基于机器学习的索网反射面天线形面精度调整方法专利检索-深空网天文学专利检索查询-专利查询网

基于 机器学习的索网反射面天线形面精度调整方法

阅读：639发布：2020-05-14

专利汇可以提供基于机器学习的索网反射面天线形面精度调整方法专利检索，专利查询，专利分析的服务。并且本发明公开一种基于机器学习的索网反射面天线形面精度调整方法，主要解决现有技术需要建立精确的仿真模型和未考虑复杂非线性因素的问题。其实现方案为：1)建立实物反射面仿真模型，对实物反射面进行预调整获取初始训练样本，2)使用训练样本对机器算法进行训练得到天线仿真模型-最小二乘支持向量机形面预测模型，并调整该预测模型获得最优调整量，3)将最优调整量施加在实物反射面，得到一组新样本，判断此时实物反射面形面精度是否满足要求，若不满足，则用新样本和原有样本一起对机器算法重新训练，若满足，则输出实物反射面的最优调整量。本发明具有调整次数少、计算效率高的优点，可用于在卫星通信、对地观测、深空探测。，下面是基于机器学习的索网反射面天线形面精度调整方法专利的具体信息内容。

权利要求

1.基于机器学习的索网反射面天线形面精度调整方法，其特征在于，包括如下：
(1)根据索网反射面天线设计参数对天线结构进行有限元建模，并将该有限元模型作为索网反射面天线的仿真模型；
(2)获取初始训练样本：
(2a)在初始状态下，调整索的调整量为零，测量得到实物反射面前网面初始节点坐标，使用已有的有限元分析软件ANSYS对仿真模型进行静力分析，得到其平衡状态，提取反射面前网面节点坐标，计算实物反射面与仿真模型网面节点坐标差值用调整量与前网面节点坐标差值构成一组训练样本，其中i为前网面节点编
号，j为调整索编号；
(2b)建立实物反射面形面精度调整的数学优化模型，使使用进退算法对实物反射面的形面精度调整的数学优化模型进行M次迭代计算，第m次调整中调整索调整量为测量第m次调整后的平衡状态网面节点坐标，将同样的调整量施加在仿真模型上，进行静力分析得到仿真模型平衡状态网面节点坐标，调整量下实物反射面与仿真模型网面节点坐标差值为将调整索调整量与网面节点坐标差值构成第m组训
练样本，此时共得到M+1组训练样本；
(3)建立FEM-LSSVM形面预测模型：
(3a)对仿真模型进行敏感性分析，得到对反射面每一个网面节点三个方向坐标影响最大的n根调整索；
(3b)使用得到的M+1组训练样本使用机器学习算法进行训练，得到前网面每一个节点的三个方向的误差预测模型；
(3c)将仿真模型与误差预测模型相结合，构成实物反射面的FEM-LSSVM形面预测模型；
(4)计算最优调整量：
使用FEM-LSSVM形面预测模型替代实物反射面，使用进退算法进行迭代调整计算得到当前最优调整量
(5)判断是否满足形面精度要求：
(5a)将计算所得的调整量施加在实物反射面上，测量平衡后网面节点坐标，计算当前形面精度和在调整量下的实物反射面与仿真模型网面节点坐标差值
(5b)根据测量得到的实物反射面第m次调整后的平衡状态网面节点坐标，计算形面精度如果或者执行(7)，否则，执行(6)，其中ε1为设定的形面
调整目标精度，ε2为设定的调整迭代精度；
(6)生成新样本：
将调整量和坐标差值组合成一个新的样本，作为第m+1组训练样
本，令m＝m+1，返回(3)；
(7)输出索网反射面天线的最优调整量
比较第m次和第m+1次调整后的形面精度和如果则实物反射面
天线的最优调整量为第m+1次的调整量否则，实物反射面天线的最优调整量为第m次的调整量
2.根据权利要求1所述的方法，其特征在于，步骤(2)中采用调整量下实物反射面与仿真模型网面节点坐标差值作为误差模型输出量，其计算公式为：
其中为调整量下实物反射面中节点i的坐标，为调整量
下仿真模型中节点i的坐标。
3.根据权利要求1所述的方法，其特征在于，(2)中建立的形面精度调整数学优化模型，表示为：
min wrms
其中，Find表示迭代操作，lΔ为优化模型的设计变量，为第j根调整索的调整量，j＝1,
2,...,Mv，Mv为调整索的数量，min表示最小化操作，wrms为天线反射面的形面误差，s.t.表示约束操作，表示工程可实施的最小调整量，为每一根调整索的调整量大小。
4.根据权利要求1所述的方法，其特征在于，(3)中，对仿真模型进行敏感性分析，是先分别计算对每一个反射面前网面节点三个方向坐标影响最大的n根调整索编号，再分别以每一个反射面前网面节点对应的n根调整索的调整量作为该节点误差预测模型的输入量。
5.根据权利要求1所述的方法，其特征在于，(3)中分别对每一个前网面节点三个方向坐标使用机器学习算法建立误差预测模型，实现如下：
3a)以对前网面每个节点i的x方向坐标影响最大的n根调整索的调整量作为输入量，将该调整量下实物反射面与仿真模型的前网面每个节点i的x方向坐标差值作为输出量，并使用M+1组训练样本对机器学习算法进行训练，得到每个节点i的x方向坐标误差预测模型；
3b)以对前网面每个节点i的y方向坐标影响最大的n根调整索的调整量作为输入量，将该调整量下实物反射面与仿真模型的前网面每个节点i的y方向坐标差值作为输出量，并使用M+1组训练样本对机器学习算法进行训练，得到每个节点i的y方向坐标误差预测模型；
3c)以对前网面每个节点i的z方向坐标影响最大的n根调整索的调整量作为输入量，将该调整量下实物反射面与仿真模型的前网面每个节点i的z方向坐标差值作为输出量，并使用M+1组训练样本对机器学习算法进行训练，得到每个节点i的z方向坐标误差预测模型。
6.根据权利要求1所述的方法，其特征在于，(3c)中将仿真模型与误差预测模型相结合，构成实物反射面的形面预测模型，是将仿真模型计算得到的节点i的坐标与误差预测模型计算得到的实物反射面与仿真模型节点i的坐标差值相加，得到实物反射面节点i的坐标(xi,yi,zi)：
其中，(xi,yi,zi)仿为仿真模型计算得到节点i的坐标，为误差模型计算得到的实物反射面与仿真模型节点i的坐标差值。

