[发明专利]一种基于回归模型的三角反射器优化方法

权利要求书

1.一种基于回归模型的三角反射器优化方法，其特征在于，包括如下步骤：

步骤一：选择目标RCS求解方法；

步骤二：确定三角反射器阵列结构参数；根据三角反射器几何结构和阵列方式，确定优化变量及变量范围；

步骤三：基于改进的格栅序列法，以空间填充方式对步骤二确定的优化变量进行数据采样，得到采样数据；

步骤四：利用步骤三的采样数据建立三角反射器阵列，采用步骤一确定的目标RCS求解方法，通过电磁仿真计算得到三角反射器阵列RCS特性基础数据；

步骤五：将步骤三的采样数据和步骤四的RCS特性基础数据作为神经网络学习的样本数据，建立结构参数和目标RCS特性的回归模型；具体方式为搭建神经网络学习环境，将步骤三的第1组变量采样点、步骤四的三角反射器RCS特性基础数据合并，作为神经网络学习的样本数据，基于Levenberg-Marquardt反向传播算法进行神经网络训练并生成变量与RCS特性的回归模型；

步骤六：根据用户需求设置优化目标函数，根据目标函数数量、性质及相互关系选择优化算法，使用步骤五的回归模型作进行智能优化并得到优化结果。

2.如权利要求1所述的方法，其特征在于，所述步骤一中，根据三角反射器阵列的几何结构和作战对象工作频率，考虑求解精度和优化时效比，选择三角反射器阵列RCS求解方法。

3.如权利要求1所述的方法，其特征在于，所述步骤二中，首先确定三角反射器几何结构参数，在三角反射器反射面上做等腰梯形切割操作，梯形的下底、下底中点分别与三角反射器斜棱边、斜棱边中点重合，在梯形下底端点与三角反射器直棱边交点连线上取梯形的上底端点，梯形下底长度、梯形高度设为优化变量；

其次确定三角反射器阵元的结构参数，将三角反射器沿Y轴正方向移动，后沿平行于XOZ面的斜棱边旋转，移动的距离、旋转的角度设为优化变量；

所述步骤三中，所述采样数据包括分别生成2组变量采样点：第1组是切割梯形底边长度和梯形高度，第2组是三角反射器阵元的移动距离和旋转角度。

4.如权利要求1所述的方法，其特征在于，所述步骤四中，以步骤三得到的第1组变量采样点数据为三角反射器建模数据，利用LUA脚本实现FEKO自动化建模并求解RCS，得到三角反射器的RCS特性基础数据。

5.如权利要求1-4任意一项所述的方法，其特征在于，所述步骤六中，还包括根据三角反射器优化设计指标，设置优化目标函数，选择基于遗传算法的多目标优化方法进行变量优化，得到三角反射器阵元的帕累托最优解集。

6.如权利要求5所述的方法，其特征在于，由用户自行选择需要的三角反射器几何结构参数，根据实际应用需求，选择优化结果中最适合的变量参数，建立三角反射器阵列；其中利用优化的三角反射器几何结构参数、步骤三得到的第2组变量采样点数据，作为三角反射器阵元建模数据，重复步骤四至步骤六，得到三角反射器阵元的帕累托最优解集。