺傳參數。

4)隨機初始化生成群體P。

5)計算群體中個體位串解碼后的適應值f(X)。

6)按照遺傳策略,運用選擇、交叉和變異算子作用于群體,形成下一代群體。

7)目標函數

由N個天線單元組成的均勻直線陣,陣列方向圖表示為

式中：In為第n個陣列單元的激勵電流幅度;αn為第n個陣列單元的激勵電流相位;d為陣元間距;k=2π/λ,λ為自由空間波長;φ為射線方向與陣列軸線之間的夾角。

當方向圖不僅對主瓣賦形區的形狀有要求,而且對副瓣電平和鄰近電流比都有一定限制時,則使用罰函數法進行考慮。所以,最終的目標函數應包括三部分：一部分對應主瓣賦形區;一部分對應旁瓣區;一部分對應單元電流的動態范圍。

8)判斷群體性能是否滿足某一指標,或者已完成預定迭代次數,不滿足則返回步驟6),或者修改遺傳策略再返回步驟6)。

本例遺傳算法群體規模為n=300。由于在進化初期,染色體的差異一般較大,pc大和pm小有助于加快收斂;而在進化的中后期,pc小和pm大有助于防止過早陷入局部最優點。因此,交叉概率pc和變異pm概率隨進化代數的變化關系表達式為

式中：初始交叉概率為pc(0)=0.8;初始變異概率為pm(0)=0.005;maxgen表示最大進化代數,設為1000。

通過遺傳算法綜合計算,得到優化波瓣賦形收斂曲線結果見圖6。智能天線的三個頻點(上邊頻、下邊頻、中心頻率)上的波瓣優化結果見圖7。智能天線遺傳算法后陣列天線單元的幅度、相位的優化解見表1;陣列天線相鄰單元的幅相對比見表2,實測波瓣的結果見圖8。

表1 陣列單元幅相的優化解

表2 相鄰單元幅相對比

從圖6可以看出,波瓣賦形的曲線具有很好的收斂性;從圖7可以看出波瓣圖很好地逼近了目標方向。圖8實測數據可以看出,通過遺傳算法綜合的智能天線陣列波瓣圖由于測試環境(樓頂,不是在微波暗室)、移相器和衰減器的不一致性及其加工誤差等因素的影響,測試結果初步達到了預期的類似余割方向圖。

5.結 論

應用遺傳算法確定了陣列單元的激勵幅度和相位,實現了余割賦形波束,且副瓣電平小于-15 dB,相鄰電流幅度比有了明顯的降低,從而易于饋電網絡的實現。實測數據初步達到了預期效果,對智能天線的賦形波束具有工程指導意義,在工程實踐中嚴格控制移相器、衰減器的一致性及其加工精度,使用該方法可得到比較滿意的智能天線賦形波束。

[1] 杜志敏,薛 強,吳偉陵.智能天線技術簡介[J].當代通信,2000,7(2)：38-40.

[2] 束咸榮,郭燕昌,晏煥強.陣列天線賦形波瓣權相位加權實現自適應零控[J].現代雷達,1998,20(2)：44-47.SHU Xianrong,GUO Yanchang,YAN Huanqiang.Adaptive null control in shaped patterns of array antennas[J].Modern Radar,1998,20(2)：44-47.(in Chinese)

[3] BOUKALOV A O and HAGGMAN S G.System aspects of smart antenna technology in cellular wireless communication-an overview[J].IEEE Trans.Microwave Theory and Techniques,2000,48(6)：919-929.

[4] SHEIKH K,GESBERT D,GORE D,et al.Smart antennas for broadband wireless access networks[J].IEEE Communication Magazine,1999,37(11)：100-105.

[5] THOMPSON JS,GRANT P M and MULGREW B.Smart antenna arrays for CDMA systems[J].IEEE Personal Communication,1996,3(5)：16-25.

[6] JOHNSON J M,RAHMAT-SAMII V.Genetic algorithms in engineering electromagnetics[J].IEEE Antennas and Propagation Magazine,1977,39(4)：7-21.

[7] SHAVIT R,LEVY S.Improved orchard-elliott pattern synthesis algorithm by peseudo-inverse technique and genetic algorithm[C]//IEEE Antennas and Propagation Society,AP-S International Symposium(Digest),2000：1042-1045.

[8] 石 鎮.自適應天線原理[M].北京：國防工業出版社,1991：79-98.

[9] GODARA L C.Applications of antenna arrays to mobile communications,part i：performance improvement,feasibility,and system considerations[J].IEEE Proceedings,1997,85(7)：1031-1060.

[10] 李敏強,寇紀淞,林丹,等.遺傳算法的基本理論應用[M].北京：科技出版社,2002：10-25.

[11] 舒 展,朱明富.基于遺傳算法指紋分類在報關系統中的應用[J].計算機技術與發展,2006,16(11)：197-200.SHU Zhan,ZHU Mingfu.An application of fingerprint classification based on genetic algorithm in deposit boxes system[J].Computer Technology and Development,2006,16(11)：197-200.(in Chinese)

[12] 雷 娟,傅 光,楊 林,等.間接對稱約束法設計陣列賦形波束[J].電波科學學報,2008,23(6)：66-70.LEI Juan,FU Guang,YANG Lin,et al.Synthesis of the array shaped beam using symmetrically and implicitly constrained method[J].Chinese Journal of Radio Science,2008,23(6)：66-70.(in Chinese)

[13] 孫艷豐,鄭加齊,王德興,等.基于遺傳算法的約束優化方法評述[J].北方交通大學學報,2000,24(6)：14-19.SUN Yanfeng,ZHENG Jiaqi,WANG Deying,et al.A survey of constraint optimization method based on genetic algorithm[J].2000,24(6)：14-19.(in Chinese)