一种变形倒L单极子复合MIMO天线优化方法

本发明公开一种变形倒l单极子复合mimo天线优化方法，属于无线通信天线与人工智能交叉领域。

背景技术：

1、随着无线通信技术的快速发展，多输入多输出（mimo）技术因能够显著提升系统容量和频谱利用率，已成为现代通信系统的关键技术。在mimo天线设计中，端口间的互耦是影响系统性能的核心问题之一，通常采用中和线等去耦手段来改善隔离度。然而，天线结构参数与电磁性能之间的映射关系复杂，传统的设计优化方法严重依赖设计人员的经验，通过全波电磁仿真软件进行逐点参数扫描来获取最优结构参数。由于单次全波仿真耗时数分钟至数十分钟，遍历多参数组合的总时间往往长达数十小时，导致设计周期长、计算资源消耗大，难以在有限时间内探索宽广的设计空间。当待优化天线结构复杂、可调参数增多时，参数间的耦合关系更加复杂，优化难度进一步增加。

2、近年来，已有研究者将机器学习方法引入天线设计领域，利用神经网络、高斯过程等模型建立结构参数与s参数之间的映射关系以替代全波仿真。然而，当天线结构复杂、可调参数增多时，结构参数与电磁性能之间的非线性关系更加复杂，s参数曲线作为高维输出（通常包含数百至数千个频点）进一步增加了建模难度。现有方法在高维输入输出条件下存在预测精度下降、模型训练困难等问题，难以满足工程实际需求。针对上述问题，本发明提供一种基于主成分分析与径向基函数神经网络相结合的代理模型优化方法，通过pca降维提取s参数曲线的主要特征，再利用rbf网络建立结构参数与主成分之间的非线性映射，结合约束惩罚函数实现高维参数空间中的高效全局优化。

技术实现思路

1、本发明的目的在于提供一种变形倒l单极子复合mimo天线优化方法，以解决现有技术中，变形倒l单极子复合双频mimo天线优化中结构参数多、耦合关系复杂，导致全波仿真优化计算量大且高维s参数曲线建模困难的问题。

2、一种变形倒l单极子复合mimo天线优化方法，包括：

3、s1、获取变形倒l单极子复合双频mimo天线的五个关键尺寸参数；

4、s2、利用全波电磁仿真软件生成原始样本；构成原始数据集；

5、s3、计算原始样本目标工作频段内的最大反射系数和最大传输系数，并设置回波损耗的设计指标和隔离度的设计指标对原始样本进行物理约束，保留满足物理约束的原始样本为有效样本，基于有效样本构建训练数据集，对训练数据集中每个关键尺寸参数进行z-score标准化；

6、s4、构建rbf神经网络代理模型；对训练数据集中的s参数曲线进行正向主成分变换得到主成分得分，将主成分得分作为rbf神经网络代理模型输出标签；

7、将标准化后的训练数据集输入rbf神经网络代理模型进行神经网络训练，训练完成后得到训练完成的rbf神经网络代理模型；将标准化后的待预测样本输入训练完成的rbf神经网络代理模型，输出预测的主成分得分，预测的主成分得分通过主成分反变换恢复s参数曲线；

8、s5、根据有效样本中五个关键尺寸参数的取值范围，采用拉丁超立方采样方法生成候选参数组合，将候选参数组合输入rbf神经网络代理模型，生成目标工作频段内的s11反射系数曲线和s21传输系数曲线；

9、s6、根据各候选参数组合的预测s参数，计算各候选样本相对设计约束的违反程度，结合候选样本的尺寸评价指标构建综合评分，按综合评分排序选取最优天线参数组合及备选方案。

10、s1包括，获取变形倒l单极子复合双频mimo天线的五个关键尺寸参数，五个关键尺寸参数包括单极子竖臂与变形倒l第二条竖臂在x轴方向的距离、变形倒l第二条竖臂高度、中和线竖臂2高度、单极子直臂1长度和中和线直臂3长度；

11、其余天线尺寸参数在优化过程中均保持固定值不变。

12、s2包括，基于五个关键尺寸参数生成原始样本，对五个关键尺寸参数在取值范围内进行组合扫描，使用全波电磁仿真软件对每一种参数组合进行一次全波仿真，获得目标工作频段内的s11反射系数曲线和s21传输系数曲线，每条s参数曲线包含个频点；

