CN114781185A - 预测天线频率的方法、装置及电子设备 - Google Patents
预测天线频率的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114781185A CN114781185A CN202210570988.XA CN202210570988A CN114781185A CN 114781185 A CN114781185 A CN 114781185A CN 202210570988 A CN202210570988 A CN 202210570988A CN 114781185 A CN114781185 A CN 114781185A
- Authority
- CN
- China
- Prior art keywords
- model
- resonant frequency
- frequency value
- antenna
- obtaining
- 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
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)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本申请公开了一种预测天线频率的方法、装置及电子设备。其中,该方法包括:获取第一谐振频率值,其中,第一谐振频率值为通过第一模型得到的,第一模型为天线在预设精度下迭代第一预设次数得到的;获取第二谐振频率值,其中,第二谐振频率值为通过第二模型得到的,第二模型为天线在预设精度下迭代第二预设次数得到的;至少依据第一谐振频率值和第二谐振频率值,确定第一模型和第二模型之间的映射关系;依据映射关系生成预测模型,通过预测模型对天线的目标谐振频率值进行预测。本申请解决了现有技术中选用高精度离散数据集以提高模型的预测精度导致计算代价太高的技术问题。
Description
技术领域
本申请涉及天线技术领域,具体而言,涉及一种预测天线频率的方法、装置及电子设备。
背景技术
近年来,人工神经网络(ANN)、支持向量机(SVM)和高斯过程(GP)等方法在分析天线问题中的应用越来越广泛。但ANN结构相对复杂,需要大量的电磁仿真数据,且易呈现网络结构较难确定、泛化能力差等问题;SVM也存在着核参数难以选择、易过拟合以及预测输出不具备概率意义的缺点。GP与SVM和ANN相比更容易实现,并且其超参数可以自适应获取,同时预测输出值也具有概率意义。然而,高斯过程建模最大的限制便是其训练数据往往选用高精度离散数据集以保证模型有足够的预测精度,因此计算代价太高。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种预测天线频率的方法、装置及电子设备,以至少解决现有技术中选用高精度离散数据集以提高模型的预测精度导致计算代价太高的技术问题。
根据本申请实施例的一个方面,提供了一种预测天线频率的方法,包括:获取第一谐振频率值,其中,第一谐振频率值为通过第一模型得到的,第一模型为天线在预设精度下迭代第一预设次数得到的;获取第二谐振频率值,其中,第二谐振频率值为通过第二模型得到的,第二模型为天线在预设精度下迭代第二预设次数得到的;至少依据第一谐振频率值和第二谐振频率值,确定第一模型和第二模型之间的映射关系;依据映射关系生成预测模型,通过预测模型对天线的目标谐振频率值进行预测。
可选地,获取第一谐振频率值,包括:获取目标数量的天线的尺寸信息和对应的天线的工作频率;将目标数量的尺寸信息和工作频率输入第一模型中,得到目标数量的第一谐振频率值。
可选地,获取第二谐振频率值,包括:从目标数量中选取第一数量;将第一数量所对应的尺寸信息和工作频率输入第二模型中进行处理,得到第一数量的第二谐振频率值。
可选地,确定第一模型和第二模型之间的映射关系之后,方法还包括:依据映射关系,预测第二数量的频率值在第二模型下对应的第三谐振频率值,其中,第二数量的频率值为目标数量的第一谐振频率值中除第一数量的频率值之外的其他频率值。
可选地,依据映射关系生成预测模型,包括:获取第一数据集,其中,第一数据集包括第二谐振频率值、第一数量的频率值对应的天线的尺寸信息和第一数量的频率值对应的天线的工作频率;获取第二数据集,其中,第二数据集包括第三谐振频率值、第二数量的频率值对应的天线的尺寸信息和第二数量的频率值对应的天线的工作频率;依据第一数据集和第二数据集,确定目标数据集;依据目标数据集和映射关系,生成预测模型。
可选地,通过预测模型对天线的目标谐振频率值进行预测之后,方法还包括:获取在第二谐振频率值处的第一回波损耗,以及获取在第三谐振频率值处的第二回波损耗;依据第一回波损耗和第二回波损耗,确定预测模型的多种评价指标;依据多种评价指标,确定预测模型的预测精度。
