CN112861386A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112861386A CN112861386A CN202110310460.4A CN202110310460A CN112861386A CN 112861386 A CN112861386 A CN 112861386A CN 202110310460 A CN202110310460 A CN 202110310460A CN 112861386 A CN112861386 A CN 112861386A
- Authority
- CN
- China
- Prior art keywords
- brbp
- iaco
- antenna
- neural network
- reverse
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 241000533950 Leucojum Species 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 239000003016 pheromone Substances 0.000 claims description 21
- 230000005855 radiation Effects 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 abstract description 12
- 230000006870 function Effects 0.000 description 12
- 241000257303 Hymenoptera Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
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
-
- 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
- G06N3/08—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)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (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IACO‑BRBP神经网络的Koch雪花型超宽带逆向建模方法,主要步骤包括:1.获取实验数据,分为训练集和测试集。2.对传统的蚁群算法进行改进。3.运用改进后的蚁群算法训练BRBP正向模型,保存优化后的权值。4.保持权值不变,在建立好的IACO‑BRBP模型中输入电参量,实现逆向求解过程。5.计算输出参量与目标参量之间的评价函数。6.利用逆向迭代算法更新输入参量。本发明将IACO‑BRBP神经网络逆向建模方法应用到改进的Koch雪花型超宽带天线中,能够根据给定的天线电参数求解出相对应的结构参数,一旦完成逆向模型的训练,只需输入目标电参数就可以迅速模拟出天线几何参数,在基本满足设计要求的同时大大缩短设计周期。
Description
技术领域
本发明属于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IACO-BRBP神经网络的Koch雪花型超宽带天线逆向建模方法。
背景技术
近年来,随着无线通信技术的快速发展,天线发挥着不可或缺的作用,它是承载发射和接收无线电磁波、完成电磁转换的核心部件。其中,超宽带通信系统占用的频段范围很广,其间覆盖了许多窄带通信标准,如IEEE 802.16全球微波接入(WIMAX,3.3-3.7GHz),IEEE 802.11a无线局域网(WLAN,5.15-5.35GHz/5.725-5.825GHz)等。而超宽带系统的发射功率相对较低,很容易与这些窄带通信系统之间形成串扰,因此具有陷波特性的超宽带天线被提出,其陷波特性可以通过改变谐振结构的尺寸和位置,或通过改变辐射贴片上缝隙的长度、宽度等尺寸来改变。传统的陷波天线设计与分析方法采用基于计算机的辅助设计方法(CAD),如高频结构仿真器HSS等。在设计过程中,若天线的目标参量发生改变,则需要重新优化仿真,增加了设计时间,加大了设计难度。
神经网络模型不用已知射频微波电路的任何先验知识,即不必了解系统的内部结构,也不需要分析电路里面参数之间的复杂关系,只需学习从电路中提取的输入输出参数就可以形成映射关系,从而建立模型。神经网络建模方法因其能够并行处理数据、快速逼近繁杂的多维非线性问题、可使用相同的模型建模不同的电路等优势而被普遍应用到电路与系统的建模和设计中。
发明内容
为了解决上述技术问题,本发明所解决的技术问题在于提供一种基于IACO-BRBP神经网络的Koch雪花型超宽带天线逆向建模方法,降低了天线设计的复杂度,缩短了设计时间,通过IACO算法优化BRBP神经网络正向模型的权值,保存最优的权值,建立IACO-BRBP神经网络模型,将此逆向神经网络应用于Koch雪花型超宽带天线中,根据回波损耗,求解对应的频率和辐射贴片,获得更佳的结构参数。
本发明通过以下技术方案来实现:本发明的基于IACO-BRBP神经网络的Koch雪花型超宽带天线逆向建模方法,包括以下步骤:
