通过预先选和机器学习实现宽带天线的全球小型化

科学领域:

• 电气工程 电气工程
• 电磁学 电磁学 电磁学 电磁学
• 计算机科学 计算机科学

背景情况:

• 电子元件的小型化,特别是天线,对于移动通信和物联网 (IoT) 等现代技术至关重要.
• 实现更小的天线尺寸,同时保持电气和电场属性,带来了重大设计挑战.
• 紧天线设计中的参数冗余使优化变得复杂,需要全球搜索策略.

研究的目的:

• 引入一项创新的机器学习 (ML) 程序,以成本效益高的全球优化为基础,实现天线的小型化.
• 为了解决与传统天线优化方法相关的计算低效率和复杂性.
• 开发一种隐式处理设计约束的技术.

主要方法:

• 一种涉及参数空间预选的机器学习程序.
• 使用预测优点函数最小化作为填充标准,对Kriging代理模型的代改进.
• 通过惩罚函数隐式地纳入设计约束.

主要成果:

• 拟议的ML框架证明了它在传统的梯度搜索和以自然为灵感的优化算法上的优越性.
• 在四个宽带天线上进行的数值实验显示出一致且具有竞争力的小型化率.
• 与基准标准相比,该方法以较低的计算成本实现了这些结果.

结论:

• 开发的ML程序为天线小型化提供了一种优越且具有成本效益的解决方案.
• 该技术成功地平衡了缩小尺寸的需要和性能要求.
• 这种方法为设计适用于新兴技术的紧型天线提供了强大的替代方案.