说明书全文

基于机器学习的索网反射面天线形面精度调整方法

技术领域

[0001] 本发明属于雷达技术领域，更进一步涉及索网反射面天线的形面精度调整方法，可用于在卫星通信、对地观测、深空探测。

背景技术

[0002] 在卫星通信、对地观测、深空探测等航天领域，空间可展开天线的应用广泛，起着十分重要的作用，其中由金属丝网和柔性索构成的索网反射面天线是可展开天线的一种重要形式，随着空间技术的发展，对于大口径、高精度的可展开天线的需求越来越迫切，尽管索网反射面天线在设计阶段具有较高的精度，但是反射面结构在制造和安装过程中不可避免地会引入一定的误差，导致实际制造出的天线结构形面精度往往不能满足使用精度的要求。为了减小制造、安装等过程中误差的影响，尽可能提高天线的形面精度，必须对安装好的索网反射面天线形面进行调整以满足使用精度要求。

[0003] 索网反射面天线是一种预张拉结构，只有通过施加预张力才能形成理想的反射面形状并具有一定承受横向载荷的刚度，工程上常选用芳纶等具有高模量、低热膨胀系数等力学性能的绳索材料，在生产过程中，微小的加工制造误差将导致绳索非常大的预张力加载偏差，且索网结构具有强烈的几何非线性，索网与支撑框架之间表现出强耦合关系，使得形面精度难以调节。针对索网反射面天线，国内外还没有形成一套有效的快速的自动化调整技术，其高精度的实现主要依靠人工调整，期间带有一定的盲目性，调整工作十分繁杂。因此对于索网反射面天线形面精度快速调整方法的研究显得尤为重要。

[0004] 牛治永，李晓岚和王三民在文献“空间桁架可展天线反射器的形面精度优化调整”(机械设计制造,2011,6(1):123-125.)中以周边桁架式可展开天线为研究对象，采用有限元分析的方法，为了解决其形面调整问题，基于影响系数矩阵建立了天线形面调整的多目标优化模型，采用遗传算法进行求解，减少了调整次数。然而这种方法是基于确定性和理想的结构，而在工程实际中，索网反射面天线在制造、装配过程中存在着很多不确定性因素，如索网节点位置和张力测量不确定性，材料参数不确定性，因此无法为索网反射面天线建立精确的仿真模型。也就是说，索网反射面天线的状态是不确定的。

