基于自注意力引导多目标优化的FAST扩展阵列构型设计方法
本发明属于射电天文阵列优化,具体地说是基于自注意力引导多目标优化的fast扩展阵列构型设计方法。
背景技术:
1、fast作为高灵敏度单口径射电望远镜,在脉冲星、快速射电暴等非成像观测任务中具有重要作用。但单口径望远镜的角分辨率受物理口径限制,难以满足复杂天体结构高分辨率成像需求。通过在fast周边布设若干扩展天线,形成fast扩展阵列,可利用综合孔径成像原理提升空间分辨能力和成像能力。
2、在综合孔径阵列中,天线空间构型直接影响u-v覆盖分布、点扩展函数、综合波束旁瓣水平和主瓣宽度。u-v覆盖均匀性、峰值旁瓣电平和半功率波束宽度分别反映空间频率采样能力、旁瓣抑制能力和角分辨能力,三者之间存在耦合与制约关系。因此,fast扩展阵列设计本质上是一个多目标协同优化问题。
3、现有粒子群优化、蚁群优化、灰狼优化等群智能算法通常需要将多项指标通过权重合成为单一适应度函数。该方式实现简单,但容易造成优化结果受权重设置影响,难以充分表示多个指标之间的pareto权衡关系。nsga-iii能够直接处理多目标优化问题,但其本质仍属于进化搜索算法,主要依赖非支配排序、参考点关联、交叉和变异推进搜索,不能主动学习阵列构型中复杂的空间关联关系,也难以主动刻画天线位置与成像性能指标之间的非线性映射关系。
4、因此,有必要提出一种既能保留nsga-iii多目标优化优势,又能主动学习阵列构型特征和性能映射关系的智能优化方法,以提升fast扩展阵列在复杂候选站点、多频观测和多目标约束条件下的构型优化能力。为此,本发明提供了基于自注意力引导多目标优化的fast扩展阵列构型设计方法。
技术实现思路
1、为了弥补现有技术的不足,解决背景技术中所提出的至少一个技术问题。
2、本发明解决其技术问题所采用的技术方案是:
3、第一方面的,本发明提供了基于自注意力引导多目标优化的fast扩展阵列构型设计方法,包括:
4、s1:获取fast周边的候选站点集合,根据预设的天线选取候选站点数量,并在候选站点集合中进行初始化采样,生成包含多个候选阵列构型的初始阵列种群;
5、s2:基于初始阵列种群中的每个候选阵列构型,根据预设的观测频率集合,计算成像性能指标;成像性能指标包括:u-v覆盖均匀性、峰值旁瓣电平和半功率波束宽度,根据成像性能指标的数量生成参考点;
6、s3:构建阵列构型注意力评分模块,将候选阵列构型的二维坐标矩阵输入至阵列构型注意力评分模块,输出候选阵列构型的构型预测评分以及各天线站点的单天线注意力得分;
7、s4:将构型预测评分和单天线注意力得分输入至nsga-iii多目标进化算法中,计算得到父代种群,并利用单天线注意力得分动态调节交叉概率和变异概率,生成子代种群;
8、s5:合并父代种群与子代种群,基于成像性能指标执行非支配排序和参考点关联操作以更新种群,输出pareto前沿解集,并根据综合评价函数从pareto前沿解集中筛选出最优的fast扩展阵列构型。
9、优选的,所述候选站点集合具体为:
10、获取fast周边的候选站点集合,为候选站点的总数量,每个候选站点包含对应的二维地理坐标,。
11、优选的,所述生成包含多个候选阵列构型的初始阵列种群的具体过程为:
12、获取预设的天线选取数量以及预设的种群规模,,为候选站点的总数量,为候选站点集合中的每一个候选站点随机生成一个位于预设数值区间内的实数,作为候选站点的优先级数值,预设数值区间为,根据优先级数值对候选站点集合中的所有候选站点进行降序排序,获取降序排序结果中前个候选站点,作为当前候选阵列构型的天线部署位置;
13、将个候选站点的二维地理坐标进行组合,构建为当前候选阵列构型的二维坐标矩阵,重复操作,最终得到由多个候选阵列构型组成的初始阵列种群。
14、优选的,所述计算成像性能指标的具体过程为:
15、获取预设的观测频率集合,为观测频率的总数,针对初始阵列种群中的每个候选阵列构型,获取预设的观测频率集合中的每一个观测频率,根据当前观测频率计算对应的观测波长,获取候选阵列构型的二维坐标矩阵中的任意两根天线坐标和,计算空间基线在u-v平面上的采样点坐标和,获取所有基线的采样点坐标得到当前观测频率下的u-v采样分布;
16、计算单频u-v覆盖均匀性:
