[发明专利]一种碎片天线的快速优化设计方法

说明书

本发明公开了一种碎片天线的优化设计方法，其原理基于PSO算法和CNN神经网络相结合的优化算法，主要解决天线优化设计的时效问题。其实现的步骤包括：构建碎片天线初始模型；初始化CNN神经网络和PSO算法参数；选取若干组碎片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PSO算法的适应度函数值及最优值；得到最优的CNN神经网络参数；对最优化的PSO‑CNN模型进行测试和优化；利用优化后的PSO‑CNN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。本发明利用最佳PSO‑CNN作为代理模型拟合碎片天线设计参数样本的电磁仿真数据,代替传统的电磁仿磁仿真软件,减少电磁仿真次数,从而减少设计时间，提高天线设计时的效率。

技术领域

本发明涉及天线的快速优化设计方法，尤其涉及的是针对表面碎片式的天线 优化设计的实现方法。

背景技术

当今智能算法在天线设计中的应用已经非常成熟。通常天线优化设计依赖于 给定或确定的天线初始布局的几何优化。传统优化方法首先确定天线结构的设计 参数，然后通过遗传算法、PSO等优化算法对参数取值进行优化。然而对于复杂 天线来说，优化参数数量过多，训练输入数据维数过大从而导致计算难度变大。 在智能算法中，卷积神经网络(CNN)可以在保留数据价值的同时减少数据的量。 将CNN应用到复杂的碎片天线设计中，可以避免输入数据由于参数过多而难以处 理的问题，节省了优化设计的时间。

在训练CNN模型时，由于模型包含大量的参数，参数的训练方法是影响CNN 模型性能的关键，所以此方法用粒子群优化算法(PSO)来进行CNN模型的参数寻 优。

发明内容

发明目的：利用PSO-CNN模型对碎片式天线进行优化设计,代替传统的电磁 仿真软件,减少电磁仿真次数,从而减少设计用时，提高天线设计时的效率。

技术方案：本发明公开了一种基于PSO算法和CNN神经网络相结合的优化 算法，简称PSO-CNN算法，并将其应用于碎片天线的优化设计。包括构建碎片 天线初始模型；初始化CNN神经网络和PSO算法参数；选取若干组碎片天线设 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PSO算法的适应度 函数值及最优值；得到最优的CNN神经网络参数；对最优化的PSO-CNN模型 进行测试和优化；利用优化后的PSO-CNN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。

采用的针对碎片式天线的优化设计方案，具体步骤如下：

S1.根据需要设计的碎片式天线，构建天线初始模型；

S2.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。

S3.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，并按顺序排列。

S4.初始化粒子群算法，将步骤S2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S2中的输出数据的差值作为粒子群算法的适应度函数。

S5.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。

S6.利用步骤S5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.步骤S2中碎片式天线的随机生成是指碎片天线的表面，即天线表面金属 贴片图案的随机化，输入数据为图案的矩阵数据。