CN112149360A - 一种基于alo-lmbp神经网络的双陷波特性超宽带天线逆向建模研究方法 - Google Patents
一种基于alo-lmbp神经网络的双陷波特性超宽带天线逆向建模研究方法 Download PDFInfo
- Publication number
- CN112149360A CN112149360A CN202011076764.0A CN202011076764A CN112149360A CN 112149360 A CN112149360 A CN 112149360A CN 202011076764 A CN202011076764 A CN 202011076764A CN 112149360 A CN112149360 A CN 112149360A
- Authority
- CN
- China
- Prior art keywords
- ant
- lmbp
- neural network
- ultra
- alo
- 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.)
- Pending
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明公开了一种基于ALO‑LMBP神经网络的双陷波特性超宽带天线逆向建模研究方法,主要步骤包括:提取训练集数据;运用蚁狮算法训练LMBP正向模型,优化权值和阈值并保存;保持权值阈值不变,在建立好的正向模型中输入结构参量,运行得到输出电参量;计算输出参量与目标参量之间的评价函数F;利用逆向迭代算法更新输入参量。将本发明的ALO‑LMBP神经网络逆向建模方法应用到小型化的双陷波特性的超宽带天线中,在已知天线的回波损耗S11和电压驻波比VSWR的情况下,可以简化设计过程。该方法提高网络稳定性和泛化能力,还缩短了网络运行时间。
Description
技术领域
本发明属于一种射频微波器件的神经网络逆向建模研究方法,尤其涉及一种基于ALO-LMBP神经网络的双陷波特性超宽带天线逆向建模研究方法。
背景技术
随着当今移动通信、无线局域网、射频识别等快速发展,无线通信系统展现出巨大的潜力,其中射频微波器件设计的好坏直接影响着整个通信系统的性能。
天线在无线通信技术中发挥着不可或缺的作用,它是承载着发射和接收无线电磁波、完成电磁转换的核心部件。其中,超宽带陷波天线具有尺寸较小、覆盖带宽范围广、辐射效率高,并能避免其他通信系统频段如WIMAX(3.3~3.6GHz)和WLAN(5.2~5.8GHz)的干扰的优点,适用于超宽带无线通信系统。在超宽带陷波天线的设计中,可以采用改变谐振器的尺寸和位置,或采用改变辐射贴片上缝隙的长度、宽度等尺寸实现天线的陷波特性。常用的天线设计与分析方法采用HFSS电磁仿真软件的辅助设计。在设计器件时,一旦天线的某个物理尺寸需要一个微小改变则需要重新优化设计,需要重新完整一个的电磁仿真过程,这样降低了设计速度,加大了设计难度。因此,提出神经网络逆向建模研究,寻找合适的建模方法及其快速算法,能够缩短设计周期、简化其设计过程,提高CAD软件仿真速度和精度。
发明内容
本发明所解决的技术问题在于提供一种基于ALO-LMBP神经网络的双陷波特性超宽带天线逆向建模研究方法。具有双陷波特性的天线的射频特性为非线性相关关系,以双陷波超宽带天线回波损耗S11与频率f和驻波比VSWR与f的数据为样本输入,运用蚁狮算法对LMBP神经网络的权值和阈值进行优化。再对已建立的LMBP神经网络正向模型,获取对应的输出参量,计算输出参量与目标参量之间的评价函数F,并通过逆向迭代更新输入参量,来实现逆向建模。
为了解决上述技术问题,本发明通过以下技术方案来实现:本发明提供一种基于ALO-LMBP神经网络的双陷波特性超宽带天线逆向建模研究方法,主要包括:选择样本对象;基本参数的设置;提取训练集数据;运用蚁狮算法训练LMBP正向模型,优化权值和阈值并保存;保持权值阈值不变,在建立好的LMBP正向模型中输入结构参量f,运行得到对应的输出参量S11和VSWR;计算输出参量与目标参量之间的评价函数F;利用逆向迭代算法更新输入参量。这样就完成了ALO-LMBP神经网络逆模型的建立。
所述选择样本对象是指选择了一种具有双陷波特性的超宽带天线,利用电磁仿真软件HFSS15.0仿真软件对具有双陷波特性的超宽带天线进行射频特性的建模仿真分析,设置天线带宽为2.8-12.3GHz,频率步长0.1GHz,提取天线回波损耗S11与f和VSWR与f的数据各1400组作为模型的输入样本。
所述基本参数的设置是指设置蚂蚁数量Num、蚁狮最大迭代步数Imax。
所述提取训练集数据是将输入的1400组数据样本中的1200作为训练集数据,又从中提取了300组数据作为测试集数据。
所述建立LMBP神经网络正向模型,是用LM(Levenberg-Marquardt)算法结合BP神经网络,LMBP算法有效的结合了神经网络的梯度下降法和高斯牛顿法的优点,对收敛速度和收敛性做了一个折中,加快了BP神经网络的收敛速度。本发明中设置其隐含层数为30,即1-30-1的结构BP神经网络。
进一步的,所述步骤蚁狮优化LMBP权值阈值的步骤包括:
