本发明涉及大型反射面天线，尤其涉及一种在热环境下预测大型反射面天线波束指向偏差的方法。
背景技术：
1、反射面天线广泛应用于探测、通信及射电天文等领域，随着其口径和工作频率的不断提升，对天线性能的要求也越来越高。露天工作的大口径反射面天线不可避免地受到时变热载荷的影响，导致其面板形貌高低不平，进而降低天线指向精度、效率、增益等电性能，极大影响大口径天线的灵敏度及稳定观测时长。因此，开展温度场引起的反射面天线性能变化分析，为热环境下天线指向精度的实时补偿提供更多天线波束指向偏差数据具有重要的工程应用价值。
2、现有技术想要获得反射面天线温度场对指向精度的影响需要研究“温度场-位移场-电磁场”之间的非线性多场耦合效应。目前获取天线温度场主要方法有两种：有限元仿真和温度传感器测量，其中有限元仿真法的步骤繁琐且计算时间长；温度传感器测量法通过采集温度传感器数据，利用插值算法反演整体温度场，该技术较为成熟。天线位移场常用有限元分析法获取，对于不同的温度场要向天线有限元模型施加不同的温度载荷来计算主反射面变形量，工作重复量大；天线电磁场常用口径场积分法或面电流积分法计算，将天线的表面变形转换为相位误差引入到口径场积分公式或面电流积分公式中，计算变形反射面天线的电性能。以上整个“温度场-位移场-电磁场”非线性多场耦合效应分析的过程耗时较长，不能精确度量复杂时变的热环境下天线指向精度，因此需要考虑其他快速获取热环境下天线波束指向偏差的方法。
3、机器学习是人工智能的研究领域之一，它通过模拟人类的学习活动，获取知识和技能并归纳总结来改善系统性能。机器学习常用于挖掘数据之间的隐含规律特性，并利用该规律特性开展对未知数据的预测，其机理就是针对某个问题建立假设的数学模型，并用该假设模型逼近真实的模型。支持向量机是一种常用的机器学习方法，其回归模型建立在统计学习理论和结构风险最小化原理基础之上，常用于解决函数逼近问题，具有泛化能力强、对异常值鲁棒性强、适合处理非线性回归问题等优点。因此，采用基于支持向量机回归的热环境下大型反射面天线波束指向偏差快速预测方法，可以挖掘温度场和其引起的天线指向偏差之间隐含的规律，为工程上快速获取天线指向偏差进行热环境下指向精度的实时补偿提供依据，保障复杂时变的热环境下反射面天线的性能。
技术实现思路
1、为解决上述问题，本发明提供了一种在热环境下预测大型反射面天线波束指向偏差的方法，其通过将机器学习引入天线性能预测，协助天线性能的实时调控，从而可以快速计算出热环境下天线的波束指向偏差。
2、本发明的目的可以通过以下技术方案实现：
3、一种在热环境下预测大型反射面天线波束指向偏差的方法，包括以下步骤：
4、步骤s1，采集不同工况的热环境下大型反射面天线方位架和背架的温度数据，利用距离反比加权插值法反演整个天线的温度场，得到不同工况热环境下反射面天线的温度场数据；
5、步骤s2，依据大型反射面天线的结构参数以及材料属性，建立大型反射面天线的有限元模型，将步骤s1所得温度场数据作为热载荷施加到反射面天线的有限元模型中，计算得到对应不同工况热环境下主反射面的变形量；
6、步骤s3，建立反射面天线的机电耦合模型，根据主反射面变形量分别计算对应不同工况的热环境下反射面天线在方位面和俯仰面的波束指向偏差；
7、步骤s4，对步骤s1中得到的温度场数据和步骤s3中得到的波束指向偏差数据进行清洗及归一化处理；
8、步骤s5，选取反射面天线方位架上温度传感器的测量数据，将其作为预测模型的输入样本，同时，分别提取天线在方位面和俯仰面的波束指向偏差数据，作为预测模型的输出样本，将输入样本和输出样本划分为训练集和测试集；
9、步骤s6，选取高斯核函数，利用支持向量机回归算法对训练集进行学习，获取最优的惩罚因子c和核函数超参数g的参数组合，代入支持向量机回归模型进行训练，建立基于支持向量机回归的热环境下反射面天线波束指向偏差预测模型；
10、步骤s7，将测试集中输入样本代入步骤s6中训练好的天线波束指向偏差预测模型中得到指向偏差的预测值，利用预测值与测试集中真实输出样本计算评估预测模型拟合效果指标；所述评估预测模型拟合效果指标，包括：平均绝对误差mae、平均相对误差mre和决定系数r2；
11、步骤s8，若步骤s7中计算得到的平均绝对误差mae、平均相对误差mre和决定系数r2评估指标满足预期精度，则获得最终的基于支持向量机回归的热环境下大型反射面天线波束指向偏差快速预测模型，否则返回步骤s6中调整模型参数进行重新训练。
