[发明专利]一种基于ALO-LMBP神经网络的双陷波特性超宽带天线逆向建模研究方法

权利要求书

1.一种基于ALO-LMBP神经网络的双陷波特性超宽带天线逆向建模研究方法，其特征在于，包括以下步骤：

S10、提取训练数据，选择一种具有双陷波特性的超宽带天线，提取其回波损耗S11与频率f和驻波比VSWR与f的关系数据作为模型的输入样本；

S20、运用蚁狮算法训练LMBP正向模型，优化权值和阈值并保存；

S30、保持权值阈值不变，在建立好的LMBP正向模型中输入结构参量f，运行得到对应的输出参量S11和VSWR；

S40、计算输出参量与目标参量之间的评价函数F；

S50、利用逆向迭代算法更新输入参量

S60、将上述步骤得到的ALO-LMBP神经网络逆向建模方法用于具有双陷波特性的超宽带天线的研究，并将模型输出数据与LMBP逆向建模方法和直接逆建模的方法相比较。

2.如权利要求1所述的基于ALO-LMBP神经网络的双陷波特性超宽带天线逆向建模研究方法，其特征在于，在所述步骤S10中，利用电磁仿真软件HFSS15.0仿真软件对具有双陷波特性的超宽带天线进行射频特性的建模仿真分析，回波损耗小于-10dB时，天线带宽为2.8-12.3GHz，在带宽范围内的电压驻波比(VSWR)在2以下；并且在3.23～3.7GHz和8.01～8.66GHz两个频段产生良好的陷波特性；

设置频率步长0.1GHz，提取天线回波损耗S11与f的数据和驻波比VSWR与f的数据各1400组。

3.如权利要求1所述的基于ALO-LMBP神经网络的双陷波特性超宽带天线逆向建模研究方法，其特征在于，所述步骤S20的蚁狮算法优化过程包括：

S21、随机初始化蚁群和蚂蚁的位置，蚂蚁的位置由随机游走确定，且游走的位置必须被限制在规定的范围内其中a_i是第i个变量随机游动的最小值，d_i是第i个变量随机游动的最大值，是第t次迭代时第i个变量的最小值，是第t次迭代时第i个变量的最大值；

S22、蚂蚁的游走会受到蚁狮陷阱的影响，防止蚂蚁越界，保证随机游走，确定蚂蚁巡游地域的边界范围其中c^(t)是第t次迭代中所有变量的最小值，d^(t)是第t次迭代中所有变量的最大值，表示第j只蚁狮在第t次迭代时的位置；

S23、蚂蚁落入蚁狮陷阱后，蚁狮会缩小陷阱，缩小蚂蚁的游走范围；其中式中I是比率，w为蚂蚁的速度调节因子，随着迭代次数的增加，I增大；

S24、蚁狮算法利用轮盘赌算子根据适应度选择蚁狮，如果巡游的蚂蚁个体的适应度优于蚁狮时，使该个体成为新的蚁狮式中t为当前进化次数，是第t代中群体里适应度更优的第i个蚂蚁，f为群体内个体适应度的判定函数；

S25、将蚂蚁种群精英化，被捕的巡游蚂蚁的位置更新式中代表表示第t代绕由轮盘赌选出的蚁狮游走的蚂蚁，表示t代绕精英蚁狮游走的蚂蚁。

4.如权利要求1所述的基于ALO-LMBP神经网络的双陷波特性超宽带天线逆向建模研究方法，其特征在于，所述步骤S40的输出参量与目标参量之间的评价函数其中Y为LMBP神经网络正向模型的输出，D₁为已知的目标电参数；该评价函数用于求其平方和误差，E_p代表第p组数据所得平方和误差。