天线方向性图的神经网络建模的研究.pdfVIP

天线方向性图的神经网络建模研究 谢泽明赖声礼 (华南理工大学电子与通信工程系，广东广州510640) 摘要：为了探索多层前传神经网络模型对天线方向性图的建模能力与特性，本文用多 层前传神经网络模型对对称振子天线及二元对称振子天线阵的方向性图进行建模试 验。实验表明，多层前传神经网络模型可以有效地对天线的方向性图进行建模，可用于 天线的计算机辅助设计(CAD)。 关键词：天线；神经网络；模型；函数逼近 l 引言 传统的天线分析方法都是基于电磁模型并应用电磁场理论进行计算的，如矩量法 (MOM)、有限元法(FEM)、时域有限差分法(FDTD)等。经过多年的发展，这 些方法已经可毗对各种各样的天线的性能(如天线的方向性图、输入阻抗等)进行准确 的计算。然而，这些方法计算量巨大，计算时间长，而且常常需要占用大量的内存空间。 这使这些方法难于用于工程设计，特别是滩以与计算机优化设计程序相结合，造成天线 CAD设计的困难。本文将尝试用多层前传神经网络【1】对对称振子天线及用对称振子天 线组成的二元天线阵列的方向性图进行建模，目的在于探讨神经网络对天线方向性图的 建模能力及特性，神经网络模型的输入参数包括天线的结构(天线长度、阵元间距)及 方位角，输出为天线在该方向的归一化方向性函数值。虽然对称振子天线及其阵列只是 非常简单的天线，其方向性函数在天线的教科书上都有计算公式可以计算【2】，然而其 方向性图随结构尺寸的变化是非常丰富的，随着对称振子天线的长度及阵元间距的加 大，其方向性图会出现复杂的波瓣分裂，其波瓣也具有一般天线方向性圈的特征，用来 考察神经网络对天线方向性图的建模能力是非常适合的。用多层前传两络为天线方向性 图建模即用多层前传网络逼近天线的方向性函数f(O)，也就是用多层前传网络实现从 天线的结构参数和方位角向到天线沿这一方向的辐射能力的映射。在本文中进行建模的 天线是对称振子天线及其等幅同相馈电二元阵，如图1所示。 用于天线方向性图建模的神经网络为包含2层隐蔽层的多层前传网络，隐蔽层神 经元的特性函数为Sigmoid函数．隐蔽层神经元的的个数通过试验确定，输出层只有一 个神经元，它的特性函数采用线性函数。输入层的输入参数为方位角、对称振子臂长及 两振子间闻距，输出为天线的方向性函数．VlI练算法采用动量BP算法并采用学习率自 适应调整策略【3】。 2 建模结果及讨论 图2给出对对称振子天线方向性图进行建模的结果，图中虚线为神经网络模型计 算的归一化方向性图，实线为理论计算【2】的计算结果。计算样本时，从0．22到1丑每隔 0．052计算一个样本，方位角口的采样间隔为5度，建模所用多层前传神经网络的第一 隐蔽层单元数20，第二隐蔽层的单元数为30。由图中可见，二者吻合的很好，表明建 模是成功的。从图中可以看到，当对称振子臂长从0．2丑变到1^时，其方向性图旋生了 很大的变化，神经阿络模型的计算结果还能和理论计算的结果吻合。图中给出结果的三 个天线其臂长，都不是计算训练样本时所用的值，因此从图3的结果中我们可咀看到神 经网络模型的推广能力． 图3给出对二元对称搌子天线阵的方向性图进行的建模结果。计算样本时，从 0．2^到1兄每隔0．052、d从0．22到l^每隔O．052计算一个样本，方位角目的采样间 隔为5度。多层前传神经网络的第一隐蔽层单元数40，第二隐蔽层的单元数为40。图 中实线为理论计算计算的归一化方向性图，虚线为神经网络计算的归一化方向性图。由 图可看到，随着天线参数的变化，方向性图的形状随之也发生的变化，但神经网络模型 的结果和理论计算的结果还是吻舍得相当好，图3的结果表明二元对称振子天线阵的神 经网络建模是成功的。同样，为了考察神经网络的推广能力，图3中天线的参数值也不 是训练样本所采用的值，由图3可看出，对于这种情况，神经网络的建模结果依然是令 人满意的，反映出神经网络的良好的推广能力。 图2和图3的结果表明，用神经网络对天线的方向性图进行建模是可行的。一个 含有2层隐蔽层，每层有40个神经单元的多层前传神经网络，已经可以对结构参数为 142个、方向性图有2《个波瓣的天线进行建模。由此，我们可以初步了解神经网络对 天线方