基于MATLAB对线阵天线进行泰勒加权

相控阵天线——基于MATLAB对线阵进行泰勒加权

目录

前言

一、泰勒综合

二、单元间距的改变对泰勒阵列方向图的影响

三、单元数的改变对泰勒阵列激励分布的影响

四、副瓣电平SLL对泰勒阵列激励幅度的影响

五、副瓣电平SLL对泰勒阵列方向图的影响

六、泰勒阵列和切比雪夫阵列的比较

七、副瓣电平和阵元个数间的关系

八、MATLAB代码

总结


前言

        前面讨论了经典的道尔夫-切比雪夫综合方法,由此得到的切比雪夫阵列其方向图是最佳的,即在相同阵列长度情况下对给定的副瓣电平,其主瓣宽度是最窄的,或对给定的主瓣宽度,所得副瓣电平是最低的。但切比雪夫阵列两端单元的激励幅度容易发生跳变,不利于馈电。与切比雪夫综合法密切相关的另外一种经典综合方法一一泰勒综合法。采用泰勒综合法设计的泰勒阵列,其方向图只是靠近主瓣某个区域内的副瓣电平接近相等,随后单调地减小。如果设计得当,激励幅度分布的变化在阵列两端是单调减的,不会出现两端单元激励幅度跳变的情况。本文介绍根据方向图的副瓣电平对相控阵线阵天线进行泰勒加权(综合),并通过MATLAB仿真分析泰勒加权方法的优缺点。


提示:以下是本篇文章正文内容,欢迎各位阅读,转载请附上链接。

一、泰勒综合

        采用泰勒综合法设计的泰勒阵列,其方向图只是靠近主瓣某个区域内的副瓣电平接近相等,随后单调地减小,有利于提高天线方向性系数。如果设计得当,激励幅度分布的变化在阵列两端是单调减的,不会出现两端单元激励幅度跳变的情况。泰勒综合法设计灵活,适应面宽,在工程设计中得到广泛应用。

        对于一个长为L的连续线源,其空间因子(即方向图函数)可表示为:

F(u,A)=\cos(\pi\sqrt{u^{2}-A^{2}}) , u=\frac{L}{\lambda}\cos\theta

此式即为理想的空间因子。根据u的取值可分为主瓣区和副瓣区:

|u|\leqslant A,为主瓣区:F(\theta)=\cosh(\pi\sqrt{A^{2}-u^{2}})

|u|\geqslant A,为副瓣区:F(\theta)=\cos(\pi\sqrt{u^{2}-A^{2}})

        引入基本函数\frac{\sin(\pi u)}{\pi u}

        引入波瓣展宽因子\sigma,改造理想空间因子:

F(u,A)=\cos[\pi\sqrt{(u/\sigma)^{2}-A^{2}}],\quad\sigma\geqslant1

其零点位置为:

        u_{n}=\pm\sigma\sqrt{A^{2}+\left(n-1/2\right)^{2}}\quad,\quad n=1,2,\cdots

         改造基本函数构建泰勒空间因子:

S(u)=C\frac{\sin(\pi u)}{\pi u}\frac{\prod_{n=1}^{\overline{n}-1}[1-(u/u_{n})^{2}]}{\prod_{n=1}^{\overline{n}-1}[1-(u/n)^{2}]},\quad C=\cosh(\pi A)

        该空间因子的含义是:把基本函数的前元\overline{n}-1个零点用改造的理想空间因子的零点取代,而第\overline{n}个以 后的零点保持为基本函数的零点,即

u_n=\pm\sigma\sqrt{A^{2}+\left(n-1/2\right)^{2}},1\leq n\leq\overline{n}-1

u_n=\pm n,n\leq n<\infty

        典型的问题是对单元数为N,间距为d的直线阵,采用泰勒综合法综合其激励分布(各单元的激励电流I),使其阵因子方向图的副瓣电平为-R_{0} dB。

        显然,秦勒综合时的已知参数是NdR_{0dB}泰勒综合步骤如下:

        ① 计算,其中int表示取整数部分

                R_{0}=10^{R_{0dB}/20}

A=\frac{1}{\pi}arccoshR_{0}=\frac{1}{\pi}\ln(R_{0}+\sqrt{R_{0}^{2}-1})

\overline{n}=int\left(2A^{2}+1/2+1\right)

\sigma=\frac{\overline{n}}{\sqrt{A^{2}+\left(\overline{n}-1/2\right)^{2}}}

        ② 确定单元位置

z_{n}=\Bigg(n-\frac{N+1}{2}\Bigg)d,n=1,2,\cdots,N

这样确定的单元位置对奇、偶数阵列均可,但所得I是从左到右顺序排列的。

        ③ 确定变量

p_{n}=\frac{2\pi}{L}z_{n}, L=Nd

        ④ 计算各单元的激励电流

I_{n}\left(z_{n}\right)=1+2\sum_{m=1}^{\overline{n}-1}\overline{S}\left(m\right)\cos\left(mp_{n}\right), n=1,2,\cdots,N

其中

\overline{S}(m)=\begin{cases}1 ,\quad m=0\\\frac{[(\overline{n}-1)!]^2}{(\overline{n}+m-1)!\cdot(\overline{n}-m-1)!}\prod_{n=1}^{\overline{n}-1}\left\{1-\frac{m^2}{\sigma^2[A^2+(n-1/2)^2]}\right\}, 1\leqslant m\leqslant\overline{n}-1\\0 ,\quad m\geqslant\overline{n}\end{cases}

        对于泰勒加权可以直接通过以上步骤去综合,也可以直接使用MATLAB自带的函数去综合。这里我们使用MATLAB自带的函数去综合。

I=taylorwin(N,n_bar,SLL); %N为阵元数,n_bar是公式中的符号,SLL为副瓣电平,I包含各阵元的激励幅度

        仿真参数设置为:

f=2e9; %频率,单位Hz

N=20; %阵元数

mu=1/2; %阵元间距÷波长

theta0=0;%波束指向角度,单位°

SLL=-30; %副瓣电平,单位dB

二、单元间距的改变对泰勒阵列方向图的影响

        仿真参数设置如下:

f=2e9; %频率,单位Hz

N=10; %阵元数

theta0=0;%波束指向角度,单位°

SLL=-20; %副瓣电平,单位dB

        依次设置d=\frac{1}{4}\lambdad=\frac{1}{2}\lambdad=\frac{3}{4}\lambdad=\lambda,观察方向图及激励幅度分布。

        可知,随着间距的增大,主瓣宽度变窄,副瓣增多,当d=\lambda时方向图出现栅瓣。

三、单元数的改变对泰勒阵列激励分布的影响

         仿真参数设置如下:

f=2e9; %频率,单位Hz

theta0=0;%波束指向角度,单位°

mu=1/2; %阵元间距÷波长

        当SLL=-20dB时,依次设置N=15,20,25,30,35,观察激励幅度的分布;当SLL=-40dB时,依次设置N=15,20,25,30,35,观察激励幅度的分布。

        可见,泰勒阵列两端单元的激励幅度不会像切比雪夫阵列那样发生跳变。

四、副瓣电平SLL对泰勒阵列激励幅度的影响

          仿真参数设置如下:

f=2e9; %频率,单位Hz

theta0=0;%波束指向角度,单位°

mu=1/2; %阵元间距÷波长

N=20; %阵元数

        当N=20时,依次设置SLL=-20,-25,-30,-35,-40dB,观察激励幅度的分布。        

五、副瓣电平SLL对泰勒阵列方向图的影响

        仿真参数设置如下:

f=2e9; %频率,单位Hz

N=16; %阵元数

theta0=20;%波束指向角度,单位°

mu=1/2; %阵元间距÷波长

        依次设置SLL=-10,-20,-30,-40dB,观察方向图。

        由图可见,单元数N和间距d不变,随着方向图副瓣电平的降低,主瓣宽度将略有增大。当副瓣电平比较低时,泰勒阵列和切比雪夫阵列的方向图比较接近。

六、泰勒阵列和切比雪夫阵列的比较

        仿真参数设置如下:

f=2e9; %频率,单位Hz

N=32; %阵元数

theta0=0;%波束指向角度,单位°

mu=1/2; %阵元间距÷波长

SLL=-30; %副瓣电平,单位dB

        可见,切比雪夫综合得到的激励幅度分布在阵列两端出现了跳变,而泰勒综合方法所得结果则为单调减少的。切比雪夫综合方法得到的方向图为等副瓣电平,而泰勒综合方法得到的方向图副瓣电平只有紧靠主瓣的几个副瓣电平接近相等,其余副瓣电平是递减的。

