CN118627148A - 基于生成对抗网络的生成式天线优化设计方法 - Google Patents

Abstract

本公开实施例中提供了一种基于生成对抗网络的生成式天线优化设计方法，属于天线设计技术领域，具体包括：结合结构参数和性能参数形成初始数据集；将初始数据集以预设天线性能指标中位数为分界点，分为性能优劣的两类样本，将优类样本经过归一化处理后作为训练集；构建生成对抗网络并利用训练集训练；结合新的结构参数和新的性能参数形成第二数据集，将上次的优类样本与当前次的优类样本合并，并再次划分，得到新的训练集以训练新的生成对抗网络；利用新的生成对抗网络生成多个新的天线模型并仿真，直至满足要求；将随机噪声输入训练好的生成对抗网络，得到天线结构参数的归一化值。通过本公开的方案，提高了优化效率和精准度。

Description

基于生成对抗网络的生成式天线优化设计方法

技术领域

本公开实施例涉及天线设计技术领域，尤其涉及一种基于生成对抗网络的生成式天线优化设计方法。

背景技术

目前，由于复杂的通信环境和人们对天线性能越来越高的要求，天线通常具有复杂的拓扑和结构，同时具有大量的尺寸设计参数，导致现实世界中的电磁问题无法解析计算。传统的方法是利用仿真软件微调天线结构的几何或材料参数以提高性能。而对于具有许多几何参数的复杂天线，这个过程将变得十分耗时。

在天线优化设计中，可以通过机器学习和神经网络方法来减少所需的时间成本。但是一个能够准确学习天线结构和性能参数之间映射关系的网络往往需要大量的数据集支撑其进行训练，而由仿真软件得到大量数据集同样会花费较多的时间。并且，目前通用的优化方法，往往在得到符合要求的天线结构就停止优化，不能一次性获得多个符合要求的天线模型，这限制了天线的设计效率。

可见，亟需一种高效精准的基于生成对抗网络的生成式天线优化设计方法。

发明内容

有鉴于此，本公开实施例提供一种基于生成对抗网络的生成式天线优化设计方法，至少部分解决现有技术中存在优化效率和精准度较差的问题。

本公开实施例提供了一种基于生成对抗网络的生成式天线优化设计方法，包括：

步骤1，建立初始天线模型并对其结构参数进行均匀采样，并使用仿真软件获取结构参数对应的性能参数，结合结构参数和性能参数形成初始数据集；

步骤2，将初始数据集以预设天线性能指标中位数为分界点，分为性能优劣的两类样本，将优类样本经过归一化处理后作为训练集；

步骤3，构建生成对抗网络并利用训练集训练；

步骤4，利用训练好的生成对抗网络生成新的结构参数，并使用仿真软件获取新的性能参数，结合新的结构参数和新的性能参数形成第二数据集，并以预设天线性能指标中位数为分界点将第二数据集划分为性能优劣的两类样本，将上次的优类样本与当前次的优类样本合并，并再次按照预设天线性能指标中位数进行划分，得到新的训练集以训练新的生成对抗网络；

步骤5，利用新的生成对抗网络生成多个新的天线模型并仿真，判断是否有符合要求的天线模型，若有，则输出该天线模型对应的结构参数和性能参数，若无，则重复步骤4，直至满足要求，得到训练好的生成对抗网络；

步骤6，将随机噪声输入训练好的生成对抗网络，得到天线结构参数的归一化值。

根据本公开实施例的一种具体实现方式，所述性能参数包括天线的回波损耗、反射系数、增益、天线方向图和辐射效率中的至少一个。

根据本公开实施例的一种具体实现方式，所述步骤2具体包括：

将初始数据集中的性能参数进行变换，根据变换结果计算每个结构参数对应的天线性能指标，以其中位数将初始数据集分为性能优劣的两类样本，并将优类样本中的结构参数经过归一化处理后作为训练集。

根据本公开实施例的一种具体实现方式，所述归一化的表达式为

其中，x表示待归一化的天线结构参数，x_min表示天线结构参数设计范围内的最小值，x_max表示天线结构参数设计范围内的最大值。

本公开实施例中的基于生成对抗网络的生成式天线优化设计方案，包括：步骤1，建立初始天线模型并对其结构参数进行均匀采样，并使用仿真软件获取结构参数对应的性能参数，结合结构参数和性能参数形成初始数据集；步骤2，将初始数据集以预设天线性能指标中位数为分界点，分为性能优劣的两类样本，将优类样本经过归一化处理后作为训练集；步骤3，构建生成对抗网络并利用训练集训练；步骤4，利用训练好的生成对抗网络生成新的结构参数，并使用仿真软件获取新的性能参数，结合新的结构参数和新的性能参数形成第二数据集，并以预设天线性能指标中位数为分界点将第二数据集划分为性能优劣的两类样本，将上次的优类样本与当前次的优类样本合并，并再次按照预设天线性能指标中位数进行划分，得到新的训练集以训练新的生成对抗网络；步骤5，利用新的生成对抗网络生成多个新的天线模型并仿真，判断是否有符合要求的天线模型，若有，则输出该天线模型对应的结构参数和性能参数，若无，则重复步骤4，直至满足要求，得到训练好的生成对抗网络；步骤6，将随机噪声输入训练好的生成对抗网络，得到天线结构参数的归一化值。

