Por:
Hindawi
|
Fecha:
2020
Cuando se utiliza el aprendizaje automático del proceso gaussiano (GP) como modelo sustitutivo combinado con el método de optimización global para el diseño de optimización rápida de problemas electromagnéticos, se requiere un gran número de cálculos de covarianza, lo que resulta en un volumen de cálculo que es un cubo del número de muestras y una baja eficiencia. Para resolver este problema, este estudio construye un modelo de GP profunda (DGP) utilizando la forma estructural de la red neuronal convolucional (CNN) y combinándola con la GP. En esta red, la GP se utiliza para reemplazar la capa totalmente conectada de la CNN, la capa convolucional y la capa de pooling de la CNN se utilizan para reducir la dimensión de los parámetros de entrada y la GP se utiliza para predecir la salida, mientras que la optimización de enjambre de partículas (PSO) se utiliza el algoritmo para optimizar los parámetros de la estructura de la red. El método de modelado propuesto en este trabajo puede comprimir las dimensiones del problema para reducir la demanda de muestras de entrenamiento y mejorar eficazmente la eficiencia del modelado, garantizando al mismo tiempo la precisión del mismo. En nuestro estudio, utilizamos el método de modelado propuesto para optimizar el diseño de una antena microstrip multibanda (MSA) para terminales móviles y obtuvimos buenos resultados de optimización. La antena optimizada puede trabajar en el rango de frecuencias de 0,69-0,96 GHz y 1,7-2,76 GHz, cubriendo las bandas de frecuencia inalámbricas LTE 700, GSM 850, GSM 900, DCS 1800, PCS1900, UMTS 2100, LTE 2300 y LTE 2500. Se demuestra que el modelo de red DGP propuesto en este trabajo puede sustituir al software de simulación electromagnética en el proceso de optimización, de modo que se reduce el tiempo necesario para la optimización, al tiempo que se garantiza la precisión del diseño.
Fuente:
Revista Virtual Pro
Formatos de contenido:
Otros
