[發明專利]基于添加特征策略的機器學習輔助天線設計方法

有效

• 申請號: 201910368034.9
• 申請日: 2019-05-05
• 公開（公告）號: CN110162847B
• 公開（公告）日: 2023-08-25
• 發明（設計）人: 無奇;王海明;尹杰茜;余晨;洪偉
• 申請（專利權）人: 東南大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/18
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于添加特征策略的機器學習輔助天線設計方法，其特征在于，包括以下步驟：

(1)提取影響天線輻射特性的結構特征參數，構建訓練數據集；

(2)在上一步得到的訓練數據集中添加頻率為特征值，得到帶有頻率特征的訓練數據集；

(3)采用機器學習算法對帶有頻率特征的訓練數據集進行訓練，得到代理模型；

(4)選擇優化目標，利用進化算法對代理模型進行優化，獲得最優的目標預測值對應的天線參數組合；所述的利用進化算法對代理模型進行優化，其優化目標設置為單一目標，進化算法中的適應度函數m₁為：

其中，M為所添加的特征值頻率的個數，為第i個頻率點處的優化目標預測值，p₁為低置信邊界算法LCB常數，為第i個頻率點處的優化目標預測值的標準差；所述低置信邊界算法LCB常數p₁屬于(0，0.2)；

(5)對最優目標預測值對應的天線參數組合進行全波仿真計算，根據仿真結果判斷是否達到循環終止條件，如果需要繼續循環則更新訓練數據集后，重復步驟(2)至(5)的計算過程直至循環終止。

2.根據權利要求1所述的基于添加特征策略的機器學習輔助天線設計方法，其特征在于，步驟1中所述構建訓練數據集包括以下過程：在各個所述的結構特征參數的上下限區間內隨機采樣，組成特征參數集合并進行全波仿真計算，計算結果以及對應的結構特征參數共同組成訓練數據集。

3.根據權利要求1所述的基于添加特征策略的機器學習輔助天線設計方法，其特征在于，步驟2中所述的添加頻率特征，其添加的頻點間隔為0.5GHz。

4.根據權利要求1所述的基于添加特征策略的機器學習輔助天線設計方法，其特征在于：步驟3中所述的機器學習算法為高斯過程回歸算法。

5.根據權利要求4所述的基于添加特征策略的機器學習輔助天線設計方法，其特征在于：所述優化目標設置為帶寬38-47.5GHz內的反射系數在-10dB以下，所述優化目標預測值為反射系數的預測值。

6.根據權利要求1所述的基于添加特征策略的機器學習輔助天線設計方法，其特征在于：步驟4中所述的利用進化算法對代理模型進行優化，其優化目標設置為多目標，優化任務為：

其中，N為優化目標的個數，w_k為第k個目標的權重常數，O_k(x)為第k個目標的經低置信邊界算法LCB預篩選后的適應度，為第k個目標的參考點值。

7.根據權利要求6所述的基于添加特征策略的機器學習輔助天線設計方法，其特征在于：所述優化目標設置為帶寬38-47.5GHz內的反射系數|S11|的值至-10dB以下且增益的值至4.8dBi以上。