基于PSO算法和高斯过程的微波器件优化设计

发布时间：2021-07-14 07:47

　　传统的微波器件优化设计一般采用电磁仿真软件结合全局优化算法,这种方法效率较低,因此,提高微波器件设计效率是目前的一个热点话题。针对此问题国内外研究人员提出了诸多解决方案,例如人工神经网络（Artificial Neural Network,ANN）、支持向量机（Support Vector Machines,SVM）、高斯过程（Gaussian Process,GP）等建模方法。本文主要介绍的是适应度值继承方法,即子代的适应度值以一定的方式继承父代的适应度值,此类方法不仅可以避免取样带来的时间耗费,而且能在大量减少真实适应度值计算次数的基础上保持算法的优良性能。本文针对多种用途的天线和滤波器,将粒子群优化算法（Particle Swarm Optimization,PSO）结合GP建模方法进行优化设计,主要工作如下:（1）介绍了粒子群算法与高斯过程的基本原理,并对高斯过程建模的实施方法以及Matlab调用电磁仿真软件HFSS的方法进行了说明。（2）研究了基于粒子群优化算法的适应度值估计方法,根据粒子群算法的显式进化公式构造出粒子的适应度值的预测模型,因此粒子的适应度值可通过预测模型给出... 

【文章来源】：江苏科技大学江苏省

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究的目的和意义
    1.2 课题研究现状
        1.2.1 高斯过程方法研究现状
        1.2.2 粒子群算法研究现状
        1.2.3 微波器件研究现状
    1.3 本文研究内容和结构安排
第2章 粒子群算法及高斯过程
    2.1 粒子群优化算法简介
    2.2 高斯过程模型
        2.2.1 高斯过程基本原理
        2.2.2 高斯过程的建模与评估
    2.3 电磁仿真软件及其调用方法
        2.3.1 电磁仿真软件简介
        2.3.2 HFSS-Matlab-Api脚本
    2.4 本章小结
第3章 基于PSO适应度估计方法的微波器件优化设计
    3.1 基于PSO算法的适应度估计方法
        3.1.1 基于PSO算法的适应度估计方法基本原理
        3.1.2 适应度估计方法实现步骤
    3.2 微带准八木天线的优化设计
        3.2.1 微带准八木天线
        3.2.2 微带准八木天线的优化
    3.3 SIR微带带通滤波器优化设计
        3.3.1 SIR微带带通滤波器
        3.3.2 SIR微带带通滤波器的优化
    3.4 本章小结
第4章 基于自主更新PSO适应度估计方法的微波器件优化设计
    4.1 自主更新的PSO适应度估计方法
    4.2 E型双频微带天线优化设计
        4.2.1 E型双频微带天线
        4.2.2 E型双频微带天线的优化设计
    4.3 WLAN/WiMAX多频带天线优化设计
        4.3.1 WLAN/WiMAX多频带天线
        4.3.2 WLAN/WiMAX多频带天线的优化设计
    4.4 本章小结
第5章 PSO适应度估计辅助高斯过程建模在天线设计中的应用
    5.1 PSO适应度估计辅助高斯过程建模方法
    5.2 倒F天线的优化设计
        5.2.1 倒F天线
        5.2.2 倒F天线的优化设计
    5.3 GPS北斗双模微带天线的优化设计
        5.3.1 GPS北斗双模微带天线
        5.3.2 GPS北斗双模微带天线的优化设计
    5.4 本章小结
结论与展望
参考文献
硕士期间研究成果
攻读硕士期间获得的奖励
致谢



本文编号：3283729