基于MATLAB对线阵天线进行泰勒加权

news2024/11/18 22:24:40

相控阵天线——基于MATLAB对线阵进行泰勒加权

目录

前言

一、泰勒综合

二、单元间距的改变对泰勒阵列方向图的影响

三、单元数的改变对泰勒阵列激励分布的影响

四、副瓣电平SLL对泰勒阵列激励幅度的影响

五、副瓣电平SLL对泰勒阵列方向图的影响

六、泰勒阵列和切比雪夫阵列的比较

七、副瓣电平和阵元个数间的关系

八、MATLAB代码

总结


前言

        前面讨论了经典的道尔夫-切比雪夫综合方法,由此得到的切比雪夫阵列其方向图是最佳的,即在相同阵列长度情况下对给定的副瓣电平,其主瓣宽度是最窄的,或对给定的主瓣宽度,所得副瓣电平是最低的。但切比雪夫阵列两端单元的激励幅度容易发生跳变,不利于馈电。与切比雪夫综合法密切相关的另外一种经典综合方法一一泰勒综合法。采用泰勒综合法设计的泰勒阵列,其方向图只是靠近主瓣某个区域内的副瓣电平接近相等,随后单调地减小。如果设计得当,激励幅度分布的变化在阵列两端是单调减的,不会出现两端单元激励幅度跳变的情况。本文介绍根据方向图的副瓣电平对相控阵线阵天线进行泰勒加权(综合),并通过MATLAB仿真分析泰勒加权方法的优缺点。


提示:以下是本篇文章正文内容,欢迎各位阅读,转载请附上链接。

一、泰勒综合

        采用泰勒综合法设计的泰勒阵列,其方向图只是靠近主瓣某个区域内的副瓣电平接近相等,随后单调地减小,有利于提高天线方向性系数。如果设计得当,激励幅度分布的变化在阵列两端是单调减的,不会出现两端单元激励幅度跳变的情况。泰勒综合法设计灵活,适应面宽,在工程设计中得到广泛应用。

        对于一个长为L的连续线源,其空间因子(即方向图函数)可表示为:

F(u,A)=\cos(\pi\sqrt{u^{2}-A^{2}}) , u=\frac{L}{\lambda}\cos\theta

此式即为理想的空间因子。根据u的取值可分为主瓣区和副瓣区:

|u|\leqslant A,为主瓣区:F(\theta)=\cosh(\pi\sqrt{A^{2}-u^{2}})

|u|\geqslant A,为副瓣区:F(\theta)=\cos(\pi\sqrt{u^{2}-A^{2}})

        引入基本函数\frac{\sin(\pi u)}{\pi u}

        引入波瓣展宽因子\sigma,改造理想空间因子:

F(u,A)=\cos[\pi\sqrt{(u/\sigma)^{2}-A^{2}}],\quad\sigma\geqslant1

其零点位置为:

        u_{n}=\pm\sigma\sqrt{A^{2}+\left(n-1/2\right)^{2}}\quad,\quad n=1,2,\cdots

         改造基本函数构建泰勒空间因子:

S(u)=C\frac{\sin(\pi u)}{\pi u}\frac{\prod_{n=1}^{\overline{n}-1}[1-(u/u_{n})^{2}]}{\prod_{n=1}^{\overline{n}-1}[1-(u/n)^{2}]},\quad C=\cosh(\pi A)

        该空间因子的含义是:把基本函数的前元\overline{n}-1个零点用改造的理想空间因子的零点取代,而第\overline{n}个以 后的零点保持为基本函数的零点,即

u_n=\pm\sigma\sqrt{A^{2}+\left(n-1/2\right)^{2}},1\leq n\leq\overline{n}-1

u_n=\pm n,n\leq n<\infty

        典型的问题是对单元数为N,间距为d的直线阵,采用泰勒综合法综合其激励分布(各单元的激励电流I),使其阵因子方向图的副瓣电平为-R_{0} dB。

        显然,秦勒综合时的已知参数是NdR_{0dB}泰勒综合步骤如下:

        ① 计算,其中int表示取整数部分

                R_{0}=10^{R_{0dB}/20}

A=\frac{1}{\pi}arccoshR_{0}=\frac{1}{\pi}\ln(R_{0}+\sqrt{R_{0}^{2}-1})

\overline{n}=int\left(2A^{2}+1/2+1\right)