17、将u-v平面划分为预设分辨率的网格,统计u-v采样分布中包含至少一个采样点坐标的非空网格数量,计算非空网格数量与理论最大有效网格数量的比值,得到当前观测频率下的单频u-v覆盖均匀性;
18、计算单频峰值旁瓣电平:
19、对u-v采样分布对应的采样函数进行逆傅里叶变换,生成当前观测频率下的综合波束,获取综合波束的主瓣峰值幅值,并在主瓣区域之外搜索最大旁瓣峰值幅值,计算最大旁瓣峰值幅值与主瓣峰值幅值的比值,得到当前观测频率下的单频峰值旁瓣电平;
20、计算单频半功率波束宽度:
21、基于综合波束的主瓣剖面,寻找主瓣峰值下降至一半功率处对应的两个半功率点位置,计算两个半功率点之间的空间角宽度,得到当前观测频率下的单频半功率波束宽度;
22、获取成像性能指标的数量m以及预设的空间划分参数h,基于das and dennis系统方法,在m维目标空间内构建各坐标轴截距均为1的单位单纯形超平面;
23、根据空间划分参数h,将单位单纯形超平面的每个目标维度等分为h份,计算超平面上各网格交叉点的坐标,将所有交叉点作为参考点。
24、优选的,所述构建阵列构型注意力评分模块的具体过程为:
25、基于transformer编码器架构构建初始的阵列构型注意力评分模块,阵列构型注意力评分模块的网络结构依次包括位置编码层、多头自注意力层和评分输出层;
26、在候选站点集合中随机生成多个样本阵列构型,计算每个样本阵列构型的成像性能指标,将各项指标归一化并求和得到真实综合性能评分,作为监督学习的标签,将整体样本阵列构型划分为训练集和验证集;
27、将训练集样本的二维坐标矩阵输入阵列构型注意力评分模块,计算预测评分与真实综合性能评分之间的均方误差损失,利用反向传播算法更新网络权重参数,在每个训练轮次后利用验证集计算损失,当验证集损失连续预设轮次不再下降时触发早停机制,得到训练完成的阵列构型注意力评分模块。
28、优选的,所述输出候选阵列构型的构型预测评分以及各天线站点的单天线注意力得分的具体过程为:
29、将初始阵列种群中候选阵列构型的二维坐标矩阵输入至训练完成的阵列构型注意力评分模块;
30、将二维坐标矩阵输入至位置编码层,利用多层感知机转换为预设维度的高维特征向量,组合得到阵列特征矩阵;
31、将阵列特征矩阵输入至多头自注意力层,分别与三个独立的可学习权重矩阵相乘,得到查询矩阵、键矩阵和值矩阵;
32、将查询矩阵与键矩阵的转置进行矩阵乘法运算,除以预设的缩放因子后经过softmax函数进行归一化处理,得到注意力权重矩阵,将注意力权重矩阵与值矩阵相乘,拼接所有注意力头的输出特征得到全局空间特征矩阵;
33、将全局空间特征矩阵和注意力权重矩阵输入至评分输出层,分别计算构型预测评分和单天线注意力得分:
34、对全局空间特征矩阵在天线数量维度上执行全局平均池化操作,压缩为一维的构型特征向量;将构型特征向量输入至全连接网络中,输出一个标量数值,作为构型预测评分;
35、提取多头自注意力层生成的注意力权重矩阵,针对候选阵列构型中的第i个天线站点,提取其在注意力权重矩阵中对应行的所有权重数值,计算权重数值的平均值,作为单天线注意力得分。
36、优选的,所述计算得到父代种群的具体过程为:
37、从当前种群中随机抽取预设数量的候选阵列构型组成锦标赛子集,对比锦标赛子集中各候选阵列构型的构型预测评分,将构型预测评分最高的候选阵列构型选入交配池,直至交配池中的个体数量达到预设的种群规模,得到父代种群。
38、优选的,所述生成子代种群的具体过程为:
39、从交配池中随机选择两个父代阵列构型进行交叉,提取两个父代阵列构型中各天线站点的单天线注意力得分,并利用线性归一化方法将两个父代阵列构型中各天线站点的单天线注意力得分转换为相对保留概率;
40、针对每一个天线位置,根据相对保留概率进行轮盘赌选择,利用单天线注意力得分动态计算子代阵列构型中每个天线站点的变异概率,设定基础变异概率,构建单天线注意力得分与变异概率的负相关映射函数计算实际变异概率,为第个天线站点的单天线注意力得分,在区间内生成均匀分布随机数,若随机数小于或等于站点的实际变异概率,从候选站点集合中随机选择一个未被当前子代阵列构型选用的天线站点对其进行替换,生成完整的子代种群。
41、优选的,输出pareto前沿解集的具体过程为:
