CN111460665B - 一种基于克里金代理模型和多目标遗传算法的天线设计方法 - Google Patents
一种基于克里金代理模型和多目标遗传算法的天线设计方法 Download PDFInfo
- Publication number
- CN111460665B CN111460665B CN202010250633.3A CN202010250633A CN111460665B CN 111460665 B CN111460665 B CN 111460665B CN 202010250633 A CN202010250633 A CN 202010250633A CN 111460665 B CN111460665 B CN 111460665B
- Authority
- CN
- China
- Prior art keywords
- antenna
- function
- optimization
- sampling
- sample set
- 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
- 238000013461 design Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002068 genetic effect Effects 0.000 title claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 49
- 238000005070 sampling Methods 0.000 claims abstract description 38
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 239000002245 particle Substances 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000005314 correlation function Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 5
- 239000003795 chemical substances by application Substances 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- NUFBIAUZAMHTSP-UHFFFAOYSA-N 3-(n-morpholino)-2-hydroxypropanesulfonic acid Chemical compound OS(=O)(=O)CC(O)CN1CCOCC1 NUFBIAUZAMHTSP-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明公开了一种基于克里金代理模型和多目标遗传算法的天线设计方法,包括以下步骤:步骤1:定义启发式采样目标函数,使用粒子群算法求解启发式采样目标函数完成md个样本采样,更新样本集;步骤2:使用步骤1得到的样本集训练克里金模型预测器;步骤3:将训练好的克里金模型预测器作为目标函数传入NSGA3优化器,运行多目标优化,得到优化解集;步骤4:判断步骤3得到的优化解集是否有满足优化目标的解,若有,则对满足设计目标的解进行电磁仿真验证,并进入步骤5,否则转到步骤1;步骤5:判断电磁仿真验证结构是否满足优化目标,若满足,则结束设计,否则转到步骤1。
Description
技术领域
本发明属于天线设计技术领域,具体涉及一种基于克里金代理模型和多目标遗传算法的天线设计方法。
背景技术
在最初的天线设计领域,工程师要设计一个天线,需要先给出大致结构,然后手工调整天线结构参数直到满足设计要求。随着计算机技术的发展,如今已经不再需要人为调整天线结构参数,而使用优化算法自动设计。天线最重要的两个技术指定带宽内的回波损耗和增益。如果使用普通优化算法优化回波损耗,可能会使得增益较差难以满足设计要求。平衡这两个目标需要使用多目标优化算法,比如多目标粒子群算法MOPSO、基于分解的多目标进化算法MOEA/D,多目标遗传算法NSGA等,这些算法都是基于群体智能实现的,需要多次迭代才能收敛,完成优化需要访问目标函数成千上万次。在天线优化领域,一次目标函数评估意味着进行一次电磁仿真,直接以电磁仿真作为目标函数来优化是非常低效的。现在已经提出了基于代理模型的方法来加速优化。基于代理模型的优化的思想是使用一些样本建立一个可以快速计算的代理模型,然后用这个代理模型代替目标函数进行优化,如反向传播神经网络BPNN,高斯过程GP,径向基函数RBF等等,上述方法建立代理模型需要采样获得样本,采样方法是拉丁超立方体采样为主的随机采样方法。
与本发明接近的是使用拉丁超立方采样,以反向传播神经网络为代理模型,多目标粒子群算法进行优化的天线设计方法,其方案如下:
步骤一:采样:
(1)确定需要的样本数m,天线的结构参数的个数记为n;
(2)对n个维度的每一维分成等长度的m个区间,共n*m个区间;
(3)在(1)中每个区间中随机选取一个点,共n*m个点;
(4)再从每一维里随机抽出(2)中选取的点,将它们组成n维向量,直到用完所有的点,获得m个向量,即m个n维空间样本点;
(5)使用HFSS电磁仿真获得这些点的目标函数值(增益和回波损耗)。
步骤二:建立反向传播神经网络代理模型:
(1)确定神经网络的结构,即神经网络的层数,每层的神经元个数,所使用的激活函数类型;
(2)用步骤一中得到的样本通过梯度下降法训练神经网络模型;
步骤三:多目标优化:
(1)确定多目标粒子群算法的种群大小,全局和个体调节参数c1和c2;
(2)执行多目标优化,获得优化解集;
步骤四:验证:
将过电磁仿真验证步骤三中的解集,判断是否满足设计目标?