可选地,第一预设次数小于第二预设次数。
根据本申请实施例的另一方面,还提供了一种预测天线频率的装置,包括:第一获取模块,用于获取第一谐振频率值,其中,第一谐振频率值为通过第一模型得到的,第一模型为天线在预设精度下迭代第一预设次数得到的;第二获取模块,用于获取第二谐振频率值,其中,第二谐振频率值为通过第二模型得到的,第二模型为天线在预设精度下迭代第二预设次数得到的;确定模块,用于至少依据第一谐振频率值和第二谐振频率值,确定第一模型和第二模型之间的映射关系;生成模块,用于依据映射关系生成预测模型,通过预测模型对天线的目标谐振频率值进行预测。
根据本申请实施例的又一方面,还提供了一种电子设备,包括:存储器,用于存储程序指令;处理器,与存储器连接,用于执行实现以下功能的程序指令:获取第一谐振频率值,其中,第一谐振频率值为通过第一模型得到的,第一模型为天线在预设精度下迭代第一预设次数得到的;获取第二谐振频率值,其中,第二谐振频率值为通过第二模型得到的,第二模型为天线在预设精度下迭代第二预设次数得到的;至少依据第一谐振频率值和第二谐振频率值,确定第一模型和第二模型之间的映射关系;依据映射关系生成预测模型,通过预测模型对天线的目标谐振频率值进行预测。
根据本申请实施例的再一方面,还提供了一种非易失性存储介质,该非易失性存储介质包括存储的程序,其中,在程序运行时控制该非易失性存储介质所在设备执行上述的预测天线频率的方法。
在本申请实施例中,采用两种模型获取不同的谐振频率值的方式,通过获取第一谐振频率值,其中,第一谐振频率值为通过第一模型得到的,第一模型为天线在预设精度下迭代第一预设次数得到的;获取第二谐振频率值,其中,第二谐振频率值为通过第二模型得到的,第二模型为天线在预设精度下迭代第二预设次数得到的;至少依据第一谐振频率值和第二谐振频率值,确定第一模型和第二模型之间的映射关系;依据映射关系生成预测模型,达到了通过预测模型对天线的目标谐振频率值进行预测的目的,从而实现了降低计算代价的技术效果,进而解决了现有技术中选用高精度离散数据集以提高模型的预测精度导致计算代价太高的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种用于实现预测天线频率的方法的计算机终端(或电子设备)的硬件结构框图;
图2是根据本申请实施例的一种预测天线频率的方法的流程图;
图3是根据本申请实施例的一种生成预测模型的流程图;
图4是根据本申请实施例的一种确定预测模型的预测精度的流程图;
图5a是根据本申请实施例的一种倒F天线的结构图;
图5b是根据本申请实施例的一种倒F天线的不同网格密度精度对比图;
图5c是根据本申请实施例的一种倒F天线的测试样本在不同比例下的回波损耗的折线图;
图5d是根据本申请实施例的一种倒F天线的测试样本在不同比例下对应的平均百分比误差的折线图;
图5e是根据本申请实施例的一种倒F天线的测试样本在不同比例下对应的均方误差的折线图;
图5f是根据本申请实施例的一种倒F天线的测试样本在不同比例下对应的平均相对误差的折线图;
图6a是根据本申请实施例的一种双频PIFA天线结构图;
图6b是根据本申请实施例的一种双频PIFA天线的不同网格密度精度对比图;
图6c是根据本申请实施例的一种双频PIFA天线的测试样本在不同比例下的中心谐振频率f1的折线图;
图6d是根据本申请实施例的一种双频PIFA天线的测试样本在不同比例下的f1对应的平均百分比误差的折线图;
图6e是根据本申请实施例的一种双频PIFA天线的测试样本在不同比例下的f1对应的均方误差的折线图;
图6f是根据本申请实施例的一种双频PIFA天线的测试样本在不同比例下的f1对应的平均相对误差的折线图;
图6g是根据本申请实施例的一种双频PIFA天线的测试样本在不同比例下的中心谐振频率f2的折线图;
图6h是根据本申请实施例的一种双频PIFA天线的测试样本在不同比例下的f2对应的平均百分比误差的折线图;
图6i是根据本申请实施例的一种双频PIFA天线的测试样本在不同比例下的f2对应的均方误差的折线图;
图6j是根据本申请实施例的一种双频PIFA天线的测试样本在不同比例下的f2对应的平均相对误差的折线图;
图7是根据本申请实施例的一种预测天线频率的装置的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了建立高精度的高斯过程模型(即GP模型),通过全波电磁仿真软件的第二模型(如细网格密度模型)来仿真得到所需要的高精度n维训练数据样本,即:
Dfine={(ui,yfine,i)|i=1,...,n}
在上述公式中,ui为P维训练输入矢量,由天线的M个可变尺寸参数Xi=[x1ix2i...xMi]T和天线频率范围foi组成,yfine为第二模型下的高精度目标值,其中P=M+1,然而产生Dfine的计算代价是非常大的。为了解决上述问题,本申请实施例提供了相应的解决方案,以下详细说明。
本申请实施例所提供的预测天线频率的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现预测天线频率的方法的计算机终端(或电子设备)的硬件结构框图。如图1所示,计算机终端10(或电子设备10)可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机终端10(或电子设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中的预测天线频率的方法对应的程序指令/数据存储装置,处理器通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的预测天线频率的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机终端10(或电子设备)的用户界面进行交互。
此处需要说明的是,在一些可选实施例中,上述图1所示的计算机设备(或电子设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图1仅为特定具体实例的一个实例,并且旨在示出可存在于上述计算机设备(或电子设备)中的部件的类型。
在上述运行环境下,本申请实施例提供了一种预测天线频率的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图2是根据本申请实施例的一种预测天线频率的方法的流程图,如图2所示,该方法包括如下步骤:
步骤S202,获取第一谐振频率值,其中,第一谐振频率值为通过第一模型得到的,第一模型为天线在预设精度下迭代第一预设次数得到的;
在本申请实施例中,第一模型可以为粗网格密度模型,例如可以通过电磁仿真软件HFSS中的第一模型对天线进行仿真,得到第一模型对应的n维低精度训练数据集,该低精度训练数据集由上述第一谐振频率值组成,低精度训练数据集如下:Dcoarse={(ui,ycoarse,i)|i=1,...,n},其中,ycoarse为第一模型得到的低精度目标值,即第一谐振频率值,ui为P维训练输入矢量,由天线的M个可变尺寸参数Xi=[x1ix2i...xMi]T和天线频率范围foi组成,即且P=M+1。
步骤S204,获取第二谐振频率值,其中,第二谐振频率值为通过第二模型得到的,第二模型为天线在预设精度下迭代第二预设次数得到的,且第一预设次数小于第二预设次数;
在本申请实施例中,第二模型可以为细网格密度模型,从n组ui中随机选取naux组利用HFSS的第二模型获得相应的高精度训练数据集,该高精度训练数据集由上述第二谐振频率值组成,该高精度训练数据集Daux如下:
Daux={(uaux,k,yfine,k)|k=1,...,naux}
uaux,k=[x1kx2k...xMkfoiycoarse,k]T
在上述公式中,uaux,k为由天线尺寸、天线的工作频率和通过第一模型得到的低精度目标值所组成的M+2维训练输入矢量,yfine为第二模型下的高精度目标值。
步骤S206,至少依据第一谐振频率值和第二谐振频率值,确定第一模型和第二模型之间的映射关系;
将Daux中的uaux,k作为输入,yfine作为输出,建立起粗细网格之间的映射关系,也即第一模型和第二模型之间的映射关系,该映射关系反应了两种不同网格密度之间的相关性。
步骤S208,依据映射关系生成预测模型,通过预测模型对天线的目标谐振频率值进行预测。
用该映射关系预测得到剩下的n-naux个高精度预测目标值ypred,k|k=(naux+1),...,n。naux个细网格下得到的高精度输出目标值与n-naux个预测目标值结合由天线尺寸、天线的工作频率所组成的输入矢量集共同构成了一个n维的近似高精度训练样本集,该训练样本集Dfine,approx如下:
利用该近似高精度训练样本集Dfine,approx来代替原本的高精度训练样本Dfine,其定义为:Dfine={(ui,yfine,i)|i=1,...,n},将其中的天线尺寸和天线的工作频率所组成的数据样本集uk作为输入样本,yfine,k|k=1,...,naux和ypred,k|k=(naux+1),...,n作为输出样本,从而建立起高斯过程模型。
在本申请实施例中,高斯过程是一种函数分布,它是无限数量的随机变量组成任何子集都符合高斯分布的集合,其性质可由均值函数u(x)=E[Y(x)]和协方差函数C(x,x')=E[(Y(x)-u(x))(Y(x')-u(x'))]决定,故高斯过程可定义为f(x)~GP(u(x),C(x,x')),式中,x,x'∈X为任意d维矢量。
假设包含n个观测值的有限数据集D={(xi,ti),i=1,...,n}作为高斯模型的训练样本,假设观测目标值t被加性噪声ε污染,ε服从正态分布,则模型可表示为:
ti=f(xi)+εi,i=1,...,n R d→R
