智能蒙皮天线的形变及其电补偿

来源 :电子科技大学 | 被引量 : 0次 | 上传用户:d517441645
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
把天线附着于载体表面的这一类天线被称为共形承载天线,常见的载体有飞行器、汽车、船、高铁等。共形承载天线将多功能射频孔径技术与有源电子扫描相控阵技术结合在一起,与共形承载天线相比,智能蒙皮天线主要体现在能对外界环境的变化作出反应。如今军事技术飞速发展,对雷达的要求也越来越高,天线作为雷达的一部分,因此对天线的性能也要求越来越高。但这类载体在工作时,不可避免会遭到风、高温、低温、振动等环境的影响,这些会导致天线结构发生变形,天线阵元的位置发生偏移,从而导致波束指向偏移、方向性变差、增益下降等问题,降低了天线的性能,这与现代化军事技术的发展相驳,因此针对这种情况下,阵列天线的优化是必须的。近年来,光纤光栅应变传感器被用于检测变形结构的应变,所测应变可用于重建位移信息。受此启发,有学者提出了一种新型的带有光纤光栅应变传感器的智能蒙皮天线结构,该天线能达到天线自校正的目的。本文主要介绍了光纤光栅应变传感器的原理以及传感器的一种布置方法,该方法能通过布置尽可能少的光纤光栅应变传感器重构天线的位移信息,并且使得重构位移信息与实测的误差应尽可能的小。介绍了电补偿方法,并结合共形阵列天线的结构设计了一款单元中心频率在9.74GHz,-10d B以下带宽大于1GHz的8×8微带天线阵列,并利用该微带天线阵列验证电补偿原理是否能对性能降低后的辐射方向图进行优化。最终实测结果证明可以使用电补偿方法来补偿由天线形变所造成的方向图恶化。在实际生活中,共形阵列天线由于体积过大导致测试难度加大,为了实现快速测量本文设计了一款软件,通过单元测试数据合成和、差波束方向图,并对天线的阵列、单元方向图进行参数统计和判断,使得某型相控阵满足各性能需求。该软件实现了如下功能:软件可以读取所有单元方向图的幅度与相位并自动进行校正;天线单元的合成阵列方向图可形成和、差波束,并根据需要自动出局不同组合的方向图测试报告。
其他文献
目标检测是指首先预设一组与任务相关的类别,然后使用算法检测出图像中可能存在属于预设类别范围的目标。它是目前计算机视觉领域最为核心的任务之一,作为上游任务对其下游任务有着积极与深远的影响。虽然目标检测从传统方法阶段到深度学习阶段的发展历史久远而且非常成熟,但是目标检测应用于特殊领域,比如水下目标检测、无人机目标检测等还具有巨大挑战。由于数据采集困难,相比现有大规模公开数据集,这些领域的影像的规模和内
对目标区域的监视或者搜索是多智能体系统的重要应用领域之一。区域覆盖算法作为多智能体系统的一种控制算法,决定着系统能否高效率的完成区域覆盖。因此,优化区域覆盖算法,提高区域的覆盖效率对多智能体系统的应用具有重大的意义。目前对区域覆盖算法的研究主要集中在:智能体的运动控制模型的改善和覆盖点规划的优化。但目前研究仍存在以下问题:(1)智能体难以同时考虑自身当前的覆盖状况以及邻居的覆盖状况来对覆盖点进行协
随着深度学习任务领域的细分和深入,神经网络的结构日益复杂。为了确保复杂模型的可靠性,对模型进行可解释性研究已经成为深度学习研究中不可或缺的重要环节。而生成对抗网络近年来在诸多领域有着广泛应用,包含但不限于风格迁移、语义分割、图像生成等计算机视觉领域,因而对生成对抗网络进行可解释性研究具有重要意义。但现有的基于生成对抗网络的可解释性研究仍存在着不少如模型不稳定、优化困难等问题亟待解决。在本文,我们主
水下无线传感器网络作为海洋勘测、数据收集、自然灾害预测的重要设施之一,广泛应用在水下领域。水下传感器节点定位作为水下无线传感网在各领域的应用基础而备受关注。现如今,由于复杂的水下环境,水下节点定位仍面临节点定位率低、时间同步、定位精度差和节点移动性等诸多挑战。因此,基于水下无线传感器网络的节点定位算法极具研究价值和意义。本文首先介绍了水下无线传感器网络的网络结构以及各组成部分功能、基于水下无线传感
近年来,标准化考场的建设获得了广泛的关注。如何将人工智能技术引入标准化考场当中具有非常重要的实际意义。当前,依靠人工查看考场监控视频与监考官现场记录作弊行为相结合的监考方式人力成本巨大,且极其容易发生遗漏的情况。本文针对考试场景中可能出现的各种作弊行为,研究了基于深度学习的考场作弊行为识别方法,构建考场作弊行为数据集,结合边缘位移提取、运动特征增强与长时时序建模,解决考试场景下作弊行为识别问题。本
随着大数据驱动的人工智能技术飞速发展,机器学习技术在现实生活中被广泛应用。过去机器学习模型常采用集中式训练的方法,该方法需要在中央服务器上搜集并存储大量优质数据。现实中由于行业竞争、隐私安全和法规限制等诸多原因,数据的集中搜集和存储遭受着极大的限制。联邦学习作为一种新型分布式机器学习范式,能够在保障用户数据安全的同时充分利用设备数据。联邦学习能够在保护用户隐私的同时使得大量设备协同训练机器学习模型
红外目标检测是红外侦查、智能安防、夜间辅助驾驶等领域的基础任务。传统的红外目标检测算法依赖人为设计的图像特征,存在检测精度不佳、算法迁移能力较差等问题。深度学习技术拥有端到端的特征表达能力,能够提取具有鲁棒性的语义特征,因此,开展基于深度学习的红外目标检测方法研究对于提高目标检测精度和模型泛化能力具有积极意义。深度学习目标检测算法利用颜色、纹理、几何等浅层视觉特征构建高层次语义,然而红外图像边缘模
抽烟和打手机在现在的日常生活随处可见,人们时时刻刻都会有这样的需求。众所周知,抽烟从来都不是一个好的行为与习惯,不仅在影响自身身体健康的同时还影响着身边其他人的身体健康。除此之外,抽烟也有可能因为人们的疏忽与大意造成严重安全事故,尤其是在具有安全隐患的公共场所。而对于打手机而言,则成了人们日常生活中不可或缺的通信交流方式,因为手机的产生,给人们的生活带来了极大的便利并且节省交流的成本。但是在一些特
在当今社会,纸质文档仍是承载信息的重要方式之一,表格作为一种特殊的内容类型,提供了一种高度凝练的数据展示方式,在文档中占据着重要作用。表格的审核工作,如发票报销录入、医保报销核查、货单清点等,是一种繁复且易出错的工作,带来了巨大的人工成本。此外,在数字化进程的推动下,大量的纸质文档尤其是表格文档需要被数字化以便归档和日后检索。所以表格文档的数字化研究具有重要的经济价值。表格文档具有表格类型复杂多样
合成孔径雷达(Synthetic Aperture Radar,SAR)图像解译需要大量图像数据支持分析,但现实中常面临图像数据不足的问题。仿真生成SAR图像是一种解决方法,其关键是SAR图像的分割与合成,但传统分割方法在抵抗噪声干扰和分割效率上比较低;而且目前缺少一种SAR图像背景与目标的迁移合成方法。随着深度学习方法在图像生成领域的成功应用,研究利用深度生成学习模型来解决SAR图像仿真生成中的