(1)是,天线优化完成;
(2)否,回到步骤一,增大m使用更多样本。
现有的随机采样方法主要来自于计算机领域,而这些问题主要也是计算机和天线设计领域的差别造成的。
第一点:对于不同的天线,结构复杂程度差异非常大,非常难以确定需要采样的样本数量。在计算机领域,由于大数据的发展,获取样本数据非常容易。但和计算机领域不同的是,在天线设计领域,一个样本对应着一次电磁仿真,而电磁仿真非常耗时。使用过多的样本建立高精度代理模型的代价非常大。而使用少量样本建立的低精度代理模型很难达到优化目标,再二次采样增加样本时又再次面临增加多少的问题。这导致现有的天线优化设计方法的效率完全取决于使用者的经验。
第二点:现有随机采样的方法完全没有考虑样本的分布和目标函数值的影响。这首先造成了巨大的信息浪费。在大数据领域,为了保证获得目标分布的充分统计量,必须使样本均匀分布在整个设计空间,均衡的获得分布信息。但在设计天线时,最重要的是达成天线设计指标。能使天线满足设计指标的区域往往只占一小部分,设计空间的其他位置只需提供少量信息即可反映天线的性能与设计参数之间的关系。在远不能达成设计目标的区域分布太多的样本会极大的降低整个优化的效率。
第三点:随机采样的稳定性非常差。容易出现因为偶然情况,导致样本恰好避开最优值存在区域,导致样本的需求量大量增加。在实际工程应用中,可能导致无法按期完成设计任务,造成经济损失。
发明内容
发明目的:为解决现有技术中存在的问题,本发明提出了一种基于克里金代理模型和多目标遗传算法的天线设计方法。
技术方案:一种基于克里金代理模型和多目标遗传算法的天线设计方法,包括以下步骤:
步骤1:定义启发式采样目标函数,使用粒子群算法求解启发式采样目标函数完成md个样本采样,更新样本集;
步骤2:使用步骤1得到的样本集训练克里金模型预测器;
步骤3:将训练好的克里金模型预测器作为目标函数传入NSGA3优化器,运行多目标优化,得到优化解集;
步骤4:判断步骤3得到的优化解集是否有满足优化目标的解,若有,则对满足设计目标的解进行电磁仿真验证,并进入步骤5,否则转到步骤1;
步骤5:判断电磁仿真验证结构是否满足优化目标,若满足,则结束设计,否则转到步骤1。
进一步的,在进入步骤1之前还包括初始化步骤,具体包括:
确定天线的结构参数和需要优化的目标;
设置预先确定的天线结构参数的设计空间上边界xup和下边界xlow,得到天线参数的可调范围[xup,xlow],设定检查间隔md。
进一步的,所述步骤1中的启发式采样目标函数表示为:
x(m+1)=arg maxx min{g(y(i))(x-x(i))2|i=1,2,...,m} (2)
式中,m为样本集大小,x(i)表示天线的结构参数,y(i)表示使用HFSS对天线结构参数x(i)的天线进行仿真得到的目标函数值,g()表示变换函数;
所述变换函数表示为:
其中,α是采样算法贪婪因子。
进一步的,所述步骤1具体包括以下子步骤:
S1-1:定义初始样本集S={(x(i),y(i))|i=1,2,...,m},定义启发式采样目标函数,计数器k=0;
S1-2:对当前样本集进行归一化处理,将启发式采样目标函数句柄传递给粒子群算法,设定种群大小,优化上边界为xup和下边界为xlow,优化结束得到天线结构参数x(m+1);
S1-3:使用HFSS对天线结构参数为x(m+1)的天线进行仿真,得到目标函数值y(m+1);将新样本(x(m+1),y(m+1))加入样本集S,更新样本集大小m=m+1,更新计数器k=k+1;
S1-4:判断是否k<md,若是则跳转到S1-2,否则完成采样。
进一步的,所述步骤2中的克里金模型预测器表示为:
其中,b(x)表示预先设置的基函数,B表示样本集中每个样本的基函数组成的矩阵Bij=b(x(i))j,Y表示样本集中每个样本的目标函数值组成的矩阵Yij=y(i) j,R表示预先设置的相关函数矩阵Rij=R(θ,x(i),x(j)),r表示待预测点与样本集的相关函数向量r(x)=[R(θ,x,x(1)),...,R(θ,x,x(m))]T,β*=(BTR-1B)-1BTR-1Y。
进一步的,所述相关函数为高斯相关函数:
式中,exp是自然对数底数的指数函数,σ2=(Y-Bβ*)T(Y-Bβ*)/m;
所述基函数为二阶多项式函数:
式中,n是天线的结构参数x的维度。
进一步的,所述的优化目标包括最小化工作带宽内的最大回波损耗和最大化工作带宽内的平均增益
有益效果:在采样相同数量样本时,本发明比现有优化方法的优化结果更接近真实全局最优结果,并且拥有更好的稳定性。
