[发明专利]一种基于PGP的超宽带天线的设计方法

说明书

本发明提出了一种基于PGP的超宽带天线的设计方法，包括以下步骤：S000：采用训练数据库对GP模型进行迭代训练，得到PGP模型；S100：采用PSO算法对PGP模型寻优，得到满足指标的超宽带天线尺寸参数。本发明利用了高斯过程的预测方差这一特性筛选出对新样本获取有效的数据点，通过不断更新数据库来达到对模型精度的要求，提高泛化能力。本发明可以快速获得PGP模型的训练数据，克服了GP模型对复杂天线数据获取困难的问题。PGP模型训练完成以后，利用其对超宽带天线进行优化，得到满足指标的超宽带天线尺寸，PGP测试输出都较好的贴合HFSS精确数值，可见本发明方法构造的渐进高斯过程确实有较高的稳定性。

技术领域

本发明属于微波电磁领域，具体涉及一种基于渐进高斯过程的超宽带天线的设计方法。

背景技术

近年来，超宽带天线引起了人们对无线通信和传感应用的关注。由于具有宽带宽，简单结构和全向辐射方向图的特性，超宽带天线已被应用到无线通信。高斯过程是一个随机过程，近几年被广泛应用在微波器件的建模中，并且取得了较好的结果。但是对于复杂的天线往往需要大批量的训练样本去描述在工作频率范围内天线结构中不同几何和结构参数的变化，训练样本往往是通过电磁场数值计算或者测量得到的，当需要的训练样本数量过多时，电磁场的计算工作量会增大，通常会有训练输入样本获取困难，样本数量不够，导致模型的泛化能力不强的问题。

在现有技术中，常利用神经网络(ANN)、支持向量机(SVM)、高斯过程(GP)作为替代模型代替电磁仿真软件对微波器件进行优化设计。通过从电磁仿真软件获取训练样本对模型进行建模，利用智能优化算法对训练好的模型进行优化。

对于神经网络而言，如果遇到复杂的微波器件，往往需要大批量的训练样本去描述在工作频率范围内微波电路结构中不同几何和结构参数的变化，使得神经网络模型的建立变得非常有难度。而SVM和GP也会面临因为训练样本不够，导致模型不精确，泛化能力不够的问题。

发明内容

发明目的：为解决现有替代模型对复杂天线的训练样本获取困难的难点，本发明的目的在于提出一种渐进高斯过程(Progressive Gaussian Process，PGP)的超宽带天线的设计方法，应用于超宽带天线中，通过增加训练样本的数量，来提高模型泛化能力。

本发明所采用的技术方案是：一种基于PGP的超宽带天线的设计方法，包括以下步骤：

S000：采用训练数据库对GP模型进行迭代训练，得到PGP模型；

S100：采用PSO算法对PGP模型寻优，得到满足指标的超宽带天线尺寸参数。

进一步的，所述PGP模型的建模步骤包括：

S010：建立训练数据库；

S020：采用训练数据库中的训练样本对GP模型进行训练，直至收敛，得到已训练的GP模型；

S030：采用测试样本对已训练的GP模型和HFSS模型进行预测和求解，得到对应的两种结果，采用式(1)计算得到这两种结果的相关系数r；判断相关系数r是否大于阈值，若大于，则当前GP模型即为PGP模型，并执行S100使用粒子群算法对PGP模型寻优，得到满足指标的天线尺寸；否则，进行S040；

式中，n代表频率点的个数，y_i代表HFSS模拟值，代表模型的预测值，代表模型的预测平均值，代表HFSS平均值；

S040：随机产生若干组粒子，通过已训练的GP模型得出预测值，并计算得到其预测方差值，判断该预测方差值是否大于方差阈值，若大于，则将该预测值对应的样本带入HFSS模型中进行仿真，得到的仿真结果放入S010的数据库中，并记录更新数据库的次数，执行S020。

进一步的，所述训练数据库中的训练样本的获取步骤包括：