1.一种高速高效的基于人工智能的多元近场效应修正方法,其特征在于,所述步骤为:
a:建立神经网络模型;
b:对神经网络进行训练,使其达到训练终止条件;
c:由GA通过随机生成种群方式产生N组初始个体,即N组三元组天线的三个幅度和相位;
d:设置GA算法基本参数,将神经网络作为GA算法的适应度函数;
e:将出N组初始个体数据逐组带入训练完成的神经网络模型,获得远场接收导引区接收的电场对应的传输函数的系数;
f:依据传输函数拟合出电场强度;
g:依据电场强度通过比相法计算目标信号生成区的定位点数据,定位点数据包括度相位、计算定位点坐标值、俯仰角误差;
h:将各组中俯仰角误差与误差精度进行判断,将符合误差精度的条件的该组数据对应的幅度相位、计算定位点坐标值、俯仰角误差输出作为定位点信息;若未有误差精度的条件的数据,直接进行下一步;
i:对N组初始个体进行选择重组变异,产生新的N组个体重复步骤e到h使个体数据的俯仰角误差满足误差精度;
j:目标信号生成区的定位点信息。
2.根据权利要求1所述的一种高速高效的基于人工智能的多元近场效应修正方法,其特征在于,所述神经网络模型训练方法为:
a:收集神经网络训练数据,包括训练输入数据和目标数据;所述训练输入数据为三元组三个单元A1、A2、A3的输入幅度a1、a2、a3及相位φ1、φ2、φ3;目标数据为四个导引头所接收的电场E1、E2、E3、E4所对应的传输函数的系数;
b:将训练输入数据输入至神经网络获得训练输出数据;
c:将训练输出数据与目标数据进行对比,满足训练终止条件时确定神经网络;不满足训练终止条件进入步骤d;
d:通过误差学习,更新神经网络中输入层、隐含层、输出层中的权重、阀值,所述权重为上下层节点之间的联接强度取值,决定输入层、隐含层、输出层的输出值;所述阈值是每个神经元输出值的判定条件,重复步骤a-c,更新神经网络,直至神经网络满足训练终止条件。
3.根据权利要求1所述的一种高速高效的基于人工智能的多元近场效应修正方法,其特征在于,所述传递函数为:
4.根据权利要求2所述的一种高速高效的基于人工智能的多元近场效应修正方法,其特征在于,所述目标数据为训练输入数据使用矩量法MoM仿真获得。
5.根据权利要求1所述的一种高速高效的基于人工智能的多元近场效应修正方法,其特征在于,所述误差精度为5×10-5。