本发明专利技术提供一种基于补偿网络的天线罩电性能预测方法,主要包括:基于各子区域的罩壁厚度数据和对应的远场电性能参数构建训练数据集;搭建预测网络模型和补偿网络模型;对所述预测网络模型和补偿网络模型进行联合训练;获取待预测的罩壁几何厚度数据,输入至预测网络模型,获取模型输出的初步预测结果输入补偿网络模型,获取模型输出作为远场电性能参数的误差预测结果;对所述远场电性能参数的初步预测结果和远场电性能参数的误差预测结果相加作为远场电性能参数的最终预测结果
【技术实现步骤摘要】
一种基于补偿网络的天线罩电性能预测方法
[0001]本专利技术涉及通信装置
,具体而言,尤其涉及一种基于补偿网络的天线罩电性能预测方法
。
技术介绍
[0002]天线罩是用来内部天线系统免受外界恶劣环境的侵蚀,使得内部设备能够正常工作,让电磁波传播不受影响
。
天线罩通常是由天然或人工复合材料制作而成的作为保护功能的设备,广泛应用于通信
、
雷达
、
卫星通信
、
导航等领域,如手机天线罩
、
汽车天线罩
、
卫星接收天线罩等
。
天线罩的存在会增加天线系统的总电容和总电感,导致天线的匹配效率降低,此外,天线罩内部的电流分布和磁场分布会引入附加损耗,降低天线系统的辐射效率和接受灵敏
。
因此,为最大程度避免天线罩对天线性能的负面影响,天线罩电性能预测至关重要
。
通过合适和预测方法,预测天线罩的电性能,进而对天线罩进行优化设计,提高天线系统性能
。
同时通过电性能预测,可以提前发现和解决天线罩设计中存在的问题,避免在制造和测试阶段发现问题,降低成本,缩短研发周期
。
[0003]目前,天线罩电性能预测方法主要包括:有限元法
、
辐射积分方程法
、
时域有限差分法
、
物理光学法等,其中,物理光学法只适用于高频段情况,且计算精度较低,前三种方法几乎能够处理任何形状的天线罩,计算精度较高,但计算时间较长,计算成本较高,且对计算机性能要求较高
。
[0004]近年来,国内外学者围绕天线罩的电性能预测进行理论与实验探究,取得了一些研究成果
。
在天线罩的指导精加工方面,公开号为
CN102590656B
的中国专利“基于远场的天线罩电性能预测方法”,公开了一种基于远场的天线罩电性能预测方法,主要解决建模不准确等问题
。
这种方法需要建立天线模型,分析加罩前后的二维方向图和电性能指标,若不满足天线设计的电性能要求,需要不断修改天线罩模型,操作复杂
。
[0005]随着科学技术的不断进步与发展,人工智能在各个领域发挥作用
。
机器学习作为人工智能领域的一个重要分支,在图像识别
、
自然语言处理等领域得到了广泛的应用
。
在电磁预测方面,文献“基于
MLFMM
算法与随机森林的天线场强预测模型”建立多层快速多极子算法与随机森林结合的场强预测模型,实现天线场强预测
。
类似地,用于预测和拟合的机器学习方法还有线性回归
、
逻辑回归
、
决策树
、
支持向量机
、K
近邻算法等等,但传统机器学习算法通常是基于线性模型,对于非线性关系的数据拟合能力有限,可能需要手动添加非线性特征,增加模型复杂度
。
此外,传统机器学习算法通常需要手动调节参数,以优化模型性能,需要一定的专业知识,对于非专业人士而说比较困难
。
技术实现思路
[0006]鉴于现有天线罩电性能预测方法存在的模型非线性数据拟合能力差
、
手动添加非线性特征导致模型复杂度高的技术问题,本专利技术提供一种基于补偿网络的天线罩电性能预测方法
。
本专利技术基于深度学习,建立带有补偿网络的全连接网络模型,学习天线罩环状子区
域的厚度值与电性能参数的非线性关系,实现天线罩电性能参数的快速预测,补偿网络的提出增加网络泛化能力与预测准确度
。
[0007]本专利技术采用的技术手段如下:
[0008]一种基于补偿网络的天线罩电性能预测方法,包括以下步骤:
[0009]采用环状子区域划分方式对加载的天线罩模型沿
z
轴划分成若干个环状子区域,获取各子区域的罩壁厚度数据;基于数值仿真方法计算出对应于每个子区域罩壁厚度数据的远场电性能参数;
[0010]基于各子区域的罩壁厚度数据和对应的远场电性能参数构建训练数据集;
[0011]搭建预测网络模型和补偿网络模型,将预测网络模型的输出作为补偿网络模型的输入,所述预测网络模型用于预测与子区域的罩壁厚度数据对应的远场电性能参数,所述补偿网络模型用于预测与远场电性能参数对应的远场电性能参数误差;