\sigma=\frac{\overline{n}}{\sqrt{A^{2}+\left(\overline{n}-1/2\right)^{2}}}

        ② 确定单元位置

z_{n}=\Bigg(n-\frac{N+1}{2}\Bigg)d,n=1,2,\cdots,N

这样确定的单元位置对奇、偶数阵列均可,但所得I是从左到右顺序排列的。

        ③ 确定变量

p_{n}=\frac{2\pi}{L}z_{n}, L=Nd

        ④ 计算各单元的激励电流

I_{n}\left(z_{n}\right)=1+2\sum_{m=1}^{\overline{n}-1}\overline{S}\left(m\right)\cos\left(mp_{n}\right), n=1,2,\cdots,N

其中

\overline{S}(m)=\begin{cases}1 ,\quad m=0\\\frac{[(\overline{n}-1)!]^2}{(\overline{n}+m-1)!\cdot(\overline{n}-m-1)!}\prod_{n=1}^{\overline{n}-1}\left\{1-\frac{m^2}{\sigma^2[A^2+(n-1/2)^2]}\right\}, 1\leqslant m\leqslant\overline{n}-1\\0 ,\quad m\geqslant\overline{n}\end{cases}

        对于泰勒加权可以直接通过以上步骤去综合,也可以直接使用MATLAB自带的函数去综合。这里我们使用MATLAB自带的函数去综合。

I=taylorwin(N,n_bar,SLL); %N为阵元数,n_bar是公式中的符号,SLL为副瓣电平,I包含各阵元的激励幅度

        仿真参数设置为:

f=2e9; %频率,单位Hz

N=20; %阵元数

mu=1/2; %阵元间距÷波长

theta0=0;%波束指向角度,单位°

SLL=-30; %副瓣电平,单位dB

二、单元间距的改变对泰勒阵列方向图的影响

        仿真参数设置如下:

f=2e9; %频率,单位Hz

N=10; %阵元数

theta0=0;%波束指向角度,单位°

SLL=-20; %副瓣电平,单位dB

        依次设置d=\frac{1}{4}\lambdad=\frac{1}{2}\lambdad=\frac{3}{4}\lambdad=\lambda,观察方向图及激励幅度分布。

        可知,随着间距的增大,主瓣宽度变窄,副瓣增多,当d=\lambda时方向图出现栅瓣。

三、单元数的改变对泰勒阵列激励分布的影响

         仿真参数设置如下:

f=2e9; %频率,单位Hz

theta0=0;%波束指向角度,单位°

mu=1/2; %阵元间距÷波长

        当SLL=-20dB时,依次设置N=15,20,25,30,35,观察激励幅度的分布;当SLL=-40dB时,依次设置N=15,20,25,30,35,观察激励幅度的分布。

        可见,泰勒阵列两端单元的激励幅度不会像切比雪夫阵列那样发生跳变。

四、副瓣电平SLL对泰勒阵列激励幅度的影响

          仿真参数设置如下:

f=2e9; %频率,单位Hz

theta0=0;%波束指向角度,单位°

mu=1/2; %阵元间距÷波长

N=20; %阵元数

        当N=20时,依次设置SLL=-20,-25,-30,-35,-40dB,观察激励幅度的分布。        

五、副瓣电平SLL对泰勒阵列方向图的影响

        仿真参数设置如下:

f=2e9; %频率,单位Hz

N=16; %阵元数

theta0=20;%波束指向角度,单位°

mu=1/2; %阵元间距÷波长

        依次设置SLL=-10,-20,-30,-40dB,观察方向图。

        由图可见,单元数N和间距d不变,随着方向图副瓣电平的降低,主瓣宽度将略有增大。当副瓣电平比较低时,泰勒阵列和切比雪夫阵列的方向图比较接近。

六、泰勒阵列和切比雪夫阵列的比较

        仿真参数设置如下:

f=2e9; %频率,单位Hz

N=32; %阵元数

theta0=0;%波束指向角度,单位°

mu=1/2; %阵元间距÷波长

SLL=-30; %副瓣电平,单位dB

        可见,切比雪夫综合得到的激励幅度分布在阵列两端出现了跳变,而泰勒综合方法所得结果则为单调减少的。切比雪夫综合方法得到的方向图为等副瓣电平,而泰勒综合方法得到的方向图副瓣电平只有紧靠主瓣的几个副瓣电平接近相等,其余副瓣电平是递减的。

