摘要: 无线服务的普及推动了天线阵列（简称为阵列）技术的革新，促进了多种新型阵列设计方案的诞生及发展，非均匀阵列正是其中一种具有代表性的设计方案。相较于传统的均匀阵列，非均匀阵列通常可以利用更少的阵元实现某些相近的性能指标。这一特点有助于... 展开 无线服务的普及推动了天线阵列（简称为阵列）技术的革新，促进了多种新型阵列设计方案的诞生及发展，非均匀阵列正是其中一种具有代表性的设计方案。相较于传统的均匀阵列，非均匀阵列通常可以利用更少的阵元实现某些相近的性能指标。这一特点有助于降低阵列的建造成本、简化阵列的馈电网络、减轻阵列的重量、改善阵列的散热性能、降低阵列的故障率、提升阵列系统的实时性。此外，相较于均匀阵列，非均匀阵列还具有更大的设计自由度，这使其更容易满足某些特定的性能指标。传统的超宽带、宽角扫描阵列的单元间距可能较大，使得其在高频段扫描时容易出现栅瓣。非均匀阵列可以打破阵元相位中心位置分布的周期性，使其易于避免栅瓣的出现。除抑制栅瓣外，非均匀阵列更大的设计自由度也为其具有更高的方向性、更低的副瓣电平、更精准的主波束形状提供了可能。 然而，更大的设计自由度也意味着对非均匀阵列综合的难度一般要高于均匀阵列，而这在一定程度上限制了非均匀阵列的广泛应用。为了拓展其应用范围，许多性能优异的算法，如矩阵束方法(Matrix Pencil Method,MPM)、凸优化方法、遗传算法、多任务Bayesian压缩感知(Multi-Task Bayesian Compressive Sensing,MT-BCS)等被开发出来用以综合非均匀阵列。但是，现有的大多数算法只适用于综合单方向图、单频点、小规模的非均匀阵列，已经不符合阵列逐渐朝着多方向图、宽频带、大规模方向发展的趋势。此外，许多现有的算法在综合过程中会假定阵元为各向同性的理想点源，这可能使得由它们求解得到的综合结果在应用于实际阵列时，实际方向图与预期方向图相差较大。面对上述现有的非均匀阵列综合算法中存在的问题，本文做了如下五部分工作： (1)拓展了MPM的应用范围，使其可以被用于综合多方向图非均匀平面阵列。在拓展过程中，首先，利用目标方向图的采样值构造了一个复合分块Hankel增广矩阵；其次，利用MPM对构造的矩阵加以处理从而获得两组位置坐标，处理时利用了随机奇异值分解方法和奇异值分解的分块求解方法来加速这一过程；然后，利用改进的配对算法对两组坐标配对从而获得阵元的二维位置分布；最后，利用最小二乘法获取阵元的激励。文中列举了多个数值算例用以说明所提出的算法能够在有效地减少阵元数目的同时，保证所有重建方向图的精度。 (2)拓展了MT-BCS的应用范围，使其可以被用于综合多方向图非均匀平面阵列。在拓展过程中，首先，将多方向图非均匀平面阵列综合问题改写为可以被MT-BCS求解的形式，并利用MT-BCS对其进行求解；然后，利用阵元合并法调整MT-BCS所获得的阵元位置分布，以确保综合所得阵列的最小单元间距大于某一预设值；最后，利用凸优化方法计算合并后阵元的激励。文中列举的数值算例说明了所提出的算法能够高效地求解多方向图大规模非均匀平面阵列综合问题。 (3)拓展了序列凸优化方法的应用范围，使其可以被用于综合频率不变赋形波束方向图(Shaped-Beam Pattern,SBP)非均匀阵列。在拓展过程中，首先，利用序列凸优化方法获得工作频段内各采样频点对应的阵元激励，在求解过程中设定阵元的位置分布关于原点对称，且对称阵元的激励互为共轭复数，从而令SBP非凸的下界约束转化为凸约束；然后，推导了时域方式实现频率不变SBP所需的有限长单位冲激响应滤波器的系数与阵元激励之间的关系；最后，利用推导所得的关系求解滤波器的系数。文中列举了多个数值算例来说明所提出算法的有效性。 (4)提出了一种基于快速迭代软阈值算法(Fast Iterative Shrinkage-Thresholding Algorithm,FISTA)的，可以严格地考虑互耦效应的非均匀平面阵列综合算法。该算法的计算复杂度低、收敛速度快且需要预设的参数少，因而适合用于综合大规模非均匀平面阵列。在所提出的算法中，首先，将非均匀平面阵列综合问题表示为迭代加权“套索”(Least Absolute Shrinkage and Selection Operator,LASSO)问题；然后，利用FISTA对其求解从而得到阵元的位置分布；最后，利用最小二乘法或凸优化方法计算阵元的激励。文中列举了多个数值算例来说明该算法的高效性。 (5)提出了一种基于人工神经网络(Artificial Neural Network,ANN)和差分进化算法(Differential Evolution Algorithm,DEA)的非均匀阵列综合算法。该算法可以在考虑互耦效应的情况下在连续域内同时优化阵元的位置分布和激励，令综合所得阵列的方向图和有源S参数达到预设要求。该算法有两个步骤：第一步，利用ANN分别构建有源单元方向图和无源S参数与阵元位置分布之间的映射关系，在这一过程中，引入了子阵建模方式以缓解对规模较大的阵列建模时会面临的维数灾难；第二步，基于第一步中所建立的ANN模型，利用DEA优化阵元的位置分布和激励以满足阵列关于方向图和有源S参数的相关要求。文中列举了多个数值算例用以证明该算法的有效性。 收起