CN104573216A - 一种天线性能的优化方法及装置 - Google Patents

Abstract

本发明公开了一种天线性能的优化方法及装置，该方法包括：A.设置天线参数；B.构建训练样本库；C.采用极限学习机建立待优化变量与回波损耗值之间的估算模型；D.联合优化天线性能。如此，通过ELM模型在极短的时间内得到近似估计值，从而有效提升了算法优化时的训练速度。在优化过程中，无需天线精度的回波损耗值，仅需要一个相对准确的估算量，便可确定天线在目标频点是否满足回波损耗要求。此外，ELM模型的训练过程仅需在优化前执行一次，而优化算法在每次计算适应度函数值时，回波损耗的估值过程只需少量矩阵运算即可完成。ELM模型结合模型估算提高了优化性能和效率。

Description

一种天线性能的优化方法及装置

技术领域

本发明涉及天线优化领域，尤其涉及一种天线性能的优化方法及装置。

背景技术

天线是射频通信中实现两点之间电磁信号传递的关键，是无线通信系统必不可少的重要部分。按照工作频段特点，天线可以分为单频天线和多频天线两类。传统的天线设计采用“尝试-失败-再尝试”的方式，依赖于工程师的设计经验，一般需要在电磁仿真软件中进行大量的重复迭代测试和仿真以确定适合的几何参数，效率较低。相对于单频天线，多频天线在尺寸、带宽、极化性、频响和精度方面存在更为苛刻的设计限制，而且各因素之间互相制约影响，设计难度更大。智能优化算法(粒子群优化、蚁群算法、模拟退火算法等)通过模拟自然界的进化方法来进行寻优，是解决复杂性工程问题的有效方法，智能优化算法与专业电磁仿真工具的结合是解决复杂天线设计问题的新方向。

尽管现有基于优化算法的天线设计方法已取得一定进展，但其普遍采用“优化-仿真-再优化”机制，每一次算法优化所得的天线参数必须通过耗时的专业软件仿真进行验证，若仿真结果不符合设计要求，必须重新设置天线参数，进行重复寻优。随着通信技术的发展和应用需求的增加，更为复杂的三频、四频天线设计成为了基于智能优化天线设计的瓶颈难题。同时，目前高效的优化算法都需要进行大量重复的迭代运算，耗时的软件仿真无法嵌入优化过程，直接评估算法的寻优结果，影响了天线设计的性能和效率。

发明内容

本发明要解决的技术问题在于，针对上述现有技术方法中需要进行大量重复的迭代运算，耗时的软件仿真无法嵌入优化过程的问题，提供了一种天线性能的优化方法及装置。

本发明解决其技术问题所采用的方法是：

一种天线性能的优化方法，包括以下步骤：

A、设置天线参数，将其作为待优化变量；

B、构建训练样本库，依据所述训练样本库对所述待优化变量进行调整，从而建立天线的性能评估模型；

C、采用极限学习机建立调整后的待优化变量与回波损耗值之间的估算模型；

D、依据所述估算模型计算回波损耗的估计值，采用通过估计值所得到优化算法优化所述待优化变量，从而联合优化天线性能。

在本发明所述的优化方法中，所述步骤A包括以下子步骤：

A1、设置天线参数；

A2、将所述天线参数作为n个待优化变量x₁，x₂，...，x_n，并分别设置所述n个待优化变量的取值范围。

在本发明所述的优化方法中，所述步骤B包括以下子步骤：

B1、通过预设的电磁场仿真工具间隔获取m个训练样本Φ＝(g_i，s_i)，i＝1，...，m，构建训练样本库，其中，g_i＝[g_i，1，g_i，2，...，g_i，D]为D维天线设计的几何参数向量，s_i为所述g_i对应的回波损耗软件仿真结果；