        在相同单元数和单元间距的情况下,泰勒阵列的副瓣越低,则其激励分布和方向图就越接近相同情况下的切比雪夫阵列。

七、副瓣电平和阵元个数间的关系

        一个N单元阵列,当d=\lambda /2时,其方向图的零点个数为N-1,主瓣两侧各有副瓣N/2-1个,应有N/2-1>\overline{n},则

        N>2(\overline{n}+1)

八、MATLAB代码

https://download.csdn.net/download/m0_66360845/89493202icon-default.png?t=N7T8https://download.csdn.net/download/m0_66360845/89493202


总结

        以上就是今天要分享的全部内容,本文介绍了泰勒加权方法对线阵进行综合,同时也分析了间距、单元数,副瓣电平等参数对激励幅度以及方向图的影响,最后还比较了切比雪夫加权和泰勒加权。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1887963.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

去中心化革命:探索区块链技术的前沿

随着信息技术的飞速发展&#xff0c;区块链技术作为一种新兴的去中心化解决方案&#xff0c;正逐渐改变着我们的经济、社会和技术格局。本文将从区块链的基本原理、当前的应用实例以及未来的发展趋势三个方面&#xff0c;深入探讨区块链技术在革命性变革中的角色和影响。 1. 区…

融云上线 HarmonyOS NEXT 版 SDK,全面适配「纯血鸿蒙」生态

6 月 21 日&#xff0c;“2024 华为开发者大会”正式发布使用自研内核的原生鸿蒙系统 HarmonyOS NEXT&#xff0c;即 “纯血鸿蒙”。 同时&#xff0c;华为宣布开放“鸿蒙生态伙伴 SDK 市场”&#xff0c;甄选各类优质、安全的 SDK 加入聚合平台&#xff0c;助力各行业开发者轻…

去中心化经济的革新:探索Web3的新商业模式

随着区块链技术的发展&#xff0c;Web3正逐渐成为全球经济和商业模式的关键词之一。Web3不仅仅是技术的革新&#xff0c;更是对传统中心化商业模式的挑战和重构。本文将深入探讨Web3背后的概念、关键技术以及其带来的新商业模式&#xff0c;带领读者走进这一新兴领域的深度分析…

试用笔记之-免费的汇通餐饮管理软件

首先下载免费的汇通餐饮管理软件&#xff1a; http://www.htsoft.com.cn/download/htcanyin.exe 安装后的图标 登录软件&#xff0c;默认没有密码 汇通餐饮管理软件主界面 汇通餐饮软件前台系统 点菜

vue3长列表优化,使用vue-virtual-scroller实现直播间弹幕列表虚拟滚动效果

使用的组件库是&#xff1a;https://github.com/Akryum/vue-virtual-scroller 官方文档&#xff1a;vue-virtual-scroller 安装依赖 npm install --save vue-virtual-scrollernextpnpm install --save vue-virtual-scrollernextyarn add vue-virtual-scrollernext 组件导入…

用MySQL+node+vue做一个学生信息管理系统(四):制作增加、删除、修改的组件和对应的路由

1.下载依赖&#xff1a; npm install vue-router 在src目录下新建一个文件夹router&#xff0c;在router文件夹下新建一个文件router.js文件,在component目录下新建增加删除和修改的组件&#xff0c;引入router.js当中 此时的init组件为主页面&#xff08;&#xff08;二、三&…

在昇腾服务器上使用llama-factory对baichuan2-13b模型进行lora微调

什么是lora微调 LoRA 提出在预训练模型的参数矩阵上添加低秩分解矩阵来近似每层的参数更新&#xff0c;从而减少适配下游任务所需要训练的参数。 环境准备 这次使用到的微调框架是llama-factory。这个框架集成了对多种模型进行各种训练的代码&#xff0c;少量修改就可使用。 …

怎样把热门抖音短视频下载保存到手机相册?

怎样把热门抖音短视频下载保存到手机相册? 1、在手机上打开抖音短视频APP&#xff1b; 2、打开后搜索或找到要下载保存的抖音短视频&#xff1b; 3、打开短视频后&#xff0c;点击右则的分享&#xff0c;并滑动找到保存到相册&#xff1b; 4、点击后等待完成下载&#xff0c;…

linux高级编程(9)进程间通信

2的信号量集就是semaphore 这个图很重要&#xff01;&#xff01;&#xff01; 无名管道&#xff1a; 练习一&#xff1a;读操作 代码如下&#xff1a; #include <stdio.h> #include <stdlib.h> #include <unistd.h> #include <string.h> int ma…

开源模型应用落地-FastAPI-助力模型交互-WebSocket篇(六)