42、将子代种群与父代种群合并,形成规模为预设种群规模两倍的混合种群;计算混合种群中每一个阵列构型对应的多频联合u-v覆盖均匀性、多频联合峰值旁瓣电平、多频联合半功率波束宽度,作为多维目标评价值;
43、对混合种群执行快速非支配排序,将混合种群划分为多个不同支配优先级的pareto前沿层,按照非支配层级的支配优先级由高至低,依次将各pareto前沿层内的个体纳入新一代种群,直至新一代种群现有个体总数叠加当前前沿层全部个体数量后,超出预设的种群规模记为临界层;
44、针对临界层中的个体,获取参考点完成筛选,寻找当前种群在各个目标维度上的理想点,利用理想点对混合种群的多维目标评价值进行自适应归一化处理;
45、连接原点与各个参考点形成参考线,计算临界层中每个归一化后的个体到各条参考线的垂直距离,将每个个体关联至垂直距离最小的参考点,统计各参考点在已选入新一代种群个体中的小生境数,选择小生境数最少的参考点,并从临界层中挑选距离参考线最近的个体进入新一代种群,直至新一代种群的个体数量达到预设的种群规模,完成一次种群更新,直至达到预设的最大迭代次数,提取最后一代种群中支配优先级最高的个体集合,作为多目标优化的pareto前沿解集。
46、优选的,所述根据综合评价函数从pareto前沿解集中筛选出最优的fast扩展阵列构型的具体过程为:
47、获取pareto前沿解集中每个个体的各项成像性能指标,构建决策矩阵并进行极差标准化处理,u-v覆盖均匀性为正向指标,采用正向极差标准化,峰值旁瓣电平、半功率波束宽度为负向指标,采用负向极差标准化,为各项成像性能赋予工程偏好权重,构建基于指标权重的综合评价函数,构建基于指标权重的综合评价函数,取值区间为[0,1]且全部之和等于1,构建基于指标权重的综合评价函数计算所有个体的综合评价值,分值最高的作为最优的fast扩展阵列构型。
48、第二方面的,本发明提供了基于自注意力引导多目标优化的fast扩展阵列构型设计系统,包括:
49、站点采样初始化模块:获取fast周边的候选站点集合,根据预设的天线选取候选站点数量,并在候选站点集合中进行初始化采样,生成包含多个候选阵列构型的初始阵列种群;
50、成像指标计算模块:基于初始阵列种群中的每个候选阵列构型,根据预设的观测频率集合,计算成像性能指标;成像性能指标包括:u-v覆盖均匀性、峰值旁瓣电平和半功率波束宽度,根据成像性能指标的数量生成参考点;
51、注意力特征解析模块:构建阵列构型注意力评分模块,将候选阵列构型的二维坐标矩阵输入至阵列构型注意力评分模块,输出候选阵列构型的构型预测评分以及各天线站点的单天线注意力得分;
52、自适应进化迭代模块:将构型预测评分和单天线注意力得分输入至nsga-iii多目标进化算法中,计算得到父代种群,并利用单天线注意力得分动态调节交叉概率和变异概率,生成子代种群;
53、种群择优筛选模块:合并父代种群与子代种群,基于成像性能指标执行非支配排序和参考点关联操作以更新种群,输出pareto前沿解集,并根据综合评价函数从pareto前沿解集中筛选出最优的fast扩展阵列构型。
54、本发明的有益效果如下:
55、本发明构建阵列构型注意力评分模块,依托阵列坐标输出构型预测评分与单天线注意力得分,量化各天线站点的成像贡献;将评分用于nsga-iii锦标赛择优筛选,提前预判阵列性能,减少重复成像指标计算的算力损耗,加速种群收敛。
56、基于单天线注意力得分动态调控交叉、变异算子,优化阵列成像性能,交叉时依据注意力得分换算保留概率,使高贡献天线位点优先遗传;变异阶段建立注意力得分与变异概率的负相关映射,针对性迭代低贡献天线。相较于固定概率的随机进化,本方案定向保留优势天线构型,显著改善阵列u-v覆盖与波束综合性能。
57、搭配nsga-iii参考点筛选机制,均衡多目标优化结果、适配多类观测任务,本发明预先构建三维成像指标目标空间与均匀参考点,借助参考点关联、小生境计数筛选临界层个体,避免优化解集中单一指标偏优;所得pareto解集可平衡u-v覆盖均匀性、峰值旁瓣电平、半功率波束宽度三项制衡指标,适配hi星系观测、瞬变源探测等不同天文观测需求。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com