a、随机初始化蚂蚁和蚁狮种群,同时初始化LMBP的权值和阈值;
b、利用输入样本数据对构建好的LMBP神经网络进行正向建模,并将LMBP正向训练的均方根误差作为适应度函数;
d、判断是否达到了最大迭代次数Imax。若已达到,则停止迭代,输出此时的精英蚁狮所对应优化后的权值和阈值;否则迭代次数加1,重复迭代过程。
最后将建立好的ALO-LMBP神经网络逆模型用于具有双陷波特性的超宽带天线的研究中,用未参与训练模型的数据作为预测数据来测试模型,将本文逆向建模方法与ADS仿真方法、直接逆向建模方法和LMBP逆建模方法的结果作比较。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下结合优选实施例,并配合附图,详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例的附图作简单地介绍。
图1为本发明双陷波特性超宽带天线的ALO-LMBP神经网络逆向建模流程图;
图2为本发明双陷波特性的超宽带天线的回波损耗S11曲线图;
图3为本发明双陷波特性的超宽带天线的回波损耗VSWR曲线图;
图4为本发明三种建模方法与回波损耗S11相对应的频率f值的拟合对比图;
图5为本发明三种建模方法与电压驻波比VSWR相对应的频率f值的拟合对比图;
具体实施方式
下面结合附图详细说明本发明的具体实施方式,其作为本说明书的一部分,通过实施例来说明本发明的原理,本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中,不同的图中相同或相似的部件使用相同的附图标号来表示。
如图1-5所示,本发明提出一种基于ALO-LMBP神经网络的双陷波特性超宽带天线逆向建模研究方法。包括主要包括:选择样本对象;基本参数的设置;提取训练集数据;运用蚁狮算法训练LMBP正向模型,优化权值和阈值并保存;保持权值阈值不变,在建立好的LMBP正向模型中输入结构参量f,运行得到对应的输出参量S11和VSWR;计算输出参量与目标参量之间的评价函数F;利用逆向迭代算法更新输入参量。这样就完成了ALO-LMBP神经网络逆模型的建立。
1、样本对象选择
用电磁仿真软件HFSS15.0对具有小型化的双陷波特性的超宽带天线进行了射频特性的建模仿真。参见图2和图3,天线回波损耗小于-10dB的带宽为2.8~12.3GHz,在带宽范围内的电压驻波比(VSWR)在2以下。并且在3.23~3.7GHz和8.01~8.66GHz两个频段产生较好的陷波特性。提取其射频特性曲线的数据,频率步长为0.1GHz,作为输入样本数据分别导入LMBP神经网络和ALO-LMBP神经网络的逆向模型中。
2、基本参数的设置
步骤a、设置蚂蚁数量Num、蚁狮最大迭代步数Imax。
3、提取天线的回波损耗S11与频率f和驻波比VSWR与f的数据数据各1400组,各取数据样本中的1200作为训练集数据,又从中提取了300组数据作为测试集数据。
步骤b、建立LMBP神经网络正向模型,隐含层数为30,即1-30-1的结构BP神经网络。标准的BP算法在修正权值时没有考虑以前时刻的梯度方向,从而使学习过程常常发生振荡,收敛缓慢,容易陷入局部极小值的缺陷,LM算法是梯度下降法和牛顿法的结合,运用Jacobian迭代指导权值调整,具有迭代次数少,收敛速度快,精度高的优点。
步骤d、利用输入样本数据对构建好的LMBP神经网络进行正向建模,并将LMBP正向训练的均方根误差作为适应度函数。
步骤f、判断是否达到了最大迭代次数Imax。若已达到,则停止迭代,输出此时的精英蚁狮所对应优化后的权值和阈值;否则迭代次数加1,重复迭代过程。计算输出参量与目标参量之间的评价函数,即其平方和误差再利用逆向迭代算法更新输入参量参见图1双陷波特性超宽带天线的ALO-LMBP神经网络逆向建模流程图。
分别利用直接逆向建模方法、LMBP逆向建模方法和本发明提出ALO-LMBP逆向建模方法,在已知S11、VSWR时分别建模输出对应的频率f,并比较三种建模方法和ADS设计实际输出的拟合效果,以及对比它们的均方误差。在MATLAB平台上同时进行神经网络仿真,得出预测结果。如图4为与回波损耗S11相对应的频率f值的拟合对比图。如图5为与电压驻波比VSWR相对应的频率f值的拟合对比图。可以通过图4和图5的比较看出,直接逆向建模求得的值与ADS中的值基本上都不拟合。由图2和图3可知S11与f和VSWR与f的关系是一对多的,直接逆建模虽操作简单,但无法解决这种复杂的数据,因此不能用来描述天线的特性。而经过优化的ALO-LMBP逆向建模方法比未经过优化的LMBP逆向建模方法有更好的拟合效果和更高的精度。
三种建模方法的性能比较如表1所示。可以看出本发明提出的ALO-LMBP逆向建模方法的均方误差明显小于其他两种方法,与S11相对应的f均方误差分别高于另两种方法99.90%、97.62%;与VSWR相对应的f均方误差分别高于另两种方法94.13%、83.43%,更加接近实际数据。
表1三种建模方法的性能比较
相对误差=(预测值-实测值)/实测值*100%