(1)、提取训练数据,从HSS仿真软件中的Koch雪花型超宽带天线电路中提取出其输入参数为频率f和辐射贴片Wu的数据作为模型的输入样本,回波损耗S11为输出参数;
(2)、通过改进蚁群算法,即根据搜索阶段设置挥发因子、分析路径优劣程度更新信息素并在启发式因子中考虑出发点、终点与各节点的间距等,优化正向模型的权值,提高整体模型精度;之后使用L1/2范数的贝叶斯正则化算法逆向迭代正向模型的输入——结构参量,达到提高网络稳定性的目的:
(3)、运用改进的蚁群算法训练BRBP正向模型,获取阈值和优化后的权值并保存;
(4)、保持权值阈值不变,在建立好的IACO-BRBP模型中输入频率和辐射贴片Wu,求解对应的回波损耗;
(5)、计算输出参量与目标参量之间的评价函数;
(6)、利用逆向迭代算法更新输入参量。
在所述步骤(1)中,利用HSS仿真软件对Koch雪花型超宽带天线进行射频特性的建模仿真分析,天线回波损耗S11<-10dB、电压驻波比VSWR<2、增益G>2、全向性好等设计指标,当频率f在3~12GHz时,从天线中分别提取辐射贴片Wu和回波损耗S11的数据各2000组,然后分别抽取训练数据各1000组和测试数据各100组。
本发明将上述步骤得到的IACO-BRBP神经网络逆向建模方法用于Koch雪花型超宽带天线的研究中,并将模型输出数据与稀疏正则化逆向建模方法、自适应η逆向建模方法和经典的直接逆向建模方法相比较。
本发明主要包括:选择样本对象;基本参数的设置;提取训练集数据;对蚁群算法进行改进;运用改进的蚁群算法训练BRBP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IACO-BRBP逆向模型中输入回波损耗S11,运行得到对应的输出参量频率f和辐射贴片Wu;计算输出参量与目标参量之间的评价函数;利用逆向迭代算法更新输入参量。这样就建立了一个IACO-BRBP神经网络逆模型。
在本发明中,选择样本对象是指选择了一种Koch雪花型超宽带天线,利用HSS仿真软件对天线进行射频特性的建模仿真分析,取值在3~12GHz,从载波天线中提取出辐射贴片Wu、回波损耗S11与频率f的数据,每个参数均提取2000组,从中分别选取1000组数据作为训练数据,另分别取100组为测试数据。
在本发明中,基本参数的设置为:设置的BP神经网络输入层有1个节点,隐含层有27个节点,输出层有1个节点。隐含层节点转移函数选择logsig函数,输出层节点选择purelin函数。IACO算法的参数设置:最大迭代次数为500,种群规模为50,将网络训练的均方根误差作为适应度值。
在本发明中,改进蚁群算法方面包括:1)改进了挥发因子:防止蚁群算法在搜索过程中陷入局部较优路径;2)改进信息素更新方法:路径优劣程度更新信息素;3)改进启发式因子:为蚁群搜索全局最优解指明方向的同时提高搜索效率与精确程度。
进一步,所述改进蚁群优化IACO-BRBP权值的方法为:
将蚂蚁待寻优路径的数据设定为训练神经网络后得到的m个待优化的权值,按顺序排列这些参数,记作p1,p2,…,pm,初始化每一个参数为N个任意的非零值,形成集合Rpi。设蚂蚁的数量为N,每只蚂蚁从蚁巢出发,依据集合中每个元素的信息素状态,从集合Rpi中随机地选择一个元素,则为集合Rpi的第j个元素的信息素。
当所有蚂蚁独立的在所有集合中完成元素的搜寻后,即都抵达了目的地,此时根据IACO算法更新信息素和启发式因子,并得到下一次迭代的参数,也就是每只蚂蚁所选择的元素集合。反复以上过程,当蚁群都走相同的路径,或迭代次数达到最大,训练完毕,此时获得神经网络的最优权值。
本发明与稀疏正则化逆向建模方法、自适应η逆向建模方法和经典的直接逆向建模方法相比较,此逆向神经网络通过迭代过程取代了连续搜索的程序优化方法,不仅可以解决所求参数多解的问题,而且提高了收敛速度和精确度,缩短建模的运行时间。
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Koch雪花型超宽带天线的IACO-BRBP神经网络逆向建模流程图;
图2为本发明改进Koch雪花型分形超宽带天线结构图,其中(a)为正面图,(b)为背面图;
图3为本发明天线辐射贴片Wu的不同值对S11的影响曲线图;
图4为不同建模方法的辐射贴片Wu拟合曲线对比图;
图5为改进Koch雪花型分形超宽带天线的VSWR图;
图6为本发明天线辐射方向图,其中(a)为3.3GHz频点,(b)为6.85GHz频点,(c)为10.6GHz频点;
图7为本发明天线的峰值增益图。
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至图7所示,本发明提出一种基于IACO-BRBP神经网络的Koch雪花型超宽带天线逆向建模方法,主要包括:选择样本对象;基本参数的设置;提取训练集数据;对蚁群算法进行改进;运用改进的蚁群算法训练BRBP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IACO-BRBP逆向模型中输入回波损耗,运行得到对应的输出参量频率和辐射贴片Wu;计算输出参量与目标参量之间的评价函数;利用逆向迭代算法更新输入参量。这样就建立了一个IACO-BRBP神经网络逆模型。
1、样本对象选择