一、前言 使用 FastAPI 可以帮助我们更简单高效地部署 AI 交互业务。FastAPI 提供了快速构建 API 的能力,开发者可以轻松地定义模型需要的输入和输出格式,并编写好相应的业务逻辑。 FastAPI 的异步高性能架构,可以有效支持大量并发的预测请求,为用户提供流畅的交互体验。此外,F…

【C语言】inline 关键字

在C语言中&#xff0c;inline关键字用于建议编译器对函数进行内联展开&#xff0c;而不是像普通函数一样调用。内联函数的目的是减少函数调用的开销&#xff0c;特别是对于简单的、频繁调用的函数。 内联函数的定义和使用 定义内联函数 要定义一个内联函数&#xff0c;需要在…

小红书运营教程02

小红书大致会分享10篇左右。微博、抖音、以及视频剪辑等自媒体运营相关技能以及运营教程相关会陆续的进行分享。 上次分享涉及到的对比,母婴系列,或者可以说是服装类型,不需要自己过多的投入,对比知识类博主来说,自己将知识讲述出来,然后要以此账号进行变现就比较麻烦,…

认识一下HttpMessageHandler处理管道

[S1208]HttpClient的默认管道结构 接下来我们通过如下的演示程序使用IHttpClientFactory工厂创建了 一个HttpClient对象&#xff0c;并查看其管道依次由哪些类型的HttpMessageHandler对象组成。如代码片段所示&#xff0c;我们定义了一个辅助方法PrintPipeline方法以递归的形式…

我等你,就在微软头马Open House开放日

当众讲话一直是我职业生涯中的重要部分&#xff0c;MSTMC 头马俱乐部更是我成长路上的重要伙伴。今天&#xff0c;我诚挚地邀请你参加即将在北京微软大厦举行的 微软头马Open House开放日活动&#xff01; 活动详情&#xff1a; &#x1f4c5; 日期&#xff1a;2024年7月3日&am…

Python 作业题1 (猜数字)

题目 你要根据线索猜出一个三位数。游戏会根据你的猜测给出以下提示之一&#xff1a;如果你猜对一位数字但数字位置不对&#xff0c;则会提示“Pico”&#xff1b;如果你同时猜对了一位数字及其位置&#xff0c;则会提示“Fermi”&#xff1b;如果你猜测的数字及其位置都不对&…

AI姓氏头像生成微信小程序系统源码

&#x1f525;【科技新潮流】AI姓氏头像生成系统&#xff0c;你的专属个性新名片&#xff01;&#x1f389; &#x1f31f; 开篇惊艳&#xff1a;一键解锁你的姓氏魅力 ✨ Hey小伙伴们&#xff0c;今天我要安利一个超酷炫的科技小玩意——AI姓氏头像生成系统&#xff01;是不…

API 授权最佳实践

API&#xff08;应用程序编程接口&#xff09;就像秘密之门&#xff0c;允许不同的软件程序进行通信。但并不是每个人都应该拥有每扇门的钥匙&#xff0c;就像不是每个软件都应该不受限制地访问每个 API 一样。 这些 API 将从银行的移动应用程序到您最喜欢的社交媒体平台的所有…

python机器人编程——用pytorch实现六轴机械臂的正向和逆向数值解算,及python算法解析

目录 一、前言二、实现原理2.1正向建模2.2张量化2.3绘制3D动画及操作UI 三、结论四、python源码PS.扩展阅读ps1.六自由度机器人相关文章资源ps2.四轴机器相关文章资源ps3.移动小车相关文章资源 一、前言 前面对六轴&#xff08;或多轴&#xff09;机械臂进行了一些研究&#x…

SCI一区级 | Matlab实现BO-Transformer-LSTM时间序列预测

SCI一区级 | Matlab实现BO-Transformer-LSTM时间序列预测 目录 SCI一区级 | Matlab实现BO-Transformer-LSTM时间序列预测效果一览基本介绍![在这里插入图片描述](https://img-blog.csdnimg.cn/direct/caef5d232c4b436ebb01d717819d5ff1.png)程序设计参考资料 效果一览 基本介绍…

C语言的数据结构:图的基本概念

前言 之前学过了其它的数据结构&#xff0c;如&#xff1a; 集合 \color{#5ecffd}集合 集合 —— 数据元素属于一个集合。 线型结构 \color{#5ecffd}线型结构 线型结构 —— 一个对一个&#xff0c;如线性表、栈、队列&#xff0c;每一个节点和其它节点之间的关系 一个对一个…