南京航空航天大学信息工程2007级毕设开题报告范文.doc

南京航空航天大学毕业设计（论文）开题报告题 目基于遗传算法的子阵级波束形成学 院电子信息工程学院专 业信息工程学生姓名寸文渊学号040740227指导教师汪飞职称副教授毕设地点2011年 3月 1 日1. 结合毕业设计（论文）课题任务情况，根据所查阅的文献资料，撰写15002000字左右的文献综述：(1) 本课题的研究背景及意义阵列信号处理经过几十年的发展，已经取得了诸多研究成果。但在一些工程具体应用中仍有较多关键问题亟待解决。如天线阵列拓扑设计、微弱信号测向、波束形成、互耦和通道误差校正等方面，在工程应用中的实现研究仍是难点。特别是利用星载平台对地面弱小信号目标进行侦测，面临着阵列单元数受限、可供布阵的区域形状和面积受限、最小单元半径受限、接收信号微弱、互耦和通道误差校正难度较大等不利条件，需要对星载阵列天线的阵列拓扑结构进行优化设计，结合阵列拓扑结构对微弱多信号测向和波束形成技术进行研究，对互耦和通道误差进行校正，以提高接收灵敏度和测向精度。并且对于大型阵列，全阵元的波束形成因为计算量的原因，已经越来越不能满足实时性的要求，因此，子阵级波束形成的研究受到了广泛的重视。而对于大型阵列，全阵元的波束形成因为计算量的原因，已经越来越不能满足实时性的要求，因此，子阵级波束形成的研究受到了广泛的重视。为了有效地解决复杂工程优化问题，人们一直在不停地探索。多年来，通过对自然界的探索，人们认为自然界生物的某些行为是可以在计算机上模拟的优化过程。人们将这种生物行为的计算机模拟用于工程目的，提出了一些解决复杂工程优化问题的现代优化方法。一类是用计算机模拟人类智能行为的智能计算方法，包括模拟人类大脑处理模糊信息能力的模糊系统、模拟人类大脑神经元的连接关系的神经网络和模拟生物进化过程中“物竞天择，适者生存”这一自然规律的进化计算三个方面。其中进化计算已经突破了传统优化方法基于数值计算的确定性搜索模式，而是采取非数值计算的概率性随机搜索模式，已经被广泛地应用于各个领域。进化计算又有分别模拟自然界生物进化不同方面的三条研究途径:遗传算法、进化策略和进化规划，其中以遗传算法(GAs)的研究最为深入、持久，应用也最为广泛。另一类是用计算机模仿生物的某种特性的仿生计算方法，如模拟生物免疫系统自我调节功能的人工免疫系统、模拟蚁群搜索食物过程的蚁群算法等。模拟自然界生物进化过程中“优胜劣汰”机制的遗传算法也属于仿生计算方法的范畴。我此次毕设主要研究的就是基于遗传算法的子阵级波束形成。遗传算法是模拟遗传行为的智能算法，研究基于遗传算法的子阵级波束形成，有利于提高子阵分割和波束形成的效率。 (2)本课题国内外的研究现状在二十世纪60年代，美国Michigan大学的Holland教授及其他一些科学家分别独立地通过对自然和人工系统的研究，提出了遗传算法的基本思想。1975年，Holland教授出版了关于遗传算法的经典著作Adaptation in Nature and Artificial System，标志着遗传算法的正式诞生。Holland教授在文献中提出的遗传算法后来被人们称为简单遗传算法(SGA)。简单遗传算法的个体采取二进制编码方式，主要由交换算子产生新的个体，通过选择操作体现“优胜劣汰”的自然选择机制。简单遗传算法以图式定理或称型式定理、模式定理为理论基础，认为遗传算法具有隐含并行性和全局收敛性。这一结论现在被普遍认为是值得怀疑的。经过近三十年的发展，遗传算法的理论研究取得了很大进展，已有不少学术专著出版，有关人工智能的著作中一般也有关于遗传算法的章节，其应用研究更是取得了辉煌的成就。近年来，有不少博士学位论文对遗传算法的理论和应用作了专题论述。现在，遗传算法的实际应用已经渗透到了各行各业。