基于编码器-解码器神经网络的阵列综合技术复现与研究

基于编码器-解码器神经网络的阵列综合技术复现与研究

摘要

本报告旨在复现利用深度学习解决天线阵列综合问题的实验案例。传统的阵列综合方法（如Woodward-Lawson法、迭代傅里叶变换法）在面对非均匀阵列或复杂波束形状时，往往存在计算量大、依赖初始值等问题。本文构建了一种基于编码器-解码器（Encoder-Decoder）架构的深度神经网络，通过学习从“期望方向图”到“阵元复激励系数”的端到端映射，实现快速、高精度的阵列综合。实验以16单元均匀线阵为例，涵盖数据生成、网络设计、模型训练及结果评估全流程，包含完整的Python代码实现及详细注释。

第一章 引言

1.1 研究背景

阵列天线通过控制各阵元的激励幅度和相位，可以形成特定的波束指向和零陷。传统方法如凸优化虽然精度高，但实时性差，尤其当环境变化需要动态调整波束时，重新求解优化问题的时间开销巨大。近年来，深度学习因其强大的非线性拟合能力和快速推理速度，被广泛应用于阵列综合领域。

1.2 文献依据

本实验复现思路参考了近期IEEE TAP上的相关研究思路（如《Deep Learning for Array Synthesis》），核心思想是：

1. 编码器：提取输入方向图（通常为离散角度采样点）的深层特征，进行降维。
2. 解码器：将压缩的特征向量还原为特定维度的阵列激励（复数，拆分为实部与虚部）。</