12、进一步，所述步骤s1包括：
13、步骤s11，采集不同工况的热环境下反射面天线方位架和背架的温度传感器测量数据，其中，不同工况是指天线在服役过程中经历的不同气温、风速、天气晴朗程度的环境条件及不同方位角、俯仰角的位姿状况；
14、步骤s12，选用距离反比加权插值法，对采集的温度传感器测量数据进行插值，得到不同工况的热环境下反射面天线整体的温度场数据，距离反比加权插值法的具体计算公式如下：
15、
16、式中，tm是目标插值点m处的温度；tn为插值点邻域内第n个传感器的测量温度；dn为目标插值点m与其邻域内第n个传感器的距离；ε是平滑参数，避免因dn为0导致的数值奇异，其取值较小；qm为目标插值点m邻域中传感器数量；k是距离的方次。
17、进一步，所述步骤s2具体包括：
18、选取主反射面拟合抛物线的顶点作为主反射面坐标系o-xyz的坐标原点，根据结构参数和材料属性建立反射面天线的有限元模型；将步骤s1中得到的温度场数据作为温度载荷施加到有限元模型中，计算不同工况的热环境下天线主反射面的节点变形量，第n个节点变形量表示如下：
19、dn＝(δxn,δyn,δzn),(n＝1,2,…n)
20、式中，δxn是第n个节点在x轴向的变形量，δyn是第n个节点在y轴向的变形量，δzn是第n个节点在z轴向的变形量，dn是(δxn,δyn,δzn)构成的第n个节点变形量的向量，n为主反射面节点总数；
21、所述结构包括：天线主反射面、副反射面及撑腿、背架、中心体、俯仰齿轮和方位架；
22、所述材料属性包括：材料密度、线性膨胀系数、泊松比和弹性模量。
23、进一步，所述步骤s3包括：
24、步骤s31，对于直径为d，焦距为f的反射面天线，根据反射面天线电性能计算常用方法口径场积分法，主反射面存在表面误差时变形反射面天线的远场方向图用以下机电耦合分析模型计算：
25、e(θ,φ)＝∫∫sqejkρ′sinθcos(φ-φ′)ejδds
26、式中，(θ,φ)为远场观测方向，s为反射面在口径面上的投影区域，该投影区域极坐标为ρ'和φ'，q为天线口径场的幅度分布，自由空间传播常数k＝2π/λ，其中λ为波长，δ为口径面相应的相位误差；
27、步骤s32，根据步骤s31建立的变形反射面天线机电耦合分析模型，计算主反射面变形时天线的远场方向图，从远场方向图中提取反射面天线方位面和俯仰面的波束指向偏差，得到对应不同工况的热环境下反射面天线在方位面和俯仰面的波束指向偏差数据。
28、进一步，所述步骤s4包括：
29、步骤s41，对步骤s1中采集的天线方位架上的温度数据进行清洗处理，当某个温度数据异常时，去除该温度数据和在步骤s3中计算出的对应的波束指向偏差数据；
30、步骤s42，将经过步骤s41清洗后的温度数据和对应的波束指向偏差数据分别进行归一化处理，具体为：对原始数据进行线性变换，使结果值映射到[0-1]之间，转换函数如下：
31、
32、式中，xnew为归一化处理后的新样本数据，xmax为样本数据的最大值，xmin为样本数据的最小值。
33、进一步，所述步骤s5包括：
34、步骤s51，选取步骤s4处理过的天线方位架上的温度数据，作为天线有限元模型方位架上温度传感器布局位置对应节点的温度数据，设这些方位架节点在某工况下的温度数据为i为反射面天线方位架上温度传感器位置对应节点的个数，为第n种工况下第i个方位架上温度传感器位置对应节点的温度数据，则所有方位架上温度传感器位置对应节点的温度数据矩阵为xn＝[x1,x2,...,xn,...,xn]，其中n代表工况总数；将xn作为预测模型的输入样本；
35、步骤s52，提取步骤s4处理过的天线在方位面和俯仰面的波束指向偏差数据，设不同工况下天线在方位面的波束指向偏差数据矩阵为y1n＝[y11,y12,...,y1n,...,y1n]，其中y1n代表第n种工况下天线在方位面的波束指向偏差，n代表工况总数；设不同工况下天线在俯仰面的波束指向偏差数据矩阵为y2n＝[y21,y22,...,y2n,...,y2n]，其中y2n代表第n种工况下天线在俯仰面的波束指向偏差；将y1n和y2n作为预测模型的两种输出样本；
36、步骤s53，对样本集{xn,y1n,y2n}进行训练集和测试集的随机划分，训练集占总数据集的70％，测试集占总数据集的30％。
37、进一步，所述步骤s6包括：
