CN109684650B - 一种确定中心频率的方法和装置 - Google Patents
一种确定中心频率的方法和装置 Download PDFInfo
- Publication number
- CN109684650B CN109684650B CN201710970401.3A CN201710970401A CN109684650B CN 109684650 B CN109684650 B CN 109684650B CN 201710970401 A CN201710970401 A CN 201710970401A CN 109684650 B CN109684650 B CN 109684650B
- Authority
- CN
- China
- Prior art keywords
- microstrip antenna
- patch
- nonlinear regression
- regression model
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Waveguide Aerials (AREA)
Abstract
本发明公开了一种确定中心频率的方法和装置,用以解决现有技术中微带天线的设计存在谐振频率与中心频率不吻合,工作效率较低的问题。根据所述同轴馈电的天线模型,确定非线性回归模型,之后通过Elman神经网络模型对所述非线性回归模型的准确性进行验证,证明所述非线性回归模型是准确的。由于本发明利用同轴馈电的天线模型,确定出用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型,因此,可以根据微带天线的贴片参数快速的通过所述非线性回归模型确定目标微带天线的中心频率,节约了微带天线设计的时间,大大增加了工作效率。
Description
技术领域
本发明涉及无线通信技术领域,特别涉及一种确定中心频率的方法和装置。
背景技术
微带天线是在带有导体接地板的介质基片上贴加导体薄片而形成的天线,它采用微带线或同轴线等馈电,在导体贴片与接地板之间激励起射频电磁场,并通过贴片四周与接地板间的缝隙向外辐射。因此,微带天线可以看成是一种缝隙天线。由于介质基片的厚度往往远小于波长,因此,实现了一维小型化。
微带天线一般应用在1~50GHz频率范围,特殊的天线也可用于几十兆赫,和常用微波天线相比,微带天线具有如下优点:(1)体积小,重量轻,低剖面,能与载体(如飞行器)共形;(2)电性能多样化,其最大辐射方向可以从边射到端射范围内调整;(3)易集成,能和有源器件、电路集成为统一的组件。因此被广泛应用于移动通讯技术、卫星导航、雷达等领域。
现有技术中微带天线的中心频率需要通过仿真才能确定,并且得的到中心频率与微带天线的谐振频率往往达不到吻合,研究人员需要花费大量的时间微调模型参数才能使微带天线的谐振频率达到中心频率附近。
综上所述,现有技术中微带天线的设计存在谐振频率与中心频率不吻合,工作效率较低的问题。
发明内容
本发明提供一种确定中心频率的方法和装置,用以解决现有技术中微带天线的设计存在谐振频率与中心频率不吻合,工作效率较低的问题。
本发明实施例提供一种确定中心频率的方法,该方法包括:
构建同轴馈电的微带天线模型;
根据所述同轴馈电的微带天线模型,确定用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型;
通过神经网络模型对所述非线性回归模型的准确性进行验证;
在所述非线性回归模型的准确性验证通过后,通过所述非线性回归模型确定目标天线的贴片参数对应的微带天线的中心频率。
本发明实施例提供一种确定中心频率的装置,该装置包括:至少一个处理单元以及至少一个存储单元,其中,所述存储单元存储有程序代码,当所述程序代码被所述处理单元执行时,使得所述处理单元执行下列过程:
构建同轴馈电的微带天线模型;
根据所述同轴馈电的微带天线模型,确定用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型;
通过神经网络模型对所述非线性回归模型的准确性进行验证;
在所述非线性回归模型的准确性验证通过后,通过所述非线性回归模型确定目标天线的贴片参数对应的微带天线的中心频率。
本发明实施例还提供一种确定中心频率的装置,该装置包括:
构建模块、构建同轴馈电的微带天线模型;
确定模块、用于根据所述同轴馈电的微带天线模型,确定用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型;
验证模块、用于通过神经网络模型对所述非线性回归模型的准确性进行验证;
执行模块、用于在所述非线性回归模型的准确性验证通过后,通过所述非线性回归模型确定目标天线的贴片参数对应的微带天线的中心频率。
本发明实施例在确定中心频率时需要构建同轴馈电的微带天线模型,根据所述同轴馈电的天线模型,确定用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型,之后通过Elman神经网络模型对所述非线性回归模型的准确性进行验证,证明所述非线性回归模型是准确的。由于本发明利用同轴馈电的天线模型,确定出用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型,因此,可以根据微带天线的贴片参数快速的通过所述非线性回归模型确定目标微带天线的中心频率,节约了微带天线设计的时间,大大增加了工作效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种确定中心频率的方法;
