稀疏正则化逆向神经网络在双陷波超宽带天线设计中的应用

在双陷波超宽带天线的设计过程中,直接逆向神经网络模型精度较低,而BP逆向神经网络泛化能力较差,若单独使用HFSS仿真软件需要不断优化天线各参数增加了设计时间。针对以上问题,提出一种将HFSS与稀疏正则化逆向神经网络联合的方法。该方法在逆向神经网络性能函数中增加l1/2范数和l2范数,l1/2范数引入了新的权系数,扩充了输入样本向量,使网络更易得到稀疏性解,逆模型精度更高,l2范数能有效避免过拟合现象,使网络泛化能力更强。应用于双陷波超宽带天线设计中,采用在辐射贴片上开弧形槽的方式产生陷波特性,根据天线目标电压驻波比逆向求解对应的开槽尺寸。仿真实验结果表明,与BP逆向神经网络方法相比,求得的与天线电压驻波比对应的开槽角度相对误差减小了69.3%,开槽半径相对误差减小了88.7%,网络运行时间减少了15.9%;最终设计的天线带宽为2.4~11GHz,实现了3.31~3.8GHz和4.98~6.05GHz的良好陷波特性,缩短了整个天线的设计周期。

改进果蝇算法优化广义回归神经网络的双陷波超宽带天线建模

为实现对双陷波超宽带(UWB)天线的精准神经网络建模,提出了一种利用改进的果蝇算法(FOA)优化广义回归神经网络(GRNN)的建模方法。该方法通过扩大果蝇搜索范围,在味道判定公式中引入调整项来实现果蝇算法的改进,并用改进后的果蝇算法优化GRNN的光滑因子。这样可以避免果蝇算法陷入局部最优,提高模型预测精度。将该方法用于双陷波超宽带天线模型的建立中,并对天线的S11参数和电压驻波比VVSWR参数进行预测。结果表明,相比于FOA-GRNN建模方法和GRNN建模方法,S11参数的最大相对误差分别减小了91.08%和99.14%;VVSWR参数的最大相对误差分别减小了98.36%和99.18%,使超宽带天线建模精度得到提高,验证了该方法的可行性。

改进蝴蝶算法的神经网络天线建模

为提高天线建模效率,改变传统建模方法速度慢、效率低的问题,提出了一种用改进的蝴蝶算法(BOA)优化多层前馈神经网络(back propagation neural network,BPNN)的天线建模方法。首先,以多层前馈神经网络为基础网络,建立蝴蝶算法优化的BP神经网络,解决BP神经网络预测精度低的问题。其次,在蝴蝶算法中融入天牛须算法(BAS),用天牛须算法替代蝴蝶算法的局部寻优过程,减小蝴蝶算法的空间复杂度、解决蝴蝶算法易陷入局部最小值的问题,创建改进的BOA-BP神经网络对天线进行精准建模。设计实例表明,该网络的预测精度达到了99.60%,相比于传统的BPNN和未改进蝴蝶算法优化的BPNN,预测S11的误差分别减少了47%和40.9%。此外,改进的BOA算法的运行时间相对于粒子群算法和遗传算法也分别减小了80.86%和82.79%,大大降低了网络运行的时间成本。综上,改进的BOA优化后的BPNN的建模精度和速度均得到了提高,验证了改进的蝴蝶算法作为一种新型神经网络优化策略的可行性和有效性。