[0005] Li T,Tang Y,和Zhang T在文献“Surface adjustment method for cable net structures considering measurement uncertainties”(Aerospace Science and Technology,2016,59:52-56.)中通过将测量不确定性作为区间变量，提出采用区间力密度方法计算不确定性索网的形面精度，通过建立包含区间变量的优化模型寻找调整索的最佳调整量，虽考虑了不确定性因素的影响，但并未涉及诸如铰链间隙、结构变形等复杂非线性因素，因而所建索网形面调整模型仍不够准确。此外，在工程中很难得到网状可展开天线的所有状态信息，如背网面节点坐标，索网张力，支撑桁架和索网结构的刚度等。

[0006] 发明的内容

[0007] 本发明的目的是克服上述现有技术的不足，提出一种索网反射面天线形面精度的调整方法，以在不需要建立索网反射面天线的精确模型的条件下，通过前网面节点信息实现天线形面的预测和调整，减少调整次数。

[0008] 实现本发明的基本思路是，根据索网反射面天线设计参数建立实物反射面的有限元仿真模型，通过对实物反射面进行预调整获取初始训练样本，使用机器学习算法建立仿真模型与实物反射面的误差预测模型，结合仿真模型构成实物反射面的FEM-LSSVM形面预测模型，对形面预测模型进行迭代调整获得最优调整量，将得到的调整量施加在实物反射面，获得新样本，计算当前形面精度。

[0009] 根据上述思路，本发明的实施步骤包括如下：

[0010] (1)根据索网反射面天线设计参数对天线结构进行有限元建模，并将该有限元模型作为索网反射面天线的仿真模型；

[0011] (2)获取初始训练样本：

[0012] (2a)在初始状态下，调整索的调整量为零，测量得到实物反射面前网面初始节点坐标，使用已有的有限元分析软件ANSYS对仿真模型进行静力分析，得到其平衡状态，提取反射面前网面节点坐标，计算实物反射面与仿真模型网面节点坐标差值用调整量与前网面节点坐标差值构成一组训练样本，其中i为前网面节点编号，j为调整索编号；

[0013] (2b)建立实物反射面形面精度调整的数学优化模型，使使用进退算法对实物反射面的形面精度调整的数学优化模型进行M次迭代计算，第m次调整中调整索调整量为测量第m次调整后的平衡状态网面节点坐标，将同样的调整量施加在仿真模型上，进行静力分析得到仿真模型平衡状态网面节点坐标，调整量下实物反射面与仿真模型网面节点坐标差值为将调整索调整量与网面节点坐标差值构成第m组训练样本，此时共得到M+1组训练样本；

[0014] (3)建立FEM-LSSVM形面预测模型：

[0015] (3a)对仿真模型进行敏感性分析，得到对反射面每一个网面节点三个方向坐标影响最大的n根调整索；

[0016] (3b)使用得到的M+1组训练样本使用机器学习算法进行训练，得到前网面每一个节点的三个方向的误差预测模型；

[0017] (3c)将仿真模型与误差预测模型相结合，构成实物反射面的FEM-LSSVM形面预测模型；

[0018] (4)计算最优调整量：

[0019] 使用FEM-LSSVM形面预测模型替代实物反射面，使用进退算法进行迭代调整计算得到当前最优调整量

[0020] (5)判断是否满足形面精度要求：

[0021] (5a)将计算所得的调整量施加在实物反射面上，测量平衡后网面节点坐标，计算当前形面精度和在调整量下的实物反射面与仿真模型网面节点坐标差值[0022] (5b)根据测量得到的实物反射面第m次调整后的平衡状态网面节点坐标，计算形面精度如果或者执行(7)，否则，执行(6)，其中ε1为设定的形面调整目标精度，ε2为设定的调整迭代精度；

[0023] (6)生成新样本：

[0024] 将调整量和坐标差值组合成一个新的样本，作为第m+1组训练样本，令m＝m+1，返回(3)；

[0025] (7)输出索网反射面天线的最优调整量

[0026] 比较第m次和第m+1次调整后的形面精度和如果则实物反射面天线的最优调整量为第m+1次的调整量否则，实物反射面天线的最优调整量为第m次的调整量

[0027] 与现有技术相比，本发明具有以下优点：

[0028] 第一，本发明使用机器学习算法对实物反射面与仿真模型的节点坐标误差进行建模，克服了现有调整方法无法考虑索网结构复杂非线性因素和需要建立天线精确模型的不足，提高了索网反射面调整精度。

