CN116484739A - 一种天线罩电性能反求设计方法 - Google Patents

一种天线罩电性能反求设计方法 Download PDF

Info

Publication number
CN116484739A
CN116484739A CN202310472008.7A CN202310472008A CN116484739A CN 116484739 A CN116484739 A CN 116484739A CN 202310472008 A CN202310472008 A CN 202310472008A CN 116484739 A CN116484739 A CN 116484739A
Authority
CN
China
Prior art keywords
electrical performance
network model
parameters
radome
data
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
Application number
CN202310472008.7A
Other languages
English (en)
Inventor
刘宁
李晓
盛贤君
张春波
阳开华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202310472008.7A priority Critical patent/CN116484739A/zh
Publication of CN116484739A publication Critical patent/CN116484739A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01Q—ANTENNAS, i.e. RADIO AERIALS
    • H01Q1/00—Details of, or arrangements associated with, antennas
    • H01Q1/42—Housings not intimately mechanically associated with radiating elements, e.g. radome
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Details Of Aerials (AREA)

Abstract

本发明提供一种天线罩电性能反求设计方法，包括：获取有限个结构参数数据与相应的电性能参数；构建全连接预测网络模型并训练；构建逆向设计网络模型，所述逆向设计网络模型的输入数据为真实电性能参数，输出数据为对应的结构参数；将所述逆向设计网络模型与训练后的全连接预测网络模型级联后构建级联网络模型；对所述级联网络进行训练，进而对所述逆向设计网络参数进行更新获取需求电性能参数输入训练后的逆向设计网络模型，从而获取对应的结构参数。本发明基于深度学习，建立级联网络，学习天线罩环状子区域的厚度值与电性能参数的非线性关系，实现天线罩电性能参数的逆向设计，根据天线罩电性能参数反求出结构参数。

