CN104239634B - 一种天线设计方法 - Google Patents

Abstract

本发明公开了一种天线设计方法，包括以下步骤：S1、获取目标天线的参数，使用正交化试验设计取得所述目标天线的参数的内插组合，并通过仿真模型获得所述内插组合的性能指标，建立所述性能指标的回归模型；S2、依据所述回归模型获取在进化种群中输入所对应的参数时的性能指标，使用多目标优化算法于所述进化种群中搜索处于非支配地位中的性能指标以设计天线。实施本发明的有益效果是，仿真软件的设计方法完全自动化，减少人力物力，基于计算智能的设计方法计算便捷、整体性能较佳。

Description

一种天线设计方法

技术领域

本发明涉及射频设别应用领域，尤其涉及一种天线设计方法。

背景技术

射频识别(Radio Frequency Identification，RFID)是物联网建设的核心技术基础之一。目前各国所使用的RFID标准各不相同，其工作频率包括0.92GHz、2.4GHz、3.5GHz及5.8GHz等。若RFID系统建造时，针对每个频率都设置相应的天线及前端，则成本较高，稳定性差，容易造成资源浪费，难以满足物联网大规模使用的要求。因此出现了多频RFID，可在单一天线上实现对多个工作频率数据的同时接收，有效降低了产品价格与体积。但多频RFID天线设计难度较高，在各目标频率上都有着严苛的性能要求，现实中往往难以有效平衡，造成整体通信效果不佳。因而出现了针对性的设计方法。

目前用于多频RFID天线的设计方法主要分为两类：

一、基于仿真软件的传统设计方法：根据电磁场数学模型，使用仿真软件计算所设计天线的各项性能指标，并以此为基础对其参数进行调整。常用仿真软件包括Zeland IE3D与Ansoft HFSS等。但天线选型与参数调整的方法依赖于工程师经验。而此“调整-验证”过程需反复多次进行，要求工程师全程参与，直至各项指标均得到满足。其流程耗时耗力，而最终结果也无法保证为理论最优值。

二、基于计算智能的启发式设计方法：使用计算智能方法如遗传算法(GeneticAlgorithm，GA)、粒子群优化算法(Particle Swarm Optimization，PSO)等自动调整参数设置，并使用仿真软件计算对应天线设计的性能指标。这一方法避免了工程师全程参与，可实现RFID天线的全自动设计，结果可达理论最优值。但其耗时极长，且一般基于单目标优化方法。往往只能设计最简单的单频或双频天线，难以满足更多频率的要求。

现有的多频RFID天线设计，一般仍主要使用基于仿真软件的传统方法，而启发式算法则相对较少。但启发式天线设计具有先验条件少、自动化程度高、成品性能良好等优点，获得了业界越来越多的重视。将成为未来发展的主要方向。

而现有基于仿真软件的设计方法，其缺点在于：

第一，设计过程严重依赖于工程师经验。若工程师能力不足，则最终形成的天线性能也将有所下降。而多频RFID天线需同时考虑多个工作频段，其性能指标往往相互冲突，设计难度极高。依赖人工调整并仿真的方法耗时耗力，成本高昂，效率低下。最终结果也无法保证。

现有基于计算智能的启发式设计方法，其缺点在于：

第一，计算智能基于进化种群的反复迭代进行优化，而每次迭代都需计算种群中所有候选解的适应度函数值，亦即所对应天线的性能。其数值需使用仿真软件估算，每次运算时间可达数十分钟至数小时。而天线设计为复杂优化问题，这一估算过程需重复进行逾10万次，计算复杂度极高，难以在合理时间内完成。

第二，现有用于天线设计的计算智能方法，主要为简单的单目标优化算法。而RFID天线具有多个相互冲突的性能指标。若仅使用单目标优化，则难以同时改进多个指标数值，导致整体性能不佳。而若使用多目标优化，则计算复杂度将显著增加，在当前技术条件下难以有效处理。

此外，无论是现有基于仿真软件的设计方法，还是基于计算智能的启发式算法，在每次运行时都仅能形成极少量(通常为1个)成功的天线设计。若RFID系统略有改变，则往往需要重新进行设计。导致所需时间、成本急剧上升，不利于实际应用。

发明内容

本发明要解决的技术问题在于，针对上述仿真软件的设计方法过度依赖工程师的经验，基于计算智能的启发式设计方法计算复杂度高、整体性能不佳的问题，提供一种天线设计方法。

本发明解决其技术问题所采用的技术方案是：构造一种天线设计方法，包括以下步骤：

S1、获取目标天线的参数，使用正交化试验设计取得所述目标天线的参数的内插组合，并通过仿真模型获得所述内插组合的性能指标，建立所述性能指标的回归模型；

S2、依据所述回归模型获取在进化种群中输入所对应的参数时的性能指标，使用多目标优化算法于所述进化种群中搜索处于非支配地位中的性能指标以设计天线。

在本发明所述的天线设计方法中，所述步骤S1包括以下子步骤：

S11、获取目标天线的参数矢量，所述参数矢量为N维矢量X_i＝[x₁，x₂，...，x_N]，其中x₁，x₂，...，x_M为所述目标天线的N个参数，i为正整数且i≤K；

S12、设定目标天线的性能指标矢量，所述性能指标矢量为M维矢量T_i＝[t₁，t₂，...，t_M]，其中t₁，t₂，...，t_M为所述目标天线在预设的工作频率上的M个性能指标；

S13、依据正交化试验设计得到K根所述目标天线的参数矢量的组合，所述组合为集合X＝{X₁，X₂，...，X_K}，其中X₁，X₂，...，X_K分别为所述K根目标天线的参数矢量；

S14、依据所述目标天线的参数矢量的组合以及所设定的目标天线的性能指标矢量对所述目标天线的性能指标矢量进行仿真，得到所述目标天线的性能指标矢量的集合T＝{T₁，T₂，...，T_K}，其中T₁，T₂，...，T_K分别为所述K根目标天线的性能指标矢量；

S15、从所述性能指标矢量中提取任一性能指标t_j，其中j为正整数且j≤M，根据所述集合X及集合T形成对应的回归训练数据集Φ_j＝{(X₁，t_1，j)，(X₂，t_2，j)，...，(X_K，t_K，j)}；

S16、判断所述性能指标矢量中所有性能指标是否均形成对应的回归训练数据集，若是，转至步骤S17，若否，转至步骤S15；

S17、使用回归算法形成任一所述回归训练数据集Φ_j的回归模型R_j；

S18、判断所有回归训练数据集是否均形成回归模型，若是，转至步骤S19，若否，转至步骤S17；

S19、将所有回归模型形成多模型组合R＝{R₁，R₂，...，R_M}。

在本发明所述的天线设计方法中，在所述步骤S2包括以下子步骤：

S21、令a＝0以初始化迭代计数器，设定最大迭代次数为b，并构造帕累托非支配集合

S22、构造包括|ps|个个体的进化种群，任一所述个体均为P维矢量Y_l，其值为：

Y_l＝{y_c|c∈P}

其中，y_c取值为[r_c.low，r_c.high]范围内的随机值，r_c.low为预设的目标天线的第c个参数的最小值，r_c.high为预设的目标天线的第c个参数的最大值，l为正整数且l≤|ps|；

S23、令d＝0以初始化指标计数器，并构造所述进化种群中任一所述个体Y_l的性能指标矢量为M维空矢量

S24、依据所述多模型组合中的回归模型R_d获取在输入所对应的参数矢量时的性能指标t_d；

S25、设置所述个体Y_l的性能指标矢量TI[d]＝t_d，对所述d的值加1以更新所述指标计数器，若d＜M，转至步骤S24，若d≥M，转至步骤S26；

S26、依据所述个体及其对应的性能指标矢量TI，使用多目标优化算法搜索所述进化种群；

S27、从所述进化种群中所有个体选取处于非支配地位的个体，将所述处于非支配地位的个体组成所述帕累托非支配集合ND；

S28、对所述a的值加1以更新所述迭代计数器，若a＜b，转至步骤S23，若a≥b，转至步骤S29；

S29、依据所述帕累托非支配集合ND设计天线。

在本发明所述的天线设计方法中，在所述步骤S22中，所述随机值在[r_c.low，r_c.high]范围内服从均匀分布。

在本发明所述的天线设计方法中，在所述步骤S26中，所述多目标优化算法为非支配排序遗传算法和/或帕累托强度进化算法。

实施本发明的一种天线设计方法，具有以下有益效果：设计过程自动化，无需工程师全程参与，有效降低了人力成本，避免了对个人经验的过分依赖。使用回归模型估算天线的性能指标，避免了每次调用仿真软件带来的计算压力，显著降低了运算时间。使用多目标优化算法，有效避免了单目标优化方法带来的指标平衡问题。形成多个帕累托最优的天线，其性能偏重各不相同，若系统需求有所改变，也不必重新进行设计。

附图说明

下面将结合附图及实施例子对本发明作进一步说明，附图中：

图1为本发明提供的一种天线设计方法的流程图；

图2为本发明提供的天线性能指标估算模型的示意图；

图3为本发明提供的天线设计的示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

本发明使用回归算法构造RFID天线的多性能指标模型，并引入多目标优化进行自动化设计。其主要包含两个阶段：(1)在优化前，使用正交化试验设计(OrthogonalExperimental Design，OED)取得天线参数的内插组合，并通过仿真软件获得其在各工作频率上的性能指标，建立每个指标的回归模型；(2)在优化设计时，使用多目标优化算法同时搜索各性能指标的最优值，获得最佳的多频天线设计结果。

图1为本发明提供的一种天线设计方法的流程图，如图1所示，天线设计方法包括以下步骤：

S1、获取目标天线的参数，使用正交化试验设计取得所述目标天线的参数的内插组合，并通过仿真模型获得所述内插组合的性能指标，建立所述性能指标的回归模型；该步骤的有益效果在于，除RFID天线基本选型、参数范围设置等少量工作外，设计过程完全自动化，无需工程师的全程参与，有效降低了人力成本，避免了对个人经验的过分依赖。此外本方法可达到理论最优的天线设计。同时，在计算智能优化中使用回归模型估算天线的性能指标，避免了每次调用仿真软件带来的计算压力，显著降低了运算时间。使基于计算智能的复杂天线设计成为可能。而高效的回归算法保证了性能估计模型的准确性，避免了设计偏差的产生。

S2、依据所述回归模型获取在进化种群中输入所对应的参数时的性能指标，使用多目标优化算法于所述进化种群中搜索处于非支配地位中的性能指标以设计天线。该步骤的有益效果在于，使用多目标优化算法，同时兼顾多个工作频段上的不同性能指标进行设计，有效避免了单目标优化方法带来的指标平衡问题。可构造高于2个工作频率的RFID天线，且设计结果优于现有方法。并且，与传统方法中，每次设计只能产生一个结果不同。本算法单次运行便可形成多个帕累托最优(非支配集)的天线，其性能偏重各不相同，工程师可根据实际要求从中挑选。若系统需求有所改变，也不必重新进行设计，只需在最优集合中另外选择符合要求的天线即可。因此更适合于实际运用。

图2为本发明提供的天线性能指标估算模型的示意图，如图2所示，其具体展示了所述步骤S1的详细过程，具体地，步骤S1包括以下子步骤：

S11、获取目标天线的参数矢量，所述参数矢量为N维矢量X_i＝[x₁，x₂，...，x_N]，其中x₁，x₂，...，x_M为所述目标天线的N个参数，参数为天线开槽的长度、宽度等，i为正整数且i≤K；即在在本阶段需首先设定目标天线的基本选型。

S12、设定目标天线的性能指标矢量，所述性能指标矢量为M维矢量T_i＝[t₁，t₂，...，t_M]，其中t₁，t₂，...，t_M为所述目标天线在预设的工作频率上的M个性能指标；性能指标为预设的工作频率(如3.5GHz、5.8GHz等)上的某一性能指标(如回波损失Return Loss、交叉极化Cross Polarization、端口互耦Mutual Coupling等)具体数值。一般而言，各目标tm间为相互冲突的关系。

S13、依据正交化试验设计得到K根所述目标天线的参数矢量的组合，所述组合为集合X＝{X₁，X₂，...，X_K}，其中X₁，X₂，...，X_K分别为所述K根目标天线的参数矢量；

S14、依据所述目标天线的参数矢量的组合以及所设定的目标天线的性能指标矢量对所述目标天线的性能指标矢量进行仿真，得到所述目标天线的性能指标矢量的集合T＝{T₁，T₂，...，T_K}，其中T₁，T₂，...，T_K分别为所述K根目标天线的性能指标矢量；一般为采用仿真软件对性能指标矢量进行仿真，从而估算出目标天线的性能指标矢量的集合。

S15、从所述性能指标矢量中提取任一性能指标t_j，其中j为正整数且j≤M，根据所述集合X及集合T形成对应的回归训练数据集Φ_j＝{(X₁，t_1，j)，(X₂，t_2，j)，...，(X_K，t_K，j)}；

S16、判断所述性能指标矢量中所有性能指标是否均形成对应的回归训练数据集，若是，转至步骤S17，若否，转至步骤S15；

S17、使用回归算法形成任一所述回归训练数据集Φ_j的回归模型R_j；常用的回归算法包括支持向量机(Support Vector Machine，SVM)与极限学习机(Extreme LearningMachine，ELM)等。

S18、判断所有回归训练数据集是否均形成回归模型，若是，转至步骤S19，若否，转至步骤S17；

S19、将所有回归模型形成多模型组合R＝{R₁，R₂，...，R_M}。多模型组合用于步骤S2中多频RFID天线的多目标优化。

图3为本发明提供的天线设计的示意图，参见图3，其具体展示了所述步骤S2的详细过程，具体地，步骤S2包括以下子步骤：

S21、令a＝0以初始化迭代计数器，设定最大迭代次数为b，并构造帕累托非支配集合

S22、构造包括|ps|个个体的进化种群，任一所述个体均为P维矢量Y_l，其值为：

Y_l＝{y_c|c∈P}

其中，y_c取值为[r_c.low，r_c.high]范围内的随机值，r_c.low为预设的目标天线的第c个参数的最小值，r_c.high为预设的目标天线的第c个参数的最大值，l为正整数且l≤|ps|；所述随机值在[r_c.low，r_c.high]范围内服从均匀分布。

S23、令d＝0以初始化指标计数器，并构造所述进化种群中任一所述个体Y_l的性能指标矢量为M维空矢量

S24、依据所述多模型组合中的回归模型R_d获取在输入所对应的参数矢量时的性能指标t_d；

S25、设置所述个体Y_l的性能指标矢量TI[d]＝t_d，对所述d的值加1以更新所述指标计数器，若d＜M，转至步骤S24，若d≥M，转至步骤S26；

S26、依据所述个体及其对应的性能指标矢量TI，使用多目标优化算法搜索所述进化种群；常用方法包括非支配排序遗传算法II(Non-Dominated Sorting GA II，NSGA-II)以及帕累托强度进化算法2(Strength Pareto Evolutionary Algorithm 2，SPEA2)等。

S27、从所述进化种群中所有个体选取处于非支配地位的个体，将所述处于非支配地位的个体组成所述帕累托非支配集合ND；即计算进化种群及ND中所有个体的位置关系，选取其中处于非支配地位的个体，作为新的非支配集合。

S28、对所述a的值加1以更新所述迭代计数器，若a＜b，转至步骤S23，若a≥b，转至步骤S29；

S29、依据所述帕累托非支配集合ND设计天线。即优化迭代完成后，选择非支配集合ND中的个体作为本方法输出。其中每个个体都为帕累托前端上的最优设计。工程师可根据系统实际需求，从中选取最合适的天线设计为Xbest∈ND。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (4)

1.一种天线设计方法，其特征在于，包括以下步骤：

S1、获取目标天线的参数，使用正交化试验设计取得所述目标天线的参数的内插组合，并通过仿真模型获得所述内插组合的性能指标，建立所述性能指标的回归模型；所述步骤S1包括以下子步骤：

S11、获取目标天线的参数矢量，所述参数矢量为N维矢量X_i＝[x₁,x₂,...,x_N]，其中x₁,x₂,...,x_M为所述目标天线的N个参数，i为正整数且i≤K；

S12、设定目标天线的性能指标矢量，所述性能指标矢量为M维矢量T_i＝[t₁,t₂,...,t_M]，其中t₁,t₂,...,t_M为所述目标天线在预设的工作频率上的M个性能指标；

S13、依据正交化试验设计得到K根所述目标天线的参数矢量的组合，所述组合为集合X＝{X₁,X₂,...,X_K}，其中X₁,X₂,...,X_K分别为所述K根目标天线的参数矢量；

S14、依据所述目标天线的参数矢量的组合以及所设定的目标天线的性能指标矢量对所述目标天线的性能指标矢量进行仿真，得到所述目标天线的性能指标矢量的集合T＝{T₁,T₂,...,T_K}，其中T₁,T₂,...,T_K分别为所述K根目标天线的性能指标矢量；

S15、从所述性能指标矢量中提取任一性能指标t_j，其中j为正整数且j≤M，根据所述集合X及集合T形成对应的回归训练数据集Φ_j＝{(X₁,t_1,j),(X₂,t_2,j),...,(X_K,t_K,j)}；

S16、判断所述性能指标矢量中所有性能指标是否均形成对应的回归训练数据集，若是，转至步骤S17，若否，转至步骤S15；

S17、使用回归算法形成任一所述回归训练数据集Φ_j的回归模型R_j；

S18、判断所有回归训练数据集是否均形成回归模型，若是，转至步骤S19，若否，转至步骤S17；

S19、将所有回归模型形成多模型组合R＝{R₁,R₂,...,R_M}；

S2、依据所述回归模型获取在进化种群中输入所对应的参数时的性能指标，使用多目标优化算法于所述进化种群中搜索处于非支配地位中的性能指标以设计天线。

2.根据权利要求1所述的天线设计方法，其特征在于，在所述步骤S2包括以下子步骤：

S21、令a＝0以初始化迭代计数器，设定最大迭代次数为b，并构造帕累托非支配集合

S22、构造包括|ps|个个体的进化种群，任一所述个体均为P维矢量Y_l，其值为：

Y_l＝{y_c|c∈P}

其中，y_c取值为[r_c.low,r_c.high]范围内的随机值，r_c.low为预设的目标天线的第c个参数的最小值，r_c.high为预设的目标天线的第c个参数的最大值，l为正整数且l≤|ps|；

S23、令d＝0以初始化指标计数器，并构造所述进化种群中任一所述个体Y_l的性能指标矢量为M维空矢量

S24、依据所述多模型组合中的回归模型R_d获取在输入所对应的参数矢量时的性能指标t_d；

S25、设置所述个体Y_l的性能指标矢量TI[d]＝t_d，对所述d的值加1以更新所述指标计数器，若d＜M，转至步骤S24，若d≥M，转至步骤S26；

S26、依据所述个体及其对应的性能指标矢量TI，使用多目标优化算法搜索所述进化种群；

S27、从所述进化种群中所有个体选取处于非支配地位的个体，将所述处于非支配地位的个体组成所述帕累托非支配集合ND；

S28、对所述a的值加1以更新所述迭代计数器，若a＜b，转至步骤S23，若a≥b，转至步骤S29；

S29、依据所述帕累托非支配集合ND设计天线。

3.根据权利要求2所述的天线设计方法，其特征在于，在所述步骤S22中，所述随机值在[r_c.low,r_c.high]范围内服从均匀分布。

4.根据权利要求2所述的天线设计方法，其特征在于，在所述步骤S26中，所述多目标优化算法为非支配排序遗传算法和/或帕累托强度进化算法。