[0029] 第二，本发明引入了天线的仿真模型，考虑了天线的结构信息，降低了形面预测模型的复杂度，降低了样本数量的需求。

[0030] 第三，本发明引入灵敏度分析，在保证精度的前提下，大大减小了机器学习训练样本的输入变量维数，提高了计算效率，降低了样本数量需求。附图说明

[0031] 图1为本发明的实现流程图；

[0032] 图2为本发明实施例采用的索网反射面天线的结构示意图；

[0033] 图3为对本发明中的网面节点坐标泛化误差均方根值仿真结果图；

[0034] 图4为对本发明中的检测样本形面精度泛化误差仿真结果图；

[0035] 图5为对本发明中的调整过程中的形面精度变化仿真结果图。

具体实施方式

[0036] 下面结合附图对本发明的实施例和效果做进一步的描述。

[0037] 参照附图1，本发明具体实施方式如下：

[0038] 步骤1，构建仿真模型。

[0039] 根据索网反射面天线的设计参数在已有的有限元分析软件ANSYS中进行有限元建模，分别选择link10单元和beam188单元对索网和桁架进行等效，根据设计参数给每个单元赋予材料参数，并给link10单元施加预应力，最终得到天线的有限元模型，并将该有限元模型作为索网反射面天线的仿真模型。

[0040] 步骤2，获取初始训练样本。

[0041] 2a)在初始状态下，调整索的调整量为零，测量得到实物反射面前网面初始节点坐标使用已有的有限元分析软件ANSYS对仿真模型进行静力分析，得到其平衡状态，提取反射面前网面节点坐标计算实物反射面与仿真模型网面节点坐标差值

[0042]

[0043] 其中，i为前网面节点编号，j为调整索编号；

[0044] 2b)用调整索的调整量与网面节点坐标差值构成一组训练样本；

[0045] 2c)对索网反射面天线进行调整时以调整索的索长调整量为设计变量，以反射面的形面误差最小作为目标函数，建立形面精度调整的数学优化模型如下：

[0046]

[0047] min wrms

[0048]

[0049] 其中，Find表示迭代操作，lΔ为优化模型的设计变量，为第j根调整索的调整量，j＝1,2,...,Mv，Mv为调整索的数量，min表示最小化操作，wrms为天线反射面的形面精度，s.t.表示约束操作，表示工程可实施的最小调整量，为第j根调整索的调整量大小；

[0050] 2d)使用进退算法对实物反射面的形面精度调整的数学优化模型进行M次迭代计算：

[0051] 2d1)令m＝0，测量实物反射面前网面初始节点坐标，将节点i的坐标表示为计算当前形面精度

[0052]

[0053] 其中，f(x,y)为理想反射面方程，N为前网面节点数目；

[0054] 2d2)通过下式更新调整索j的调整量

[0055]

[0056] 其中0<β<1是调整量的调整系数，用来控制迭代速度，i为与调整索j相连的前网面节点编号；

[0057] 2d3)将调整量施加在实物反射面上，得到平衡后的节点坐标计算当前形面精度

[0058]

[0059] 2d4)令m＝m+1，比较m与M，如果m

[0060] 否则，返回(2d2)；

[0061] 2d5)输出迭代过程中的每个调整量和在调整量下实物反射面前网面节点i的坐标

[0062] 2e)将实物反射面的形面精度调整的优化模型M次迭代计算过程中的每个调整量分别施加在仿真模型上，使用已有的有限元分析软件ANSYS对仿真模型进行静力分析，得到每个调整量下仿真模型平衡状态网面节点坐标计算在调整量下实物反射面与仿真模型网面节点i的坐标差值

[0063]

[0064] 2f)用调整索的每个调整量与每个调整量下网面节点坐标差值构成M组训练样本，加上在(2b)中得到的一组样本，共得到M+1组训练样本。

[0065] 步骤3，建立FEM-LSSVM形面预测模型。

[0066] 3a)对仿真模型进行灵敏度分析，在仿真模型中，分别给每一根调整索施加Δl0的调整量，通过静力分析得到调整不同调整索时前网面每个节点i的位移计算对每个前网面节点i三个方向坐标影响最大的n根调整索：

