文摘
基于压缩传感阵列提出了诊断技术。这种技术从收集的测量远场模式。系统连接的区别实地测量使用健康参考阵列和阵列的场辐射测试下解决了使用遗传算法(GA),平行坐标下降(PCD)算法,然后PCD的杂化GA算法。这些算法申请完全和部分有缺陷的天线阵列。仿真结果表明,该混合算法优于本地化的元素与少量的测量失败。在该算法中,缓慢而避免了早期收敛GA与此相结合的纤毛运动算法。它已经表明,混合GA-PCD算法提供了一个准确的诊断完全和部分有缺陷的传感器与GA和纤毛运动。提供了不同的模拟来验证设计的算法的性能多样化的场景。
1。介绍
如今阵列测试是研究界的极大的兴趣。此外,权力模式的估计和检测错误的传感器在雷达天线阵列是一个重要的问题,遥感、移动通信、卫星通信(1- - - - - -3]。有可能获得一个或多个天线元素的辐射模式的缺陷导致退化的数组(4- - - - - -6]。的修正模式之前,有必要首先诊断缺陷天线元素数组中。几种传统技术可用于检测的数量和位置错误的元素从健康的数组和受损的权力模式的观察(7,8]。最常用的阵列检测技术矩阵法(9),反向传播算法(10),和详尽的搜索(11]。然而,这些技术计算昂贵,因为他们要求测量的数量不应少于天线数组中元素的数量。
在数组的诊断,目的是找到错误的在线性数组元素。稀疏向量的定义是权重之间的偏差的健康测试引用数组和数组(12]。在实际的场景中,有缺陷的元素的数量很小。因此新数组是很稀少的少数活跃元素,允许更少数量的测量错误元素的检测。故障检测问题使用压缩传感信号的恢复技术允许稀疏信号的谐波估计使用少量的数据(13,14]。测量矩阵必须满足限制等容属性,以避免信息在实际信号失真。在这样一个框架,一个创意被卷起的缺陷检测的线性阵列的远场测量提出了(15迷人的压缩传感技术的好处。
压缩感知(CS)是一种信号处理技术,一个是可以恢复的一个信号从一组线性测量信号本身,而是在测量的数量小于信号。因此,必须恢复原始信号的测量矩阵,这是不适定的,由于减少维度。计算机科学技术(16- - - - - -19)指出,有可能恢复底层信号从少数量的测量值低于奈奎斯特采样率,在合适的条件下,如限制等容财产(RIP)。在文学几个技术可用于解决不适定的恢复问题。这些技术可以分为许多算法有问题的家庭不同的方法(20.- - - - - -22]。
研究人员在工程、GA和纤毛运动算法需要特别注意。GA bioinspired技术,已成功地使用了不同的优化问题在许多工程领域(23- - - - - -25]。另一方面,纤毛运动,从坐标下降法,也用于不同的最小化问题。
本文考虑的承诺表现GA和纤毛运动,我们引入了一个基于c数组诊断技术。这种方法是基于测量数据的远场模式。系统相关领域之间的差异测量使用健康的引用数组和数组的现场辐射测试使用遗传算法,解决了PCD算法、GA杂化纤毛运动算法。这种混合动力技术的主要优点是避免缓慢和GA的早期收敛。所有这些算法的性能进行比较彼此的收敛性和均方误差(MSE)。GA-PCD算法提供了一个准确的诊断完全和部分有缺陷的传感器相比单独个人GA或纤毛运动算法。提供了不同的模拟来验证所设计的算法的性能。
剩下的纸是组织如下。配方的问题是讨论部分2,而在部分3,我们设计了GA、PCD和混合GA-PCD。部分4描述了模拟和结果,而部分5总结了工作,并推荐了一些未来的发展方向。
2。问题公式化
让我们考虑一个线性阵列元素在设在,其远场模式是作为(1] 在哪里权向量的吗th天线元素,是波数,是th测量模式,是连续的元素之间的距离。数组的嘈杂的远场模式下测试表示为 在哪里是th样本的添加剂复杂零均值高斯噪声方差和是测试下的权向量数组。在(2),给药 在哪里是错误的部分元素。原始的和嘈杂的故障模式与切比雪夫力量SLL =−35 dB如图1。规范化的切比雪夫加权的原始和错误的数组8日和15日元素不工作是描绘在图2。理想场模式之间的差异并给出测试数组(11由以下方程: 或者它可以编写如下: 在哪里和是数组的th元素向量是由被测试失败