本发明利用蚁狮算法优化LMBP神经网络的权值和阈值,并利用逆向迭代算法更新输入参数,构建一种基于ALO-LMBP神经网络的双陷波特性超宽带天线逆向建模的研究方法。该方法提高了建模精度,具有高效性和准确性,加快了超宽带天线的设计进程,缩短其设计周期。
以上所述是本发明的优选实施方式而已,当然不能以此来限定本发明之权利范围,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和变动,这些改进和变动也视为本发明的保护范围。
Claims (4)
1.一种基于ALO-LMBP神经网络的双陷波特性超宽带天线逆向建模研究方法,其特征在于,包括以下步骤:
S10、提取训练数据,选择一种具有双陷波特性的超宽带天线,提取其回波损耗S11与频率f和驻波比VSWR与f的关系数据作为模型的输入样本;
S20、运用蚁狮算法训练LMBP正向模型,优化权值和阈值并保存;
S30、保持权值阈值不变,在建立好的LMBP正向模型中输入结构参量f,运行得到对应的输出参量S11和VSWR;
S40、计算输出参量与目标参量之间的评价函数F;
S60、将上述步骤得到的ALO-LMBP神经网络逆向建模方法用于具有双陷波特性的超宽带天线的研究,并将模型输出数据与LMBP逆向建模方法和直接逆建模的方法相比较。
2.如权利要求1所述的基于ALO-LMBP神经网络的双陷波特性超宽带天线逆向建模研究方法,其特征在于,在所述步骤S10中,利用电磁仿真软件HFSS15.0仿真软件对具有双陷波特性的超宽带天线进行射频特性的建模仿真分析,回波损耗小于-10dB时,天线带宽为2.8-12.3GHz,在带宽范围内的电压驻波比(VSWR)在2以下;并且在3.23~3.7GHz和8.01~8.66GHz两个频段产生良好的陷波特性;
设置频率步长0.1GHz,提取天线回波损耗S11与f的数据和驻波比VSWR与f的数据各1400组。
3.如权利要求1所述的基于ALO-LMBP神经网络的双陷波特性超宽带天线逆向建模研究方法,其特征在于,所述步骤S20的蚁狮算法优化过程包括:
S21、随机初始化蚁群和蚂蚁的位置,蚂蚁的位置由随机游走确定,且游走的位置必须被限制在规定的范围内其中ai是第i个变量随机游动的最小值,di是第i个变量随机游动的最大值,是第t次迭代时第i个变量的最小值,是第t次迭代时第i个变量的最大值;
S22、蚂蚁的游走会受到蚁狮陷阱的影响,防止蚂蚁越界,保证随机游走,确定蚂蚁巡游地域的边界范围其中c(t)是第t次迭代中所有变量的最小值,d(t)是第t次迭代中所有变量的最大值,表示第j只蚁狮在第t次迭代时的位置;
S24、蚁狮算法利用轮盘赌算子根据适应度选择蚁狮,如果巡游的蚂蚁个体的适应度优于蚁狮时,使该个体成为新的蚁狮式中t为当前进化次数,是第t代中群体里适应度更优的第i个蚂蚁,f为群体内个体适应度的判定函数;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011076764.0A CN112149360A (zh) | 2020-10-10 | 2020-10-10 | 一种基于alo-lmbp神经网络的双陷波特性超宽带天线逆向建模研究方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011076764.0A CN112149360A (zh) | 2020-10-10 | 2020-10-10 | 一种基于alo-lmbp神经网络的双陷波特性超宽带天线逆向建模研究方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112149360A true CN112149360A (zh) | 2020-12-29 |
Family
ID=73952884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011076764.0A Pending CN112149360A (zh) | 2020-10-10 | 2020-10-10 | 一种基于alo-lmbp神经网络的双陷波特性超宽带天线逆向建模研究方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149360A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861386A (zh) * | 2021-03-23 | 2021-05-28 | 辽宁工程技术大学 | 一种基于IACO-BRBP神经网络的Koch雪花型超宽带天线逆向建模方法 |
CN113642168A (zh) * | 2021-08-09 | 2021-11-12 | 佛山科学技术学院 | 一种基于结构参数预测及群智优化的天线设计方法 |
-
2020
- 2020-10-10 CN CN202011076764.0A patent/CN112149360A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861386A (zh) * | 2021-03-23 | 2021-05-28 | 辽宁工程技术大学 | 一种基于IACO-BRBP神经网络的Koch雪花型超宽带天线逆向建模方法 |
