✨ 长期致力于透射阵天线、高增益、宽角波束扫描、共形设计、近场赋形研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1低剖面透射阵天线设计基于多层频率选择表面移相结构采用三种移相单元平面介质移相单元介电常数4.4厚度0.5mm金属通孔加载双层单元通孔直径0.3mm以及多种FSS组合的双层结构每层刻蚀十字环缝隙。单元周期0.3mm工作频率30GHz。将移相表面直接集成在喇叭天线口径面上喇叭高度从原来的35mm缩减至20mm、19mm和17mm。实测增益分别为24.1dBi、24.3dBi和24.0dBi与未加载的标准增益喇叭24.5dBi相当。剖面缩减量分别达42.3%、45.9%、50.7%。1dB增益带宽分别为8.2%、7.5%、9.0%。2高增益透射-反射阵列天线将透射单元和反射单元混合布置在同一口径面上采用多种群遗传算法优化单元分布。种群规模200迭代80代适应度函数同时考虑透射波束增益和反射波束增益。设计同极化版本透射波束指向0度反射波束指向170度实测峰值增益21.4dBi和24.4dBi。异极化版本使用极化旋转单元透射波束实现24.1dBi反射波束24.0dBi带宽分别16.2%和13.1%。这是稀疏阵列方法首次应用于空馈阵列。3双焦共形透射阵与频率扫描近场赋形分析单焦凹柱面共形阵扫描局限性提出双焦凹柱面设计两个焦点分别对应左右扫描边界。柱面曲率半径80mm口径120mm。实测扫描范围±30度增益波动1.0dB峰值25.8dBi。进一步研制双焦凸柱面共形阵扫描范围拓宽至±70度增益波动4.5dB。在近场赋形方面设计宽带透射阵24-36GHz通过频率改变实现焦点轴向移动。24GHz焦点在59mm36GHz焦点在197mm连续可调。采用Powell狗腿非线性优化算法设计平顶波束和三维空间多点聚焦优化迭代22次收敛平顶区域波动小于0.8dB。import numpy as np from scipy import optimize import pygad class LowProfileTransmitarray: def __init__(self, frequency30e9, period0.3e-3): self.f frequency self.lam 3e8/frequency self.period period self.unit_cell_types [dielectric, via_loaded, fss_combo] def phase_shift_dielectric(self, er4.4, thickness0.5e-3): # 计算介质单元带来的相位延迟 k0 2*np.pi/self.lam phase k0 * np.sqrt(er) * thickness return phase % (2*np.pi) def design_surface(self, focal_length, aperture_size): # 计算口径面上每个单元所需补偿相位 x np.arange(-aperture_size/2, aperture_size/2, self.period) y np.arange(-aperture_size/2, aperture_size/2, self.period) XX, YY np.meshgrid(x, y) dist_to_feed np.sqrt(XX**2 YY**2 focal_length**2) phase_required k0 * dist_to_feed return phase_required class MultiPopGA_Transflectarray: def __init__(self, n_elements400, n_populations3, pop_size200): self.n_elem n_elements self.n_pops n_populations self.pop_size pop_size def fitness_func(self, solution, solution_idx): # solution 二进制编码0表示透射1表示反射 trans_gain self.compute_trans_gain(solution) refl_gain self.compute_refl_gain(solution) return 0.5*trans_gain 0.5*refl_gain def optimize(self): ga pygad.GA(num_generations80, num_parents_mating40, fitness_funcself.fitness_func, sol_per_popself.pop_size, num_genesself.n_elem, gene_typeint, gene_space[0,1]) ga.run() return ga.best_solution() class NearFieldShaping: def __init__(self, frequency_range(24e9, 36e9)): self.f_start, self.f_end frequency_range def dogleg_optimizer(self, target_field, initial_phases, max_iter50): # 目标近场电场分布优化阵元相位 def residual(phases): # 计算当前相位下的电场与目标之差 E_current self.compute_field(phases) return (E_current - target_field).flatten() result optimize.least_squares(residual, initial_phases, methoddogleg, max_nfevmax_iter) return result.x def compute_field(self, phases): # 简化叠加每个阵元辐射 n_elem len(phases) positions np.linspace(-0.1, 0.1, n_elem) # 阵元位置 k 2*np.pi / 3e8*30e9 # 中心频率 field np.zeros(100, dtypecomplex) for idx, pos in enumerate(positions): r np.linspace(0.05, 0.3, 100) - pos # 观察点距离 field np.exp(1j*k*r 1j*phases[idx]) / r return np.abs(field)