申请/专利权人：江苏科技大学

申请日：2019-11-08

公开（公告）日：2024-06-11

公开（公告）号：CN111199126B

主分类号：G06F30/25

分类号：G06F30/25;G06F30/27;G06N3/0464;G06N3/006;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.11#授权;2020.06.19#实质审查的生效;2020.05.26#公开

摘要：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。

主权项：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；所述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。

全文数据：

权利要求：

百度查询： 江苏科技大学 一种碎片天线的快速优化设计方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD