一种高速高效的基于人工智能的多元近场效应修正方法与流程

技术特征：

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：

$H\left(s\right)=\frac{\underset{i=0}{\overset{M}{\Σ}}{A}_i{s}^i}{1+\underset{i=0}{\overset{N}{\Σ}}{B}_i{s}^i}$

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。