[发明专利]基于CNN堆叠宽度学习系统的天线仿真设计优化方法

说明书

本发明公开了基于CNN堆叠宽度学习系统的天线仿真设计优化方法，用来代替传统智能优化算法和电磁仿真软件结合的天线优化设计方法，传统的BLS网络使用随机产生的权重矩阵和偏置，在面对复杂样本情况时，可能会产生对样本特征提取不充分，进而降低训练精度，使得最后拟合效果不理想的问题，本申请中SBLS将深度学习中的残差网络应用到BLS中，通过残差网络对每一层BLS的输出与期望输出的残差进行进一步的拟合，提高了系统的学习能力并且针对现实中更复杂的小样本数据有更理想的拟合效果，减少了电磁仿真次数和时间，提高了天线优化设计的效率。

技术领域

本发明涉及微波电磁优化领域，特别涉及基于CNN堆叠宽度学习系统的天线仿真设计优化方法。

背景技术

现有的电磁仿真软件在求解分析时需要大量时间，使得天线设计优化严重耗时。使用优化算法作为天线设计仿真的辅助工具已经日渐成熟。传统天线优化设计过程依赖于天线初始布局的几何优化，首先确定天线结构参数，然后通过遗传算法、粒子群算法(Particle Swarm Optimization，PSO)等智能算法对参数迭代优化最终输出最优参数。然而对于结构复杂的天线来说，需要优化的结构参数数量和待训练的数据维数都有一定程度的增加，增加了电磁软件的仿真难度，同时也会使传统优化算法的迭代次数增加。在神经网络中，卷积神经网络(CNN)经过卷积、池化可以降低数据维度并且很好的保留数据的重要信息，是一种很好的特征提取方法。传统神经网络的训练需要大量的样本数据进行训练，宽度学习可以根据较少的样本数据快速的计算出所需要的最优结构参数，且宽度学习的增量学习在新增数据时不需要重构系统，所以在优化天线参数这种中、小样本数据时选择宽度学习系统(BLS)作为代理模型更高效。根据残差网络原理的堆叠宽度学习系统进一步减小输出误差。使用CNN-SBLS网络可以有效解决当前智能优化模型中超参数多、训练时间长、容易陷入局部最优的问题，也大量的节省了天线仿真优化设计的时间。

专利发明一种碎片天线的快速优化设计方法，CN111199126A中公开了一种基于PSO算法和CNN神经网络相结合的优化算法，其中CNN神经网络的训练中用PSO算法来对CNN神经网络中的结构参数进行寻优，将参数寻优训练完成后的CNN神经网络模型作为代替传统电磁软件的模型针对碎片式天线进行快速输入响应，得到天线的谐振频率曲线。

PSO是一种高效的智能全局优化算法，其作为全波电磁仿真软件(例如HFSS、FEKO)设计天线的辅助代理模型是一种较为有效的方法，具体过程是在电磁仿真软件中进行天线建模和高精度评价，并将该评价结果作为适应度函数来反映群体中随机解的优劣，这种优化设计方法通常需要大量的适应度函数评价才能搜索出全局最优解。易出现陷入局部最优解的问题，原因在于PSO没有充分地利用计算过程中获得的信息，在每一步迭代中仅仅利用了群体最优和个体最优的信息。

发明内容

发明目的：本发明的目的是提供一种基于CNN堆叠宽度学习系统的天线仿真设计优化方法来代替传统智能优化算法和电磁仿真软件结合的天线优化设计方法，提高系统的学习能力，针对现实中更复杂的小样本数据有更理想的拟合效果，减少了电磁仿真次数和时间，提高了天线优化设计的效率。

技术方案：本发明所述的基于CNN堆叠宽度学习系统的天线仿真设计优化方法，具体包括以下步骤：

S1：天线建模：在电磁仿真软件中初步构建天线的初始结构模型；

S2：数据生成：调用HFSS应用到Matlab的仿真接口，生成一定数量的天线结构参数和响应结果，并在电磁仿真软件中进行仿真，作为训练CNN-SBLS的测试和训练数据集；

S3：数据预处理：对训练数据和测试数据进行预处理，选择归一化使数据在相同尺度，得到样本数据X₀和标签数据Y₀；

S4：生成底层BLS网络的特征节点层：使用CNN对样本数据进行特征提取，得到底层BLS网络的特征节点Z₁ⁿ，作为底层BLS网络的输入特征节点层，其中n为正整数；