Description

一种天线罩电性能反求设计方法
技术领域
本发明涉及通信设备技术领域，具体而言，尤其涉及一种天线罩电性能反求设计方法。
背景技术
目前，电磁波调控技术应用到众多领域，例如射频识别、无线通信、雷达等。因此，电性能参数对这些领域都有着至关重要的作用。一般情况下，研发人员需要根据电性能要求反向设计天线罩结构，例如：天线罩目前常用的设计方法主要有谐振腔法、常规线性结构法、模型归一法等。其中，谐振腔法虽易于实现和设计，但对于复杂形状的天线罩不适用，且需要在设计时考虑天线罩与谐振腔的匹配问题；常规线性结构法可以适用于各种形状的天线罩，但需要对较为复杂的电磁学进行计算和分析，计算量大，需要较长时间，且对非线性的材料和结构，可能无法提供精准结果；模型归一化法将天线罩的电性能参数归一化为自由空间波长为单位，将这些归一化参数作为设计自由变量，在一定优化算法下进行优化设计，但对于一些非线性的材料和结构，可能无法提供准确的结果。以上几种方法都需要设计人员掌握天线罩的专业知识，对于非专业人员而言比较困难。
随着计算机技术的发展，群智能优化算法在科学和工程领域中得到了广泛的应用，如工程设计、图像处理、信号处理等。此外，群智能优化算法在电磁领域也应用广泛，如电磁波辐射、电磁场仿真、电磁兼容等。在天线罩设计方面，也有众多国内外研究学者进行探究。许万业等人的专利“一种天线罩的厚度设计方法”，公开号CN106469850B中，发明了一种天线罩厚度设计方法，以电性能指标为设计目标，利用粒子群优化算法进行求解，得到天线罩厚度分布。这种方法利用优化算法进行优化设计，算法性能依赖初始化，且很容易陷入局部最优。
发明内容
本发明提供一种天线罩电性能反求设计方法，通过深度学习对电性能进行反向设计，既解决了非专业人员掌握电路、微波知识较少的问题，又可以解决群智能优化算法依赖初始化、陷入局部最优等问题。
本发明采用的技术手段如下：
一种天线罩电性能反求设计方法，包括以下步骤：
获取有限个结构参数数据与相应的电性能参数，建立结构参数与电性能参数对应数据库；
构建全连接预测网络模型，基于结构参数与电性能参数对应数据库对所述预测网络模型进行训练，将结构参数作为全连接预测网络模型的输入数据、将对应的电性能数据作为全连接预测网络模型的输出数据，训练完成后，固定网络参数；
构建逆向设计网络模型，所述逆向设计网络模型的输入数据为真实电性能参数，输出数据为对应的结构参数；
将所述逆向设计网络模型与训练后的全连接预测网络模型级联后构建级联网络模型；
基于结构参数与电性能参数对应数据库对所述级联网络进行训练，进而对所述逆向设计网络参数进行更新；
获取需求电性能参数输入训练后的逆向设计网络模型，从而获取对应的结构参数。
进一步地，获取有限个结构参数数据与相应的电性能参数，包括：
在给定范围内利用随机算法生成结构参数数据；
利用平面波谱-表面积分法或者矩量法计算每一组结构参数数据对应的电性能参数。
进一步地，所述结构参数被设置为天线罩各环状子区域的厚度数据，所述天线罩各环状子区域根据以下方式获取：采用环状子区域划分方式将天线罩沿z轴划分。
进一步地，所述全连接预测网络模型的输入维度为20，输出维度为10，隐藏层个数为6，隐藏层神经元个数分别为40、80、160、80、40、20。
进一步地，所述逆向设计网络模型的输入维度为10，输出维度为20，隐藏层个数为9层，隐藏层神经元个数分别为50、100、200、400、800、400、200、100、50。
进一步地，基于结构参数与电性能参数对应数据库对所述级联网络进行训练时，构建的损失函数为：
其中，BSEreal,i为第i组电性能数据的真实值，BSEout,i为级联网络输出的第i组电性能数据预测值。
较现有技术相比，本发明具有以下优点：
1、本发明基于深度学习，建立级联网络，学习天线罩环状子区域的厚度值与电性能参数的非线性关系，实现天线罩电性能参数的逆向设计，根据天线罩电性能参数反求出结构参数。
2、本发明采用深度学习实现电性能的快速预测，计算时间短、效率高。
3、本发明采用的级联网络模型实现电性能反求设计，相较于普通的逆向设计网络，解决了一对多的问题。
4、本发明提出的模型能够同时用于超材料、天线罩、频率选择表面等众多技术及领域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明一种天线罩电性能反求设计方法流程图。
图2为本发明实施例天线罩电性能补偿加工量反求中环状子区域划分示意图。
图3为本发明实施例全连接预测网络示意图。
图4为本发明实施例级联网络示意图。
图5为本发明实施例预测网络的训练损失收敛曲线示意图。
图6为本发明实施例测试样本的实际BSE曲线与预测BSE曲线效果对比图。
图7为本发明实施例级联网络的训练损失收敛曲线示意图。
图8为本发明实施例测试样本的预测结构的BSE曲线与实际BSE曲线示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，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他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明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，以便这里描述的本发明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。
如图1所示，本发明提供了一种天线罩电性能反求设计方法，包括以下步骤：
S1、获取有限个结构参数数据与相应的电性能参数，建立结构参数与电性能参数对应数据库。
如图2所示，本实施例中采用环状子区域划分方式将天线罩沿z轴划分成20个环状子区域。其中，位于根部的环状子区域编号设置为1号；位于顶部的环状子区域编号设置为20。20个环状子区域的照壁厚度分别设置为h1,h2,h3,……,h20，构成罩壁几何厚度向量h。利用平面波谱-表面积分法、矩量法等数值方法计算每一组罩壁几何厚度向量h对应的远场电性能参数(BSE)。将相关数据记录下来，形成环状子区域罩壁几何厚度对远场电性能影响的数据库，共采集2800组数据，将数据按照9:1划分为训练数据和测试数据，用于网络后期训练与测试。
S2、构建全连接预测网络模型，基于结构参数与电性能参数对应数据库对所述预测网络模型进行训练，将结构参数作为全连接预测网络模型的输入数据、将对应的电性能数据作为全连接预测网络模型的输出数据，训练完成后，固定网络参数。
如图3所示，搭建一个全连接网络模型，输入维度为20，输出维度为10，隐藏层个数为6，隐藏层神经元个数分别为40、80、160、80、40、20，迭代次数为2000，激活函数为LeakyReLu函数，在激活函数后BN层进行批量归一化，加速神经网络的训练，改善模型鲁棒性。输入为环状子区域厚度h，输出为预测电性能参数，记为计算损失公式为：
将计算的损失值进行梯度反向传播，采用Adam优化器对网络参数进行优化。当迭代终止，固定网络模型参数，保存模型，记为Model1。
S3、构建逆向设计网络模型，所述逆向设计网络模型的输入数据为真实电性能参数，输出数据为对应的结构参数。
S4、将所述逆向设计网络模型与训练后的全连接预测网络模型级联后构建级联网络模型。
S5、基于结构参数与电性能参数对应数据库对所述级联网络进行训练，进而对所述逆向设计网络参数进行更新。
搭建反向设计网络模型，记为Inverse1。对模型Inverse1与Model1进行级联，其中，Inverse1模型的输入为样本的真实电性能向量，记为BSEreal，输出为对应样本的预测结构参数向量，记为Model1模型的输入为样本的预测结构参数向量/>输出为对应的预测电性能向量BSEout。整个网络模型如图4所示。逆向网络Inverse1的输入维度为10，输出维度为20，隐藏层个数为9层，隐藏层神经元个数分别为50、100、200、400、800、400、200、100、50，迭代次数为2000，激活函数为LeakyRelu函数。对比网络输出与真实值，利用均方根误差(MSE)计算损失值，公式为：
采用反向传播更新模型Inverse1模型参数。
S6、获取需求电性能参数输入训练后的逆向设计网络模型，从而获取对应的结构参数。
本实施例中，预测BSE模型的训练损失收敛曲线如图5所示，预测结果与实际电性能曲线对比图如图6所示。结果表明：BSE预测模型的训练损失曲线呈现直线下降，收敛速度极快，且天线罩电性能曲线拟合效果较好，所设计的预测模型可以精准预测天线罩电性能参数。
表1实施例中测试样本的反向设计结构参数与真实结构参数对比表
级联网络的损失收敛曲线如图7所示，输入真实值与输出预测的电性能曲线对比图如图8所示。结果表明：级联网络的逆向设计出的结构参数对应的电性能预测曲线与真实电性能曲线吻合较好，且级联网络的训练损失曲线收敛较快。根据表1可以看出，逆向网络的输出结构参数与真实结构参数相近，根据电性能参数反向求取的结构参数准确率较高。结果表明：本发明提出的电性能反求设计方法能够精准实现天线罩电性能反求设计，且泛化性能优良。
本发明打破传统电性能反求设计方法，基于深度学习设计出一种级联网络模型。以天线罩为例，通过学习天线罩环状子区域的厚度值与电性能参数的非线性关系，有效实现天线罩电性能的逆向设计，反求出满足电性能需求的结构参数。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (6)