n个训练输出t和n*个测试输出t*组成的联合高斯先验分布是:
式中,C(X,x*)为训练输入样本与测试输入样本之间的n×n*阶协方差矩阵;C(x*,x*)是测试输入样本本身的协方差矩阵。
在上述预测天线频率的方法的步骤S202中,获取第一谐振频率值,具体包括如下步骤:获取目标数量的天线的尺寸信息和对应的天线的工作频率;将目标数量的尺寸信息和工作频率输入第一模型中,得到目标数量的第一谐振频率值。
在上述步骤中,例如目标数量可选取100组,目标数量的天线的尺寸信息和天线的工作频率构成了输入样本这里的天线的尺寸信息可以是指由天线的谐振长度L、天线高度H、天线的接地点与馈电点的距离S以及微带线的宽度W组成的,即x=[L H S W]T,foi为天线的工作频率。将n(n=100)组天线输入样本在第一模型(如粗网格密度模型)下得到相对应的100个低精度目标值S11,coarse,即得到目标数量的第一谐振频率值。
在上述预测天线频率的方法的步骤S204中,获取第二谐振频率值,具体包括如下步骤:从目标数量中选取第一数量;将第一数量所对应的尺寸信息和工作频率输入第二模型中进行处理,得到第一数量的第二谐振频率值。
在上述步骤中,从这100组输入样本中随机选取naux组(即第一数量)并通过第二模型(如细网格密度模型)产生相应的naux个高精度目标值S11,fine,即得到第一数量的第二谐振频率值。
在上述预测天线频率的方法的步骤S206中,确定第一模型和第二模型之间的映射关系之后,方法还包括如下步骤:依据映射关系,预测第二数量的频率值在第二模型下对应的第三谐振频率值,其中,第二数量的频率值为目标数量的第一谐振频率值中除第一数量的频率值之外的其他频率值。
在上述步骤中,将[L H S Wfoi S11,coarse]T作为输入,[S11,fine]T作为输出,建立映射关系,该映射关系反应了第一模型和第二模型之间的相关性,利用此映射关系预测剩下的n-naux组(即第二数量),从而得到相应的n-naux个S11,pred,即得到了第二数量的第三谐振频率值。
在上述预测天线频率的方法的步骤S208中,依据映射关系生成预测模型,如图3所示的流程图,具体包括如下步骤:
步骤S302,获取第一数据集,其中,第一数据集包括第二谐振频率值、第一数量的频率值对应的天线的尺寸信息和第一数量的频率值对应的天线的工作频率;
步骤S304,获取第二数据集,其中,第二数据集包括第三谐振频率值、第二数量的频率值对应的天线的尺寸信息和第二数量的频率值对应的天线的工作频率;
步骤S306,依据第一数据集和第二数据集,确定目标数据集;
步骤S308,依据目标数据集和映射关系,生成预测模型。
在上述步骤S302至步骤S308中,将naux组[L H S Wfoi S11,fine]T组成的第一数据集,以及n-naux组[L H S Wfoi S11,pred]T组成的第二数据集,作为新的100组训练数据集,即得到了目标数据集,从而依据目标数据集和映射关系,建立预测模型,该预测模型可以是高斯模型(GP模型),利用该高斯模型对另外选取的测试样本进行预测。
在上述预测天线频率的方法的步骤S208中,通过预测模型对天线的目标谐振频率值进行预测之后,如图4所示,方法还包括如下步骤:
步骤S402,获取在第二谐振频率值处的第一回波损耗,以及获取在第三谐振频率值处的第二回波损耗;
步骤S404,依据第一回波损耗和第二回波损耗,确定预测模型的多种评价指标;
步骤S406,依据多种评价指标,确定预测模型的预测精度。
在上述步骤S402至步骤S406中,多种评价指标包括平均百分比误差(APE)、均方误差(MSE)和平均相对误差(ARE)等,对应的计算公式如下:
上述公式中,ypred为通过预测模型预测得到的预测谐振频率值,yHFSS为通过第二模型得到的真实谐振频率值,上述多种评价指标用于确定预测模型的预测精度。
本申请实施例提供的预测天线频率的方法共包含两个阶段,在第一阶段中,通过全波电磁仿真得到粗网格产生的n个低精度训练数据集,从原始样本中选取naux个利用细网格产生相应的高精度训练数据集。然后通过学习naux个粗细网格训练数据集之间的映射关系,并用它来预测剩余n-naux个粗网格数据集所对应的高精度输出。这样naux个通过仿真得到的细网格数据和n-naux个通过预测得到的高精度输出共同组成n个近似细网格高精度数据集。在第二阶段,利用这n个近似细网格高精度数据集来建立GP模型。最后将此两阶段高斯过程建模方法分别应用在倒F天线的优化设计和双频PIFA天线的谐振频率预测问题中,通过选取细模型数据占总训练数据的不同比例,分别比较它们的平均相对误差、均方误差和平均百分比误差,从而验证了该两阶段高斯过程建模方法的有效性和准确性。
本申请实施例针对高斯过程机器学习解决电磁问题,提出了两阶段高斯过程的天线建模方法,共包含两个阶段,在第一阶段,学习天线的粗细模型之间的映射关系,从而在第二阶段建立起高精度细模型的实际代替模型,在降低天线高精度输入训练数据的计算代价上效果显著。并且,由于建立了粗细网格密度之间的映射关系,可以减少细网格密度下的高精度训练数据的数量,而不影响最终GP模型的预测精度。