为了解决阵列检测问题,我们发现。在实际场景中,一些元素发生故障;因此,故障向量是稀疏的。数组检测问题可以在稀疏框架(新配方13]。考虑到不同向量找到最小规范,满足的方程 在哪里是测量矩阵(14]。给定的测量向量和的差异矩阵,逆问题的算法寻找最好的解决方案在一个明确的约束。如果测量矩阵是广场和可逆的独特的解决方案可以通过矩阵求逆。在实际场景中,测量矩阵是坏脾气的,导致欠定的线性方程组。因此我们发现稀疏的解决方案。
3所示。提出的方法
在压缩感知(CS),稀疏信号允许我们undersample最小信号低于奈奎斯特抽样标准。在CS,少数量的测量在稀疏信号包含完整的信息相比,其维度,以便准确恢复从少数量的测量是可能的16,17]。计算机科学有很多应用,通信和磁共振成像(MRI) (15,18]。限制等距性质(RIP)应满足实际信号的测量矩阵,避免信息失真,如高斯矩阵。确切的恢复,所测量到的数量;也就是说,,在那里长度测量从一个信号有有缺陷的元素;然后用高概率(稀疏信号可以恢复20.]。最低基于标准的解决方案最大限度地减少总能量的近似信号和有一个独特的解决方案。然而,通常的解决方案是nonsparse。范数最小化利用稀疏约束寻找估计解决方案的一些有缺陷的元素在线性数组。但是,它有凸制定寻找稀疏的解决方案,是难以计算的,因为它涉及到一个详尽的搜索对有缺陷的元素。
有诱惑范数最小化了(8)由于其独特的解决方案,因为它在计算上是容易处理的。考虑 稀疏近似等问题最小化(9)使用稀疏约束的规范与一些有缺陷的元素找到一个近似解在天线阵。一个人 的规范是凸和促进稀疏解,然而,规范(9)通常是不容易处理和非凸。因此,我们可以更换规范的规范改造的问题(9)
3.1。遗传算法(GA)
遗传算法是一种来自大自然的灵感metaheuristic优化技术是基于意识形态的继承。该算法首先初始化染色体。居民中的每个染色体作为候选方案。染色体的元素被称为基因。每个染色体的价格决定通过一个适应度函数。交叉的帮助下,不同染色体的基因可以以多种方式结合产生的后代具有不同的健身价值。新的人口形成的正常选择结合最好的父母和后代。以这种方式GA继续寻找最佳人选的解决方案。来自大自然的灵感metaheuristic算法首选是np难的问题。当优化涉及约束遗传算法的应用23)将变得更加困难的跨界车是瞎眼的约束。
约束可以包含在染色体的适应度函数以及。然而间接约束的使用并不适合稀疏问题。在我们的算法约束是用来保证首选稀疏前后交叉在硬阈值水平。遗传算法的一个主要问题是早期收敛与遗传多样性的人口的损失。为了避免这个问题我们通过突变过程。然而对稀疏信号恢复普通突变不会工作,使染色体更密集,影响稀疏约束。该算法避免了这个问题通过PCD算法当人口往往过早收敛。
3.2。平行坐标下降算法(PCD)
纤毛是一个算法,最小化函数。PCD的想法是来自坐标下降法的适应度函数最小化一个坐标(20.]。为了得到新的解决方案,它更新所有的系数平行顺序相反的。更新方程的算法 在哪里是一个常数,通过线搜索计算。在该算法,我们把它换成一个随机数。解决方案的初始值可以估计的最小平方解或零向量。在(11)这个词计算以下表达式: 在这里是渣。PCD的伪代码如下。
平行坐标体面的伪代码(PCD)算法
任务。找到的价值。
输入。输入测量矩阵和压缩测量。
输出。输出的结果。
初始化。初始化并设置如下:最初的解决方案。最初的残余。准备的权重。
主要的迭代。增量1,应用这些步骤:也就是说,。
背投影。计算。
收缩。计算。
线搜索。选择真正的价值函数最小化。
更新的解决方案。计算。
更新剩余。计算。
停止规则。如果小于一些预定的阈值,停止,否则申请另一个迭代。
输出。结果是。
该算法修改常规PCD加快遗传算法的收敛性。金刚石与GA为了,随机性引入各级。PCD是用于更新染色体当健身最好的染色体不会改变从而防止连续几个迭代收敛问题。纤毛运动之间的相互作用在该算法是一种随机现象。PCD GA算法每次访问。残留是计算使用当前最好的染色体在(11)和(12)选择染色体从当前一代随机替换。
3.3。混合遗传算法
提出了混合遗传算法的流程图和PCD算法如图3而其伪足给出如下。
混合遗传算法的伪代码缺陷检测的元素
输入。输入测量矩阵,测量向量,人口规模和有缺陷的元素。
输出。找到向量。
(1)人口的一代。生成随机染色体:
(2)计算健身的父母和排序。计算每个染色体的适应度根据(9)和降序进行排序:
(3)交叉。一半的人口规模的后代以随机方式生成:
(4)计算健康的儿童和排序。第二步是一样的但对后代执行:
(5)纤毛运动算法。如果是相同的在指定的连续迭代执行:
(6)产生新的人口。生成新的人口最好使用一半的父母和所有的孩子:
(7)输出。健身最好的染色体是候选的解决方案。
符号是用来表示矢量的基数而指数代表一个向量包含指数降序排序时安排。的数据代表了产品中的元素。程序可以实现停止后所需的适应度函数计算步骤2或达到最大数量的周期。
4所示。仿真结果和讨论
在本节中,我们首先考虑一个切比雪夫20个元素的数组用作参考天线元件间的间距。权力模式在这种情况下代表一个−35 dB峰值旁瓣电平与null的特定角度。确定的归一化均方误差检测的有缺陷的元素th迭代是由以下方程: 在哪里是迭代次数和信号噪声比(信噪比)是由 查看仿真结果辐射模式采样和37采集标本的模式。检查的有效性方法我们使用Matlab编程工具。在第一个瞬间,我们认为第三和第七数组中的元素成为损坏,如图4。现在我们使用PCD算法来检测错误的元素的位置。与纤毛运动算法,仿真后的数量和位置错误的元素是恢复;这是显示在图4。蓝色方块代表的原始重量切比雪夫数组,绿色圆圈代表错误的元素,和红十字会代表了诊断故障。
相同的场景重复检测的数量和位置错误的元素利用GA。使用遗传算法后,故障诊断图所示5。现在我们检查相同的毛病是描绘在图的混合遗传算法6。现在我们发现第三和第七元素通过应用混合GA算法失败。通过混合GA故障诊断是描绘在图6。通过使用混合遗传算法,我们更准确地诊断故障元素的数量和位置比PCD和GA。
的性能提出了金刚石和GA混合遗传算法与基于归一化均方误差计算每运行350次迭代的使用(19)。图7PCD的MSE的比较,遗传算法和混合遗传算法。从图7很明显,MSE的混合遗传算法更准确地检测错误的元素的数量和位置相比PCD和GA。
图8显示了不同的值的性能诊断错误的金刚石,信噪比遗传算法和混合遗传算法。从图8,很明显,低信噪比的价值,我们有一个更大的MSE的价值。对信噪比的值≥45岁的MSE的价值降低和稳定。因此,混合遗传算法执行比PCD和遗传算法在不同信噪比的价值。
现在我们测试提出了不同数量的传感器阵列杂交技术。在这种情况下,我们考虑一个数组的30岁,40岁,50传感器。我们假设4传感器损坏。假设故障在5日,10日,15日,25日,地点在30和40个传感器的数组。现在我们提出的混合动力技术应用于检测错误的传感器。PCD的混合GA算法更准确地检测错误的传感器的位置和MSE图如图9。现在纤毛运动算法的混合遗传算法是检测40传感器的数组。再次假设故障的位置在5日,10日,15日,25日,地点;应用提出的混合遗传算法后纤毛运动算法的故障诊断。从仿真结果图9很明显,随着数组大小增加的数量,同时保持错误的传感器解决方案,我们实现了最小均方误差。同一场景的重复错误的传感器阵列的50传感器;再次PCD的混合GA算法更准确地检测到错误的传感器的位置如图10。从图9,很明显,一个数组的均方误差曲线50传感器低于30和40的阵列传感器。从仿真结果很明显,当我们增加数组大小,同时保持错误的传感器的数量固定,我们收到的准确检测和更好的均方误差曲线。该方法的优势得到了充分的检查。缺点是当数组大小增加,恶化的方法。
4.1。部分故障的诊断
如果一些数组中的元素成为错误但辐射功率,其重量激发原始的一小部分,但不等于零。部分故障的数学公式是由以下表达式: 在哪里是部分失败的因素。在这种情况下,我们考虑的完整以及部分故障。我们假设第十元素部分错误(错误的50%)和15元素是完全错误的。该技术检测部分和完全的错更准确地描绘在图11。
5。结论和未来的工作
本文基于压缩传感阵列提出了诊断技术。这种技术从收集的测量远场模式。系统连接的区别实地测量使用健康的引用数组和数组的现场辐射测试使用遗传算法解决,纤毛运动算法、GA杂化纤毛运动算法。这些算法检测的检测完全和部分有缺陷的天线元素及其仿真结果验证该算法给出更好的结果而言,故障检测与少量的测量。禁止的缓慢和早期收敛GA与纤毛运动组合算法。混合GA-PCD算法使有缺陷的传感器(全部或部分)的诊断更准确比GA和纤毛运动。不同的仿真结果提供了切比雪夫阵来验证设计的算法的性能。
利益冲突
作者宣称没有利益冲突有关的出版。