遗传算法是建立在自然选择和群体遗传学基础上的一种非数值计算优化方法。遗传算法将问题的解表示成字符串，并把这样的字符串当作人工染色体或称为个体，多个个体构成一个群体。随机产生若干个个体构成初始群体，通过对群体的不断进化，利用“优胜劣汰”的自然选择机制，使群体中的个体不断朝着最优解的方向移动，最终搜索到问题的最优解。个体通过遗传算子的作用生成子代个体。通过定义个体的评价函数，称为适应度函数来评价个体的优劣。个体的适应度反映个体适应环境的能力，适应度大的个体生存能力强。按照自然选择的基本原理，适应度越大的个体被选择用来繁殖后代的机会越大。遗传算法是模拟遗传行为的智能算法，研究基于遗传算法的子阵级波束形成，有利于提高子阵分割和波束形成的效率。而遗传算法的理论研究内容主要包括染色体的编码方法、遗传算子、算法的运行过程、遗传控制参数的选择、算法的收敛性和收敛速度以及遗传算法的改进和与其它方法的综合等。2. 毕业设计任务要研究或解决的问题和拟采用的方法：1.波束形成的基本方法自适应数字波束形成算法大体可分两类：盲自适应算法和非盲自适应算法。当接收信号中包含多个期望信号时，利用同一个阵列，可以实现对多个期望信号的最佳接收。数字多波束形成技术目前国内外常采用如下两种方法：并行单波束形成和多波束直接形成。2.遗传算法的实现(l)算法实施前的准备阶段准备阶段必须完成两件事:确定问题的编码方式和定义适应度函数f(X)。(2)产生初始群体随机产生N个个体构成初始群体。(3)个体评价计算群体中每一个个体相应的适应度值关。关越大，表示个体适应度值越高，对环境的适应能力越强，被选择繁殖后代的机会越大。(4)停机条件的判断若群体中存在最优个体，或己满足预先设定的停机条件则输出最优解后停机，否则转下一步。(5)选择按照某种选择策略从群体中选择出若干个体进入交配池。交配池中的个体通过遗传算子的作用产生新一代群体。选择策略应遵守的基本原则是:适应度值越大的个体被选中的概率应该越大。(6)繁殖定义适当的遗传算子。通过遗传算子的作用，交配池中的个体产生新的个体，构成新一代群体。传统遗传算法主要通过交换(交叉)算子繁殖后代。交换算子的搜索不具有遍历性，仅仅使用交换算子无法保证算法的全局收敛性。可辅以变异算子模拟生物进化过程中的基因突变现象;通过突变保持群体中个体的多样性。突变算子的搜索具有遍历性，能保证算法的全局收敛性。(7)转第(3)步。遗传算法就是这样不断地进行个体评价、选择、繁殖，如此循环往复，使群体中的个体朝着最优解的方向不断移动，直到搜索到最优解或满意解。3. 实现遗传算法的波束形成基于遗传算法的智能天线复合波束形成方法，它涉及的是移动通信天线技术领域。它解决了现有基于遗传算法的阵列波束形成方法，存在适应度函数式过于复杂，及对适应度函数中优化参数权值的选择非常敏感的问题。它的算法步骤为：第一步：计算出每个信号源的波达角；第二步：根据自适应阵元分配原则，把阵元划分成增强期望子阵列和抵消干扰子阵列；第三步：将增强期望子阵列的阵元和抵消干扰子阵列的阵元分别由各自的优化遗传算法形成各自波束赋形；而得到优化权值；第四步：对增强期望子阵列和抵消干扰子阵列两部分权卷积复合得到最终复合权；第五步：计算得到优化的复合波束图。4.正确分析仿真结果和理论分析的差异天线阵列单元的互耦以及通道校正是实际系统中需要解决的一个重要问题。为了消除阵元间的互耦影响，国内外研究者提出了许多阵列有源校正算法和自校正算法。有些文献还提出了最小平方法和最大似然法等互耦校正方法，但它们均要求校正源的个数必须大于阵元个数。还有一种基于互耦矩阵稀疏性的有源校正算法，然而该方法仅利用了互耦矩阵的稀疏性，并没有利用某些规则阵列互耦矩阵的特殊结构，因此参数估计精度可进一步提高。我所参