图5a是根据本申请实施例的一种倒F天线的结构图,如图5a所示,介质层的厚度SubH为0.8mm,长度和宽度分别为110mm和50mm,GND为参考地面,X表示水平方向,Y表示垂直方向,通过优化该天线的谐振长度L=(15~17)mm、天线高度H=(2.8~4.3)mm、接地点与馈电点的距离S=(3~7)mm以及微带线的宽度W=(0.8~1.2)mm,达到谐振频率处回波损耗S11小于-20dB的设计指标,天线工作频率范围为1.8GHz-3.2GHz。该天线的训练输入矢量为100组不同的其中x=[L H S W]T,foi为天线的工作频率值,测试输入矢量由另外选取的尺寸参数和频率所构成。先通过MATLA优化出倒F天线的最优尺寸为[L H SW]=[16.2mm 3.8mm 5mm 1mm],然后将HFSS迭代次数分别设置为1-6,精度设置为0.02,分别对应网格1-6。选取天线最优尺寸和频率作为输入样本来对比下不同网格密度的精度区别,其仿真时间对比如下表1所示,精度对比如图5b所示。表1为倒F天线不同网格密度仿真时间对比表,表1如下:
为了减少细网格下的高精度训练数据的数量,又不影响最终GP模型的预测精度,在图5b和表1的综合考虑下,将迭代次数设置为2时作为粗网格密度模型,将迭代次数设置为6时作为细网格密度模型。选取n(n=100)组天线输入样本在粗网格下得到相对应的100个低精度目标值S11,coarse,从这100组输入样本中随机选取naux组并通过细网格密度产生相应的naux个高精度目标值S11,fine,然后将[L H S Wfoi S11,coarse]T作为输入,[S11,fine]T作为输出,建立映射关系,该映射关系反应了粗网格密度模型和细网格密度模型之间的相关性。利用此映射关系预测剩下的n-naux组,从而得到相应的n-naux个S11,pred。接着将naux组[L H SWfoi S11,fine]T和n-naux组[L H S Wfoi S11,pred]T作为新的100组训练数据集,从而建立GP模型,并对另外选取的测试样本进行预测。
在实验过程中,分别选取不同的第一数量占样本总数量的百分比例,即naux/n×%,得出相应的测试输出S11以及它们的平均百分比误差(APE)、均方误差(MSE)和平均相对误差(ARE)。
表2为倒F天线测试样本在不同naux/n×%比例下S11预测误差表,表2如下所示:
在表2中,当naux/n×%比例为40%时,预测目标值S11为-30.3654dB,非常接近100%比例下的S11。另外,此时的APE、MSE和ARE也都分别趋近于100%比例时的三种误差值。因此,可以将40%比例时的训练数据集完全代替100%比例时的训练数据集,这样不仅减少了细网格密度下的高精度训练数据的数量,而且完全不影响最终GP模型的预测精度,图5c至图5f也给出了直观的对比效果。
图6a是根据本申请实施例的一种双频PIFA天线结构图,如图6a所示,采用在辐射金属片上U形开槽的方法实现PIFA天线在两个频段上的工作,中心工作频率分别为920MHz和1800MHz。图中,X表示水平方向,Y表示垂直方向,Z表示垂直于X和Y组成的平面的方向,H表示地平面的高度,该天线的设计尺寸参数为U形槽宽度L1_slot、长度L2_slot、U形槽缝隙宽度W_slot、辐射金属片的长度L1和宽度W1。与上述方法类似,得到的最优尺寸是[L1_slotL2_slot W_slot L1 W1]=[27mm 25mm 2mm 53mm 32mm],然后将迭代次数分别设置为1-6,精度设置为0.02,分别对应网格1-6。选取天线最优尺寸和频率作为输入样本来对比下不同网格密度的精度区别,仿真时间对比如表3所示,给出其精度对比如图6b所示。表3为双频PIFA天线不同网格密度仿真时间对比表,表3如下:
同样,将迭代次数分别设置为2和6时作为粗、细网格密度模型。首先利用粗网格得到100组低精度谐振频率值f1,coarse和f2,coarse,从中随机选取naux组利用细网格产生相应的naux个高精度谐振频率值f1,fine和f2,fine作为训练输出样本,训练输入样本为[L1_slot L2_slot W_slot L1 W1 foi f1,coarse f2,coarse]T,建立映射关系。利用此映射关系预测剩下的n-naux组,从而得到相应的n-naux组[f1,pred f2,pred]。接着将naux组[L1_slot L2_slot W_slotL1 W1 foi f1,fine f2,fine]T和n-naux组[L1_slot L2_slot W_slot L1 W1 foi f1,pred f2,pred]T作为新的100组训练数据集,建立GP模型。这里给出不同比例下的测试输出即谐振频率f1和f2以及它们的APE、MSE和ARE如表4所示。表4为双频PIFA天线的测试样本在不同naux/n×%比例下的谐振频率预测误差表,表4如下:
