[发明专利]圆形微带天线谐振频率设计方法

摘要

本发明公开了一种圆形微带天线谐振频率设计方法，用粒子群神经网络在圆形微带天线贴片半径、介质基片厚度、相对介电常数这三个相关参数和实测谐振频率之间建立起映射关系，利用GPU技术在统一计算设备架构编程环境下对粒子群神经网络的训练过程进行并行加速计算，训练好的粒子群神经网络可以用来预测其他圆形微带天线的谐振频率。本发明可以克服CPU端粒子群神经网络计算时间过长的缺点，提高圆形微带天线谐振频率建模速度和建模精度。

主权项

一种圆形微带天线谐振频率设计方法，其特征在于，该方法包含下列步骤；步骤1：构建圆形微带天线谐振频率的神经网络模型，将圆形微带天线TM11模式下谐振频率的神经网络训练样本和测试样本归一化处理，每个样本包含贴片半径、介质基片厚度、相对介电常数和实测谐振频率这4个数据；确定神经网络模型的输入层、隐层和输出层的节点数，确定神经网络模型的隐层和输出层的激活函数；步骤2：构建圆形微带天线谐振频率的粒子群神经网络模型，将每个粒子编码成一个D维向量Xi，i代表粒子编号，i＝1,2,...,N，N为粒子群中的粒子数目，D维向量Xi代表一个神经网络的所有权阈值，每个神经网络的归一化训练样本的输出误差平方和即为对应粒子的适应度值F(Xi)，设定粒子群算法中的下列参数值：粒子数目N、惯性权重w、学习因子c1和c2、训练次数Tmax；步骤3：CPU端初始化粒子群神经网络；随机初始化每个粒子的位置Xid和速度Vid，d＝1,2,...,D，计算每个粒子的适应度值F(Xi)，每个粒子的个体最优适应度值F(Pi,best)初始值设为F(Xi)，每个粒子的个体最优位置Pid,best初始值设为Xid，所有F(Pi,best)的最小值及其对应的位置分别设为全局最优适应度值F(Gbest)和全局最优位置Gd,best；步骤4：进行CPU端到GPU端数据传递：CPU端调用cudaMemcpy()函数，将CPU端的数据Xid、Vid、F(Xi)、Pid,best、F(Pi,best)、Gd,best、F(Gbest)传至GPU全局内存；CPU端调用cudaMemcpyToSymbol()函数，将CPU端的归一化训练样本数据传至GPU常量内存；步骤5：进行GPU端并行粒子群神经网络计算：利用PSO算法群体中个体行为的并行性，GPU端一个线程对应一个粒子，在GPU端反复执行Tmax次并行粒子群神经网络算法迭代，每次并行粒子群神经网络算法包含依次顺序执行的以下(1)(2)(3)(4)四个步骤：(1)按粒子群速度更新和位置更新公式同时更新每个粒子的速度Vid(t)和位置Xid(t)：Vid(t+1)＝wVid(t)+c1r1(Pid,best(t)‑Xid(t))+c2r2(Gd,best(t)–Xid(t))Xid(t+1)＝Xid(t)+Vid(t+1)式中，当前迭代次数t＝1,2,...,Tmax，r1和r2是介于[0,1]的均匀分布的随机数，在GPU端产生随机数可使用CURAND库中的curand_uniform()函数)；(2)同时计算每个粒子对应的适应度值F(Xi)；(3)同时更新每个粒子的个体最优适应度值F(Pi,best)及其对应的个体最优位置Pid,best；若F(Xi)<F(Pi,best)，则F(Xi)＝F(Pi,best)，Pid,best＝Xid；(4)用并行规约算法更新全局最优适应度值F(Gbest)及其对应的全局最优位置Gd,best：若min(F(Pi,best))<F(Gbest)，则F(Gbest)＝min(F(Pi,best))，取min时i＝I，Gd,best＝PId,best；步骤6：进行GPU端到CPU端数据传递，即CPU端调用cudaMemcpy()函数，将GPU端训练好的神经网络最优权阈值Gd,best传回至CPU端；步骤7：将归一化的训练样本和测试样本带入训练好的神经网络，将网络输出反归一，得到圆形微带天线谐振频率的网络输出值。