一种基于FOA-GRNN的双陷波特性超宽带天线建模设计方法技术

本发明专利技术提供一种基于FOA‑GRNN的双陷波特性超宽带天线建模设计方法，涉及射频微波器件神经网络建模技术领域，该方法通过选择样本对象提取训练集数据，并对基本参数进行设置，广义回归神经网络的光滑因子作为待优化参数，以预测数据的均方根误差作为适应度函数，利用果蝇算法优化光滑因子，建立FOA‑GRNN网络模型。利用FOA‑GRNN模型对小型化的双陷波特性的超宽带天线进行预测，用天线的回波损耗|S11|与频率f的数据训练模型，并计算模型的预测输出数据的相对误差与GRNN网络对比。该方法有更加良好的预测能力，收敛速度快，精度更高。

【技术实现步骤摘要】
一种基于FOA-GRNN的双陷波特性超宽带天线建模设计方法
本专利技术涉及射频微波器件神经网络建模
，尤其涉及一种基于FOA-GRNN的双陷波特性超宽带天线建模设计方法。
技术介绍
随着当今移动通信、无线局域网、射频识别等快速发展，无线通信系统展现出巨大的潜力，其中射频微波器件设计的好坏直接影响着整个通信系统的性能。天线在无线通信技术中发挥着不可或缺的作用，它是承载着发射和接收无线电磁波、完成电磁转换的核心部件。其中，超宽带陷波天线具有尺寸较小、覆盖带宽范围广、辐射效率高，并能避免其他通信系统频段如WIMAX(3.3～3.6GHz)和WLAN(5.2～5.8GHz)的干扰的优点，适用于超宽带无线通信系统。在超宽带陷波天线的设计中，可以采用改变谐振器的尺寸和位置，或采用改变辐射贴片上缝隙的长度、宽度等尺寸实现天线的陷波特性。常用的天线设计与分析方法采用HFSS电磁仿真软件的辅助设计。在设计器件时，一旦天线的某个物理尺寸需要一个微小改变则需要重新优化设计，需要重新完整一个的电磁仿真过程，这样降低了设计速度，加大了设计难度。
技术实现思路
针对现有技术存在的问题，本专利技术提供一种基于FOA-GRNN的双陷波特性超宽带天线建模设计方法，具有双陷波特性的天线的射频特性为非线性相关关系，以双陷波超宽带天线回波损耗|S11|与频率f的数据为样本输入，运用果蝇算法对广义回归神经网络的光滑因子进行优化，将均方根误差函数作为适应度函数，寻找最优参数来进行建模设计。本专利技术的技术方案为：>一种基于FOA-GRNN的双陷波特性超宽带天线建模设计方法，包括下述步骤：步骤1：选择样本对象；选择一种具有双陷波特性的超宽带天线，利用其回波损耗|S11|和频率f的关系数据作为模型的输入样本；所述模型为利用电磁仿真软件对具有双陷波特性的超宽带天线进行射频特性的仿真建模；步骤2：基本参数设置；设置果蝇种群规模sizepop、最大迭代步数maxgen、果蝇初始位置坐标值(X_axis，Y_axis)；步骤3：提取训练集数据；将输入样本数据分成两组数据，分别为训练集数据和测试集数据，进行交叉训练广义回归神经网络，并以预测样本的均方根误差函数作为适应度函数；所述将输入样本数据分成两组数据，将两组数据交替作为训练集数据和测试集数据，交叉训练广义回归神经网络，即GRNN网络结构，以避免算法训练过度；所述将预测样本的均方根误差RMSE作为适应度函数，有：其中M为测试样本数量，为广义回归神经网络预测输出值，yl为实际目标输出值，l＝1，2，…，M；步骤4：用果蝇算法优化训练广义回归神经网络的光滑因子；所述步骤4具体包括：步骤4.1：随机设置初始果蝇飞行方向与距离；步骤4.2：计算果蝇与原点之间的距离其中(X(i)，Y(i))为果蝇的位置坐标值，其中i表示果蝇种群数量，i＝1,2,…sizepop，并计算味道浓度判定值S(i)，即为距离之倒数S(i)＝1/D(i)；步骤4.3：利用GRNN网络预测样本的均方根误差作为Fitness适应度函数，将步骤4.2中求得的味道浓度判定值S(i)代入，求果蝇味道浓度值；步骤4.4：在步骤4.3所得的味道浓度值中，找出果蝇群体中味道浓度的极小值，即为最佳味道浓度值bestSmell，并保留此时的个体位置；步骤4.5：果蝇迭代寻优开始，比较每代的味道浓度值；若当代味道浓度值小于上一代，则更新该味道浓度值为最优值；步骤4.6：把是否满足最大迭代步数最为判断是否达到迭代终止的条件，若是，则终止迭代，记录最优果蝇，得出最佳光滑因子，进行FOA-GRNN网络建模；否则返回执行步骤4.1；步骤5：最后将上述步骤得到的FOA-GRNN网络模型用于具有双陷波特性的超宽带天线的仿真设计当中，运用未参加模型训练的数据对FOA-GRNN网络模型进行测试，得到的输出结果便是天线对应的回波损耗特性数据。本专利技术的有益效果为：本专利技术提供一种基于FOA-GRNN的双陷波特性超宽带天线建模设计方法，利用果蝇算法对关键GRNN网络的光滑因子进行寻优,建立的FOA-GRNN模型有良好的预测效果，预测精度和拟合能力都明显优异于GRNN神经网络结构，寻找合适的建模方法及其快速算法，能够缩短设计周期、简化其设计过程，提高CAD软件仿真速度和精度，具有优异的非线性映射能力，为天线仿真设计提供了一个便利的方法。附图说明图1为本专利技术基于FOA-GRNN的双陷波特性超宽带天线模型流程图；图2为本专利技术实施例双陷波特性的超宽带天线的回波损耗曲线图；图3为本专利技术实施例GRNN的双陷波特性超宽带天线模型的预测输出和实际输出的对比曲线图；图4为本专利技术实施例FOA-GRNN的双陷波特性超宽带天线模型的预测输出和实际输出的对比曲线图；图5为本专利技术实施例两种结构预测输出的对比图；图6为本专利技术实施例GRNN的双陷波特性超宽带天线模型的预测相对误差曲线图；图7为本专利技术实施例FOA-GRNN的双陷波特性超宽带天线模型的预测相对误差曲线图；图8为本专利技术实施例果蝇的飞行轨迹图；图9为本专利技术实施例果蝇算法寻优过程图。具体实施方式下面将结合附图和具体实施方式，对本专利技术作进一步描述。一种基于FOA-GRNN的双陷波特性超宽带天线建模设计方法，在MATLAB平台上，建立FOA-GRNN网络模型，其整体流程图如图1所示，包括下述步骤：步骤1：选择样本对象；选择一种具有双陷波特性的超宽带天线，利用其回波损耗|S11|和频率f的关系数据作为模型的输入样本；所述模型为利用电磁仿真软件HFSS15.0仿真软件对具有双陷波特性的超宽带天线进行射频特性的仿真建模；回波损耗小于-10dB时，天线带宽为2.8-12.3GHz，设置频率步长0.1GHz，提取天线回波损耗|S11|和频率f的数据140组。本实施例中用电磁仿真软件HFSS15.0对具有小型化的双陷波特性的超宽带天线进行了射频特性的建模仿真。如图2所示，天线回波损耗小于-10dB的带宽为2.8-12.3GHz，并且在3.23～3.7GHz8.01～8.66GHz两个频段产生较好的陷波特性。提取其射频特性曲线的数据，频率步长为0.1GHz，作为输入样本数据分别导入GRNN神经网络和FOA-GRNN神经网络模型中。步骤2：基本参数设置；设置果蝇种群规模sizepop、最大迭代步数maxgen、果蝇初始位置坐标值(X_axis，Y_axis)；步骤3：提取训练集数据；将输入样本数据分成两组数据，分别为训练集数据和测试集数据，进行交叉训练广义回归神经网络，并以预测样本的均方根误差函数作为适应度函数；所述将输入样本数据分成两组数据，每组数据为56组数据，将两组数据交替作为训练集数据和测试集数据，交叉训练广义回归神经网络，即GRNN网络结构，以避免算法训练过度本文档来自技高网...