从表4中可以看出,当比例为10%时,谐振频率预测值f1和f2都分别与100%比例时非常接近。并且,两谐振频率点处的APE、MSE和ARE也都分别逼近100%比例时的三种误差值。因此,可以用该天线10%比例时的训练数据集来完全代替100%比例时的训练数据集,图6c至图6j也分别直观的给出了两谐振频率点在不同比例下的预测效果。
图7是根据本申请实施例的一种预测天线频率的装置的结构图,如图7所示,该装置包括:
第一获取模块702,用于获取第一谐振频率值,其中,第一谐振频率值为通过第一模型得到的,第一模型为天线在预设精度下迭代第一预设次数得到的;
第二获取模块704,用于获取第二谐振频率值,其中,第二谐振频率值为通过第二模型得到的,第二模型为天线在预设精度下迭代第二预设次数得到的;
确定模块706,用于至少依据第一谐振频率值和第二谐振频率值,确定第一模型和第二模型之间的映射关系;
生成模块708,用于依据映射关系生成预测模型,通过预测模型对天线的目标谐振频率值进行预测。
需要说明的是,图7所示的预测天线频率的装置用于执行图2至图4所示的预测天线频率的方法,因此上述预测天线频率的方法中的相关解释说明也适用于该预测天线频率的装置,此处不再赘述。
本申请实施例还提供了一种非易失性存储介质,该非易失性存储介质包括存储的程序,其中,在程序运行时控制该非易失性存储介质所在设备执行以下预测天线频率的方法:获取第一谐振频率值,其中,第一谐振频率值为通过第一模型得到的,第一模型为天线在预设精度下迭代第一预设次数得到的;获取第二谐振频率值,其中,第二谐振频率值为通过第二模型得到的,第二模型为天线在预设精度下迭代第二预设次数得到的;至少依据第一谐振频率值和第二谐振频率值,确定第一模型和第二模型之间的映射关系;依据映射关系生成预测模型,通过预测模型对天线的目标谐振频率值进行预测。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种预测天线频率的方法,其特征在于,包括:
获取第一谐振频率值,其中,所述第一谐振频率值为通过第一模型得到的,所述第一模型为天线在预设精度下迭代第一预设次数得到的;
获取第二谐振频率值,其中,所述第二谐振频率值为通过第二模型得到的,所述第二模型为所述天线在所述预设精度下迭代第二预设次数得到的;
至少依据所述第一谐振频率值和所述第二谐振频率值,确定所述第一模型和所述第二模型之间的映射关系;
依据所述映射关系生成预测模型,通过所述预测模型对所述天线的目标谐振频率值进行预测。
2.根据权利要求1所述的方法,其特征在于,获取第一谐振频率值,包括:
获取目标数量的所述天线的尺寸信息和对应的所述天线的工作频率;
将所述目标数量的所述尺寸信息和所述工作频率输入所述第一模型中,得到所述目标数量的第一谐振频率值。
3.根据权利要求2所述的方法,其特征在于,获取第二谐振频率值,包括:
从所述目标数量中选取第一数量;
将所述第一数量所对应的所述尺寸信息和所述工作频率输入所述第二模型中进行处理,得到所述第一数量的第二谐振频率值。
4.根据权利要求3所述的方法,其特征在于,确定所述第一模型和所述第二模型之间的映射关系之后,所述方法还包括:
依据所述映射关系,预测第二数量的频率值在所述第二模型下对应的第三谐振频率值,其中,所述第二数量的频率值为所述目标数量的第一谐振频率值中除所述第一数量的频率值之外的其他频率值。
5.根据权利要求4所述的方法,其特征在于,依据所述映射关系生成预测模型,包括:
获取第一数据集,其中,所述第一数据集包括所述第二谐振频率值、所述第一数量的频率值对应的所述天线的尺寸信息和所述第一数量的频率值对应的所述天线的工作频率;
获取第二数据集,其中,所述第二数据集包括所述第三谐振频率值、所述第二数量的频率值对应的所述天线的尺寸信息和所述第二数量的频率值对应的所述天线的工作频率;
依据所述第一数据集和所述第二数据集,确定目标数据集;
依据所述目标数据集和所述映射关系,生成所述预测模型。
6.根据权利要求4所述的方法,其特征在于,通过所述预测模型对所述天线的目标谐振频率值进行预测之后,所述方法还包括:
获取在所述第二谐振频率值处的第一回波损耗,以及获取在所述第三谐振频率值处的第二回波损耗;
依据所述第一回波损耗和所述第二回波损耗,确定所述预测模型的多种评价指标;
依据所述多种评价指标,确定所述预测模型的预测精度。
7.根据权利要求1所述的方法,其特征在于,所述第一预设次数小于所述第二预设次数。
8.一种预测天线频率的装置,其特征在于,包括:
第一获取模块,用于获取第一谐振频率值,其中,所述第一谐振频率值为通过第一模型得到的,所述第一模型为天线在预设精度下迭代第一预设次数得到的;