图2为本发明实施例构建同轴馈电的微带天线模型俯视图;
图3为本发明实施例Elman神经网络模型学习流程图;
图4为本发明实施提供的微带天线Elman神经网络训练过程图;
图5是本发明实施例提供的微带天线设计的S11扫频分析结果图;
图6为本发明实施例一种确定中心频率的方法的完整流程图;
图7为本发明实施例一种确定中心频率的装置的结构图;
图8为本发明实施例另一种确定中心频率的装置的结构图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供一种确定中心频率的方法,包括:
步骤10、构建同轴馈电的微带天线模型;
步骤11、根据所述同轴馈电的天线模型,确定用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型;
步骤12、通过Elman神经网络模型对所述非线性回归模型的准确性进行验证;
在所述非线性回归模型的准确性验证通过后,通过所述非线性回归模型确定目标微带天线的贴片参数对应的微带天线的中心频率。
本发明实施例在确定中心频率时需要构建同轴馈电的微带天线模型,根据所述同轴馈电的天线模型,确定用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型,之后通过Elman神经网络模型对所述非线性回归模型的准确性进行验证,证明所述非线性回归模型是准确的。由于本发明利用同轴馈电的天线模型,确定出用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型,因此,可以根据微带天线的贴片参数快速的通过所述非线性回归模型确定目标微带天线的中心频率,节约了微带天线设计的时间,大大增加了工作效率。
微带天线普遍具有带宽较窄的缺点,因此在微带天线设计过程中通常考虑选用低介电常数的材料,这样可以减小谐振腔中的电磁储能,降低天线的Q值(品质因素),达到展宽带宽的目的。
其次,微带天线中的介质基片的厚度大小的改变同样可以改变带宽,但同样也会带来更多的表面波模式(利用结构上的变化来截断正在传播的表面波,使其在不连续处产生功率辐射的天线),会削弱天线的辐射特性,改变增益方向图,基于短波长波长的考虑,在毫米波中一般不会采用厚介质板。
这里需要说明的是,在微带天线的设计过程中,尽量希望微带天线的中心频率与微带天线的谐振频率相同,谐振频率设计为28GHz。
下面对确定微带天线的中心频率的方法进行说明:
构建同轴馈电的微带天线模型,原理图如图2所示。该图是天线模型的俯视图,位于XY平面,0代表坐标原点;实心圆代表Z轴的肩头,因为该原理图是俯视图,故看上去呈圆形,但实际为圆锥形;两圆圈代表馈电位置,因为是同轴线馈电,因此俯视图存在两个圆圈。
在根据制造微带天线的材质确定微带天线的介电常数及微带天线的介质层的高度之后,根据所述介电常数、所述介质层的高度以及期望中心频率,确定天线的贴片的长度、所述贴片的宽度和所述贴片的馈电位置;
其中,这里所述微带天线的贴片的长度、所述贴片的宽度和所述贴片的馈电位置可以由如下公式确定:
通过下列确定贴片的宽度w:
通过下列公式确定贴片的长度L:
通过下列公式确定贴片的馈电位置pf:
其中,c表示光速、h表示微带天线的介质层的厚度、εr表示微带天线的介电常数、freq表示微带天线的谐振频率,上述公式中的ΔL、εe由下列公式确定:
相应的,在确定微带天线的贴片的长度、贴片的宽度和贴片的馈电位置之后,可以得到所述微带天线的中心频率。
其中,这里的所述微带天线的中心频率可以通过仿真软件获取,例如仿真软件为Matlab仿真软件。
相应的,在得到微带天线的贴片的长度、贴片的宽度和贴片的馈电位置和中心频率之后,以微带天线的贴片的长度、贴片的宽度和贴片的馈电位置为基准进行Y次调节,并对调节后的参数进行仿真得到所述调节后参数相对应的微带天线的中心频率。
例如,通过确定微带天线的材质可以得到贴片的长度、贴片的宽度和贴片的馈电位置,15组不同的微带天线的贴片的长度、贴片的宽度和贴片的馈电位置和中心频率的数据如表2所示:
表1.微调微带天线贴片参数实验数据表
l(mm) | w(mm) | p<sub>f</sub>(mm) | f(GHz) |
5.55 | 3.3 | 0.8408 | 28.75 |
5.65 | 3.2 | 0.8208 | 28.45 |
5.62 | 3.21 | 0.8308 | 28.55 |
5.72 | 3.35 | 0.84 | 27.94 |
5.69 | 3.26 | 0.838 | 28.18 |
5.71 | 3.41 | 0.832 | 27.91 |
5.705 | 3.23 | 0.829 | 28.16 |
5.69 | 3.42 | 0.834 | 27.98 |
5.675 | 3.43 | 0.832 | 28.04 |
5.691 | 3.39 | 0.841 | 28.02 |
5.72 | 3.44 | 0.835 | 27.83 |
5.708 | 3.39 | 0.829 | 27.94 |
5.702 | 3.4 | 0.841 | 27.95 |
5.711 | 3.32 | 0.832 | 28.02 |
5.688 | 3.396 | 0.846 | 28.03 |
需要说明的是,本发明实施例中所述同轴馈电的微带天线模型采用的馈电端口为集总端口激励和/或端口平面设置为集总端口激励。
因为,集总端口激励需要设置在物体模型内部,并且需要设定端口阻抗,比如阻抗为50Ω。因集总端口直接在端口处计算(散射)参数,因此将端口阻抗设定为集总端口上参数的参考阻抗。在模式驱动求解类型下,需要设置积分线,积分线用来表示电场方向。而集总端口边缘没有与导体或其他端口相接触的部分,默认边界条件是理想磁边界,因此不存在电场耦合到波端口边缘影响传输线特性的问题。