[0012]基于所述训练数据集中的数据对所述预测网络模型和补偿网络模型进行联合训练,保存训练好的预测网络模型和补偿网络模型;
[0013]获取待预测的罩壁几何厚度数据,输入至预测网络模型,获取模型输出作为远场电性能参数的初步预测结果,将所述远场电性能参数的初步预测结果输入补偿网络模型,获取模型输出作为远场电性能参数的误差预测结果;
[0014]对所述远场电性能参数的初步预测结果和远场电性能参数的误差预测结果相加作为远场电性能参数的最终预测结果
。
[0015]进一步地,基于所述训练数据集中的数据训练所述预测网络模型和补偿网络模型进行训练,包括:
[0016]将训练数据集中的罩壁厚度数据作为输入数据
、
将训练数据集中对应的远场电性能参数作为输出数据,对所述预测网络模型进行初步训练;
[0017]保存初步训练后的预测网络模型参数
。
[0018]进一步地,基于所述训练数据集中的数据训练所述预测网络模型和补偿网络模型进行训练,还包括:
[0019]获取初步训练后的预测网络模型输出的远场电性能参数初步预测结果;
[0020]将所述远场电性能参数初步预测结果作为补偿网络的输入数据,获取补偿网络输出的远场电性能参数误差数据;
[0021]将所述远场电性能参数初步预测结果与远场电性能参数误差结果的加和作为远场电性能参数最终预测结果;
[0022]根据远场电性能参数最终预测结果与训练数据中远场电性能参数的比较结果,基于反向传播算法更新所述预测网络模型和所述补偿网络模型的网络参数
。
[0023]进一步地,所述远场电性能参数为天线罩的后向散射增益和传输损耗
。
[0024]进一步地,所述预测网络模型和补偿网络模型均为全连接网络模型
。
[0025]进一步地,所述预测网络模型输入维度为
20
,输出维度为
10
,隐藏层个数为6,隐藏层神经元个数分别为
40、80、160、80、40、20。
[0026]进一步地,所述补偿网络的输入维度为
10
,输出维度为
10
,隐藏层个数为1,隐藏层神经元个数为
10。
[0027]进一步地,基于数值仿真方法计算出对应于每个子区域罩壁厚度数据的远场电性
能参数,包括:
[0028]利用平面波谱
‑
表面积本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种基于补偿网络的天线罩电性能预测方法,其特征在于,包括以下步骤:采用环状子区域划分方式对加载的天线罩模型沿
z
轴划分成若干个环状子区域,获取各子区域的罩壁厚度数据;基于数值仿真方法计算出对应于每个子区域罩壁厚度数据的远场电性能参数;基于各子区域的罩壁厚度数据和对应的远场电性能参数构建训练数据集;搭建预测网络模型和补偿网络模型,将预测网络模型的输出作为补偿网络模型的输入,所述预测网络模型用于预测与子区域的罩壁厚度数据对应的远场电性能参数,所述补偿网络模型用于预测与远场电性能参数对应的远场电性能参数误差;基于所述训练数据集中的数据对所述预测网络模型和补偿网络模型进行联合训练,保存训练好的预测网络模型和补偿网络模型;获取待预测的罩壁几何厚度数据,输入至预测网络模型,获取模型输出作为远场电性能参数的初步预测结果,将所述远场电性能参数的初步预测结果输入补偿网络模型,获取模型输出作为远场电性能参数的误差预测结果;对所述远场电性能参数的初步预测结果和远场电性能参数的误差预测结果相加作为远场电性能参数的最终预测结果
。2.
根据权利要求1所述的一种基于补偿网络的天线罩电性能预测方法,其特征在于,基于所述训练数据集中的数据训练所述预测网络模型和补偿网络模型进行训练,包括:将训练数据集中的罩壁厚度数据作为输入数据
、
将训练数据集中对应的远场电性能参数作为输出数据,对所述预测网络模型进行初步训练;保存初步训练后的预测网络模型参数
。3.
根据权利要求2所述的一种基于补偿网络的天线罩电性能预测方法,其特征在于,基于所述训练数据集中的数据训练所述预测网络模型和补偿网络模型进行训练,还包括:获取初步训练后的预测网络...
【专利技术属性】
技术研发人员:盛贤君,李晓,刘宁,王克欣,
申请(专利权)人:大连理工大学,
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。