CN113642168A (zh) * | 2021-08-09 | 2021-11-12 | 佛山科学技术学院 | 一种基于结构参数预测及群智优化的天线设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102722613B (zh) | 采用遗传-模拟退火组合对天线宽带匹配网络中电子元件参数的优化方法 | |
CN110162847B (zh) | 基于添加特征策略的机器学习辅助天线设计方法 | |
CN110941896B (zh) | 一种基于pgp的超宽带天线的设计方法 | |
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 | |
Dong et al. | Fast multi-objective optimization of multi-parameter antenna structures based on improved MOEA/D with surrogate-assisted model | |
Bose et al. | Design of an aperture-coupled microstrip antenna using a hybrid neural network | |
Wei et al. | Fully automated design method based on reinforcement learning and surrogate modeling for antenna array decoupling | |
CN108449122B (zh) | 一种最小化基站发射功率的mmWave多小区干扰抑制方法 | |
Sarker et al. | Applications of Machine Learning and Deep Learning in Antenna Design, Optimization and Selection: A Review | |
CN111817805A (zh) | 一种信道传播模型参数的调整方法、装置和介质 | |
CN112149360A (zh) | 一种基于alo-lmbp神经网络的双陷波特性超宽带天线逆向建模研究方法 | |
Tiwari et al. | Microstrip Patch Antenna Parameter Optimization Prediction Model using Machine Learning Techniques | |
CN112329371B (zh) | 一种基于IALO-BP神经网络的Doherty功率放大器逆向建模方法 | |
Xue et al. | A novel intelligent antenna synthesis system using hybrid machine learning algorithms | |
CN109117545B (zh) | 基于神经网络的天线快速设计方法 | |
Qin et al. | Fast antenna design using multi-objective evolutionary algorithms and artificial neural networks | |
CN112861386A (zh) | 一种基于IACO-BRBP神经网络的Koch雪花型超宽带天线逆向建模方法 | |
Qin et al. | Fast multi-objective antenna design based on BPNN surrogate model | |
Liu et al. | Generative adversarial network-based design of dielectric resonator antenna for mmWave 5G applications | |
CN114239439A (zh) | 一种基于部落算法的自动化滤波器的设计方法 | |
Tao et al. | Feature engineering based intelligent wireless propagation model for RSRP prediction | |
CN106066904A (zh) | 一种基于多目标进化算法的高维多目标天线设计方法 | |
Nan et al. | IWOA-RBF Neural Network Ultra-Wideband Antenna Modeling Method | |
Jingchang et al. | Improved BP Neural Network Antenna Modeling Based on Seagull Algorithm | |
Li et al. | Feature engineering based intelligent wireless propagation model for RSRP prediction |
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 |