科创中国

行业领域

新一代信息技术产业,信息传输、软件和信息技术服务业

需求背景

神经网络采用广泛互联的结构与有效的学习机制来模拟人脑信息处理的过程，是人工智能发展中的重要方法，也是当前类脑智能研究中的有效工具。近些年来，神经网络在众多领域得到了广泛的运用。在民用应用领域的应用，如语言识别、图像识别与理解、计算机视觉、智能机器人故障检测、实时语言翻译、企业管理、市场分析、决策优化、物资调运、自适应控制、专家系统、智能接口、神经生理学、心理学和认知科学研究等；在军用应用领域的应用，如雷达、声纳的多目标识别与跟踪、战场管理和决策支持系统、军用机器人控制各种情况、信息的快速录取、分类与查询、导弹的智能引导、保密通信、航天器的姿态控制等。 神经网络模型具有并连结构、容错性、非线性映射等特征，近年来已在驱动相控阵波束成形领域中得到一定的应用和发展。基于传统进化算法的波束形成方法，可以用启发式搜索的方式，迭代种群得到相对最优的拟合波形。该方法理论上可以对任意波形进行逼近，但其搜索时间代价很高，不具备实时波束成形的能力。然而，基于神经网络的波束成形方法，可以对期望波形和阵元参数的映射空间进行建模拟合，具备多种普通及复杂波束成形能力。此外，波束成形神经网络的训练和推断模型相对简单，具有很强的实时性。

需解决的主要技术难题

1、如何设计基于神经网络的深度学习算法，使之可以完成对期望波形和阵元参数的映射空间进行建模拟合，以应对多种普通及复杂波束的成形任务。

 2、如何通过多种典型应用场景的训练优化，完成相控阵驱动算法设计，使之快速完成对指定目标区域的波束形成、赋形与扫描。

 3、如何仿真分析验证神经网络得到结果的有效性，并通过对比传统算法在阵列波束形成与综合方面的技术优势，进行效能评估。

期望实现的主要技术目标

a、模拟孔径规模：不小于16×8单元；

b、波束赋形能力：平方余割赋形/多波束/束宽可调；

c、波束综合优化：可调低副瓣综合及陷波综合；

d、波束扫描能力：二维波束扫描；

e、算法处理速度：每秒大于50帧。

处理进度