[0067] 3a1)对前网面每个节点i的x方向的位移值Δxij进行排序，以前n个位移值对应的调整索作为对节点i的x坐标影响最大的n根索；

[0068] 3a2)对前网面每个节点i的y方向的位移值Δyij进行排序，以前n个位移值对应的调整索作为对节点i的y坐标影响最大的n根索；

[0069] 3a3)对前网面每个节点i的z方向的位移值Δzij进行排序，以前n个位移值对应的调整索作为对节点i的z坐标影响最大的n根索。

[0070] 3b)使用机器学习算法分别对每一个前网面节点三个方向坐标建立误差预测模型：

[0071] 3b1)以对前网面每个节点i的x方向坐标影响最大的n根调整索的调整量作为输入量，将该调整量下实物反射面与仿真模型的前网面每个节点i的x方向坐标差值作为输出量，并使用M+1组训练样本对机器学习算法进行训练，得到每个节点i的x方向坐标误差预测模型

[0072] 3b1.1)通过下式对样本进行规范化处理：

[0073]

[0074] 其中，为一个数据集，x为数据集中的一个数据，为对x进行规范化处理后的数据，mean(·)表示计算数据集中所有数据的平均值，std(·)表示计算数据集中所有数据的标准差；

[0075] 3b1.2)在建立节点i的x方向坐标误差模型时，定义节点i的第k个样本规范化处理后的输入和输出数据分别为：

[0076]

[0077]

[0078] 其中为规范化后的第k个样本中第p根调整索的调整量，p为对前网面节点i的x方向坐标影响最大的n根调整索的编号，为第k个样本中规范化后的实物反射面与仿真模型节点i的x方向的坐标差值， Rn为n维实数集，R为实数集；

[0079] 3b1.3)根据结构风险最小化为原则，综合考虑函数复杂度和拟合误差，将节点i的x方向的最小二乘支持向量机的回归问题表示为约束优化问题：

[0080]

[0081]

[0082] 其中，w是高维特征空间的权重向量，是现有的一种非线性映射函数，bix为偏置项，γ为惩罚因子，用于平衡函数光滑度与拟合误差；ek为误差项，S为样本总数；

[0083] 3b1.4)通过引入Lagrange乘子把约束优化问题变为无约束优化问题，对于任意给定的一组索长调整量数据将节点i的x方向坐标误差预测模型表示为：

[0084]

[0085] 其中为Lagrange乘子，为高斯径向基核函数。

[0086] 3b2)以对前网面每个节点i的y方向坐标影响最大的n根调整索的调整量作为输入量，将该调整量下实物反射面与仿真模型的前网面每个节点i的y方向坐标差值作为输出量，并使用M+1组训练样本对机器学习算法进行训练，得到每个节点i的y方向坐标误差预测模型

[0087] 3b2.1)通过下式对样本进行规范化处理：

[0088]

[0089] 其中，为一个数据集，x为数据集中的一个数据，为对x进行规范化处理后的数据，mean(·)表示计算数据集中所有数据的平均值，std(·)表示计算数据集中所有数据的标准差；

[0090] 3b2.2)在建立节点i的y方向坐标误差模型时，定义节点i的第k个样本规范化处理后的输入和输出数据分别为：

[0091]

[0092]

[0093] 其中为规范化后的第k个样本中第q根调整索的调整量，q为对前网面节点i的y方向坐标影响最大的n根调整索的编号，为第k个样本中规范化后的实物反射面与仿真模型节点i的y方向的坐标差值，

[0094] 3b2.3)根据结构风险最小化为原则，综合考虑函数复杂度和拟合误差，将节点i的y方向的最小二乘支持向量机的回归问题表示为约束优化问题：

[0095]

[0096]

[0097] 其中，w是高维特征空间的权重向量，是现有的一种非线性映射函数，biy为偏置项，γ为惩罚因子，用于平衡函数光滑度与拟合误差；ek为误差项，S为样本总数；

[0098] 3b2.4)通过引入Lagrange乘子把约束优化问题变为无约束优化问题，对于任意给定的一组索长调整量数据将节点i的y方向坐标误差预测模型表示为：

[0099]

