一、前言

这个例子展示了如何设计和训练卷积神经网络（CNN）来计算产生所需模式的元素权重。

二、介绍

模式合成是阵列处理中的一个重要课题。阵列权重有助于塑造传感器阵列的波束图案，以匹配所需图案。传统上，由于空间信号处理和频域信号处理之间的相似性，模式合成算法通常借鉴滤波器设计技术。在我们的阵列模式合成第一部分示例中介绍了许多这样的算法。不幸的是，这些算法通常不太灵活，无法适应不同类型的约束。因此，作为更通用的解决方案，使用各种优化技术来产生所需的图案。阵列模式综合第二部分示例中介绍了一些常用的优化求解器。尽管基于优化的算法非常灵活，但对于大型阵列，收敛到最优解需要一段时间。这个陷阱使得很难实时形成给定的波束模式。

深度学习技术在计算机视觉和自然语言处理方面取得了许多成功。尽管深度学习网络需要离线训练；一旦经过训练，生成的网络就可以用来实现实时性能。因此，深度学习网络可能能够提供实时模式合成的解决方案，如[1]所述。

三、阵列定义

---

考虑一个半径为3米的圆形平面阵列。元素位于矩形网格上，元素间距为0.5米。

阵列孔径如下所示。阵列在y-z平面上，宽边与x轴对齐。

四、具有优化功能的模式合成

---

如数组模式合成第 II 部分示例中所述，可以使用优化技术来推导模式合成权重。假设我们想要一个模式，其主瓣沿方位角和仰角 0 度。该模式还应满足以下约束：

• 最大化方向性

• 抑制主瓣以下 30 dB 的干扰

• 将旁瓣电平保持在 -20 度和 20 度方位以内，或仰角低于主瓣 17 dB

定义所有约束后，我们可以使用优化求解器来推导出可以为我们提供所需模式的数组权重。

结果模式如下所示：

我们可以通过测量生成的模式是否符合要求来衡量此模式的质量。

五、深度学习网络

---

为了使用深度学习进行模式合成，我们创建了一个卷积神经网络（CNN），如[1]中所述。光束模式是在方位角和仰角范围内定义的。因此，图案可以表示为图像，我们的输入层将图像作为输入。输出是产生这种模式的权重。

六、训练和测试数据合成

---

为了训练和测试网络，我们可以生成具有随机主瓣和干扰放置的模式。我们将通过优化求解器推导出最优权重，然后使用派生模式作为输入，通过网络计算权重，并希望得到的权重与最佳权重匹配。将数据集拆分为训练集和验证集。

七、训练网络-测试训练网络

---

现在我们可以训练网络了，使用前面部分派生的模式，让我们看看经过训练的网络是否可以提供令人满意的模式。

我们可以看到，预测模式在方向性和旁瓣抑制方面给出了良好的结果。不如实现干扰抑制。我们也许可以通过更多的训练数据来改善这一点。

八、结论

---

此示例演示如何创建和训练 CNN 以对给定数组执行模式合成。虽然深度学习网络可以更快地生成模式合成权重，但它也有其自身的缺点。例如，网络需要大量数据来训练。此外，网络特定于特定的阵列几何形状。因此，如果阵列形成发生变化，则需要重新训练网络。

九、程序

使用Matlab R2022b版本，点击打开。（版本过低，运行该程序可能会报错）

程序下载方式一：阵列模式综合第三部分：深度学习资源-CSDN文库

程序下载方式二：阵列模式综合第三部分：深度学习