| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-14页 |
| 1.1 研究背景和意义 | 第7-8页 |
| 1.2 研究历史和现状 | 第8-12页 |
| 1.3 论文内容的结构安排 | 第12-14页 |
| 2 反射阵的基本理论 | 第14-27页 |
| 2.1 引言 | 第14页 |
| 2.2 反射阵的基本理论和设计方法 | 第14-19页 |
| 2.2.1 反射阵原理 | 第14-16页 |
| 2.2.2 反射阵的设计方法 | 第16-19页 |
| 2.3 反射阵近似解析快速计算方法以及改进 | 第19-26页 |
| 2.3.1 反射阵阵因子公式 | 第19-20页 |
| 2.3.2 引入互耦的阵因子公式 | 第20-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 波束赋形反射阵天线的设计与优化 | 第27-43页 |
| 3.1 引言 | 第27页 |
| 3.2 波束赋形反射阵设计 | 第27-30页 |
| 3.2.1 赋形反射阵基本参数设置 | 第27-29页 |
| 3.2.2 赋形反射阵初值 | 第29-30页 |
| 3.3 平面反射阵的数值计算方法以及优化方法 | 第30-37页 |
| 3.3.1 基于分层媒质格林函数的混合位积分方程矩量法 | 第31-33页 |
| 3.3.2 基于高斯扰动的蝙蝠优化算法 | 第33-37页 |
| 3.4 空间映射快速优化算法 | 第37-42页 |
| 3.4.1 空间映射算法的基本原理 | 第38-40页 |
| 3.4.3 数值算例分析 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 4 基于机器学习方法对像素化单元的优化 | 第43-59页 |
| 4.1 引言 | 第43-44页 |
| 4.2 基于深度学习方法的网络模型构建 | 第44-52页 |
| 4.2.1 基于卷积神经网络的深度学习 | 第44-49页 |
| 4.2.2 像素化单元的深度学习网络模型构建 | 第49-52页 |
| 4.3 多比特像素化单元的优化以及漫反射阵设计 | 第52-58页 |
| 4.3.1 1-bit单元及阵面的设计 | 第53-56页 |
| 4.3.2 2-bit单元及阵面的设计 | 第56-58页 |
| 4.4 本章小结 | 第58-59页 |
| 5 总结与展望 | 第59-61页 |
| 5.1 全文内容的总结 | 第59页 |
| 5.2 研究工作展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |