圓形微帶天線諧振頻率設(shè)計(jì)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種圓形微帶天線諧振頻率設(shè)計(jì)方法，尤其涉及一種基于統(tǒng)一計(jì)算設(shè) 備架構(gòu)的GPU端并行粒子群神經(jīng)網(wǎng)絡(luò)，對(duì)圓形微帶天線諧振頻率的設(shè)計(jì)方法，屬于天線技 術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 微帶天線由于具有諸多優(yōu)點(diǎn)而獲得了廣泛應(yīng)用，其中諧振頻率是微帶天線設(shè)計(jì) 過(guò)程中最為重要的一個(gè)參數(shù)，直接決定天線設(shè)計(jì)的成敗。神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANNs)模型由于具有良好的學(xué)習(xí)和泛化能力，已被廣泛應(yīng)用于微帶天線諧振頻率 設(shè)計(jì)建模。訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)可以在微帶天線相關(guān)參數(shù)（包括貼片尺寸、介質(zhì)基片厚度、相 對(duì)介電常數(shù)）和實(shí)測(cè)諧振頻率之間建立起映射關(guān)系，從而完成對(duì)其他微帶天線諧振頻率的 預(yù)測(cè)，該方法較傳統(tǒng)的方法（主要分為解析法和數(shù)值法兩類）在精度上具備明顯優(yōu)勢(shì)，并且 可以有效克服解析法對(duì)許多貼片結(jié)構(gòu)不適用的缺點(diǎn)，以及數(shù)值法對(duì)貼片幾何結(jié)構(gòu)的改變需 要重新計(jì)算的缺點(diǎn)。粒子群優(yōu)化（Particle Swarm Optimization)作為一種容易實(shí)現(xiàn)、收 斂速度快的全局優(yōu)化算法，正被逐漸應(yīng)用到神經(jīng)網(wǎng)絡(luò)權(quán)閾值的訓(xùn)練中，形成所謂的粒子群 神經(jīng)網(wǎng)絡(luò)（Particle Swarm Optimization-Artificial Neural Networks，PSO-ANNs)，能 比常用的誤差反向傳播神經(jīng)網(wǎng)絡(luò)獲得更好收斂精度和更強(qiáng)的預(yù)測(cè)能力，粒子群神經(jīng)網(wǎng)絡(luò)也 被用于微帶天線諧振頻率建模問(wèn)題。
[0003] 現(xiàn)有技術(shù)的粒子群神經(jīng)網(wǎng)絡(luò)用于微帶天線諧振頻率建模時(shí)存在的的一大問(wèn)題是 訓(xùn)練時(shí)間較長(zhǎng)，其原因是復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)和大量粒子數(shù)目導(dǎo)致計(jì)算復(fù)雜度較高。利用粒子群 優(yōu)化算法中天然具備的群體中個(gè)體行為的并行性，采用GPU技術(shù)并行化加速訓(xùn)練粒子群神 經(jīng)網(wǎng)絡(luò)是解決該問(wèn)題的有效思路。因此，研宄設(shè)計(jì)一種基于統(tǒng)一計(jì)算設(shè)備架構(gòu)的GPU端并 行粒子群神經(jīng)網(wǎng)絡(luò)，應(yīng)用于圓形微帶天線諧振頻率的快速建模具有十分重要的意義。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供一種圓形微帶天線諧振頻率設(shè)計(jì)方法，基于統(tǒng)一計(jì)算設(shè)備 架構(gòu)的GPU端并行粒子群神經(jīng)網(wǎng)絡(luò)，對(duì)圓形微帶天線諧振頻率設(shè)計(jì)進(jìn)行快速建模，以克服 現(xiàn)有技術(shù)CPU端粒子群神經(jīng)網(wǎng)絡(luò)計(jì)算時(shí)間過(guò)長(zhǎng)的缺點(diǎn)。
[0005] 本發(fā)明的目的通過(guò)以下技術(shù)方案予以實(shí)現(xiàn)：
[0006] 一種圓形微帶天線諧振頻率設(shè)計(jì)方法，包括以下步驟：
[0007] 步驟1 :構(gòu)建圓形微帶天線諧振頻率的神經(jīng)網(wǎng)絡(luò)模型，將圓形微帶天線TM11模式下 諧振頻率的神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本和測(cè)試樣本歸一化處理，每個(gè)樣本包含貼片半徑、介質(zhì)基片 厚度、相對(duì)介電常數(shù)和實(shí)測(cè)諧振頻率這4個(gè)數(shù)據(jù)；確定神經(jīng)網(wǎng)絡(luò)模型的輸入層、隱層和輸出 層的節(jié)點(diǎn)數(shù)，確定神經(jīng)網(wǎng)絡(luò)模型的隱層和輸出層的激活函數(shù)；
[0008] 步驟2 :構(gòu)建圓形微帶天線諧振頻率的粒子群神經(jīng)網(wǎng)絡(luò)模型，將每個(gè)粒子編碼成 一個(gè)D維向量Xi, i代表粒子編號(hào)，i = 1，2, ...，N，N為粒子群中的粒子數(shù)目，D維向量Xi 代表一個(gè)神經(jīng)網(wǎng)絡(luò)的所有權(quán)閾值，每個(gè)神經(jīng)網(wǎng)絡(luò)的歸一化訓(xùn)練樣本的輸出誤差平方和即為 對(duì)應(yīng)粒子的適應(yīng)度值F(Xi)，設(shè)定粒子群算法中的下列參數(shù)值：粒子數(shù)目N、慣性權(quán)重w、學(xué) 習(xí)因子cdP C2、訓(xùn)練次數(shù)Tmax;
[0009] 步驟3 :CPU端初始化粒子群神經(jīng)網(wǎng)絡(luò)：隨機(jī)初始化每個(gè)粒子的位置Xid和速度V id， d = 1，2, ...，D，計(jì)算每個(gè)粒子的適應(yīng)度值F (Xi),每個(gè)粒子的個(gè)體最優(yōu)適應(yīng)度值F (Pi^st) 初始值設(shè)為F (Xi)，每個(gè)粒子的個(gè)體最優(yōu)位置Pid, best初始值設(shè)為X id，所有F (Pi, best)的最小 值及其對(duì)應(yīng)的位置分別設(shè)為全局最優(yōu)適應(yīng)度值F(Gbest)和全局最優(yōu)位置G d,best;
[0010] 步驟4 :進(jìn)行CPU端到GPU端數(shù)據(jù)傳遞：CPU端調(diào)用CUdaMemcpyO函數(shù)，將CPU 端的數(shù)據(jù) xid、vid、F(Xi)、Pid,best、F(Pi, best)、Gd,best、F(Gbest)傳至 GPU 全局內(nèi)存；CPU 端調(diào)用 cudaMemcpyToSymbol ()函數(shù)，將CPU端的歸一化訓(xùn)練樣本數(shù)據(jù)傳至GPU常量?jī)?nèi)存；
[0011] 步驟5 :進(jìn)行GPU端并行粒子群神經(jīng)網(wǎng)絡(luò)計(jì)算：利用PSO算法群體中個(gè)體行為的并 行性，GPU端一個(gè)線程對(duì)應(yīng)一個(gè)粒子，在GPU端反復(fù)執(zhí)行T max次并行粒子群神經(jīng)網(wǎng)絡(luò)算法迭 代，每次并行粒子群神經(jīng)網(wǎng)絡(luò)算法包含依次順序執(zhí)行的以下（1) (2) (3) (4)四個(gè)步驟：
[0012] (1)按粒子群速度更新和位置更新公式同時(shí)更新每個(gè)粒子的速度Vid(t)和位置 Xid (t)：
[0013] Vid (t+1) = wVid (t) +C^1 (Pidj best (t) -Xid (t)) +c2r2 (Gdj best (t) -Xid (t))
[0014] Xid (t+1) = Xid (t)+Vid (t+1)
[0015] 式中，當(dāng)前迭代次數(shù)t = 1，2, . . .，T_，rJPr2是介于[0，1]的均勻分布的隨機(jī) 數(shù)，在GPU端產(chǎn)生隨機(jī)數(shù)可使用⑶RAND庫(kù)中的curand_uniform()函數(shù)）；
[0016] (2)同時(shí)計(jì)算每個(gè)粒子對(duì)應(yīng)的適應(yīng)度值F(Xi);
[0017] (3)同時(shí)更新每個(gè)粒子的個(gè)體最優(yōu)適應(yīng)度值F(Pi^st)及其對(duì)應(yīng)的個(gè)體最優(yōu)位置 Pid,best:若 F(Xi) <F(Pi>best)，則 F(Xi) =F(PLbest)Jitubest=Xid;
[0018] (4)用并行規(guī)約算法更新全局最優(yōu)適應(yīng)度值F(Gbest)及其對(duì)應(yīng)的全局最優(yōu)位置G d, best:g min (F(P i，best) )< F(Gbest)，則 F(Gbest) = min (F(Pi，best))，取 min 時(shí) i = I，Gd，best = Pld，best;
[0019] 步驟6 :進(jìn)行GPU端到CPU端數(shù)據(jù)傳遞，即CPU端調(diào)用cudaMemcpy ()函數(shù)，將GPU 端訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)最優(yōu)權(quán)閾值Gd,best傳回至CPU端；
[0020] 步驟7 :將歸一化的訓(xùn)練樣本和測(cè)試樣本帶入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，將網(wǎng)絡(luò)輸出反 歸一，得到圓形微帶天線諧振頻率的網(wǎng)絡(luò)輸出值。
[0021] 本發(fā)明的目的還可以通過(guò)以下技術(shù)措施來(lái)進(jìn)一步實(shí)現(xiàn)：
[0022] 前述圓形微帶天線諧振頻率設(shè)計(jì)方法，其中步驟1所述神經(jīng)網(wǎng)絡(luò)的輸入層、隱層 和輸出層的節(jié)點(diǎn)數(shù)為：
[0023] 神經(jīng)網(wǎng)絡(luò)采用常用的3層網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)i為3、輸出層節(jié)點(diǎn)數(shù)j為 1，隱層節(jié)點(diǎn)數(shù)P的取值范圍由下式確定：
[0024] p=y[iT] + a \<α<10 ；
[0025] 其中步驟1所述神經(jīng)網(wǎng)絡(luò)的隱層和輸出層的激活函數(shù)確定如下：
[0026] 神經(jīng)網(wǎng)絡(luò)的隱層激活函數(shù)選為雙極性S型函數(shù)，如下式所示：
【主權(quán)項(xiàng)】
1. 一種圓形微帶天線諧振頻率設(shè)計(jì)方法，其特征在于，該方法包含下列步驟； 步驟1 :構(gòu)建圓形微帶天線諧振頻率的神經(jīng)網(wǎng)絡(luò)模型，將圓形微帶天線TM11模式下諧振 頻率的神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本和測(cè)試樣本歸一化處理，每個(gè)樣本包含貼片半徑、介質(zhì)基片厚度、 相對(duì)介電常數(shù)和實(shí)測(cè)諧振頻率這4個(gè)數(shù)據(jù)；確定神經(jīng)網(wǎng)絡(luò)模型的輸入層、隱層和輸出層的 節(jié)點(diǎn)數(shù)，確定神經(jīng)網(wǎng)絡(luò)模型的隱層和輸出層的激活函數(shù)； 步驟2 :構(gòu)建圓形微帶天線諧振頻率的粒子群神經(jīng)網(wǎng)絡(luò)模型，將每個(gè)粒子編碼成一個(gè)D 維向量Xi, i代表粒子編號(hào)，i = 1，2，...，N，N為粒子群中的粒子數(shù)目，D維向量Xi代表一 個(gè)神經(jīng)網(wǎng)絡(luò)的所有權(quán)閾值，每個(gè)神經(jīng)網(wǎng)絡(luò)的歸一化訓(xùn)練樣本的輸出誤差平方和即為對(duì)應(yīng)粒 子的適應(yīng)度值F (Xi)，設(shè)定粒子群算法中的下列參數(shù)值：粒子數(shù)目N、慣性權(quán)重w、學(xué)習(xí)因子C1 和C2、訓(xùn)練次數(shù)Tmax; 步驟3 :CPU端初始化粒子群神經(jīng)網(wǎng)絡(luò)；隨機(jī)初始化每個(gè)粒子的位置Xid和速度V id，d = 1，2, ...，D，計(jì)算每個(gè)粒子的適應(yīng)度值F (Xi)，每個(gè)粒子的個(gè)體最優(yōu)適應(yīng)度值F (Pi^st)初始 值設(shè)為F (Xi)，每個(gè)粒子的個(gè)體最優(yōu)位置Pid^st初始值設(shè)為X id，所有F (Pi^st)的最小值及其 對(duì)應(yīng)的位置分別設(shè)為全局最優(yōu)適應(yīng)度值F(Gbest)和全局最優(yōu)位置G d^st; 步驟4 :進(jìn)行CPU端到GPU端數(shù)據(jù)傳遞：CPU端調(diào)用cudaMemcpy ()函數(shù)，將CPU端 的數(shù)據(jù) Xid、Vid、F(Xi)、Pid,best、F(P iibest)、Gd,best、F(Gbest)傳至 GPU 全局內(nèi)存；CPU 端調(diào)用 cudaMemcpyToSymbol ()函數(shù)，將CPU端的歸一化訓(xùn)練樣本數(shù)據(jù)傳至GPU常量?jī)?nèi)存； 步驟5 :進(jìn)行GPU端并行粒子群神經(jīng)網(wǎng)絡(luò)計(jì)算：利用PSO算法群體中個(gè)體行為的并行 性，GPU端一個(gè)線程對(duì)應(yīng)一個(gè)粒子，在GPU端反復(fù)執(zhí)行Tmax次并行粒子群神經(jīng)網(wǎng)絡(luò)算法迭代， 每次并行粒子群神經(jīng)網(wǎng)絡(luò)算法包含依次順序執(zhí)行的以下（1) (2) (3) (4)四個(gè)步驟： (1) 按粒子群速度更新和位置更新公式同時(shí)更新每個(gè)粒子的速度Vid(t)和位置 Xid ω ： Vid (t+1) = wVid (t) +C^1 (Pidjbest (t) -Xid (t)) +c2r2 (Gd；best (t) - Xid (t)) Xid (t+1) =Xid (t)+Vid (t+1) 式中，當(dāng)前迭代次數(shù)t = 1，2,. . .，Tmax，巧和r 2是介于[0, 1]的均勻分布的隨機(jī)數(shù)，在 GPU端產(chǎn)生隨機(jī)數(shù)可使用⑶RAND庫(kù)中的curand_uniform()函數(shù)）； (2) 同時(shí)計(jì)算每個(gè)粒子對(duì)應(yīng)的適應(yīng)度值F(Xi); (3) 同時(shí)更新每個(gè)粒子的個(gè)體最優(yōu)適應(yīng)度值F(Piibest)及其對(duì)應(yīng)的個(gè)體最優(yōu)位置 Pid，best;右 F (X i)〈F (Pi，best)，則 F (Xi) F (Pi，best)，P id,best X id， (4) 用并行規(guī)約算法更新全局最優(yōu)適應(yīng)度值F (Gbest)及其對(duì)應(yīng)的全局最優(yōu)位置G4best: 若 min (F (Pi;best)) <F (Gbest)，則 F (Gbest) = min (F (Pi;best))，取 min 時(shí) i = I，G d，best P Id, best， 步驟6 :進(jìn)行GPU端到CPU端數(shù)據(jù)傳遞，即CPU端調(diào)用cudaMemcpy ()函數(shù)，將GPU端訓(xùn) 練好的神經(jīng)網(wǎng)絡(luò)最優(yōu)權(quán)閾值Gd^st傳回至CPU端； 步驟7 :將歸一化的訓(xùn)練樣本和測(cè)試樣本帶入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，將網(wǎng)絡(luò)輸出反歸一， 得到圓形微帶天線諧振頻率的網(wǎng)絡(luò)輸出值。
2. 如權(quán)利要求1所述的圓形微帶天線諧振頻率設(shè)計(jì)方法，其特征在于，步驟1所述神經(jīng) 網(wǎng)絡(luò)的輸入層、隱層和輸出層的節(jié)點(diǎn)數(shù)為： 神經(jīng)網(wǎng)絡(luò)采用常用的3層網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)i為3、輸出層節(jié)點(diǎn)數(shù)j為1，隱 層節(jié)點(diǎn)數(shù)P的取值范圍由下式確定：
步驟1所述神經(jīng)網(wǎng)絡(luò)的隱層和輸出層的激活函數(shù)確定如下： 神經(jīng)網(wǎng)絡(luò)的隱層激活函數(shù)選為雙極性S型函數(shù)，如下式所示；
輸出層的激活函數(shù)選為單極性S型函數(shù)，如下式所示；
3. 如權(quán)利要求2所述的圓形微帶天線諧振頻率設(shè)計(jì)方法，其特征在于，所述隱層節(jié)點(diǎn) 數(shù)P設(shè)定為8。
4. 如權(quán)利要求3所述的圓形微帶天線諧振頻率設(shè)計(jì)方法，其特征在于，步驟2所述向量 XiS子維數(shù)D為41。
5. 如權(quán)利要求4所述的圓形微帶天線諧振頻率設(shè)計(jì)方法，其特征在于，步驟2所述粒子 數(shù)目N為64的倍數(shù)值；慣性權(quán)重w取值為1至0. 4線性遞減；學(xué)習(xí)因子(^和c 2分別取2. 8 和1. 3 ;訓(xùn)練次數(shù)Tmax取值為1000。
【專利摘要】本發(fā)明公開了一種圓形微帶天線諧振頻率設(shè)計(jì)方法，用粒子群神經(jīng)網(wǎng)絡(luò)在圓形微帶天線貼片半徑、介質(zhì)基片厚度、相對(duì)介電常數(shù)這三個(gè)相關(guān)參數(shù)和實(shí)測(cè)諧振頻率之間建立起映射關(guān)系，利用GPU技術(shù)在統(tǒng)一計(jì)算設(shè)備架構(gòu)編程環(huán)境下對(duì)粒子群神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程進(jìn)行并行加速計(jì)算，訓(xùn)練好的粒子群神經(jīng)網(wǎng)絡(luò)可以用來(lái)預(yù)測(cè)其他圓形微帶天線的諧振頻率。本發(fā)明可以克服CPU端粒子群神經(jīng)網(wǎng)絡(luò)計(jì)算時(shí)間過(guò)長(zhǎng)的缺點(diǎn)，提高圓形微帶天線諧振頻率建模速度和建模精度。
【IPC分類】H01Q1-38, G06N3-02
【公開號(hào)】CN104680235
【申請(qǐng)?zhí)枴緾N201510095406
【發(fā)明人】陳風(fēng), 田雨波, 劉 東
【申請(qǐng)人】江蘇科技大學(xué)
【公開日】2015年6月3日
【申請(qǐng)日】2015年3月3日