【技术保护点】
1.一种基于FOA-GRNN的双陷波特性超宽带天线建模设计方法，其特征在于，包括下述步骤：/n步骤1：选择样本对象；选择一种具有双陷波特性的超宽带天线，利用其回波损耗|S11|和频率f的关系数据作为模型的输入样本；/n所述模型为利用电磁仿真软件对具有双陷波特性的超宽带天线进行射频特性的仿真建模；/n步骤2：基本参数设置；设置果蝇种群规模sizepop、最大迭代步数maxgen、果蝇初始位置坐标值(X_axis，Y_axis)；/n步骤3：提取训练集数据；将输入样本数据分成两组数据，分别为训练集数据和测试集数据，进行交叉训练广义回归神经网络，并以预测样本的均方根误差函数作为适应度函数；/n所述将输入样本数据分成两组数据，将两组数据交替作为训练集数据和测试集数据，交叉训练广义回归神经网络，即GRNN网络结构，以避免算法训练过度；/n所述将预测样本的均方根误差RMSE作为适应度函数，有：/n

【技术特征摘要】
1.一种基于FOA-GRNN的双陷波特性超宽带天线建模设计方法，其特征在于，包括下述步骤：
步骤1：选择样本对象；选择一种具有双陷波特性的超宽带天线，利用其回波损耗|S11|和频率f的关系数据作为模型的输入样本；
所述模型为利用电磁仿真软件对具有双陷波特性的超宽带天线进行射频特性的仿真建模；
步骤2：基本参数设置；设置果蝇种群规模sizepop、最大迭代步数maxgen、果蝇初始位置坐标值(X_axis，Y_axis)；
步骤3：提取训练集数据；将输入样本数据分成两组数据，分别为训练集数据和测试集数据，进行交叉训练广义回归神经网络，并以预测样本的均方根误差函数作为适应度函数；
所述将输入样本数据分成两组数据，将两组数据交替作为训练集数据和测试集数据，交叉训练广义回归神经网络，即GRNN网络结构，以避免算法训练过度；
所述将预测样本的均方根误差RMSE作为适应度函数，有：



其中M为测试样本数量，为广义回归神经网络预测输出值，yl为实际目标输出值，l＝1，2，…，M；
步骤4：用果蝇算法优化训练广义回归神经网络的光滑因子；
步骤5：最后将上述步骤得到的FOA-GRNN网络模型用于具有双陷波特性的超宽带天线的仿真设计...

【专利技术属性】
技术研发人员：南敬昌，曹馨元，高明明，陶成健，张沛泓，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：辽宁;21