B2、依据所述训练样本库并使用极限学习机对所述n个待优化变量在各自的取值范围内进行调整；

B3、依据所调整的所述n个待优化变量建立天线的性能评估模型。

在本发明所述的优化方法中，所述步骤C包括以下子步骤：

C1、使用随机特征映射h(g)＝[h₁(g)，h₂(g)，...，h_L(g)]将输入向量g映射至L维线性可分空间，其隐含层输出矩阵H为：

H＝[h(g₁)^T，h(g₂)^T，...，h(g_N)^T]^T

C2、采用极限学习机建立调整后的待优化变量与回波损耗值之间的估算模型f(g)：

$f\left(g\right)=h\left(g\right)H^T{(\frac{I}{C}+{\mathrm{HH}}^T)}^{-1}s$

其中，I为m×m的单位矩阵，C为正则化常量，s为训练样本集中的回波损耗向量，s＝[s₁，s₂，...，s_N]^T。

在本发明所述的优化方法中，所述步骤D包括以下子步骤：

D1、将所述n个待优化变量x₁，x₂，...，x_n输入至极限学习机，以计算回波损耗的估计值；

D2、采用通过估计值所得到优化算法优化所述n个待优化变量x₁，x₂，...，x_n，并判断所述n个待优化变量是否满足天线预设的优化要求，若不满足，则转至步骤C。

另一方面，提供一种天线性能的优化装置，包括：

天线设置模块，用于设置天线参数，将其作为待优化变量；

样本构建模块，用于构建训练样本库，依据所述训练样本库对所述待优化变量进行调整，从而建立天线的性能评估模型；

模型建立模块，用于采用极限学习机建立调整后的待优化变量与回波损耗值之间的估算模型；

联合优化模块，用于依据所述估算模型计算回波损耗的估计值，采用通过估计值所得到优化算法优化所述待优化变量，从而联合优化天线性能。

在本发明所述的优化装置中，所述天线设置模块包括：

参数设置单元，用于设置天线参数；

取值设置单元，用于将所述天线参数作为n个待优化变量x₁，x₂，...，x_n，并分别设置所述n个待优化变量的取值范围。

在本发明所述的优化装置中，所述样本构建模块包括：

样本库构建单元，用于通过预设的电磁场仿真工具间隔获取m个训练样本Φ＝(g_i，s_i)，i＝1，...，m，构建训练样本库，其中，g_i＝[g_i，1，g_i，2，...，g_i，D]为D维天线设计的几何参数向量，s_i为所述g_i对应的回波损耗软件仿真结果；

取值调整单元，用于依据所述训练样本库并使用极限学习机对所述n个待优化变量在各自的取值范围内进行调整；

评估单元，用于依据所调整的所述n个待优化变量建立天线的性能评估模型。

在本发明所述的优化装置中，所述模型建立模块包括：

映射单元，用于使用随机特征映射h(g)＝[h₁(g)，h₂(g)，...，h_L(g)]将输入向量g映射至L维线性可分空间，其隐含层输出矩阵H为：

H＝[h(g₁)^T，h(g₂)^T，...，h(g_N)^T]^T

估算单元，用于采用极限学习机建立调整后的待优化变量与回波损耗值之间的估算模型f(g)：

$f\left(g\right)=h\left(g\right)H^T{(\frac{I}{C}+{\mathrm{HH}}^T)}^{-1}s$

其中，I为m×m的单位矩阵，C为正则化常量，s为训练样本集中的回波损耗向量，s＝[s₁，s₂，...，s_N]^T。

在本发明所述的优化装置中，所述联合优化模块包括：

输入单元，用于将所述n个待优化变量x₁，x₂，...，x_n输入至极限学习机，以计算回波损耗的估计值；

优化单元，用于采用通过估计值所得到优化算法优化所述n个待优化变量x₁，x₂，...，x_n，并判断所述n个待优化变量是否满足天线预设的优化要求。

实施本发明公开的一种天线性能的优化方法及装置，具有以下有益效果：通过ELM模型在极短的时间内得到近似估计值，从而有效提升了算法优化时的训练速度。在优化过程中，无需天线精度的回波损耗值，仅需要一个相对准确的估算量，便可确定天线在目标频点是否满足回波损耗要求。此外，ELM模型的训练过程仅需在优化前执行一次，而优化算法在每次计算适应度函数值时，回波损耗的估值过程只需少量矩阵运算即可完成。ELM模型结合模型估算提高了优化性能和效率。