相应的,在通过微调微带贴片的参数,对应得到不同的谐振频率之后,对所述同轴馈电的微带天线模型进行归一化处理。
其中,这里所述的归一化处理是对所述同轴馈电的微带天线模型中的实验数据进行归一化值,所采取的归一化方法为取对数归一化方法。
例如,在得到表2中的15组微带天线贴片参数实验数据之后,对表2中的15组数据进行取对数,可以得到15组归一化后的数据,具体如表3所示:
表2归一化实验数值
l(mm) | w(mm) | p<sub>f</sub>(mm) | f(GHz) |
0.74429 | 0.51851 | 0.07530 | 0.45863 |
0.75204 | 0.50514 | 0.08576 | 0.45408 |
0.74973 | 0.50650 | 0.08050 | 0.45560 |
0.75739 | 0.52504 | 0.07572 | 0.44622 |
0.75511 | 0.51321 | 0.07675 | 0.44994 |
0.75663 | 0.53275 | 0.07987 | 0.44575 |
0.75625 | 0.50920 | 0.08144 | 0.44963 |
0.75511 | 0.53402 | 0.07883 | 0.44684 |
0.75396 | 0.53529 | 0.07987 | 0.44777 |
0.75518 | 0.53019 | 0.07520 | 0.44746 |
0.75739 | 0.53655 | 0.07831 | 0.44451 |
0.75648 | 0.53019 | 0.08144 | 0.44622 |
0.75602 | 0.53147 | 0.07520 | 0.44638 |
0.75671 | 0.52113 | 0.07987 | 0.44746 |
0.75495 | 0.53096 | 0.07262 | 0.44762 |
相应的,根据归一化处理后的同轴馈电的微带天线模型,确定用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型。
其中,处理非线性回归的基本方法是,通过变量变换,将非线性回归化为线性回归,然后用线性回归方法进行处理。具体为:假定根据理论或经验,已获得输出变量与输入变量之间的非线性表达式,但非线性表达式的系数是未知的,需要根据输入输出的多次观察结果来确定系数的值,所得到的模型为非线性回归模型。其中,未知的系数可按最小二乘法原理来求出。
用于表示微带天线的中心频率与微带天线贴片的长、宽和馈电位置之间的非线性关系的非线性回归模型为:
f=g(X,β)+ε
其中,X为独立随机变量;包括贴片的长度、贴片的宽度和贴片的馈电位置;β是参数变量;f是微带天线的中心频率;ε是随机误差。
微带天线的中心频率与微带天线贴片的长、宽和馈电位置之间的非线性关系式为:
其中,βi(i=0,1,2,3,4,5,6)是非线性关系式的未知系数,即待求参数,L是贴片长度,w是贴片宽度,pf是馈电位置。这里的待求参数可以采用最小二乘法原理来求出。
例如,将上述表3中的归一化实验数值采用最小二乘法原理来理求出微带天线的中心频率与微带天线贴片的长、宽和馈电位置之间的非线性关系式中的未知系数(即上述关系式中的βi(i=0,1,2,3,4,5,6))。
其中,在确定微带天线的中心频率与微带天线贴片的长、宽和馈电位置之间的非线性关系中的βi(i=0,1,2,3,4,5,6)时,可采用将表3数据导入Matlab进行程序设计的方法得到,最终可得到的非线性回归模型如下所示:
相应的,在得到微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型之后,需要对所述模型通过神经网络模型行准确性进行验证。
其中,所述神经网络模型可以为Elman神经网络模型
如图3所示:这里的Elman神经网络模型主要结构是前馈连接,包括:输入层、隐含层、承接层和输出层,所述反馈连接由一组“结构”单元构成,用来记忆前一时刻的输出值,其连接权值是固定的,并且可以进行学习修正。
在Elman神经网络中,除了普通的隐含层外,还有一个特别的隐含层,被称为关联层。关联层从隐含层接收反馈信号,每一个隐含层节点都有一个与之对应的关联层节点连接。关联层的作用是通过连接记忆将上一个时刻的隐含层状态连同当前时刻的网络一起作为隐含层的输入,相当于状态反馈。其中,隐含层的传递函数一般Sigmoid非线性函数。
Elman神经网络的计算公式如下所示:
outI(k)=X(k)
fJ(k)=h(netJ(k))
netL(k)=fJ(k)
fL(k)=fJ(k-1)
netO(k)=fJ(k)
g(·)为输出神经元的激活函数,是隐含层输出的线性组合;
h(·)为隐含层神经元的激活函数,net()表示某层的净输入,out()表示输入层的输出;
I表示输入层,J表示隐含层,L表示接层,O表示输出层,k表示迭代次序。
Elman神经网络学习算法采用BP算法,判断算法是否结束的误差函数为:
f(k)为网络实际输出,即本发明实施例中通过微带天线的中心频率与微带天线贴片的长、宽和馈电位置之间的非线性关系式中得到的微带天线的中心频率;freq(k)为期望输出,在本发明实施例中,freq(k)为微带天线的谐振频率28GHz。
相应的,根据所述非线性回归模型得到多组数据,其中每组数据包括贴片参数和微带天线的中心频率;将多组数据中的前n组数据作为网络的训练数据,后m组数据作为测试数据进行训练。
