[发明专利]基于神经网络的天线设计方法

说明书

本发明公开了一种基于神经网络的天线设计方法，包括构建天线初始模型；初始化RBF神经网络和PSO算法参数；选取若干组天线设计参数值输入天线初始模型得到对应的天线模型响应；计算RBF神经网络参数的适应度函数值及算法最优值；得到最优的RBF神经网络参数；对RBF神经网络模型进行测试和优化；利用优化后的RBF神经网络模型作为天线代理模型模拟天线设计参数响应，完成天线的设计。本发明能够有效提高神经网络的预测精度和收敛速度，利用最佳神经网络作为代理模型拟合天线设计参数样本的电磁仿真数据，代替耗时巨大的电磁仿真实现从天线结构参数到电磁响应的瞬时近似计算，减少电磁仿真次数，降低计算成本，提高天线设计效率。

技术领域

本发明具体涉及一种基于神经网络的天线设计方法。

背景技术

随着各种通信技术的蓬勃兴起，无线通信系统正朝着多功能化和大容量方向快速发展。现代无线通信系统的发展不仅要求天线具有重量轻、成本低、易于制造和易于集成等特点，还对天线的小型化、宽频带、多频带、共形和一体化设计提出了更多要求。

常规天线设计一般基于规则结构，利用现有的经验公式，结合天线工程师的设计经验和实物测量与调试。但是，明显的，现有的天线设计过程，设计周期长，而且非常依赖于设计者的个人素养和经验；同时，更重要的是，这些常规的天线设计方法对非规则结构、新型结构和高性能要求的天线设计显得无能为力。最后，当优化设计多参数高维的天线结构时，现有的天线设计过程冗长、优化能力和效率变得很差。

智能优化算法因其在求解大决策空间、高度非线性和多极值的复杂问题时具有较强的全局搜索能力和稳定性被用于多种高性能天线的设计。尽管如此，伴随基于种群的智能优化算法好处的一个缺陷是优化过程需要进行巨大数量的模型评估。利用电磁仿真软件进行模型评估虽然保证了天线性能预测准确度较高，但进行一次天线仿真花费的时间较长，在进行复杂天线的设计时尤为明显。尤其在借助智能优化算法优化天线参数时，可能需要上百上千次的调用电磁仿真软件进行模拟计算，而针对天线复杂度不同每次EM仿真的时间从几分钟到几十分钟不等，这也就意味着天线设计的时间成本过大，这明显阻碍了在设计过程中直接应用智能优化算法，也间接导致了各种旨在降低计算成本的策略的发展。

发明内容

本发明的目的在于提供一种天线设计过程科学可靠、设计效率较高且成本低廉的基于神经网络的天线设计方法。

本发明提供的这种基于神经网络的天线设计方法，包括如下步骤：

S1.根据天线设计需求，构建天线初始模型；

S2.初始化径向基函数神经网络(RBF神经网络)和粒子群优化算法(PSO算法)的参数；

S3.在天线设计空间中随机选取若干组天线设计参数值作为输入样本，输入到步骤S1得到的天线初始模型中，并得到各个输入样本所对应的天线模型响应；

S4.在步骤S3得到的输入样本中，选取若干组输入样本与各输入样本所对应的天线模型响应，计算RBF神经网络参数的适应度函数值及算法最优值；

S5.对步骤S4得到的适应度函数值进行判断，从而得到最优的RBF神经网络参数；

S6.在步骤S3得到的输入样本中，选取除步骤S4选中的输入样本外的剩余的输入样本，对步骤S5得到的RBF神经网络模型进行测试和优化；

S7.利用步骤S6得到的优化后的RBF神经网络模型作为天线代理模型，对天线设计过程中的天线设计参数的响应进行模拟，从而完成天线的设计。

步骤S4所述的计算RBF神经网络参数的适应度函数值及算法最优值，具体为采用如下步骤进行计算：