附图说明
图1为本发明的启发式采样流程图;
图2为本发明的天线设计方法总流程图;
图3为独立重复实验结果的统计直方图;
图4(a)为天线结构图;
图4(b)为增益和回波损耗的扫频结果图;
图5(a)为样本数分别为200,300,400时的优化结果;
图5(b)为样本数为450时的优化结果;
图5(c)为样本数为450时的优化结果;
图5(d)为可行解的电磁仿真验证结果。
具体实施方式
下面结合附图和实施例进一步阐述本发明。
本实施例为解决样本数量难以确定,需要凭借使用者经验的问题,同时对于已经存在少量样本,但需要二次采样增加样本的情况,提供一种启发式采样方法,解决现有采样方法在天线优化设计问题上,由于样本的分布导致,样本利用率低,样本信息量浪费的问题;同时,由于目前使用的多目标优化算法,如多目标粒子群算法MOPSO,基于分解的多目标进化算法MOEA/D,前几代多目标遗传NSGA1和NSGA2,已经较为陈旧,本发明应用NSGA3,保持天线设计领域的技术革新。现对本发明的一种基于克里金代理模型和多目标遗传算法的天线设计方法介绍如下:
步骤1:初始化:确定天线的结构参数和需要优化的目标,并设置天线结构参数的设计空间上边界xup和下边界xlow,上下边界用于确定天线参数的可调范围,避免优化算法选择违反物理含义的数值,设定检查间隔md的值,该值为大于1的正整数,每增加一个样本就建立克里金模型并且多目标优化会导致建模和优化过于耗时,所以设置间隔,每增加md个样本再建模优化;初始化第一个样本x(1),其中x表示天线的结构参数,天线有n个结构参数即为n维向量,带括号上标表示样本编号,电磁仿真获得目标函数值y(1),y表示天线的优化目标,如回波损耗,增益等,是与天线优化目标个数维度相同的向量,初始化样本集S为空,然后将第一个样本(x(1),y(1))加入样本集,样本集大小m=1。
步骤2:启发式采样:采样md个样本,为了便于描述,定义当前样本集中样本数量为m,样本集S={(x(i),y(i))|i=1,2,...,m},计数器k=0。参见图1,具体包括以下子步骤:
定义变换函数,该变换函数将样本的目标函数值转化为对采样的影响,并量化表达:
其中,α是采样算法贪婪因子,建议取值范围[3,4],可以在大多数情况下工作良好。
定义启发式采样目标函数:
x(m+1)=arg maxx min{g(y′(i))(x-x(i))2|i=1,2,...,m} (2)
S2-1:归一化处理当前样本集,使用粒子群算法求解目标函数获得最优样本:将x(m +1)的函数句柄传递给粒子群算法,设定种群大小为100,优化上边界为xup和下边界为xlow,优化结束可以得到最优样本x(m+1);
S2-2:使用HFSS对结构参数为x(m+1)的天线进行仿真,得到其目标函数值y(m+1),将新样本(x(m+1),y(m+1))加入样本集S,更新样本集大小m=m+1,更新计数器k=k+1;
S2-3:若k<md,则跳转到S2-1,否则采样完成。
步骤3:建立代理模型:使用样本集S建立克里金模型预测器,首先,设置相关函数为高斯相关函数:
式中,exp是自然对数底数的指数函数,σ2=(Y-Bβ*)T(Y-Bβ*)/m;
再者,设置基函数为二阶多项式函数:
式中,n是天线的结构参数x的维度;
最后,设置好后调用dacefit训练克里金模型预测器:
其中,b(x)表示预先设置的基函数,B表示样本集中每个样本的基函数组成的矩阵Bij=b(x(i))j,Y表示样本集中每个样本的目标函数值组成的矩阵Yij=y(i) j,R表示预先设置的相关函数矩阵Rij=R(θ,x(i),x(j)),r表示待预测点与样本集的相关函数向量r(x)=[R(θ,x,x(1)),...,R(θ,x,x(m))]T,β*=(BTR-1B)-1BTR-1Y。
步骤4:多目标优化:将步骤3中的克里金模型预测器作为目标函数,传入NSGA3优化器,设置种群大小为100,最大迭代次数1000,运行多目标优化,获得优化解集;
步骤5:判断步骤4中获得的优化解集是否有满足设计目标的解?如果没有,则转到步骤2,如果有,则转到步骤6进行电磁仿真验证;
步骤6:判断验证结果是否满足设计目标?不满足,则返回步骤2,满足,则设计结束。
整个算法总流程图见附图2。
本实施例的启发式采样方法和现有拉丁超立方采样方法都具有一定的随机性,某一次实验的结果不能直接反应方法性能。现做一个一万次独立重复实验,用统计结果说明该方法的技术效果。