用HFSS仿真软件搭建Koch雪花型超宽带天线的电路,对其射频特性进行了建模仿真。天线辐射贴片大小同样影响着天线的性能,对改进八边雪花型分形天线的0阶边长Wu进行分析。在保持天线其他参数不变的情况下,当Wu的变化范围在9mm~12mm时,对S11的影响曲线如图3所示。与贴片的其他长度相比,当Wu=9.86mm时天线的绝对带宽最大且阻抗匹配效果最好,因此本章选用0阶边长为9.86mm的4阶改进八边Koch雪花型分形结构来实现天线的超宽带特性。
2、基本参数的设置
设置的BRBP神经网络输入层有1个节点,隐含层有27个节点,输出层有1个节点。输出层有1个节点。隐含层节点转移函数选择logsig函数,输出层节点选择purelin函数。IACO算法的参数设置:最大迭代次数为500,种群规模为50,将网络训练的均方根误差作为适应度值。
3、提取训练集数据
从HSS软件中提取出天线的辐射贴片Wu、回波损耗与频率等数据,每个参数均提取2000组,从中分别选取1000组数据作为训练数据,另分别取100组为测试数据。
4、对蚁群算法进行改进
(1)改进挥发因子
挥发因子ρ是影响路径上信息素浓度的因素之一,为防止蚁群算法在搜索过程中陷入局部较优路径,对挥发因子ρ做出如下改进:
其中Nmax为蚁群算法最大迭代次数。
在搜索初期,令ρ较大些,这样路径上的信息素量就会减少,有利于进行全局搜索,从而得到最优解;之后ρ适当减小,使算法集中搜索一定范围内的较优路径,避免算法过快收敛;最后ρ降到最小,增加较优路径上的信息素量,加快算法的收敛速度,得到最优结果。
(2)改进信息素更新方法
经典ACO算法的信息素更新方式在蚂蚁搜索初期无法指导下一条路径的选取,会延长收敛时间,因而本章对信息素更新方法做出改进,当所有蚂蚁循环一次后,加强当前最优路径附近的较优路径信息素,减弱远离当前较优路径的较差路径信息素,即
式中,Wb和Wp分别代表本次循环以及当前的最优路径长度,常数δ为判定路径距离远近的依据。
同时设定信息素上、下限值,以保证信息素不会急剧增加或者减小,当超过限定值时,自动设置为限定值。
(3)改进启发式因子
在蚂蚁的下一步路径选择中,启发因子的作用是协助蚂蚁以更多的可能性进入较短路径,然而经典的更新方式忽略了节点与出发原点之间的关系,也忽略了节点与终点的间距,只能体现两节点之间的联系,存在一定缺陷。本章从全局着眼,将启发因子公式更改为
ηij(t)=1/(doj·dij·dje)
其中doj为原点到当前节点j之间的距离,dje为当前节点j与终点的间距。这一改进,既考虑节点与节点的间距,又考虑出发点和终点与当前节点的间距,为蚁群搜索全局最优解指明方向的同时提高搜索效率与精确程度。
改进后的蚁群算法在搜索初期能够遍历全局,不会忽略每一个节点导致错过全局最优解。之后,通过改进的挥发因子、信息素更新方式和启发式因子指引蚁群快速地搜索到全局最优解,而不会陷入局部较优解。
5、训练IACO-BRBP正向模型,优化权值和阈值并保存
运用改进蚁群算法以优化正向模型的权值,并使用贝叶斯正则化算法一同迭代更新输入参量来获得最优结构参数,有效提高逆向模型精度,缩短整体建模的运行时间,加强网络的稳定性和泛化能力。
6、计算评价函数,更新输入参量
7、利用逆向迭代算法更新输入参量
通过逆向迭代IACO-BRBP神经网络的输入(频率f和结构参数长度Wu),使逆向模型的输出(回波损耗S11)与目标回波损耗的误差控制在一定范围之内,从而达到逆向求解改进雪花型分形天线结构参数的目的。一旦训练好模型就意味着参数f,Wu和S11之间的关系已经确定。
最后,在HFSS软件中进行运行仿真,得到最终结构如图2所示。如果没有完全满足天线的设计指标要求,只需微调相关参量即可,表1为最终设计的天线整体尺寸值。
表1天线的尺寸
使用IACO-BRBP逆向建模方法、稀疏正则化逆向建模方法、自适应η逆向建模方法和经典的直接逆向建模方法分别对天线进行逆向建模,将这四种逆向模型与HFSS软件的仿真输出作比较,如图4所示。稀疏正则化逆向建模方法保持BP正向模型的权值不变,在逆向过程的性能函数中加入L1/2范数和L2范数,通过迭代更新正向模型的输入参数,达到最小化性能函数的目的。
从图4可以看出,IACO-BRBP逆向模型的拟合结果与HFSS软件仿真输出更加接近,曲线拟合程度最高,相反地,直接逆向模型由于无法很好地处理复杂的数据关系导致其输出曲线基本不拟合。另外两种逆向模型的拟合程度虽然比IACO-BRBP逆向模型要差一些,但均优于直接逆向模型,其中稀疏正则化逆向模型的拟合效果要好于自适应η逆向模型。图5是改进Koch雪花型分形超宽带天线的VSWR结果图,从图中可以看出VSWR在3.2~12GHz频段范围内都小于1.7,说明本发明设计的天线阻抗匹配特性良好,符合超宽带天线设计要求。选择查看3.3GHz、6.85GHz和10.6GHz这三个频点处的天线辐射方向图,如图6所示,可见在低频段,天线的E面方向图是双向的,H面方向图具有全向性,符合无方向天线的设计标准,而且由图(a)可以看到,天线的辐射特性良好。然而在高频段时,由于有限矩形接地面会辐射出更多的电磁波,导致天线辐射全向特性不如低频段效果好。如此,天线在3.2~12GHz范围内的全向性仍然较好,可应用于小型超宽带基站中。本发明所设计UWB天线的峰值增益仿真曲线如图7所示。由图可知,在整个通带范围内,天线峰值增益都大于2.2dBi,在8.4GHz处最大峰值增益接近4.5dBi,能够稳定工作。