本公开实施例的有益效果为：通过本公开的方案，能够使用少量天线样本对天线进行优化，能够解决神经网络优化天线问题中数据集获取时间过长的问题，使用网络，能够有效避免模式崩溃问题。在多次迭代后能够使用生成器一次性生成多个符合要求的天线，提高了优化效率和精准度。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本公开实施例提供的一种基于生成对抗网络的生成式天线优化设计方法的流程示意图；

图2为本公开实施例提供的一种超宽带天线的结构示意图；

图3为本公开实施例提供的一种双鉴别器神经网络的工作原理图；

图4为本公开实施例提供的一种随着迭代次数增加数据集中天线性能参数中位数的变化曲线；

图5为本公开实施例提供的一种中最终优化的天线S11曲线。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。

本公开实施例提供一种基于生成对抗网络的生成式天线优化设计方法，所述方法可以应用于通信场景的天线设计过程中。

参见图1，为本公开实施例提供的一种基于生成对抗网络的生成式天线优化设计方法的流程示意图。如图1所示，所述方法主要包括以下步骤：

步骤1，建立初始天线模型并对其结构参数进行均匀采样，并使用仿真软件获取结构参数对应的性能参数，结合结构参数和性能参数形成初始数据集；

可选的，所述性能参数包括天线的回波损耗、反射系数、增益、天线方向图和辐射效率中的至少一个。

具体实施时，建立初始天线模型，在需要优化的天线结构参数的设计范围内进行100个点的均匀采样，并使用仿真软件获得100个天线的性能参数，以构建包含100个天线结构-性能数据对的初始数据集。本例中，初始的天线模型如图2所示，天线搭建在L0×W0的FR4环氧基板上，相对介电常数为(εr)4.4，切线损耗为0.02，高(H)＝1.6mm。地平面边缘和方形辐射面片的缺陷以样条曲线的形式实现。需要优化的天线参数向量为需要优化的天线结构参数向量为Y＝[y,r,W,L]^T,其中y＝[y1,y2,…,yn]^T,r＝[r1,r2,…,rm]^T,W＝[W1,W2]^T,L＝[L1,L2]^T，且n＝11，m＝8。其取值范围如表1所示。具体地，本例中需要优化的参数为天线的回波损耗(S11)，并期望实现3～10GHz的超宽带性能，即天线在3～10GHz频段范围内满足S11<-10dB。仿真频段为1GHz至10GHz，采样点为100个。

参数名称	y	r	W1	W2	L1	L2
							范围	(4,14)	(3.5,5)	(17,23)	(2,4)	(26,34)	(10,14)

表1

步骤2，将初始数据集以预设天线性能指标中位数为分界点，分为性能优劣的两类样本，将优类样本经过归一化处理后作为训练集；

在上述实施例的基础上，所述步骤2具体包括：

将初始数据集中的性能参数进行变换，根据变换结果计算每个结构参数对应的天线性能指标，以其中位数将初始数据集分为性能优劣的两类样本，并将优类样本中的结构参数经过归一化处理后作为训练集。

进一步的，所述归一化的表达式为

其中，x表示待归一化的天线结构参数，x_min表示天线结构参数在设计范围内的最小值，x_max表示天线结构参数在设计范围内的最大值。

具体实施时，将初始数据集以自定义的天线性能指标中位数为分界点，分为性能优劣的“1”，“0”两类样本，将“1”类中的天线样本经过归一化处理后，作为网络的训练集。令仿真得到的100个频点的S11的值为ci(i＝1，…，100)，将S11数值作以下变换：

本例中自定义的天线性能指标为：

SCORE＝∑C_i

计算出100个天线的性能得分后，以其中位数将数据集分为得分较高的“1”类样本以及剩下的“0”类样本。在网络训练的过程中，输入网络的数据仅包含归一化后的天线结构数据，不包含仿真得到的天线性能参数，天线性能参数的数据仅在划分数据集时使用。因此将“1”类样本数据的结构参数进行归一化：

将进行归一化处理的天线结构数据集作为网络的训练样本。

步骤3，构建生成对抗网络并利用训练集训练；

具体实施时，构建生成对抗网络模型，并训练。本例中，为增加小样本GAN网络生成数据的多样性，采用了双鉴别器生成对抗网络，其工作原理如图3所示。所述生成器头部由两个全连接层和LeakyRe l u函数构成以提取数据特征，然后进入批归一化层对特征进行归一化，然后再输入一个全连接层和批归一化层，使用S i gmo i d函数将输出结果限制在[0,1]范围内。所述鉴别器由四个全连接层构成，前三个线性层的激活函数为Re l u函数，最后一层激活函数为Softp l us函数，中间添加两个Dropout层以提高鉴别器泛化性能。其输出是正实数，而不是在[0,1]之间的概率。生成器和鉴别器的三元博弈过程如下：

