[发明专利]一种碎片天线的快速优化设计方法

权利要求书

1.一种碎片天线的快速优化设计方法，其特征在于,包括如下具体步骤：

(1)根据需要设计的碎片式天线，构建天线初始模型；

(2)随机生成一定数量的碎片式天线，获得碎片式天线的输入数据集并用电磁仿真软件进行仿真，得到对应的输出样本，输入数据和对应的输出数据为训练PSO-CNN模型做准备；

(3)初始化卷积神经网络模型，并将卷积神经网络的网络参数作为粒子群算法的粒子数，按顺序排列；

(4)初始化粒子群算法，将步骤(2)中的输入数据代入卷积神经网络模型，将该模型的预测值与步骤(2)中的输出数据的差值作为粒子群算法的PSO适应度函数；

(5)当粒子群算法寻优完成后按对应的卷积神经网络参数顺序进行粒子解码，得到训练完成的PSO-CNN模型；

(6)利用步骤(5)得到的PSO-CNN模型作为电磁仿真软件的替代模型，对碎片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。

2.根据权利要求1所述的一种碎片天线的快速优化设计方法，其特征在于，步骤(2)中所述随机生成为碎片天线表面金属贴片图案的随机化，输入数据为图案的矩阵数据；

3.根据权利要求1所述的一种碎片天线的快速优化设计方法，其特征在于，步骤(3)中的卷积神经网络的基本结构由输入层、卷积层、池化层、全连接层和输出层组成。卷积层和池化层根据实际问题设置若干层，并以交替方式排列。卷积神经网络参数为卷积神经网络结构中的参数，包括权值阈值以及偏置量。这些参数在粒子群算法中粒子群算法的粒子维度数输入数据经过卷积运算后，卷积层的特征面中神经元的个数满足如下公式：

其中Outsize表示输出特征面神经元个数；InSize表示输入特征面神经元个数；CSize为卷积核的尺寸，CInterval表示卷积核的滑动平移步长。保证上式的除法项运算结果是整数，有利于后续网络的计算。否则还需对网络进行额外的处理。卷积层可训练参数数目如下公式：

CPN＝(InSize×CSize+1)×OutSize (公式2)

其中CPN为训练参数的数量，InSize为输入特征面神经元数量；CSize表示卷积核的尺寸大小；1表示阈值的数量，每一层只设置一个共享的阈值；Outsize表示输出特征面神经元个数。

4.根据权利要求1所述的一种碎片天线的快速优化设计方法，其特征在于，PSO算法通过加速每个粒子向自身和群体最佳的位置靠近，在空间中会随机设置粒子的起始位置和速度。在迭代搜索过程中，记录下单个粒子和群体所经历的最佳位置以及对应的适应度函数值。粒子的搜索空间是n维的，整个粒子群X＝(X₁,L X_i,L,X_m)包含m个粒子，第i个粒子位置在X_i＝(x_i1,x_i2,L,x_in)^T，此时粒子的速度为V_i＝(v_i1,v_i2,L,v_in)^T。粒子的个体极值为P_i＝(p_i1,p_i2,L,p_in)^T，种群的全局极值为P_g＝(p_g1,p_g2,L,p_gn)^T。当粒子确定个体和全局位置后，根据以下公式更新自身的速度和位置信息；

其中，ω为惯性权重，ω决定了粒子当前速度继承多少，c₁和c₂都是学习因子；rand(g)是用来产生介于0和1之间的随机数；和分别为粒子i在第k次迭代中d维的速度和位置；是单个粒子的个体极值位置，是全体粒子的全局极值的位置。t＝1,2,L为循环次数。迭代终止条件可根据特定问题设置，通常设置为达到最大迭代次数K或者种群搜索到的最优位置满足预期的值。