附图说明

图1为本发明提供的一种天线性能的优化方法的流程图；

图2为本发明提供的一种天线性能的优化方法的示意图；

图3为本发明提供的一种天线性能的优化装置的方框图。

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。

本发明提供了一种天线性能的优化方法及装置，其目的在于提出了一种基于极限学习机101(Extreme Learning Machine，ELM)建模的天线优化设计方法。极限学习机101是一种应用于各种复杂工程问题的建模算法，本方法将其引入用于建立天线几何参数与性能之间的回归模型，直接嵌入到优化算法的迭代104过程中，评估优化所得的天线几何参数。通过上述机制，该天线优化设计方法能够有效加速优化过程，并提高天线的优化效果。

如图1所示，图1为本发明提供的一种天线性能的优化方法的流程图，本发明提供的一种天线性能的优化方法，包括以下步骤：

A、设置天线参数，将其作为待优化变量；对于不同类型的天线，其几何参数是影响其性能的主要原因。当天线的大体结构确定后，在多个几何参数中，一般可以定义有限个对天线性能的影响比较明显的关键参数。然而由于各参数相互影响和制约，使用传统“人工设定-仿真-再次人工设定”方法难以确定该有限个参数的最优值。在本发明方法中，第一步需要将这些关键参数定义为待优化变量，设为x₁，x₂，...，x_n，并根据实际情况和设计限制给出各关键参数的取值范围。

所述步骤A包括以下子步骤：

A1、设置天线参数；

A2、将所述天线参数作为n个待优化变量x₁，x₂，...，x_n，并分别设置所述n个待优化变量的取值范围。

B、构建训练样本库，依据所述训练样本库对所述待优化变量进行调整，从而建立天线的性能评估模型；为了能够建立一个快速评估模型直接嵌入优化算法的迭代104过程，首先需要获得一定量的训练样本(记为Φ)，然后使用极限学习机101算法根据Φ建立天线的性能评估模型。训练方法如下：对于大体结构已经确定的天线，将待优化变量x₁，x₂，...，x_n在各自取值范围内进行微调取值，其他参数的值保持不变，获得p个几何参数不同的天线原型。

在天线的众多性能指标中，回波损耗值102表征了阻抗匹配程度，是决定天线在目标频段是否能够正常工作的关键指标。因此，本发明方法中以天线在各目标频段的回波损耗值102(记为s_i)作为优化的评价目标。将p个几何参数不同的天线原型在电磁场仿真工具(Zeland公司的IE3D或者Anosoft公司的HFSS等)中进行仿真以获得ELM建模所需的训练样本。每次仿真中以1KHz(或者更小)的间隔记录天线在目标频段范围内的回波损耗作为输出结果。每n个待优化变量和仿真所得的回波损耗值102向量构成一组训练样本，记为s_i和g_i。因此，数量为p的训练样本构成ELM模型的训练样本集Φ。

这一步骤中，训练样本的获得只需简单按照固定步长调整参数值进行重复仿真，虽然耗时较长，但可利用仿真软件的编程接口，通过运行脚本自动控制仿真的启动和记录结果。

所述步骤B包括以下子步骤：

B1、通过预设的电磁场仿真工具间隔获取m个训练样本Φ＝(g_i，s_i)，i＝1，...，m，构建训练样本库，其中，g_i＝[g_i，1，g_i，2，...，g_i，D]为D维天线设计的几何参数向量，s_i为所述g_i对应的回波损耗软件仿真结果；

