一维卷积神经网络超宽带天线建模方法

为加快天线建模优化速度,提出了一种改进的一维卷积神经网络(1D-MCNN)模型。此一维神经网络的卷积核大小为2,将ReLU函数作为激活函数降低梯度弥散;利用Adam优化器与dropout技术结合,提高模型的特征学习能力和非线性函数逼近能力。本文使用1D-MCNN模型对超宽带微带单极子天线几何参数建模,以天线的8个几何参数作为特征输入,对天线的回波损耗值进行预测。实验表明,本文所提1D-MCNN模型与深层MLP网络模型、MLP网络模型、RBF神经网络模型相比,回波损耗值的平均误差分别减小了1.95%,120.27%,125.71%,拥有更高的准确度,预测能力更强,对优化超宽带天线建模可行且性能具有一定优越性。

基于DGS的小型化UWB-MIMO天线的设计

根据目前无线通信系统发展趋势,设计了一款具有高隔离度的小型化双单元超宽带(UWB)多输入多输出(MIMO)天线,整体尺寸仅为18 mm×22 mm×1 mm。该天线贴片采用刻蚀六角星的矩形结构,并在其右侧上下位置分别挖去“w”形及小矩形,实现了天线的宽带化;采用缺陷地(DGS)结构,在接地板顶端刻蚀两个半径相等的半圆形槽,实现了天线的高隔离度。仿真与实测结果基本吻合,天线最终的工作带宽为2.75~10.64 GHz(相对带宽达到117.85%),且在带宽范围内隔离度均大于22 dB,包络相关系数(ECC)小于0.015。由此,所设计的天线不仅尺寸极小、结构简单,且性能方面良好,可广泛应用于无线通信系统中。

超宽带阶梯形微带单极子天线的设计与研究

针对当前已有超宽带(ultra-wideband,UWB)微带单极子天线带宽窄、尺寸大等缺陷,设计了一款小型化UWB阶梯形微带单极子天线,采用开槽的矩形辐射贴片、阶梯形微带馈电线和缺陷地面结构(defected ground structure,DGS)实现良好的UWB特性.对天线的回波损耗、电压驻波比(voltage standing wave ratio,VSWR)、辐射方向图及增益进行了仿真计算和优化设计,实测显示,天线的工作频段为2.6~22.1 GHz,增益最大值为12.9 dBi,仿真和实测结果基本吻合.所设计天线结构简单、覆盖频率广、尺寸小、工作频带内具有良好的辐射特性,表明该天线适用于各种UWB通信系统中.

采用阶梯形微带馈线的高隔离度超宽带MIMO天线

提出了一种小型二端口超宽带(UWB)多输入多输出(MIMO)天线。该天线由两个相同的矩形单极子和缺陷地结构(DGS)组成,通过改进阶梯形微带馈电线,在介质基板底层和顶层添加H形枝节,并在辐射贴片上添加矩形条,提高了天线的带宽和隔离度。实验结果表明:该天线在1~20 GHz工作频带内的隔离度大于21 dB,包络相关系数小于0.02。实测与仿真结果相符,表明该天线适用于UWB MIMO系统,且该天线结构紧凑,尺寸仅为22 mm×29 mm×0.8 mm,可用于便携式通信设备。

深度学习架构神经网络对超宽带天线建模优化

为了加快天线建模优化速度,提出了一种基于深度学习网络架构的新型深度多层感知机(DMLP)网络用于优化超宽带天线,该网络采用阶梯下降形深度全连接层网络,应用Adam优化器自动更新学习率,加快了模型的权值更新。应用drop-out技术对隐含层中的部分神经元进行随机剔除,以防止网络层数过深所导致的过拟合现象的发生。使用DMLP网络对超宽带阶梯形微带单极子天线几何参数进行建模,从天线的8个几何参数中提取特征,对天线的S11值进行预测。实验结果表明,该结构网络与传统多层感知器神经网络、径向基神经网络相比,对S11的预测平均误差分别减小了118.32%和123.76%,拥有更高的预测准确度,拟合速度也有较大提升,通过实验验证了此网络的可行性。