[0100] 其中为Lagrange乘子，为高斯径向基核函数。

[0101] 3b3)以对前网面每个节点i的z方向坐标影响最大的n根调整索的调整量作为输入量，将该调整量下实物反射面与仿真模型的前网面每个节点i的z方向坐标差值作为输出量，并使用M+1组训练样本对机器学习算法进行训练，得到每个节点i的z方向坐标误差预测模型

[0102] 3b3.1)通过下式对样本进行规范化处理：

[0103]

[0104] 其中，为一个数据集，x为数据集中的一个数据，为对x进行规范化处理后的数据，mean(·)表示计算数据集中所有数据的平均值，std(·)表示计算数据集中所有数据的标准差；

[0105] 3b3.2)在建立节点i的z方向坐标误差模型时，定义节点i的第k个样本规范化处理后的输入和输出数据分别为：

[0106]

[0107]

[0108] 其中为规范化后的第k个样本中第t根调整索的调整量，t为对前网面节点i的z方向坐标影响最大的n根调整索的编号，为第k个样本中规范化后的实物反射面与仿真模型节点i的z方向的坐标差值，

[0109] 3b3.3)根据结构风险最小化为原则，综合考虑函数复杂度和拟合误差，将节点i的z方向的最小二乘支持向量机的回归问题表示为约束优化问题：

[0110]

[0111]

[0112] 其中，w是高维特征空间的权重向量，是现有的一种非线性映射函数，biz为偏置项，γ为惩罚因子，用于平衡函数光滑度与拟合误差；ek为误差项，S为样本总数；

[0113] 3b3.4)通过引入Lagrange乘子把约束优化问题变为无约束优化问题，对于任意给定的一组索长调整量数据将节点i的z方向坐标误差预测模型表示为：

[0114]

[0115] 其中为Lagrange乘子，为高斯径向基核函数。

[0116] 3c)将仿真模型与误差预测模型相结合，构成实物反射面的FEM-LSSVM形面预测模型，将仿真模型计算得到的节点i的坐标与误差预测模型计算得到的实物反射面与仿真模型节点i的坐标差值相加，得到实物反射面节点i的预测坐标(xi,yi,zi)：

[0117]

[0118] 其中，(xi,yi,zi)仿为仿真模型计算得到节点i的坐标，为误差模型计算得到的实物反射面与仿真模型节点i的坐标差值。

[0119] 步骤4，计算最优调整量。

[0120] 使用FEM-LSSVM形面精度预测模型替代实物反射面使用进退算法进行迭代计算,得到当前形面精度预测模型下最优调整量lbest：

[0121] 4a)令s＝0，使用已有的有限元分析软件ANSYS对仿真模型进行静力分析，得到其平衡状态，提取仿真模型前网面初始节点坐标，将节点i的坐标表示为计算当前形面精度

[0122]

[0123] 其中，f(x,y)为理想反射面方程，N为前网面节点数目；

[0124] 4b)通过下式更新调整索j的调整量

[0125]

[0126] 其中0<β<1是调整量的调整系数，用来控制迭代速度，i为与调整索j相连的前网面节点编号；

[0127] 4c)将调整量施加在仿真模型上，得到平衡后的节点坐标计算当前形面精度

[0128]

[0129] 4d)设定形面调整目标精度为ε1，调整迭代精度为ε2，并将ε1、ε2与仿真模型第s次、第s+1次调整后的形面精度和进行比较：

[0130] 如果或者则执行(4e)，

[0131] 否则，令s＝s+1，返回(4b)；

[0132] 4e)比较第s次和第s+1次调整后的形面精度和

[0133] 如果则仿真模型的最优调整量lbest为第s+1次的调整量

[0134] 否则，仿真模型的最优调整量lbest为第s次的调整量

[0135] 步骤5，判断是否满足形面精度要求。

[0136] 5a)令实物反射面第m+1次的调整量为lbest，将调整量施加在实物反射面上，测量平衡后网面节点坐标，计算当前形面精度并调整量下仿真模型与实物反射面网面节点i的坐标差值为

