【技术实现步骤摘要】
一种采用机器学习辅助优化的天线拓扑像素优化设计方法
[0001]本专利技术属于天线设计
，涉及一种采用机器学习辅助优化的天线拓扑像素优化设计方法。
技术介绍
[0002]作为电磁场与微波技术、通信与信息系统等专业所重点关注的研究问题，天线的拓扑优化设计一直是学术界研究的热点与难点。传统的天线拓扑优化方法可以分为基于进化算法的天线结构拓扑优化设计和基于梯度算法的天线结构拓扑优化设计。前者易于与商用软件集成，可扩展性强，不需要敏感度信息，且可以尽可能搜索全局最优的拓扑结构，但耗时较长，对计算资源要求高；后者可以有效提高天线拓扑结构优化问题的求解效率，但容易陷入局部最优，且由于需要敏感度信息，难以和商用软件相集成。
[0003]在过去的十多年中，机器学习方法被广泛地引入天线、无源器件和电路设计等电子器件的设计领域，并取得了很好的效果。目前，绝大多数机器学习辅助的天线设计都仅考虑固定天线拓扑后的天线的参数设计，而无法应用于天线的拓扑优化设计。
技术实现思路
[0004]专利技术目的：针对以上问题，本专利...
【技术保护点】
【技术特征摘要】
1.一种采用机器学习辅助优化的天线拓扑像素优化设计方法，其特征在于，采用迭代式的机器学习辅助优化的算法架构；算法通过将金属映射成1，空气映射成0的方法，将天线的拓扑结构映射为由1和0构成的矩阵；在算法的起始步骤中，随机采样生成一系列以1和0构成的矩阵表示的天线拓扑结构，并利用全波仿真软件计算得到拓扑结构对应的天线性能，从而建立初始训练集，并进入算法的迭代流程；在算法的每次迭代中，引入卷积神经网络，基于训练集进行训练，建立天线拓扑和天线性能间的代理模型映射；进而引入二进制的进化算法对代理模型进行优化，得到能使天线性能最优的天线拓扑结构；而后对优化结果进行全波仿真验证并由此判断算法是否终止，若未终止，则将优化及验证结果加入数据集中，对神经网络进行重新训练，进行下一次算法迭代。2.根据权利要求1所述的一种采用机器学习辅助优化的天线拓扑像素优化设计方法，其特征在于，构建初始训练集的步骤包括：首先确定供天线设计的拓扑区域范围，并将其划分为m
×
n个子块，分别对应一个二进制m
×
n矩阵中的元素；将矩阵中元素为0的映射为空气，而将1映射为金属；通过构建二进制m
【专利技术属性】
技术研发人员：无奇，王海明，余晨，陈炜琦，洪伟，
申请(专利权)人：东南大学，
类型：发明
国别省市：
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。