用实际天线来完成万次的独立重复实验,需要数年的时间。本实施例改用多目标优化领域经典测试函数DTLZ1来进行实验,该函数表达式如下:
该测试函数的优化目标为同时最小化f1(x)和f2(x)。
本实施例分别对拉丁超立方采样、α=3和α=4时的启发式采样进行了10000次独立重复实验。每种情况每一次实验的过程如下:
(1)采样m个样本点。
(2)建立克里金代理模型。
(3)使用NSGA3进行多目标优化。
(4)记录每次优化结果的世代间距(GD)值。
为了对照,实验除了采样方法各自不同以外,其他条件全部相同。其中世代间距(GD)值,是优化结果和真实的最优结果的距离,距离越小说明,说明优化结果越好,越接近真实的全局最优值。该实验能反应采样方法对整个基于代理模型的多目标优化方法的性能影响。实验结果的统计直方图见附图3。
统计结果分布的均值和方差见下表:
实验结果表明,在采样相同数量样本时,启发式采样拥有比拉丁超立方采样更低的世代间距值,优化的结果更好,同时启发式采样的方差更小,这表明启发式采样拥有更好的稳定性。
现以对带叉形贴片的宽槽型超宽带天线优化为例,进一步阐述本发明。
考虑一个带有叉贴片的平面超宽带天线如附图4(a),该天线印刷在1.6mm厚相对介电常数4.4的FR-4介质板上,天线总共包含13个设计变量(结构参数):[L1,L2,L3,L4,L5,W1,W2,W3,W4,W5,g1,g2,g3],其中[L5,g1,g2,g3]=[0.5,0.8,0.5,0.5]mm是固定值不参与优化,设计变量的下边界为xlow=[6,2,10,1.5,3,5,6,0.5,0.5]mm,上边界为xup=[9,4,14,4,6,9,9,1.5,2]mm。需要考虑的优化目标如下:最小化工作带宽(3.1GHz到10.6GHz)内的最大回波损耗|S11|,最大化工作带宽内的平均增益mean(Gain)(实际使用10-mean(Gain)转化为最小化问题)。
设置α=4。随机初始化x(1)=[8.444,3.812,10.508,3.783,4.897,5.390,6.835,1.047,1.936],NSGA3种群大小为100,每采样md=50个样本,建立克里金代理模型并且使用NSGA3多目标优化一次检查结果。样本数量为200、300和400时的优化结果,如图附图5(a)所示。进一步优化,如附图5(b)所示当样本数量为450时解集中发现14个可行解(|S11|小于-10dB)。由于解的性能表现不佳,继续优化。如附图5(c)当增加到500个样本时,出现24个可行解。使用HFSS进行电磁仿真验证,结果如附图5(d)。
满足设计要求,挑选其中性能表现最好的解作为最终设计方案。设计结果的回波损耗和增益的扫频结果如附图4(b)所示。
Claims (2)
1.一种基于克里金代理模型和多目标遗传算法的天线设计方法,其特征在于:包括以下步骤:
步骤1:定义启发式采样目标函数,使用粒子群算法求解启发式采样目标函数完成md个样本采样,更新样本集;
步骤2:使用步骤1得到的样本集训练克里金模型预测器;
步骤3:将训练好的克里金模型预测器作为目标函数传入NSGA3优化器,运行多目标优化,得到优化解集;
步骤4:判断步骤3得到的优化解集是否有满足优化目标的解,若有,则对满足设计目标的解进行电磁仿真验证,并进入步骤5,否则转到步骤1;
步骤5:判断电磁仿真验证结构是否满足优化目标,若满足,则结束设计,否则转到步骤1;
所述步骤1中的启发式采样目标函数表示为:
式中,m为样本集大小,x(i)表示天线的结构参数,y(i)表示使用HFSS对天线结构参数x(i)的天线进行仿真得到的目标函数值,g()表示变换函数;
所述变换函数表示为:
其中,α是采样算法贪婪因子;
所述步骤1具体包括以下子步骤:
S1-1:定义初始样本集S={(x(i),y(i))|i=1,2,...,m},定义启发式采样目标函数,计数器k=0;
S1-2:对当前样本集进行归一化处理,将启发式采样目标函数句柄传递给粒子群算法,设定种群大小,优化上边界为xup和下边界为xlow,优化结束得到天线结构参数x(m+1);
S1-3:使用HFSS对天线结构参数为x(m+1)的天线进行仿真,得到目标函数值y(m+1);将新样本(x(m+1),y(m+1))加入样本集S,更新样本集大小m=m+1,更新计数器k=k+1;
S1-4:判断是否k<md,若是则跳转到S1-2,否则完成采样;
所述步骤2中的克里金模型预测器表示为:
其中,b(x)表示预先设置的基函数,B表示样本集中每个样本的基函数组成的矩阵Bij=b(x(i))j,Y表示样本集中每个样本的目标函数值组成的矩阵Yij=y(i) j,R表示预先设置的相关函数矩阵Rij=R(x(i),w(j),θ),r表示待预测点与样本集的相关函数向量r(x)=[R(x(1),w,θ,),...,R(x(m),w,θ)]T,β*=(BTR-1B)-1BTR-1Y;
所述相关函数为高斯相关函数:
式中,exp是自然对数底数的指数函数,σ2=(Y-Bβ*)T(Y-Bβ*)/m;
所述基函数为二阶多项式函数:
式中,n是天线的结构参数x的维度;
所述的优化目标包括最小化工作带宽内的最大回波损耗和最大化工作带宽内的平均增益。
2.根据权利要求1所述的一种基于克里金代理模型和多目标遗传算法的天线设计方法,其特征在于:在进入步骤1之前还包括初始化步骤,具体包括:
确定天线的结构参数和需要优化的目标;
设置预先确定的天线结构参数的设计空间上边界xup和下边界xlow。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010250633.3A CN111460665B (zh) | 2020-04-01 | 2020-04-01 | 一种基于克里金代理模型和多目标遗传算法的天线设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010250633.3A CN111460665B (zh) | 2020-04-01 | 2020-04-01 | 一种基于克里金代理模型和多目标遗传算法的天线设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111460665A CN111460665A (zh) | 2020-07-28 |
CN111460665B true CN111460665B (zh) | 2023-12-22 |
Family
ID=71684302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010250633.3A Active CN111460665B (zh) | 2020-04-01 | 2020-04-01 | 一种基于克里金代理模型和多目标遗传算法的天线设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111460665B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257373B (zh) * | 2020-11-13 | 2022-05-17 | 江苏科技大学 | 基于三体训练算法的蛇形pcb天线回波损耗预测方法 |
CN113076699B (zh) * | 2021-04-22 | 2023-07-04 | 西安交通大学 | 一种基于多输出高斯过程贝叶斯优化的天线优化方法 |
CN113050086A (zh) * | 2021-06-01 | 2021-06-29 | 中国南方电网有限责任公司超高压输电公司广州局 | 探地雷达系统及控制方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399304A (zh) * | 2018-03-09 | 2018-08-14 | 许昌学院 | 一种基于克里金模型的多点加点优化采样方法 |
CN108920841A (zh) * | 2018-07-05 | 2018-11-30 | 中南大学 | 新型天线设计方法 |
CN109271695A (zh) * | 2018-09-07 | 2019-01-25 | 中南大学 | 基于神经网络的多目标天线设计方法 |
CN110610225A (zh) * | 2019-08-28 | 2019-12-24 | 吉林大学 | 一种基于kriging代理模型加点策略的多目标粒子群优化算法 |
-
2020
- 2020-04-01 CN CN202010250633.3A patent/CN111460665B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399304A (zh) * | 2018-03-09 | 2018-08-14 | 许昌学院 | 一种基于克里金模型的多点加点优化采样方法 |
CN108920841A (zh) * | 2018-07-05 | 2018-11-30 | 中南大学 | 新型天线设计方法 |