第二获取模块,用于获取第二谐振频率值,其中,所述第二谐振频率值为通过第二模型得到的,所述第二模型为所述天线在所述预设精度下迭代第二预设次数得到的;
确定模块,用于至少依据所述第一谐振频率值和所述第二谐振频率值,确定所述第一模型和所述第二模型之间的映射关系;
生成模块,用于依据所述映射关系生成预测模型,通过所述预测模型对所述天线的目标谐振频率值进行预测。
9.一种电子设备,其特征在于,包括:
存储器,用于存储程序指令;
处理器,与所述存储器连接,用于执行实现以下功能的程序指令:获取第一谐振频率值,其中,所述第一谐振频率值为通过第一模型得到的,所述第一模型为天线在预设精度下迭代第一预设次数得到的;获取第二谐振频率值,其中,所述第二谐振频率值为通过第二模型得到的,所述第二模型为所述天线在所述预设精度下迭代第二预设次数得到的;至少依据所述第一谐振频率值和所述第二谐振频率值,确定所述第一模型和所述第二模型之间的映射关系;依据所述映射关系生成预测模型,通过所述预测模型对所述天线的目标谐振频率值进行预测。
10.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述的预测天线频率的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210570988.XA CN114781185A (zh) | 2022-05-24 | 2022-05-24 | 预测天线频率的方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210570988.XA CN114781185A (zh) | 2022-05-24 | 2022-05-24 | 预测天线频率的方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114781185A true CN114781185A (zh) | 2022-07-22 |
Family
ID=82408450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210570988.XA Pending CN114781185A (zh) | 2022-05-24 | 2022-05-24 | 预测天线频率的方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781185A (zh) |
-
2022
- 2022-05-24 CN CN202210570988.XA patent/CN114781185A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Koziel et al. | Performance-based nested surrogate modeling of antenna input characteristics | |
Koziel et al. | Expedited feature-based quasi-global optimization of multi-band antenna input characteristics with jacobian variability tracking | |
Koziel et al. | Efficient multi-objective simulation-driven antenna design using co-kriging | |
Sánchez-Hernández | Multiband integrated antennas for 4G terminals | |
Pietrenko-Dabrowska et al. | Antenna modeling using variable-fidelity EM simulations and constrained co-kriging | |
Pietrenko-Dabrowska et al. | Generalized formulation of response features for reliable optimization of antenna input characteristics | |
Koziel et al. | Expedited optimization of antenna input characteristics with adaptive Broyden updates | |
Bekasiewicz et al. | Design space reduction for expedited multi-objective design optimization of antennas in highly dimensional spaces | |
Koziel et al. | Comprehensive comparison of compact UWB antenna performance by means of multiobjective optimization | |
Koziel et al. | Pareto-ranking bisection algorithm for expedited multiobjective optimization of antenna structures | |
Shaker et al. | Accelerated antenna design methodology exploiting parameterized Cauchy models | |
Koziel et al. | Knowledge-based performance-driven modeling of antenna structures | |
Zhou et al. | Representation learning-driven fully automated framework for the inverse design of frequency-selective surfaces | |
Pietrenko-Dabrowska et al. | Two-stage variable-fidelity modeling of antennas with domain confinement | |
Koziel et al. | On nature-inspired design optimization of antenna structures using variable-resolution EM models | |
Haque et al. | Machine learning-based technique for gain and resonance prediction of mid band 5G Yagi antenna | |
Koziel et al. | Simulation‐driven size‐reduction‐oriented design of multi‐band antennas by means of response features | |
da Silva Junior et al. | Fractal and polar microstrip antennas and arrays for wireless communications | |
CN114781185A (zh) | 预测天线频率的方法、装置及电子设备 | |
Pietrenko-Dabrowska et al. | Cost-efficient surrogate modeling of high-frequency structures using nested kriging with automated adjustment of model domain lateral dimensions | |
Jacobs et al. | Variable‐fidelity modeling of antenna input characteristics using domain confinement and two‐stage Gaussian process regression surrogates | |
Vegesna et al. | A multiband hook shaped flexible microstrip array antenna with DGS for 5G communication applications | |
Koziel et al. | Recent developments in simulation-driven multi-objective design of antennas | |
Koziel et al. | Scalability of surrogate-assisted multi-objective optimization of antenna structures exploiting variable-fidelity electromagnetic simulation models | |
Pietrenko-Dabrowska et al. | Model management for low-computational-budget simulation-based optimization of antenna structures using nature-inspired algorithms |
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 |