        在相同单元数和单元间距的情况下,泰勒阵列的副瓣越低,则其激励分布和方向图就越接近相同情况下的切比雪夫阵列。

七、副瓣电平和阵元个数间的关系

        一个N单元阵列,当d=\lambda /2时,其方向图的零点个数为N-1,主瓣两侧各有副瓣N/2-1个,应有N/2-1>\overline{n},则

        N>2(\overline{n}+1)

八、MATLAB代码

https://download.csdn.net/download/m0_66360845/89493202icon-default.png?t=N7T8https://download.csdn.net/download/m0_66360845/89493202


总结

        以上就是今天要分享的全部内容,本文介绍了泰勒加权方法对线阵进行综合,同时也分析了间距、单元数,副瓣电平等参数对激励幅度以及方向图的影响,最后还比较了切比雪夫加权和泰勒加权。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/web/41134.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

量化交易在不同经济周期中的表现

量化交易&#xff0c;作为一种基于算法和数学模型的交易方法&#xff0c;其在不同经济周期中的表现受到了市场参与者的广泛关注。量化交易策略的设计使其能够在多种市场环境中寻找投资机会&#xff0c;无论是经济扩张期还是衰退期&#xff0c;都能够展现出其独特的适应性和效率…

7.6数据结构作业

// 练习一 struct K { double a; //8 char b; //1 char c; //1 double d; //8 };//24 // 练习二 struct L { int a; //4 double b; //8 char c; //1 };//24 // 练习三 struct M { char a;//1 int b; //4 char c; //1 double d; //8 };//24 /…

(5) 深入探索Python-Pandas库的核心数据结构:Series详解

目录 前言1. Series 简介2. Series的特点3. Series的创建3.1 使用列表创建Series3.2 使用字典创建Series3.3 使用列表和自定义索引创建Series3.4 指定数据类型和名称 4. Series的索引/切片4.1 下标索引&#xff1a;基于整数位置的索引4.2 基于标签的索引4.3 切片4.4 使用.loc[]…

触感网络:WebKit 振动(Vibration API)的交互新维度

触感网络&#xff1a;WebKit 振动&#xff08;Vibration API&#xff09;的交互新维度 在数字化时代&#xff0c;用户体验的追求已经不仅限于视觉和听觉&#xff0c;触觉反馈也逐渐成为网页交互设计的重要组成部分。WebKit 作为众多现代浏览器的核心技术引擎&#xff0c;对振动…

Linux 文件描述符 fd

当然&#xff0c;以下是一些关于 Linux 文件描述符&#xff08;fd&#xff09;的示例&#xff0c;以清晰、分点表示和归纳的形式给出&#xff1a; 1. 文件描述符的基本概念和用途 定义&#xff1a;文件描述符是一个非负整数&#xff0c;用于指代被进程所打开或使用的文件、套…

Leetcode 59. 螺旋打印矩阵

题目描述 给你一个正整数 n &#xff0c;生成一个包含 1 到 n2 所有元素&#xff0c;且元素按顺时针顺序螺旋排列的 n x n 正方形矩阵 matrix 。 示例 1&#xff1a; 输入&#xff1a;n 3 输出&#xff1a;[[1,2,3],[8,9,4],[7,6,5]] 示例 2&#xff1a; 输入&#xff1a;n…

c++中new和delete重载的一点介绍

通义千问中作答的&#xff0c;感觉回答的比自己总结的好&#xff1a; 实际上&#xff0c;你可以在C中重载new和delete运算符。重载new和delete允许你自定义内存分配和释放的行为&#xff0c;这对于实现特殊的内存管理策略非常有用&#xff0c;例如&#xff1a; 内存池&#xf…

系统迁移从CentOS7.9到Rocky8.9

我有两台阿里云上的服务器是CentOS7.9&#xff0c;由于CentOS7已经停止支持&#xff0c;后续使用的话会有安全漏洞&#xff0c;所以需要尽快迁移&#xff0c;个人使用的话目前兼容性好的还是RockyLinux8&#xff0c;很多脚本改改就能用了。 一、盘点系统和迁移应用 查看当前系…