CN109271695A (zh) * | 2018-09-07 | 2019-01-25 | 中南大学 | 基于神经网络的多目标天线设计方法 |
CN110610225A (zh) * | 2019-08-28 | 2019-12-24 | 吉林大学 | 一种基于kriging代理模型加点策略的多目标粒子群优化算法 |
Also Published As
Publication number | Publication date |
---|---|
CN111460665A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460665B (zh) | 一种基于克里金代理模型和多目标遗传算法的天线设计方法 | |
Rajakumar | Impact of static and adaptive mutation techniques on the performance of genetic algorithm | |
Zhang et al. | Surrogate-assisted quasi-Newton enhanced global optimization of antennas based on a heuristic hypersphere sampling | |
CN108696331B (zh) | 一种基于生成对抗网络的信号重构方法 | |
CN109271695B (zh) | 基于神经网络的多目标天线设计方法 | |
CN110162847B (zh) | 基于添加特征策略的机器学习辅助天线设计方法 | |
CN108920841B (zh) | 天线设计方法 | |
CN115906303A (zh) | 一种基于机器学习的平面微波滤波器设计方法及装置 | |
CN111651936A (zh) | 一种基于foa-grnn的双陷波特性超宽带天线建模设计方法 | |
CN114936630A (zh) | 一种电磁超表面单元及超表面电磁响应快速预测方法 | |
Garbuglia et al. | Bayesian optimization for microwave devices using deep GP spectral surrogate models | |
CN109117545B (zh) | 基于神经网络的天线快速设计方法 | |
Xue et al. | A novel intelligent antenna synthesis system using hybrid machine learning algorithms | |
CN114239439B (zh) | 一种基于部落算法的自动化滤波器的设计方法 | |
CN110866838A (zh) | 基于转移概率预处理的网络表示学习算法 | |
CN115620808A (zh) | 基于改进Cox模型的癌症基因预后筛选方法及系统 | |
Koziel et al. | Low-cost multi-objective optimization and experimental validation of UWB MIMO antenna | |
CN107946750A (zh) | 一种确定天线贴片的开槽方式的方法及装置 | |
CN113609677A (zh) | 一种基于多路径的机器学习辅助天线设计方法 | |
CN111581826B (zh) | 基于贝叶斯联合建模优化算法的超材料设计方法及设备 | |
CN111581825B (zh) | 基于贝叶斯协同优化算法的超材料设计方法及相关设备 | |
Ni et al. | Self-Organizing Gaussian Mixture Map Based on Adaptive Recursive Bayesian Estimation. | |
CN113076699B (zh) | 一种基于多输出高斯过程贝叶斯优化的天线优化方法 | |
Danopoulos et al. | TransAxx: Efficient Transformers with Approximate Computing | |
CN117556716B (zh) | 电磁玻璃的设计方法、装置、设备及存储介质 |
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 |