[发明专利]圆形微带天线谐振频率设计方法

说明书

技术领域

本发明涉及一种圆形微带天线谐振频率设计方法，尤其涉及一种基于统一计算设备架构的GPU端并行粒子群神经网络，对圆形微带天线谐振频率的设计方法，属于天线技术领域。

背景技术

微带天线由于具有诸多优点而获得了广泛应用，其中谐振频率是微带天线设计过程中最为重要的一个参数，直接决定天线设计的成败。神经网络(Artificial Neural Networks，ANNs)模型由于具有良好的学习和泛化能力，已被广泛应用于微带天线谐振频率设计建模。训练好的神经网络可以在微带天线相关参数(包括贴片尺寸、介质基片厚度、相对介电常数)和实测谐振频率之间建立起映射关系，从而完成对其他微带天线谐振频率的预测，该方法较传统的方法(主要分为解析法和数值法两类)在精度上具备明显优势，并且可以有效克服解析法对许多贴片结构不适用的缺点，以及数值法对贴片几何结构的改变需要重新计算的缺点。粒子群优化(Particle Swarm Optimization)作为一种容易实现、收敛速度快的全局优化算法，正被逐渐应用到神经网络权阈值的训练中，形成所谓的粒子群神经网络(Particle Swarm Optimization-Artificial Neural Networks，PSO-ANNs)，能比常用的误差反向传播神经网络获得更好收敛精度和更强的预测能力，粒子群神经网络也被用于微带天线谐振频率建模问题。

现有技术的粒子群神经网络用于微带天线谐振频率建模时存在的的一大问题是训练时间较长，其原因是复杂网络结构和大量粒子数目导致计算复杂度较高。利用粒子群优化算法中天然具备的群体中个体行为的并行性，采用GPU技术并行化加速训练粒子群神经网络是解决该问题的有效思路。因此，研究设计一种基于统一计算设备架构的GPU端并行粒子群神经网络，应用于圆形微带天线谐振频率的快速建模具有十分重要的意义。

发明内容

本发明的目的在于提供一种圆形微带天线谐振频率设计方法，基于统一计算设备架构的GPU端并行粒子群神经网络，对圆形微带天线谐振频率设计进行快速建模，以克服现有技术CPU端粒子群神经网络计算时间过长的缺点。

本发明的目的通过以下技术方案予以实现：

一种圆形微带天线谐振频率设计方法，包括以下步骤：

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X_i，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X_i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(X_i)，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T_max；

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X_id和速度V_id，d＝1，2，...，D，计算每个粒子的适应度值F(X_i)，每个粒子的个体最优适应度值F(P_i，best)初始值设为F(X_i)，每个粒子的个体最优位置P_id，best初始值设为X_id，所有F(P_i，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(G_best)和全局最优位置G_d，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X_id、V_id、F(X_i)、P_id，best、F(P_i，best)、G_d，best、F(G_best)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；