步骤4，利用训练好的生成对抗网络生成新的结构参数，并使用仿真软件获取新的性能参数，结合新的结构参数和新的性能参数形成第二数据集，并以预设天线性能指标中位数为分界点将第二数据集划分为性能优劣的两类样本，将上次的优类样本与当前次的优类样本合并，并再次按照预设天线性能指标中位数进行划分，得到新的训练集以训练新的生成对抗网络；

具体实施时，利用训练好的生成对抗网络生成100个新的天线结构，使用仿真软件进行仿真，按照步骤2的方法将100个数据对分成新的“1”类和新“0”类，将上一次的“1”类样本与本次“1”类样本合并，并再次按照中位数进行划分，得到新的训练集以训练新的生成对抗网络模型。

步骤5，利用新的生成对抗网络生成多个新的天线模型并仿真，判断是否有符合要求的天线模型，若有，则输出该天线模型对应的结构参数和性能参数，若无，则重复步骤4，直至满足要求，得到训练好的生成对抗网络；

具体实施时，利用新的生成对抗网络模型生成100个新的天线结构并仿真，判断是否有符合要求的天线，如果没有，重复步骤4，直到满足要求。

如图4所示，为进行4次迭代过程中，训练集中天线性能指标SCORE中位数的变化，其中0对应的为第一次均匀采样得到的天线数据集的中位数。由此可以看出，GAN网络生成的天线的性能逐渐提高，并且，在第3次GAN网络生成的数据中，已经生成了在3～10GHz具有超宽带性能要求的天线结构，天线的S11曲线如图5所示。优化后的天线结构参数为y＝[10.95，9.38，5.75，6.75，4.93，6.29，13.19，9.24，9.47，8.66，10.45]^T,r＝[3.84，4.63，3.9，4.52，4.5，4.49，4.65，4.11]^T,W＝[17.29,2.25]^T,L＝[28.77,13.57]^T，单位mm。

步骤6，将随机噪声输入训练好的生成对抗网络，得到天线结构参数的归一化值。

具体实施时，在训练好的生成对抗网络的实际应用过程中，训练好的生成对抗网络的输入为随机噪声，输出为天线结构参数的归一化值，可以一次性得到多个符合要求的天线结构参数。

本实施例提供的基于生成对抗网络的生成式天线优化设计方法，通过使用少量样本对网络进行训练，能够解决神经网络优化天线问题中数据集获取时间过长的问题，使用网络，能够有效避免模式崩溃问题。在多次迭代后能够使用生成器一次性生成多个符合要求的天线，提高了优化效率和精准度。

应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (4)

1.一种基于生成对抗网络的生成式天线优化设计方法，其特征在于，包括：

步骤1，建立初始天线模型并对其结构参数进行均匀采样，并使用仿真软件获取结构参数对应的性能参数，结合结构参数和性能参数形成初始数据集；

步骤2，将初始数据集以预设天线性能指标中位数为分界点，分为性能优劣的两类样本，将优类样本经过归一化处理后作为训练集；

步骤3，构建生成对抗网络并利用训练集训练；

步骤4，利用训练好的生成对抗网络生成新的结构参数，并使用仿真软件获取新的性能参数，结合新的结构参数和新的性能参数形成第二数据集，并以预设天线性能指标中位数为分界点将第二数据集划分为性能优劣的两类样本，将上次的优类样本与当前次的优类样本合并，并再次按照预设天线性能指标中位数进行划分，得到新的训练集以训练新的生成对抗网络；

步骤5，利用新的生成对抗网络生成多个新的天线模型并仿真，判断是否有符合要求的天线模型，若有，则输出该天线模型对应的结构参数和性能参数，若无，则重复步骤4，直至满足要求，得到训练好的生成对抗网络；

步骤6，将随机噪声输入训练好的生成对抗网络，得到天线结构参数的归一化值。

2.根据权利要求1所述的方法，其特征在于,所述性能参数包括天线的回波损耗、反射系数、增益、天线方向图和辐射效率中的至少一个。

3.根据权利要求1所述的方法，其特征在于,所述步骤2具体包括：

将初始数据集中的性能参数进行变换，根据变换结果计算每个结构参数对应的天线性能指标，以其中位数将初始数据集分为性能优劣的两类样本，并将优类样本中的结构参数经过归一化处理后作为训练集。

4.根据权利要求2所述的方法，其特征在于,所述归一化的表达式为

其中，x表示待归一化的天线结构参数，x_min表示天线结构参数设计范围内的最小值，x_max表示天线结构参数设计范围内的最大值。