基于神经网络的相控阵天线热变形研究

论文摘要

相控阵天线的热变形误差是影响天线电性能的主要因素之一,因此有必要对其做深入研究。然而传统CAE技术在相控阵天线阵面热变形分析过程中存在的计算耗时久和不具备先验特性等缺点和不足,无法满足研究的需求。因此,本文通过利用人工神经网络模型这一种新型的建模方法来解决上述问题,并用其对相控阵天线的热变形进行了分析研究。本文首先介绍了神经网络的基础理论,针对平面圆形阵天线的特点,建立了阵面热变形预测的BP神经网络模型,并对网络进行了测试,证明平面圆形阵天线热变形预测的BP神经网络模型具有较高的预测精度。其次使用RBF神经网络建立了平面矩形阵天线热变形预测的网络模型,将网络的预测结果与ANSYS仿真样本进行对比,证明了建立的网络模型预测精度高而且系统计算时间少。以RBF网络模型为分析工具,研究了不同的材料属性、几何参数和温度载荷对平面矩形阵相控阵天线热变形的影响,并通过编写程序分析了以上几种因素对相控阵天线存在热变形误差时的电性能的影响。最后针对实际工程和项目的要求,编写了一款对相控阵天线进行参数化建模和热分析的工具软件,该软件可以提取出阵面辐射单元的坐标、热变形位移和温度等数据,为后续的结构和电性能分析提供了依据。该软件已申请计算机软件著作权。本文对基于神经网络的相控阵天线热变形做了较为深入的研究,所完成的工作对相控阵天线的热设计及提高天线电性能指标具有一定的指导意义。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 相控阵天线热控制技术与研究现状
• 1.3 神经网络预测的研究现状
• 1.4 本文的研究目的和意义
• 1.5 本文的主要工作
• 第二章 基于BP 网络的平面圆形阵天线热变形研究
• 2.1 神经网络基础理论
• 2.1.1 神经网络的发展
• 2.1.2 神经网络的模型
• 2.1.3 神经网络的结构
• 2.1.4 神经网络的训练
• 2.1.5 神经网络的特性
• 2.2 MATLAB 神经网络工具箱
• 2.3 基于BP 网络的圆形阵天线热变形预测模型建立
• 2.3.1 输入输出参数和训练样本的选择
• 2.3.2 训练样本数据的预处理
• 2.3.3 神经网络参数的选取
• 2.4 基于BP 网络的圆形阵天线热变形预测模型测试
• 2.4.1 BP 网络的MATLAB 数学模型建立
• 2.4.2 BP 网络模型的测试
• 2.5 本章小结
• 第三章 基于RBF 网络的平面矩形阵天线热变形研究
• 3.1 RBF 网络模型的建立
• 3.1.1 输入输出参数和训练样本的选择
• 3.1.2 训练样本数据的预处理
• 3.1.3 神经网络参数的选取
• 3.2 RBF 神经网络的测试
• 3.2.1 MATLAB 数学模型的建立
• 3.2.2 阵面变形预测模型的测试
• 3.3 不同热影响因素条件下阵面变形的预测与分析
• 3.3.1 不同热浸透条件下阵面热变形预测与分析
• 3.3.2 不同热梯度条件下阵面热变形预测与分析
• 3.3.3 不同风道大小条件下阵面热变形预测与分析
• 3.3.4 不同热膨胀系数条件下阵面热变形预测与分析
• 3.4 本章小结
• 第四章 平面矩形阵天线热变形对电性能影响分析
• 4.1 相控阵天线在结构误差条件下电性能计算理论
• 4.2 不同热影响因素下天线电性能分析
• 4.2.1 不同热浸透条件下天线电性能分析
• 4.2.2 不同热梯度条件下天线电性能分析
• 4.2.3 不同风道大小条件下天线电性能分析
• 4.2.4 不同热膨胀系数条件下天线电性能分析
• 4.3 本章小结
• 第五章 相控阵天线热分析软件的开发
• 5.1 相控阵天线热分析软件的总体设计
• 5.1.1 软件的功能模块和开发流程
• 5.1.2 相控阵天线各种参数的选取
• 5.1.3 软件界面的设计
• 5.2 软件实现的关键技术
• 5.2.1 ANSYS 软件的自动启动
• 5.2.2 ANSYS 图形显示界面的嵌入技术
• 5.2.3 调用ANSYS 执行命令流文件
• 5.2.4 提取辐射单元的坐标、位移和温度数据
• 5.3 相控阵天线热分析软件算例分析
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 工作总结
• 6.2 研究展望
• 致谢
• 参考文献