1.一种天线罩电性能反求设计方法，其特征在于，包括以下步骤：
获取有限个结构参数数据与相应的电性能参数，建立结构参数与电性能参数对应数据库；
构建全连接预测网络模型，基于结构参数与电性能参数对应数据库对所述预测网络模型进行训练，将结构参数作为全连接预测网络模型的输入数据、将对应的电性能数据作为全连接预测网络模型的输出数据，训练完成后，固定网络参数；
构建逆向设计网络模型，所述逆向设计网络模型的输入数据为真实电性能参数，输出数据为对应的结构参数；
将所述逆向设计网络模型与训练后的全连接预测网络模型级联后构建级联网络模型；
基于结构参数与电性能参数对应数据库对所述级联网络进行训练，进而对所述逆向设计网络参数进行更新；
获取需求电性能参数输入训练后的逆向设计网络模型，从而获取对应的结构参数。
2.根据权利要求1所述的一种天线罩电性能反求设计方法，其特征在于，获取有限个结构参数数据与相应的电性能参数，包括：
在给定范围内利用随机算法生成结构参数数据；
利用平面波谱-表面积分法或者矩量法计算每一组结构参数数据对应的电性能参数。
3.根据权利要求1所述的一种天线罩电性能反求设计方法，其特征在于，所述结构参数被设置为天线罩各环状子区域的厚度数据，所述天线罩各环状子区域根据以下方式获取：采用环状子区域划分方式将天线罩沿z轴划分。
4.根据权利要求1所述的一种天线罩电性能反求设计方法，其特征在于，所述全连接预测网络模型的输入维度为20，输出维度为10，隐藏层个数为6，隐藏层神经元个数分别为40、80、160、80、40、20。
5.根据权利要求1所述的一种天线罩电性能反求设计方法，其特征在于，所述逆向设计网络模型的输入维度为10，输出维度为20，隐藏层个数为9层，隐藏层神经元个数分别为50、100、200、400、800、400、200、100、50。
6.根据权利要求1所述的一种天线罩电性能反求设计方法，其特征在于，基于结构参数与电性能参数对应数据库对所述级联网络进行训练时，构建的损失函数为：
其中，BSEreal,i为第i组电性能数据的真实值，BSEout,i为级联网络输出的第i组电性能数据预测值。
CN202310472008.7A 2023-04-27 2023-04-27 一种天线罩电性能反求设计方法 Pending CN116484739A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310472008.7A CN116484739A (zh) 2023-04-27 2023-04-27 一种天线罩电性能反求设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310472008.7A CN116484739A (zh) 2023-04-27 2023-04-27 一种天线罩电性能反求设计方法