AI在软件开发中的革新与未来挑战

目录 前言 AI工具的广泛应用与优势 AI与开发者技能需求的互动关系 AI的未来展望与面临的挑战 结语 前言 在当今快速发展的技术领域中&#xff0c;生成式人工智能&#xff08;AIGC&#xff09;正以前所未有的方式改变着软件开发的面貌。从代码生成到错误检测&#xff0c;再…

linux内核源码学习所需基础

1.面向对象的思想&#xff0c;尤其是oopc的实现方式。 2.设计模式。 这两点需要内核源码学习者不仅要会c和汇编&#xff0c;还要接触一门面向对象的语言&#xff0c;比如c&#xff0b;&#xff0b;/java/python等等任意一门都行&#xff0c;起码要了解面向对象的思想。 另外li…

MyBatis 框架核心及面试知识要点

1、什么是 MyBatis? MyBatis 是一款优秀的支持自定义 SQL 查询、存储过程和高级映射的持久层框架&#xff0c;消除了 几乎所有的 JDBC 代码和参数的手动设置以及结果集的检索 。 MyBatis 可以使用 XML,或注解进 行配置和映射&#xff0c;MyBatis 通过将参数映射到配置的 SOL,形…

FastSpeech2中文语音合成就步解析:TTS数据训练实战篇

参考github网址&#xff1a; GitHub - roedoejet/FastSpeech2: An implementation of Microsoft’s “FastSpeech 2: Fast and High-Quality End-to-End Text to Speech” 数据训练所用python 命令&#xff1a; python3 train.py -p config/AISHELL3/preprocess.yaml -m confi…

ida动态调试-cnblog

ida动态调试 传递启动ida服务 android_server在ida\dbgsrv目录中 adb push android_server /data/local/tmp/chmod 755 /data/local/tmp/android_server /data/local/tmp/android_serveradb forward tcp:23946 tcp:23946ida报错:大多是手机端口被占用 报错提示&#xff1a; …

java面试-java基础(下)

文章目录 一、和equals区别&#xff1f;二、hashcode方法作用&#xff1f;两个对象的hashCode方法相同&#xff0c;则equals方法也一定为true吗&#xff1f;三、为什么重写equals方法就一定要重写hashCode方法&#xff1f;四、Java中的参数传递时传值呢还是传引用&#xff1f;五…

期末上分站——计组(3)

复习题21-42 21、指令周期是指__C_。 A. CPU从主存取出一条指令的时间 B. CPU执行一条指令的时间 C. CPU从主存取出一条指令的时间加上执行这条指令的时间。 D. 时钟周期时间 22、微型机系统中外设通过适配器与主板的系统总线相连接&#xff0c;其功能是__D_。 A. 数据缓冲和…

数据库可视化管理工具dbeaver试用及问题处理。

本文记录了在内网离线安装数据库可视化管理工具dbeaver的过程和相关问题处理方法。 一、下载dbeaver https://dbeaver.io/download/ 笔者测试时Windows平台最新版本为&#xff1a;dbeaver-ce-24.1.1-x86_64-setup.exe 二、安装方法 一路“下一步”即可 三、问题处理 1、问…

【深度学习】vscode 命令行下的debug

其实我一直知道vscode可以再命令行下进行debug。 比如 python aaa.py --bb1 --cc2 以前的做法是 去aaa.py 写死bb和cc 然后直接debug。 直到今天我遇到这个&#xff1a; hydra hydra.main(version_baseNone, config_name/home/justin/Desktop/code/python_project/WASB-SBDT-m…

Truffle学习笔记

Truffle学习笔记 安装truffle, 注意: 虽然目前truffle最新版是 5.0.0, 但是经过我实践之后, 返现和v4有很多不同(比如: web3.eth.accounts; 都获取不到账户), 还是那句话: “nodejs模块的版本问题会搞死人的 !” 目前4.1.15之前的版本都不能用了, 只能安装v4.1.15 npm instal…

新手学Cocos报错 [Assets] Failed to open

两个都在偏好设置里面调&#xff08;文件下面的偏好设置&#xff09;&#xff1a; 1.设置中文&#xff1f; 2.报错 [Assets] Failed to open&#xff1f; 这样在点击打开ts文件的时候就不会报错&#xff0c;并且用vscode编辑器打开了&#xff0c; 同样也可以改成你们自己喜欢…

LabVIEW在图像处理中的应用

abVIEW作为一种图形化编程环境&#xff0c;不仅在数据采集和仪器控制领域表现出色&#xff0c;还在图像处理方面具有强大的功能。借助其Vision Development Module&#xff0c;LabVIEW提供了丰富的图像处理工具&#xff0c;广泛应用于工业检测、医学影像、自动化控制等多个领域…