【技术实现步骤摘要】
一种碎片天线的快速优化设计方法
本专利技术涉及天线的快速优化设计方法，尤其涉及的是针对表面碎片式的天线优化设计的实现方法。
技术介绍
当今智能算法在天线设计中的应用已经非常成熟。通常天线优化设计依赖于给定或确定的天线初始布局的几何优化。传统优化方法首先确定天线结构的设计参数，然后通过遗传算法、PSO等优化算法对参数取值进行优化。然而对于复杂天线来说，优化参数数量过多，训练输入数据维数过大从而导致计算难度变大。在智能算法中，卷积神经网络(CNN)可以在保留数据价值的同时减少数据的量。将CNN应用到复杂的碎片天线设计中，可以避免输入数据由于参数过多而难以处理的问题，节省了优化设计的时间。在训练CNN模型时，由于模型包含大量的参数，参数的训练方法是影响CNN模型性能的关键，所以此方法用粒子群优化算法(PSO)来进行CNN模型的参数寻优。
技术实现思路
专利技术目的：利用PSO-CNN模型对碎片式天线进行优化设计,代替传统的电磁仿真软件,减少电磁仿真次数,从而减少设计用时，提高天线设计时的效率。技...
【技术保护点】
1.一种碎片天线的快速优化设计方法，其特征在于,包括如下具体步骤：/n(1)根据需要设计的碎片式天线，构建天线初始模型；/n(2)随机生成一定数量的碎片式天线，获得碎片式天线的输入数据集并用电磁仿真软件进行仿真，得到对应的输出样本，输入数据和对应的输出数据为训练PSO-CNN模型做准备；/n(3)初始化卷积神经网络模型，并将卷积神经网络的网络参数作为粒子群算法的粒子数，按顺序排列；/n(4)初始化粒子群算法，将步骤(2)中的输入数据代入卷积神经网络模型，将该模型的预测值与步骤(2)中的输出数据的差值作为粒子群算法的PSO适应度函数；/n(5)当粒子群算法寻优完成后按对应的卷...
【技术特征摘要】
1.一种碎片天线的快速优化设计方法，其特征在于,包括如下具体步骤：
(1)根据需要设计的碎片式天线，构建天线初始模型；
(2)随机生成一定数量的碎片式天线，获得碎片式天线的输入数据集并用电磁仿真软件进行仿真，得到对应的输出样本，输入数据和对应的输出数据为训练PSO-CNN模型做准备；
(3)初始化卷积神经网络模型，并将卷积神经网络的网络参数作为粒子群算法的粒子数，按顺序排列；
(4)初始化粒子群算法，将步骤(2)中的输入数据代入卷积神经网络模型，将该模型的预测值与步骤(2)中的输出数据的差值作为粒子群算法的PSO适应度函数；
(5)当粒子群算法寻优完成后按对应的卷积神经网络参数顺序进行粒子解码，得到训练完成的PSO-CNN模型；
(6)利用步骤(5)得到的PSO-CNN模型作为电磁仿真软件的替代模型，对碎片天线设计过程中的天线设计参数的响应进行模拟，从而完成天线的设计。
2.根据权利要求1所述的一种碎片天线的快速优化设计方法，其特征在于，步骤(2)中所述随机生成为碎片天线表面金属贴片图案的随机化，输入数据为图案的矩阵数据；
3.根据权利要求1所述的一种碎片天线的快速优化设计方法，其特征在于，步骤(3)中的卷积神经网络的基本结构由输入层、卷积层、池化层、全连接层和输出层组成。卷积层和池化层根据实际问题设置若干层，并以交替方式排列。卷积神经网络参数为卷积神经网络结构中的参数，包括权值阈值以及偏置量。这些参数在粒子群算法中粒子群算法的粒子维度数输入数据经过卷积运算后，卷积层的特征面中神经元的个数满足如下公式：
其中Outsize表示输出特征面神经元个数；InSize表示输入特征面神经元个数；CSize为卷积核的尺寸，CInterval表示卷积核的滑动平移步长。保证上式的除法项运算结果是整数，有利于后续网络的计算。否则还需对网络进行额外的处理。卷积层可训练参数数目如下公式：
CPN＝(InSize×CSize+1)×OutSize(公式2)
其中CPN为训练参数的数量，InSize为输入特征面神经元数量；CSize表示卷积核的尺寸大小；1表示阈值的数量，每一层只设置一个共享的阈值；Outsize表示输出特征面神经元个数。
4.根据权利要求1所述的一种碎片天线的快速优化设计方法，其特征在于，PSO算法通过加速每个粒子向自身和群体最佳的位置靠近，在空...
【专利技术属性】
技术研发人员：田雨波，张心宇，李思，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。