Publications (1)

Publication Number Publication Date
CN116484739A true CN116484739A (zh) 2023-07-25

Family

ID=87222916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310472008.7A Pending CN116484739A (zh) 2023-04-27 2023-04-27 一种天线罩电性能反求设计方法

Country Status (1)

Country Link
CN (1) CN116484739A (zh)

Similar Documents

Publication Publication Date Title
Wu et al. Machine-learning-assisted optimization and its application to antenna designs: Opportunities and challenges
Liu et al. An efficient method for complex antenna design based on a self adaptive surrogate model-assisted optimization technique
Guney et al. Comparison of Mamdani and Sugeno fuzzy inference system models for resonant frequency calculation of rectangular microstrip antennas
Chen et al. Differential evolution based manifold Gaussian process machine learning for microwave Filter’s parameter extraction
Zhang et al. Yield-constrained optimization design using polynomial chaos for microwave filters
Yu et al. State-of-the-art: AI-assisted surrogate modeling and optimization for microwave filters
Na et al. Efficient EM optimization exploiting parallel local sampling strategy and Bayesian optimization for microwave applications
CN109560849A (zh) 一种基于二阶锥规划的波束赋形的鲁棒性自适应算法
Koziel et al. On computationally-efficient reference design acquisition for reduced-cost constrained modeling and re-design of compact microwave passives
CN113962163A (zh) 一种实现无源微波器件高效设计的优化方法、装置和设备
Zhang et al. Surrogate-assisted multistate tuning-driven EM optimization for microwave tunable filter
García et al. A neural-network method for the analysis of multilayered shielded microwave circuits
Liu et al. Automatic coupler design using data-driven-based modular neural network
CN116484739A (zh) 一种天线罩电性能反求设计方法
Wu et al. Parametric model for microwave filter by using multiple hidden layer output matrix extreme learning machine
Hinojosa et al. Optimization-oriented design of RF/microwave circuits using inverse-linear-input neuro-fuzzy-output space mapping with two different dimensionality simulators
Ding et al. Antenna Optimization Based on Auto‐Context Broad Learning System
Wu et al. AI Deep Learning Optimization for Compact Dual-Polarized High-Isolation Antenna Using Backpropagation Algorithm
Wu et al. Double-layer machine learning assisted optimization for antenna sensitivity analysis
Yu et al. Surrogate-based design and tuning methods for RF/microwave devices
Arani et al. A State-of-the-Art Survey on Advanced Electromagnetic Design: A Machine-Learning Perspective
Na et al. Parallel EM optimization using improved pole‐residue‐based neuro‐TF surrogate and isomorphic orthogonal DOE sampling for microwave components design
Huang et al. End‐to‐end inverse modeling and optimization for filters based on artificial neural network
Feng et al. Recent advances in space mapping approach to EM optimization
Peng et al. An Efficient Antenna Optimization Framework Based on Inverse Radial Basis Function Network

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