13、构建原始样本，每组原始样本包含5个关键尺寸参数、一条s11反射系数曲线和一条s21传输系数曲线。

14、s3包括，计算第组原始样本目标工作频段内的最大反射系数和最大传输系数：

15、；

16、；

17、式中，为频率，为目标工作频段，为第组在频率处的值，为第组在频率处的值，为原始样本索引；

18、对原始样本进行物理约束：

19、；

20、；

21、式中，为回波损耗的设计指标，为隔离度的设计指标。

22、s4包括，s4.1、训练阶段，对训练数据集的s参数曲线进行正向主成分变换：

23、；

24、式中，为主成分得分矩阵，为原始s参数曲线矩阵，为s参数曲线的均值向量，为前25个主成分的载荷矩阵；

25、预测阶段，进行主成分反变换：

26、；

27、式中，为恢复后的s参数曲线，为rbf模型预测得到的主成分得分，为转置符号。

28、s4包括，rbf神经网络代理模型包括输入层、隐含层和输出层；

29、输入层为5个节点，对应5个关键尺寸参数；

30、隐含层采用高斯径向基函数作为激活函数：

31、；

32、式中，为第个隐含层节点的径向基函数输出值，为标准化后的输入向量，为第个径向基函数的中心，为径向基函数的宽度参数，为欧氏距离；

33、rbf神经网络代理模型训练分为两个阶段，第一阶段以训练集中全部样本点作为隐含层节点中心，隐含层节点数m等于训练样本数，宽度参数取训练样本两两之间非零欧氏距离的中位数；

34、第二阶段为确定输出层权重，隐含层到输出层的权重通过正则化最小二乘法求解：

35、；

36、；

37、式中，为隐含层输出矩阵，为中第行第列元素，、分别为第个和第个样本的输入向量，为正则化系数，为单位矩阵，为目标输出矩阵；

38、分别对s11和s21建立独立的pca-rbf预测模型。

39、s5包括，根据有效样本中五个关键尺寸参数的最小值和最大值确定候选参数搜索范围，采用拉丁超立方采样方法生成组候选参数组合，将候选参数组合输入rbf神经网络代理模型，生成目标工作频段内的s11反射系数曲线和s21传输系数曲线。

40、s6包括，s6.1、对于每一组候选参数组合，分别提取目标频段内s11和s21的最大值和：

41、；

42、；

43、式中，为在频率处s11的值，为在频率处s21的值；

44、设置基本设计约束：

45、；

46、；

47、定义约束违反量：

48、；

49、；

50、式中，为s11指标的约束违反量，为s21指标的约束违反量；

51、当候选参数组合满足基本设计约束，违反量为0；不满足基本设计约束时，违反量为正数，为偏离设计指标的程度。

52、s6包括，s6.2、定义尺寸评价指标：

53、；

54、式中，为第个关键尺寸参数的值；

55、构建综合评分函数：

56、；

57、式中，为第个候选结构的综合评分，为第个候选结构的尺寸评价指标，、为第个候选结构的约束违反量，为惩罚系数。

58、s6包括，s6.3、计算各候选样本的，按照从小到大的顺序对所有候选结构进行排序，选取综合评分最低的候选样本作为最优天线参数组合，同时输出排名前的结构作为备选方案。

59、相对比现有技术，本发明具有以下有益效果：本发明通过pca降维将高维s参数曲线压缩至25维主成分，大幅降低了rbf神经网络的输出维度，解决了高维曲线直接建模困难的问题；利用rbf神经网络强大的非线性映射能力建立结构参数与主成分得分之间的映射关系，实现了高维参数空间中的高精度预测；结合约束惩罚函数对阻抗匹配、端口隔离度和尺寸紧凑性进行综合约束与评价，从候选结构中快速筛选出满足双频段设计指标的最优方案，相较于传统全波仿真逐点扫描，仿真540组参数需约40小时，而训练完成的pca-rbf模型预测500组候选结构仅需秒级时间，计算效率提升约144,000倍，有效解决了高维复杂天线结构优化中仿真耗时长、高维输出建模困难的技术问题，为结构复杂、参数众多的mimo天线高效优化设计提供了可靠的技术支撑。