其中,这里的n、m是由Elman神经网络中的中间层神经元数目决定的,误差阈值的大小可由本领域人通过实验、仿真等方式自行设定。
若训练结果的误差小于设定阈值,确定所述非线性回归模型的准确性验证通过。
若训练结果的误差不小于设定阈值,则判定所述非线性回归模型的准确性验证失败,需要对所述非线性回归模型进行调整,并重新通过Elman神经网络模型对所述非线性回归模型的准确性进行验证,直到所述非线性回归模型的准确性验证通过。
其中,这里的在准确性验证失败之后,需要对所述非线性回归模型进行调整指的是对建立所述非线性回归模型中所使用的微带天线的贴片的长度、贴片的宽度和贴片的馈电位置进行重新调整,重新建立非线性回归模型。
例如,通过上一个例子中得到的非线性回归模型,可以得到15组数据,如表4所示:
表3非线性回归模型实验数据
将所述15组归一化数据中的前9组数据作为网络的训练数据,后6组数据作为测试数据进行Elman神经网络训练。
需要说明的是,这里取的15组数据只是进行举例说明,本领域人员可以根据需要自行设定取多少组数据作为网络的训练数据,例如还可以为取20组数据作为网络的训练数据;
将15组归一化数据中的只有前9组数据作为网络的训练数据,后6组数据作为测试数据,也可由本领域人员可以根据需要自行设定,例如,可以将前8组数据作为网络的训练数据,后7组数据作为测试数据。
在本发明实施例中将前9组数据作为网络的训练数据,后6组数据作为测试数据时是因为中间层神经元数目为12时,网络诊断的误差小于预先设定的误差阈值,而只有将前9组数据作为网络的训练数据,后6组数据作为测试数据时,中间层神经元数目为12。
在进行Elman神经网络训练之前,需要对Elman神经网络模型进行设计,得出当中间层神经元数目多少时,网络诊断的误差小于预先设定的误差阈值。
在本发明实施例中,通过非线性回归模型实验数据可知,在进行Elman神经网络训练时,Elman神经网络输入层有3个神经元,分别代表微带天线贴片的长、宽和馈电位置;Elman神经网络输出层有1个神经元,代表微带天线贴片的馈电位置。
相应的,编写代码依次对中间层神经元数目进行检验,得到当中间层神经元数目为12时,网络诊断的误差小于预先设定的误差阈值,具体代码如下所示:
threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1];
net=newelm(threshold,[12,1];{‘tansig’,’purelin’});
其中,threshold规定了网络输入元素的最小值和最大值;
[12,1]表示网络中间层的神经元数目是12,采用的传递函数为tansig;输出层的神经元数目为1;采用的传递函数为purelin。
相应的,在得知当中间层神经元数目为12时,网络诊断的误差小于预先设定的误差阈值后,对通过所述非线性回归模型得到的15组数据进行网络训练,在经过1000次训练后,可以得到如图4所示的仿真图,该图横坐标代表训练次数,纵坐标代表均方误差,在训练30次时便趋于收敛水平。从图4中可知,非线性回归模型的训练误差达到预先设定的误差阈值10-5,具体网络训练代码如下所示:
Epochs=1000;
Net.trainParam.epochs=Epochs;
Net.trainParam.goal=1e-5;
其中,1e-5代表设定的网络训练最小误差阈值10-5。
将所述模型中的一组数据作为HFSS的仿真参数代入,其微带天线设计的S11扫频分析结果如图5所示,其中横坐标代表频率分析范围是27~29GHz,纵坐标代表回波损耗S11对应的值。m1和m2之间的横坐标距离代表-10dB带宽。从图5中可以看出,所述微带天线的中心频率与谐振频率高度吻合,由此可以确定所述非线性回归模型具有可靠性。
基于同一发明构思,本发明实施例中还提供了一种确定中心频率的装置,由于该装置对应的方法是本发明实施例进行确定中心频率的装置,并且该装置解决问题的原理与该方法相似,因此该装置的实施可以参见方法的实施,重复之处不再赘述。
本发明实施例提供一种完整的确定中心频率的方法,如图6所示。
步骤600、确定微带天线的介电常数及微带天线的介质层的高度;
步骤601、确定天线的贴片的长度、所述贴片的宽度和所述贴片的馈电位置;
步骤602、馈电端口为集总端口激励和/或端口平面设置为集总端口激励;
步骤603、对所述同轴馈电的微带天线模型进行归一化处理;
步骤604、确定用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型。
步骤605、根据所述非线性回归模型得到多组数据;
步骤606、将多组数据进行网络训练;
步骤607、判断训练误差是否小于设定阈值,若是,执行步骤608,否则返回步骤604。
步骤608、确定所述非线性回归模型的准确性验证通过。
本发明实施例提供一种确定中心频率的装置,该装置包括:至少一个处理单元700以及至少一个存储单元701,其中,所述存储单元701存储有程序代码,当所述程序代码被所述处理单元700执行时,使得所述处理单元700执行下列过程
构建同轴馈电的微带天线模型;
根据所述同轴馈电的微带天线模型,确定用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型;
通过神经网络模型对所述非线性回归模型的准确性进行验证;
在所述非线性回归模型的准确性验证通过后,通过所述非线性回归模型确定目标天线的贴片参数对应的微带天线的中心频率。
可选的,所述处理单元700具体用于:
根据制造微带天线的材质确定微带天线的介电常数及微带天线的介质层的高度;