B2、依据所述训练样本库并使用极限学习机101对所述n个待优化变量在各自的取值范围内进行调整；

B3、依据所调整的所述n个待优化变量建立天线的性能评估模型。

C、采用极限学习机101建立调整后的待优化变量与回波损耗值102之间的估算模型；训练样本集Φ建立后，下一步使用极限学习机101ELM算法建立天线n个待优化变量与回波损耗值102之间的估算模型。设已收集取得的训练样本集Φ＝(g_i，s_i)，i＝1，...，N，其中g_i＝[g_i，1，g_i，2，...，g_i，D]为D维天线设计的几何参数向量，s_i为g_i对应的回波损耗软件仿真结果。ELM算法使用一组随机特征映射h(g)＝[h₁(g)，h₂(g)，...，h_L(g)]将输入向量映射至L维线性可分空间。

所述步骤C包括以下子步骤：

C1、使用随机特征映射h(g)＝[h₁(g)，h₂(g)，...，h_L(g)]将输入向量g映射至L维线性可分空间，其隐含层输出矩阵H为：

H＝[h(g₁)^T，h(g₂)^T，...，h(g_N)^T]^T

C2、采用极限学习机101建立调整后的待优化变量与回波损耗值102之间的估算模型f(g)：

$f\left(g\right)=h\left(g\right)H^T{(\frac{I}{C}+{\mathrm{HH}}^T)}^{-1}s$

其中，I为m×m的单位矩阵，C为正则化常量，s为训练样本集中的回波损耗向量，s＝[s₁，s₂，...，s_N]^T。设若输入几何参数向量g，则其对应的回波损耗预测估计值为f(g)。训练样本集中的数据越多，则f(g)回归预测的结果也更为精确。

D、依据所述估算模型计算回波损耗的估计值，采用通过估计值所得到优化算法优化所述待优化变量，从而联合优化天线性能。在ELM模型建立后，结合不同的优化算法(需要根据天线的结构和待优化参数数量而定)，参见图2所示，图2为本发明提供的一种天线性能的优化方法的示意图。即经过前面A、B、C三个步骤后，(极限学习机101)ELM模型建立，方法将结合优化算法，实现联合优化。因为在训练样本时，该方法是以回波损耗作为天线性能的主要评价指标，因此优化算法的适应度函数也需以回波损耗为天线在目标频段的目标函数。每一次优化所得的天线几何参X₁～X_n作为ELM模型的输入，以计算回波损耗的估计值。所得估计值直接用于衡量优化算法的适应度函数值103，并判断是否满足天线的优化要求。若不满足，则进入下一次迭代104。在优化算法的每一次的迭代104寻优结束后，所得到的几何参数值不再使用HFSS或者IE3D进行建模仿真，而是直接代入ELM模型进行回波损耗值102的估算，直至得到符合设计要求的一组X₁～X_n。

所述步骤D包括以下子步骤：

D1、将所述n个待优化变量x₁，x₂，...，x_n输入至极限学习机101，以计算回波损耗的估计值；

D2、采用通过估计值所得到优化算法优化所述n个待优化变量x₁，x₂，...，x_n，并判断所述n个待优化变量是否满足天线预设的优化要求，若不满足，则转至步骤C。

参见图3，图3为本发明提供的一种天线性能的优化装置100的方框图，本发明提供一种天线性能的优化装置100包括：

天线设置模块1，用于设置天线参数，将其作为待优化变量；所述天线设置模块包括：

参数设置单元，用于设置天线参数；

取值设置单元，用于将所述天线参数作为n个待优化变量x₁，x₂，...，x_n，并分别设置所述n个待优化变量的取值范围。

样本构建模块2，用于构建训练样本库，依据所述训练样本库对所述待优化变量进行调整，从而建立天线的性能评估模型；所述样本构建模块包括：

样本库构建单元，用于通过预设的电磁场仿真工具间隔获取m个训练样本Φ＝(g_i，s_i)，i＝1，...，m，构建训练样本库，其中，g_i＝[g_i，1，g_i，2，...，g_i，D]为D维天线设计的几何参数向量，s_i为所述g_i对应的回波损耗软件仿真结果；

取值调整单元，用于依据所述训练样本库并使用极限学习机101对所述n个待优化变量在各自的取值范围内进行调整；

评估单元，用于依据所调整的所述n个待优化变量建立天线的性能评估模型；

模型建立模块3，用于采用极限学习机101建立调整后的待优化变量与回波损耗值102之间的估算模型；所述模型建立模块包括：

映射单元，用于使用随机特征映射h(g)＝[h₁(g)，h₂(g)，...，h_L(g)]将输入向量g映射至L维线性可分空间，其隐含层输出矩阵H为：

H＝[h(g₁)^T，h(g₂)^T，...，h(g_N)^T]^T

估算单元，用于采用极限学习机101建立调整后的待优化变量与回波损耗值102之间的估算模型f(g)：

$f\left(g\right)=h\left(g\right)H^T{(\frac{I}{C}+{\mathrm{HH}}^T)}^{-1}s$

其中，I为m×m的单位矩阵，C为正则化常量，s为训练样本集中的回波损耗向量，s＝[s₁，s₂，...，s_N]^T。

联合优化模块4，用于依据所述估算模型计算回波损耗的估计值，采用通过估计值所得到优化算法优化所述待优化变量，从而联合优化天线性能。所述联合优化模块包括：

输入单元，用于将所述n个待优化变量x₁，x₂，...，x_n输入至极限学习机101，以计算回波损耗的估计值；

优化单元，用于采用通过估计值所得到优化算法优化所述n个待优化变量x₁，x₂，...，x_n，并判断所述n个待优化变量是否满足天线预设的优化要求。

本发明方法中的ELM模型尽管无法取得与软件仿真同等精度的天线回波损耗结果，但其能在极短的时间内得到近似估计值，从而有效提升了算法优化时的训练速度。在优化过程中，无需天线精度的回波损耗值102，仅需要一个相对准确的估算量，以确定天线在目标频点是否满足回波损耗要求。需要特别指出，ELM模型的训练过程仅需在优化前进行一次，而优化算法在每次计算适应度函数值103时，回波损耗的估值过程只需少量矩阵运算即可完成。相对于传统的“人工设计-仿真-再次人工设计”方法，ELM模型在牺牲部分精度的基础上，使用模型估算代替耗时的专业仿真，舍弃部分精度，可以换取优化性能和效率的极大提高。

此外，本发明可通过其它的建模方法，如单隐层前馈神经网络(SLFN)等来实现，而优化算法部分亦可通过粒子群、蚁群等不同算法来实现。

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，还可将本发明的动态优化方法应用于很多领域和形成多种优化形式，只要这些领域使用了本发明的动态优化方法，则均属于本发明的保护之内。

Claims (10)

1.一种天线性能的优化方法，其特征在于，包括以下步骤：

A、设置天线参数，将其作为待优化变量；

B、构建训练样本库，依据所述训练样本库对所述待优化变量进行调整，从而建立天线的性能评估模型；

C、采用极限学习机建立调整后的待优化变量与回波损耗值之间的估算模型；

D、依据所述估算模型计算回波损耗的估计值，采用通过估计值所得到优化算法优化所述待优化变量，从而联合优化天线性能。

2.根据权利要求1所述的优化方法，其特征在于，所述步骤A包括以下子步骤：

A1、设置天线参数；

A2、将所述天线参数作为n个待优化变量x₁，x₂，…，x_n，并分别设置所述n个待优化变量的取值范围。

3.根据权利要求2所述的优化方法，其特征在于，所述步骤B包括以下子步骤：

B1、通过预设的电磁场仿真工具间隔获取m个训练样本Ф＝(g_i，s_i)，i＝1，...，m，构建训练样本库，其中，g_i＝[g_i，1，g_i，2，...，g_i，D]为D维天线设计的几何参数向量，s_i为所述g_i对应的回波损耗软件仿真结果；

