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.mfbz.cn/a/765528.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

Qt Creator13配置Android开发环境

QT Creator13是目前&#xff08;2024年&#xff09;最新版本&#xff0c;配置Android开发环境有一些不一样&#xff0c;走了一些弯路&#xff0c;记录如下。 1、安装JDK和SDK 下载安装JDK和SDK&#xff0c;建议安装在无空格和中文字符的目录下。 具体安装步骤不再赘述&#…

Python基础003

Python流程控制基础 1.条件语句 内置函数input a input("请输入一段内容&#xff1a;") print(a) print(type(a))代码执行的时候遇到input函数&#xff0c;就会等键盘输入结果&#xff0c;已回车为结束标志&#xff0c;也就时说输入回车后代码才会执行 2.顺序执行…

看完这篇文章你就知道什么是未来软件开发的方向了!即生成式AI在软件开发领域的革新=CodeFlying

从最早的UGC&#xff08;用户生成内容&#xff09;到PGC&#xff08;专业生成内容&#xff09;再到AIGC&#xff08;人工智能生成内容&#xff09;体现了web1.0→web2.0→web3.0的发展历程。 毫无疑问UGC已经成为了当前拥有群体数量最大的内容生产方式。 同时随着人工智能技术…

leetcode每日一练:链表OJ题

链表经典算法OJ题 1.1 移除链表元素 题目要求&#xff1a; 给你一个链表的头节点 head 和一个整数 val &#xff0c;请你删除链表中所有满足 Node.val val 的节点&#xff0c;并返回 新的头节点 。 示例 1&#xff1a; 输入&#xff1a;head [1,2,6,3,4,5,6], val 6 输出&a…

Kotlin扩展函数(also apply run let)和with函数

also apply run let with的使用例子 private fun testOperator() {/*** also*/val person Person("ZhangSan", 18)person.also {// 通常仅仅打印使用, 也可以通过it修改it.name "ZhangSan1"println("also inner name: " it.name)}println(&qu…

如何理解MySql的MVCC机制

MVCC是什么 MySQL的MVCC机制&#xff0c;全称为多版本并发控制&#xff08;Multi-VersionConcurrency Control&#xff09;&#xff0c;是一种提高数据库并发性能的技术。MVCC的主要目的是在保证数据一致性的同时&#xff0c;提高数据库的并发性能。 它通过为每个读操作创建数…

lower()方法——大写字母转换为小写字母

自学python如何成为大佬(目录):https://blog.csdn.net/weixin_67859959/article/details/139049996?spm1001.2014.3001.5501 语法参考 lower()方法用于将字符串中的大写字母转换为小写字母。如果字符串中没有需要被转换的字符&#xff0c;则将原字符串返回&#xff1b;否则将…

Hadoop-08-HDFS集群 基础知识 命令行上机实操 hadoop fs 分布式文件系统 读写原理 读流程与写流程 基本语法上传下载拷贝移动文件

章节内容 上一节完成&#xff1a; HDFS的简介内容HDFS基础原理HDFS读文件流程HDFS写文件流程 背景介绍 这里是三台公网云服务器&#xff0c;每台 2C4G&#xff0c;搭建一个Hadoop的学习环境&#xff0c;供我学习。 之前已经在 VM 虚拟机上搭建过一次&#xff0c;但是没留下…

RK3568平台(USB篇)USB HID设备

一.USB HID设备简介 USB HID设备主要用于和计算机进行交互通信&#xff0c;典型的USB HID类设备包括USB键盘、USB鼠标、USB游戏手柄等等&#xff0c;这些都是日常生活中常见的设备。以USB接口的鼠标为例&#xff0c;打开计算机的“设备管理器”&#xff0c;可以在“鼠标和其他…

Milvus【部署 01】向量数据库Milvus在Linux环境下的在线+离线安装

向量数据库Milvus在Linux环境下的在线离线安装 1.千问简介2.在线安装2.离线安装 1.千问简介 Milvus 是一款专为处理高维向量数据设计的开源云原生数据库&#xff0c;旨在满足海量向量数据的实时召回需求。它由 Zilliz 公司开发并维护&#xff0c;基于Apache许可证2.0版本发布。…

Microsoft SQL Server 2019安装和设置用户密码

1、免费下载两个安装包 SQL2019-SSEI-Dev 地址:https://www.microsoft.com/en-us/sql-server/sql-server-downloads SSMS-Setup-CHS 地址:https://aka.ms/ssmsfullsetup 安装具体不在阐述了&#xff0c;可以参考我这篇文章&#xff1a;SQL Server 2019安装详细教程 2、以W…

llm-universe | 五. 系统评估与优化

系统评估与优化 一.LLM应用评估思路1.人工评估准则一 量化评估准则二 多维评估 2.自动评估方法一. 构造客观题方法二. 计算答案相似度 3.使用大模型评估4.混合评估 二.评估并优化生成部分1. 提升直观回答质量2.标明知识来源&#xff0c;提高可信度3. 构造思维链4.增加一个指令解…

springboot学习,如何用redission实现分布式锁

目录 一、springboot框架介绍二、redission是什么三、什么是分布式锁四、如何用redission实现分布式锁 一、springboot框架介绍 Spring Boot是一个开源的Java框架&#xff0c;由Pivotal团队&#xff08;现为VMware的一部分&#xff09;于2013年推出。它旨在简化Spring应用程序…

详解C语言分支与循环语句

分支语句 if elseswitch 循环语句 whilefordo while goto语句 文章目录 1.什么是语句2.分支语句&#xff08;选择结构&#xff09;2.1 if语句2.1.1 悬空else2.1.3 练习 2.2 switch语句2.2.1 在switch语句中的break2.2.2 default子句 3.循环语句3.1 while循环3.1.1 while语句中…

2024广州智能音箱展|广州蓝牙耳机展

2024广州智能音箱展|广州蓝牙耳机展 时间&#xff1a;2024年11月29日-12月1日 地点&#xff1a;广州琶洲保利世贸博览馆 【展会简介】 中国是全球最大的音频产品制造基地和消费市场&#xff0c;随着国内外互联网巨头纷纷瞄准音频行业并投入巨资布局AI产品矩阵&#xff0c;音…

Static Timing Analysis(STA)概述

文章目录 Preface一、Design Objects二、Timing Paths三、Delay Calculation1. cell delay2. net delay 四、Constraint Checks五、Timing Exceptions1. Setting false paths2. Setting Maximum and Minimum Path Delays3. Setting Multicycle Paths Summary Preface Static t…

Yolov8可视化界面使用说明,含代码

⭐⭐ YOLOv8改进专栏|包含主干、模块、注意力机制、检测头等前沿创新 ​ ⭐⭐ YOLOv8可视化界面如下 使用需要安装opencv-python、torch、numpy及PySide6(python版本>3.9) pip install PySide6 pip install numpy pip install opencv-python 使用说明 运行下方代码&#xf…

C - Popcorn(abs358)

题意&#xff1a;有n个摊子&#xff0c;m个爆米花&#xff0c;想花费最少去的店铺买到所有的口味的爆米花&#xff0c;找到每一列都为‘o’的最少行数。 分析&#xff1a;用dfs寻找最少路径 #include<bits/stdc.h> using namespace std; typedef long long ll; char x;…

那些好用的 Vue3 的工具搭子!!【送源码】

2020 年 9 月 18 日 Vue3 的正式发布已经过去了大约 3 年 9 个月左右&#xff01;&#xff01;&#xff01; 随着 Vue3 版本的逐渐成熟&#xff0c;我们的前端世界也迎来了一系列令人振奋的更新和工具。Vue 生态圈的持续扩大&#xff0c;无疑为前端开发人员带来了前所未有的便…

【自用】CentOS7.6 安装 node-RED 4.0.2 教程(各种坑都摆脱的版本)

步骤总览 1.下载安装 nodejs 2.安装并配置 node-RED 3.重启服务器&#xff0c;验证 node-RED 是否安装 and 配置成功 一、下载安装 nodejs 1.下载 nodejs 18 为什么要下载 nodejs 18 呢&#xff1f; 因为 node-RED 4.0.1 支持的最低 nodejs 版本就是 nodejs 18。 当然了&a…