对比IACO-BRBP逆向建模方法与稀疏正则化逆向建模方法、自适应η逆向建模方法和直接逆向建模方法的建模运行时间和均方误差,结果如表2所示。
表2四种逆向建模方法结果对比
表1中IACO-BRBP逆向建模方法的运行时间比稀疏正则化逆向建模方法、自适应η逆向建模方法和直接逆向建模方法分别减少了3.15%、8.14%和40.43%,均方误差分别减少了80.47%、81.09%和99.93%。由于IACO-BRBP逆向建模方法无论是精度还是运行时间都少于其他三种逆向建模方法,因此IACO-BRBP逆向模型更适用于优化设计本发明天线。
本发明利用改进的蚁群算法优化BRBP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IACO-BRBP神经网络的Koch雪花型超宽带天线逆向建模的研究方法。该方法不仅可以解决所求参数多解的问题,而且提高了收敛速度和精确度,缩短建模的运行时间。
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 (3)
1.一种基于IACO-BRBP神经网络的Koch雪花型超宽带天线逆向建模方法,其特征在于,包括以下步骤:
(1)、提取训练数据,从HSS仿真软件中的Koch雪花型超宽带天线电路中提取出其输入参数为频率f和辐射贴片Wu的数据作为模型的输入样本,回波损耗S11为输出参数;
(2)、通过改进蚁群算法,即根据搜索阶段设置挥发因子、分析路径优劣程度更新信息素并在启发式因子中考虑出发点、终点与各节点的间距,优化正向模型的权值,提高整体模型精度;之后使用L1/2范数的贝叶斯正则化算法逆向迭代正向模型的输入——结构参量,达到提高网络稳定性的目的:
(3)、运用改进的蚁群算法训练BRBP正向模型,获取阈值和优化后的权值并保存;
(4)、保持权值阈值不变,在建立好的IACO-BRBP模型中输入频率和辐射贴片Wu,求解对应的回波损耗;
(5)、计算输出参量与目标参量之间的评价函数;
(6)、利用逆向迭代算法更新输入参量。
2.如权利要求1所述的基于IACO-BRBP神经网络的Koch雪花型超宽带天线逆向建模方法,其特征在于,在所述步骤(1)中,利用HSS仿真软件对Koch雪花型超宽带天线进行射频特性的建模仿真分析,天线回波损耗S11<-10dB、电压驻波比VSWR<2、增益G>2设计指标,当频率f在3~12GHz时,从天线中分别提取辐射贴片Wu和回波损耗S11的数据各2000组,然后分别抽取训练数据各1000组和测试数据各100组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110310460.4A CN112861386A (zh) | 2021-03-23 | 2021-03-23 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110310460.4A CN112861386A (zh) | 2021-03-23 | 2021-03-23 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112861386A true CN112861386A (zh) | 2021-05-28 |
Family
ID=75992459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110310460.4A Pending CN112861386A (zh) | 2021-03-23 | 2021-03-23 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861386A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113376541A (zh) * | 2021-06-04 | 2021-09-10 | 辽宁工程技术大学 | 一种基于crj网络的锂离子电池健康状态预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112149360A (zh) * | 2020-10-10 | 2020-12-29 | 辽宁工程技术大学 | 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 |
WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
-
2021
- 2021-03-23 CN CN202110310460.4A patent/CN112861386A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
CN112149360A (zh) * | 2020-10-10 | 2020-12-29 | 辽宁工程技术大学 | 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 |
Non-Patent Citations (1)
Title |
---|
南敬昌等: "改进蚁群算法的BRBP神经网络功放逆向建模方法", 激光与光电子学进展, vol. 57, no. 1, pages 198 - 205 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113376541A (zh) * | 2021-06-04 | 2021-09-10 | 辽宁工程技术大学 | 一种基于crj网络的锂离子电池健康状态预测方法 |
CN113376541B (zh) * | 2021-06-04 | 2023-06-06 | 辽宁工程技术大学 | 一种基于crj网络的锂离子电池健康状态预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110162847B (zh) | 基于添加特征策略的机器学习辅助天线设计方法 | |
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 | |
Shi et al. | An intelligent antenna synthesis method based on machine learning | |
CN110941896B (zh) | 一种基于pgp的超宽带天线的设计方法 | |
CN109831236B (zh) | 一种基于蒙特卡洛树搜索辅助的波束选择方法 | |
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 | |
Kozieł et al. | Reduced-cost design closure of antennas by means of gradient search with restricted sensitivity update | |
Bose et al. | Design of an aperture-coupled microstrip antenna using a hybrid neural network | |
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 | |
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 | |
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 | |
Chen et al. | A hybrid algorithm of differential evolution and machine learning for electromagnetic structure optimization | |
CN110728021B (zh) | 基于改进二进制鲸鱼优化算法的微带滤波天线设计方法 | |
Chen et al. | An Antenna Design Method Based on Guassian Process Surrogate Model and Differential Evolution Algorithm | |
Radović et al. | Optimization of thick BoR monopole antennas using differential evolution | |
Contreras | Objective functions for the optimization of an ultra wideband antenna | |
Zhang et al. | An Improved Genetic Algorithm for Multiband Microstrip Antenna Design | |
CN113642168B (zh) | 一种基于结构参数预测及群智优化的天线设计方法 | |
CN109598018A (zh) | 一种天线设计方法 | |
Akar | Machine Learning Based High Gain Wireless Antenna Design Operating at 5.2 GHz Frequency | |
Toktaş | Equivalent circuit modelling of an l-shaped patch antennaby optimizing the lumped elements using differential evolution algorithm | |
Jingchang et al. | Improved BP Neural Network Antenna Modeling Based on Seagull Algorithm | |
Dingli et al. | Multi-Objective Intelligent Optimization Design Method of Microstrip Antenna Based on Back Propagation Neural Network | |
CN118627148A (zh) | 基于生成对抗网络的生成式天线优化设计方法 | |
Koziel et al. | Three-objective antenna optimization by means of kriging surrogates and domain segmentation |
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 |