38、步骤s61，选取rbf核函数作为支持向量机回归算法的核函数，该核函数rbf包括一个超参数g；
39、步骤s62，将训练集里的方位架节点温度数据和天线方位面波束指向偏差分别作为输入样本和输出样本，代入支持向量机回归算法进行学习；
40、步骤s63，利用网格搜索法获取支持向量机回归算法里最优的惩罚因子c和核函数超参数g的参数组合：初始化惩罚参数c的变化范围、rbf核参数g的变化范围以及网格搜索步长；对(c，g)参数组合中的每对参数训练一个“方位架节点温度-天线方位面波束指向偏差”的支持向量机回归预测模型，交叉验证该模型的均方误差(mse)：
41、
42、式中，yi和y'i分别代表天线方位面波束指向偏差输出样本的实际值和预测值，n为方位面波束指向偏差输出样本的个数；
43、步骤s64，比较不同参数组合训练的“方位架节点温度-天线方位面波束指向偏差”的支持向量机回归预测模型的mse，选取mse最小的(c，g)参数组合作为最优参数组合；
44、步骤s65，缩小(c，g)参数的搜索范围或步长，不断重复步骤s63并用步骤s64的方式评估，直到遍历完所有的参数组合，其中mse最小的(c，g)参数组合便是最优参数组合，利用最优参数组合训练得到“方位架节点温度-天线方位面波束指向偏差”的支持向量机回归预测模型；
45、步骤s66，用“天线俯仰面波束指向偏差”数据替换“天线方位面波束指向偏差”数据，重复步骤s61-s65，得到“方位架节点温度-天线俯仰面波束指向偏差”的支持向量机回归预测模型。
46、进一步，所述步骤s7包括：
47、步骤s71，将测试集中的方位架节点温度输入样本代入步骤s6中的“方位架节点温度-天线方位面波束指向偏差”的支持向量机回归预测模型中，得到方位面波束指向偏差预测值；
48、步骤s72，利用步骤s71得到的方位面波束指向偏差预测值与测试集中的方位面波束指向偏差实际值，计算评估“方位架节点温度-天线方位面波束指向偏差”预测模型拟合效果的指标：平均绝对误差mae、平均相对误差mre和决定系数r2，具体计算公式如下：
49、
50、
51、
52、式中，yi和y'i分别代表天线方位面波束指向偏差输出样本的实际值和预测值，n为方位面波束指向偏差输出样本的个数；是方位面波束指向偏差输出样本实际值的平均值；平均绝对误差mae取值范围在[0,+∞)，平均相对误差mre取值范围在[0,1]，决定系数r2的取值范围在[0,1]；
53、步骤s73，用“天线俯仰面波束指向偏差”数据替换“天线方位面波束指向偏差”数据，重复步骤s71-s72，对步骤s6中的“方位架节点温度-天线俯仰面波束指向偏差”的支持向量机回归预测模型进行测试。
54、本发明的有益效果为：
55、本发明将机器学习引入反射面天线性能计算中，提出了基于支持向量机回归的热环境下大型反射面天线波束指向偏差快速预测技术方案，相比于传统耗时长且过程复杂繁琐的非线性多场耦合效应分析获取指向偏差的方法，本发明计算快速且步骤更加简单。由于支持向量机算法具有泛化能力强、对异常值鲁棒性强、适合处理非线性回归问题等优点，本发明建立的支持向量机回归模型具有良好的预测性能且稳定性较高，能够根据实时测量温度较为快速准确地预测温度场引起的天线指向偏差，为时变热环境下的天线指向精度调控提供实时预测数据；便于根据实时预测的波束指向偏差开展热环境下反射面天线指向精度的实时补偿。
1.一种在热环境下预测大型反射面天线波束指向偏差的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的在热环境下预测大型反射面天线波束指向偏差的方法，其特征在于，所述步骤s1包括：
3.根据权利要求1所述的在热环境下预测大型反射面天线波束指向偏差的方法，其特征在于，所述步骤s2具体包括：
4.根据权利要求1所述的在热环境下预测大型反射面天线波束指向偏差的方法，其特征在于，所述步骤s3包括：
5.根据权利要求1所述的在热环境下预测大型反射面天线波束指向偏差的方法，其特征在于，所述步骤s4包括：
6.根据权利要求1所述的在热环境下预测大型反射面天线波束指向偏差的方法，其特征在于，所述步骤s5包括：
7.根据权利要求1所述的在热环境下预测大型反射面天线波束指向偏差的方法，其特征在于，所述步骤s6包括：
8.根据权利要求6所述的在热环境下预测大型反射面天线波束指向偏差的方法，其特征在于，所述步骤s7包括：