根据所述介电常数、所述介质层的高度以及微带天线的谐振频率,确定天线的贴片的长度、所述贴片的宽度和所述贴片的馈电位置;
根据贴片的长度、贴片的宽度和贴片的馈电位置,确定微带天线的中心频率。
可选的,所述处理单元700具体用于:通过下列公式确定贴片的宽度w:
所述处理单元700具体用于:通过下列公式确定贴片的长度L:
所述处理单元700具体用于:通过下列公式确定贴片的馈电位置pf:
其中,c表示光速、h表示微带天线的介质层的厚度、εr表示微带天线的介电常数、freq表示微带天线的谐振频率;
可选的,所述同轴馈电的微带天线模型采用的馈电端口为集总端口激励和/或端口平面设置为集总端口激励。
可选的,所述处理单元700用于:
根据所述同轴馈电的微带天线模型,确定用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型;
对所述同轴馈电的微带天线模型进行归一化处理;
根据归一化处理后的同轴馈电的微带天线模型,确定用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型。
可选的,所述非线性回归模型为:
f=g(X,β)+ε
其中,X为独立随机变量;包括贴片的长度、贴片的宽度和贴片的馈电位置;β是参数变量;f是微带天线的中心频率;ε是随机误差。
可选的,所述处理单元700用于:
通过神经网络模型对所述非线性回归模型的准确性进行验证;
根据所述非线性回归模型得到多组数据,其中每组数据包括贴片参数和微带天线的中心频率;
将多组数据中的前n组数据作为网络的训练数据,后m组数据作为测试数据进行训练;
若训练误差小于设定阈值,确定所述非线性回归模型的准确性验证通过。
可选的,所述处理单元700还用于:
在通过神经网络模型对所述非线性回归模型的准确性进行验证之,
若所述非线性回归模型的准确性验证失败,则根据所述同轴馈电的微带天线模型,对所述非线性回归模型进行调整,并重新通过Elman神经网络模型对所述非线性回归模型的准确性进行验证,直到所述非线性回归模型的准确性验证通过。
本发明实施例还提供一种确定中心频率的装置,该装置包括:
构建模块800、用于构建同轴馈电的微带天线模型;
确定模块801、用于根据所述同轴馈电的微带天线模型,确定用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型;
验证模块802、用于通过Elman神经网络模型对所述非线性回归模型的准确性进行验证;
执行模块803、在所述非线性回归模型的准确性验证通过后,通过所述非线性回归模型确定目标天线的贴片参数对应的微带天线的中心频率。
可选的,确定模块801还用于:
根据制造微带天线的材质确定微带天线的介电常数及微带天线的介质层的高度;
根据所述介电常数、所述介质层的高度以及微带天线的谐振频率,确定天线的贴片的长度、所述贴片的宽度和所述贴片的馈电位置;
根据贴片的长度、贴片的宽度和贴片的馈电位置,确定微带天线的中心频率。
可选的,确定模块801还用于:通过下列公式确定贴片的宽度w:
确定模块801还用于:通过下列公式确定贴片的长度L:
确定模块801还用于:通过下列公式确定贴片的馈电位置pf:
其中,c表示光速、h表示微带天线的介质层的厚度、εr表示微带天线的介电常数、freq表示微带天线的谐振频率;
可选的,所述同轴馈电的微带天线模型采用的馈电端口为集总端口激励和/或端口平面设置为集总端口激励。
可选的,确定模块801还用于:
对所述同轴馈电的微带天线模型进行归一化处理;
根据归一化处理后的同轴馈电的微带天线模型,确定用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型。
可选的,所述非线性回归模型为:
f=g(X,β)+ε
其中,X为独立随机变量;包括贴片的长度、贴片的宽度和贴片的馈电位置;β是参数变量;f是微带天线的中心频率;ε是随机误差。
可选的,所述验证模块802用于:
根据所述非线性回归模型得到多组数据,其中每组数据包括贴片参数和微带天线的中心频率;
将多组数据中的前n组数据作为网络的训练数据,后m组数据作为测试数据进行训练;
若训练误差小于设定阈值,确定所述非线性回归模型的准确性验证通过。
若所述非线性回归模型的准确性验证失败,则根据所述同轴馈电的微带天线模型,对所述非线性回归模型进行调整,并重新通过Elman神经网络模型对所述非线性回归模型的准确性进行验证,直到所述非线性回归模型的准确性验证通过。
以上参照示出根据本申请实施例的方法、装置(系统)和/或计算机程序产品的框图和/或流程图描述本申请。应理解,可以通过计算机程序指令来实现框图和/或流程图示图的一个块以及框图和/或流程图示图的块的组合。可以将这些计算机程序指令提供给通用计算机、专用计算机的处理器和/或其它可编程数据处理装置,以产生机器,使得经由计算机处理器和/或其它可编程数据处理装置执行的指令创建用于实现框图和/或流程图块中所指定的功能/动作的方法。
相应地,还可以用硬件和/或软件(包括固件、驻留软件、微码等)来实施本申请。更进一步地,本申请可以采取计算机可使用或计算机可读存储介质上的计算机程序产品的形式,其具有在介质中实现的计算机可使用或计算机可读程序代码,以由指令执行系统来使用或结合指令执行系统而使用。在本申请上下文中,计算机可使用或计算机可读介质可以是任意介质,其可以包含、存储、通信、传输、或传送程序,以由指令执行系统、装置或设备使用,或结合指令执行系统、装置或设备使用。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (11)
1.一种确定中心频率的方法,其特征在于,该方法包括:
构建同轴馈电的微带天线模型;
根据所述同轴馈电的微带天线模型,确定用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型;
通过神经网络模型对所述非线性回归模型的准确性进行验证;
在所述非线性回归模型的准确性验证通过后,对所述非线性回归模型对应的天线参数进行仿真,基于仿真曲线确定目标天线的贴片参数对应的微带天线的中心频率、工作频率范围及阻抗带宽,所述中心频率与所述仿真曲线的拐点表征的谐振频率相吻合;
其中,所述构建同轴馈电的微带天线模型,包括:
根据制造微带天线的材质确定微带天线的介电常数及微带天线的介质层的高度;
根据所述介电常数、所述介质层的高度以及微带天线的谐振频率,确定天线的贴片的长度、所述贴片的宽度和所述贴片的馈电位置;
根据贴片的长度、贴片的宽度和贴片的馈电位置,确定微带天线的中心频率;
其中,所述非线性回归模型为:
X为独立随机变量;包括贴片的长度L、贴片的宽度w和贴片的馈电位置pf;β是参数变量;βi(i=0,1,2,3,4,5,6)是非线性关系式的未知系数;f是微带天线的中心频率;ε是随机误差;
其中,通过Elman神经网络模型对所述非线性回归模型的准确性进行验证,包括:
根据所述非线性回归模型得到多组数据,其中每组数据包括贴片参数和微带天线的中心频率;
将多组数据中的前n组数据作为网络的训练数据,后m组数据作为测试数据进行训练;
若训练误差小于设定阈值,确定所述非线性回归模型的准确性验证通过。
3.如权利要求1所述的方法,其特征在于,所述同轴馈电的微带天线模型采用的馈电端口为集总端口激励和/或端口平面设置为集总端口激励。
4.如权利要求1所述的方法,其特征在于,所述根据所述同轴馈电的微带天线模型,确定用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型,包括:
对所述同轴馈电的微带天线模型进行归一化处理;
根据归一化处理后的同轴馈电的微带天线模型,确定用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型。
5.如权利要求1~4任一所述的方法,其特征在于,所述通过Elman神经网络模型对所述非线性回归模型的准确性进行验证之后,还包括:
若所述非线性回归模型的准确性验证失败,则根据所述同轴馈电的微带天线模型,对所述非线性回归模型进行调整,并重新通过Elman神经网络模型对所述非线性回归模型的准确性进行验证,直到所述非线性回归模型的准确性验证通过。
6.一种确定中心频率的装置,其特征在于,该装置包括:至少一个处理单元以及至少一个存储单元,其中,所述存储单元存储有程序代码,当所述程序代码被所述处理单元执行时,使得所述处理单元执行下列过程:
构建同轴馈电的微带天线模型;根据所述同轴馈电的微带天线模型,确定用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型;通过神经网络模型对所述非线性回归模型的准确性进行验证;在所述非线性回归模型的准确性验证通过后,对所述非线性回归模型对应的天线参数进行仿真,基于仿真曲线确定目标天线的贴片参数对应的微带天线的中心频率、工作频率范围及阻抗带宽,所述中心频率与所述仿真曲线的拐点表征的谐振频率相吻合;
其中,所述处理单元具体用于:
根据制造微带天线的材质确定微带天线的介电常数及微带天线的介质层的高度;根据所述介电常数、所述介质层的高度以及微带天线的谐振频率,确定天线的贴片的长度、所述贴片的宽度和所述贴片的馈电位置;根据贴片的长度、贴片的宽度和贴片的馈电位置,确定微带天线的中心频率;
其中,所述处理单元具体用于:
通过神经网络模型对所述非线性回归模型的准确性进行验证;根据所述非线性回归模型得到多组数据,其中每组数据包括贴片参数和微带天线的中心频率;将多组数据中的前n组数据作为网络的训练数据,后m组数据作为测试数据进行训练;若训练误差小于设定阈值,确定所述非线性回归模型的准确性验证通过;
其中,所述非线性回归模型为:
X为独立随机变量;包括贴片的长度L、贴片的宽度w和贴片的馈电位置pf;β是参数变量;βi(i=0,1,2,3,4,5,6)是非线性关系式的未知系数;f是微带天线的中心频率;ε是随机误差。
8.如权利要求6所述的装置,其特征在于,所述同轴馈电的微带天线模型采用的馈电端口为集总端口激励和/或端口平面设置为集总端口激励。
9.如权利要求6所述的装置,其特征在于,所述处理单元具体用于:
根据所述同轴馈电的微带天线模型,确定用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型;对所述同轴馈电的微带天线模型进行归一化处理;根据归一化处理后的同轴馈电的微带天线模型,确定用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型。
10.如权利要求6~9任一所述的装置,其特征在于,所述处理单元还用于:
在通过神经网络模型对所述非线性回归模型的准确性进行验证;
若所述非线性回归模型的准确性验证失败,则根据所述同轴馈电的微带天线模型,对所述非线性回归模型进行调整,并重新通过神经网络模型对所述非线性回归模型的准确性进行验证,直到所述非线性回归模型的准确性验证通过。
11.一种确定中心频率的装置,其特征在于,该装置包括:
构建模块、用于构建同轴馈电的微带天线模型;
确定模块、用于根据所述同轴馈电的微带天线模型,确定用于表示微带天线的中心频率与贴片参数之间的非线性关系的非线性回归模型;
验证模块、用于通过神经网络模型对所述非线性回归模型的准确性进行验证;