[0137] 5b)设定形面调整目标精度为ε1，调整迭代精度为ε2，并将ε1、ε2与实物反射面第m次、第m+1次调整后的形面精度和进行比较：

[0138] 如果或者则执行步骤7，

[0139] 否则，执行步骤6。

[0140] 步骤6，生成新样本。

[0141] 将调整量和坐标差值组合成一个新的样本，作为第m+1组训练样本，令m＝m+1，返回步骤3。

[0142] 步骤7，输出索网反射面天线的最优调整量

[0143] 将实物反射面第m次调整后的形面精度和第m+1次调整后的形面精度进行比较：如果则实物反射面的最优调整量为第m+1次的调整量

[0144] 否则，实物反射面的最优调整量为第m次的调整量

[0145] 下面结合仿真实例对本发明做进一步说明：

[0146] 1仿真条件：

[0147] 本发明以周边桁架式可展开索网天线为例，对发明进行进一步说明，索网反射面天线口径为10m，前网面焦距为8m，背网面焦距为30m，天线的主索分段数为5，前网面和背网面索段数目均为288，竖向调整索数目为85，索段直径为1mm，周边支撑桁架结构采用空心圆管，内外径分别为17mm和21mm，图2为该索网反射面天线的结构示意图，桁架材料采用碳纤维，弹性模量为150GPa，密度为1450kg/m3，索网材料采用凯夫拉，弹性模量为20GPa，密度为1800kg/m3。

[0148] 根据设计参数使用已有的有限元软件ANSYS建立天线的仿真模型，给仿真模型的索段预张力和桁架材料参数施加随机误差生成一种模拟实物模型，将模拟实物模型作为实物反射面。

[0149] 2仿真内容与结果

[0150] 仿真1，选取所有的竖向索作为调整索，使用本发明对实物反射面进行7次调整获的初始样本，建立实物反射面的FEM-LSSVM形面预测模型，随机生成100组调整量作为测试样本，对形面预测模型的泛化误差进行检验，结果如图3，其中：

[0151] 图3(a)为在100组测试样本下每一个前网面节点i的x方向坐标泛化误差均方根值，最大值为0.0522mm，

[0152] 图3(b)为在100组测试样本下每一个前网面节点i的y方向坐标泛化误差均方根值，最大值为0.0783mm，

[0153] 图3(c)为在100组测试样本下每一个前网面节点i的z方向坐标泛化误差均方根值，最大值为0.2765mm，

[0154] 由图3可见，该形面预测模型的网面节点坐标预测泛化误差较小。

[0155] 仿真2，计算在100组测试样本下形面预测模型与实物反射面的形面精度，结果如图4，

[0156] 将图4中每一组测试样本下形面预测模型的形面精度减去实物反射面的形面精度后除以实物反射面的形面精度，得到形面预测模型形面精度的相对误差，其中相对误差最大值为1.655％，最小值为0.00927％，平均值为0.7701％，

[0157] 由图4可见，该形面预测模型的泛化能力较好，能够对天线反射面的节点坐标进行有效预测。

[0158] 仿真3，使用本发明对FEM-LSSVM形面预测模型进行调整，计算调整过程中形面预测模型的形面精度，结果如图5，

[0159] 由图5可见，最终形面预测模型的形面精度为0.5425mm，将形面预测模型调整过程中最后一次调整量施加在实物反射面中，计算得到实物反射面形面精度为0.5445mm，将最终形面预测模型的形面精度减去实物反射面形面精度后除以实物反射面的形面精度，得到形面预测模型形面精度的相对误差为0.37％，实物反射面总调整次数为8次，表明本发明具有较高的效率和精度。

标题	发布/更新时间	阅读量
一种微卫星集群在轨自主组装的大规模飞行器及使用方法	2020-05-16	891
基于卫星DTN网络拥塞控制最优到达率路由方法	2020-05-23	996
可由一国国内地面站控制的广域测控系统	2020-05-25	698
一种深空探测器自主任务规划时间约束几何处理方法	2020-05-25	355
多层次星座组网的卫星信息网络	2020-05-25	100
基于行星借力的水星交会脉冲轨道优化设计方法	2020-05-12	504
平动点基干网络	2020-05-24	396
一种星体重力场反演的方法和系统、以及处理器	2020-05-13	876
基于多神经网络的DBPSK解调方法	2020-05-14	199
带自锁开关防砂筛管	2020-05-20	61

基于机器学习的索网反射面天线形面精度调整方法

基于机器学习的索网反射面天线形面精度调整方法

技术领域

背景技术

具体实施方式

该功能需要专业版企业版VIP权限，您可以：