B2、依据所述训练样本库并使用极限学习机对所述n个待优化变量在各自的取值范围内进行调整；

B3、依据所调整的所述n个待优化变量建立天线的性能评估模型。

4.根据权利要求3所述的设备动态优化维护方法，其特征在于，所述步骤C包括以下子步骤：

C1、使用随机特征映射h(g)＝[h₁(g)，h₂(g)，...，h_L(g)]将输入向量g映射至L维线性可分空间，其隐含层输出矩阵H为：

H＝[h(g₁)^T，h(g₂)^T，...，h(g_N)^T]^T

C2、采用极限学习机建立调整后的待优化变量与回波损耗值之间的估算模型f(g)：

$f\left(g\right)=h\left(g\right)H^T{(\frac{I}{C}+{\mathrm{HH}}^T)}^{-1}s$

其中，I为m×m的单位矩阵，C为正则化常量，s为训练样本集中的回波损耗向量，s＝[s₁，s₂，...，s_N]^T。

5.根据权利要求4所述的设备动态优化维护方法，其特征在于，所述步骤D包括以下子步骤：

D1、将所述n个待优化变量x₁，x₂，…，x_n输入至极限学习机，以计算回波损耗的估计值；

D2、采用通过估计值所得到优化算法优化所述n个待优化变量x₁，x₂，…，x_n，并判断所述n个待优化变量是否满足天线预设的优化要求，若不满足，则转至步骤C。

6.一种天线性能的优化装置，其特征在于，包括：

天线设置模块，用于设置天线参数，将其作为待优化变量；

样本构建模块，用于构建训练样本库，依据所述训练样本库对所述待优化变量进行调整，从而建立天线的性能评估模型；

模型建立模块，用于采用极限学习机建立调整后的待优化变量与回波损耗值之间的估算模型；

联合优化模块，用于依据所述估算模型计算回波损耗的估计值，采用通过估计值所得到优化算法优化所述待优化变量，从而联合优化天线性能。

7.根据权利要求6所述的优化装置，其特征在于，所述天线设置模块包括：

参数设置单元，用于设置天线参数；

取值设置单元，用于将所述天线参数作为n个待优化变量x₁，x₂，…，x_n，并分别设置所述n个待优化变量的取值范围。

8.根据权利要求7所述的优化装置，其特征在于，所述样本构建模块包括：

样本库构建单元，用于通过预设的电磁场仿真工具间隔获取m个训练样本Ф＝(g_i，s_i)，i＝1，...，m，构建训练样本库，其中，g_i＝[g_i，1，g_i，2，...，g_i，D]为D维天线设计的几何参数向量，s_i为所述g_i对应的回波损耗软件仿真结果；

取值调整单元，用于依据所述训练样本库并使用极限学习机对所述n个待优化变量在各自的取值范围内进行调整；

评估单元，用于依据所调整的所述n个待优化变量建立天线的性能评估模型。

9.根据权利要求8所述的设备动态优化维护装置，其特征在于，所述模型建立模块包括：

映射单元，用于使用随机特征映射h(g)＝[h₁(g)，h₂(g)，...，h_L(g)]将输入向量g映射至L维线性可分空间，其隐含层输出矩阵H为：

H＝[h(g₁)^T，h(g₂)^T，...，h(g_N)^T]^T

估算单元，用于采用极限学习机建立调整后的待优化变量与回波损耗值之间的估算模型f(g)：

$f\left(g\right)=h\left(g\right)H^T{(\frac{I}{C}+{\mathrm{HH}}^T)}^{-1}s$

其中，I为m×m的单位矩阵，C为正则化常量，s为训练样本集中的回波损耗向量，s＝[s₁，s₂，...，s_N]^T。

10.根据权利要求9所述的设备动态优化维护装置，其特征在于，所述联合优化模块包括：

输入单元，用于将所述n个待优化变量x₁，x₂，…，x_n输入至极限学习机，以计算回波损耗的估计值；

优化单元，用于采用通过估计值所得到优化算法优化所述n个待优化变量x₁，x₂，…，x_n，并判断所述n个待优化变量是否满足天线预设的优化要求。