执行模块、用于在所述非线性回归模型的准确性验证通过后,对所述非线性回归模型对应的天线参数进行仿真,基于仿真曲线确定目标天线的贴片参数对应的微带天线的中心频率、工作频率范围及阻抗带宽,所述中心频率与所述仿真曲线的拐点表征的谐振频率相吻合;
其中,确定模块还用于:
根据制造微带天线的材质确定微带天线的介电常数及微带天线的介质层的高度;
根据所述介电常数、所述介质层的高度以及微带天线的谐振频率,确定天线的贴片的长度、所述贴片的宽度和所述贴片的馈电位置;
根据贴片的长度、贴片的宽度和贴片的馈电位置,确定微带天线的中心频率;
其中,所述验证模块用于:
根据所述非线性回归模型得到多组数据,其中每组数据包括贴片参数和微带天线的中心频率;
将多组数据中的前n组数据作为网络的训练数据,后m组数据作为测试数据进行训练;
若训练误差小于设定阈值,确定所述非线性回归模型的准确性验证通过;
其中,所述非线性回归模型为:
X为独立随机变量;包括贴片的长度L、贴片的宽度w和贴片的馈电位置pf;β是参数变量;βi(i=0,1,2,3,4,5,6)是非线性关系式的未知系数;f是微带天线的中心频率;ε是随机误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710970401.3A CN109684650B (zh) | 2017-10-18 | 2017-10-18 | 一种确定中心频率的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710970401.3A CN109684650B (zh) | 2017-10-18 | 2017-10-18 | 一种确定中心频率的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109684650A CN109684650A (zh) | 2019-04-26 |
CN109684650B true CN109684650B (zh) | 2021-08-27 |
Family
ID=66182814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710970401.3A Active CN109684650B (zh) | 2017-10-18 | 2017-10-18 | 一种确定中心频率的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109684650B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111947769B (zh) * | 2020-06-30 | 2023-03-28 | 核动力运行研究所 | 共振波频率确定方法及装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3022098B2 (ja) * | 1993-10-22 | 2000-03-15 | 財団法人国際超電導産業技術研究センター | アレイアンテナとその製造法 |
WO2008020658A1 (en) * | 2006-08-16 | 2008-02-21 | Hutech21. Co., Ltd. | A printed dipole antenna for rfid tag and the design method therefor |
US9261474B2 (en) * | 2012-12-28 | 2016-02-16 | General Electric Company | Methods for analysis of fluids |
US8878741B2 (en) * | 2009-01-16 | 2014-11-04 | Northeastern University | Tunable negative permeability based devices |
CN103353904B (zh) * | 2013-04-12 | 2016-04-27 | 西安电子科技大学 | 有源夹层微带天线与电磁综合的数据驱动设计方法及天线 |
CN104680235A (zh) * | 2015-03-03 | 2015-06-03 | 江苏科技大学 | 圆形微带天线谐振频率设计方法 |
US10317261B2 (en) * | 2015-06-30 | 2019-06-11 | Johnson Controls Technology Company | Systems and methods for controlling flow rate using differential pressure measurements |
CN107045562B (zh) * | 2016-12-30 | 2019-12-13 | 北京科技大学 | 一种毫米波阵列天线设计方法及阵列天线装置 |
CN106935973B (zh) * | 2017-02-16 | 2020-02-21 | 北京科技大学 | 一种同轴馈电天线的设计方法 |
-
2017
- 2017-10-18 CN CN201710970401.3A patent/CN109684650B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109684650A (zh) | 2019-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sivia et al. | A modified sierpinski carpet fractal antenna for multiband applications | |
Anguera et al. | A procedure to design stacked microstrip patch antennas based on a simple network model | |
Bose et al. | Design of an aperture-coupled microstrip antenna using a hybrid neural network | |
Akdagli et al. | An application of artificial neural network to compute the resonant frequency of E–shaped compact microstrip antennas | |
Chandran et al. | Gain and bandwidth optimization of a novel microstrip patch antenna | |
CN109033647A (zh) | 基于l1范数约束的近场稀布天线阵列优化方法 | |
Jain | Bandwidth enhancement of patch antennas using neural network dependent modified optimizer | |
CN109684650B (zh) | 一种确定中心频率的方法和装置 | |
Kumar et al. | Optimization of rectangular patch antenna at 5GHz using bat search algorithm | |
Kaur et al. | Design and optimization of psi (ψ) slotted fractal antenna using ANN and GA for multiband applications | |
Qas Elias | Design of Broadband Circular Patch Microstrip Antenna for KU-Band Satellite Communication Applications. | |
Aoad | Reconfigurable microstrip antenna optimization through artificial neural networks | |
Kayabasi | Soft computing-based synthesis model for equilateral triangular ring printed antenna | |
Sarevska et al. | Design of well-matched UHF Planar Bowtie Dipole Antenna using Neural Model | |
Emamghorashi et al. | Impedance bandwidth enhancement of a novel fabricated fractal patch antenna using invasive weed optimization algorithm | |
Park et al. | Angle tracking automatic beamforming for microwave power transfer systems | |
Ali et al. | A neural network approach to study the bandwidth of microstrip antenna | |
Panda et al. | Perturbed 2-Element Patch Antenna Array for 25GHz Application | |
e Silva et al. | Parametric analysis of angular inset-feed in circular microstrip patch antenna | |
George et al. | A sea lion optimized microstrip patch antenna for enhancing the energy efficiency of the WSN | |
Sharma et al. | Modelling of dielectric resonator based filtenna covering 2.5/2.6 (B41/n41) bands using machine learning algorithms | |
Kouhalvandi et al. | Patch antenna array design through bottom-up and bayesian optimizations | |
CN113571913B (zh) | 一种突破Bode-Fano极限的有源电小发射天线 | |
Hemalatha et al. | Design optimization of Yagi-Uda antenna using antenna toolbox | |
Goud et al. | Design of Yagi-Uda Antenna using Microstrip Circuit |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |