集成的基于GRM的高效多性能预测方法用于可重新配置的Fabry-Perot天线.
Yuxuan Huang1, Zhiming Liu2, Duanqi Wang1
1School of Information Engineering, Nanchang University, Nanchang, 330031, People's Republic of China.
Scientific reports
|March 7, 2026
概括
一个新的通用回归模型 (GRM) 通过将可重新配置的单元状态与电磁性能联系起来来加速天线设计. 该模型通过预测和识别最佳配置,有效优化天线系统.
科学领域:
- 电磁工程 电磁工程 电磁工程
- 计算电磁学 计算机电磁学
- 天线设计天线设计
背景情况:
- 可重新配置的天线需要有效的方法来将组件状态与性能指标联系起来.
- 现有的模型可能缺乏复杂的多目标优化准确度或速度.
研究的目的:
- 引入一种新的通用回归模型 (GRM),以基于可重新配置单元激活来描述天线性能.
- 为可重新配置天线的前预测和反向设计开发一个综合框架.
主要方法:
- 利用三个平行通用回归神经网络 (GRNN) 子网络来建模回归损失,收益和辐射模式.
- 使用多目标粒子集群优化 (MOPSO) 和递归校正方法优化GRNN子网络.
- 开发了一种基于枚举的反向映射,与用于配置识别的前预测集成.
主要成果:
- GRM框架成功建模了关键的电磁性能指标.
- 反向过程有效地确定了符合性能约束的可重新配置的单元配置.
- 在基于液体的可重新配置的Fabry-Perot天线上进行验证,在优化方面表现出显著的加速.
结论:
- 拟议的GRM为优化可重新配置天线系统提供了一种有效和高效的方法.
- 该模型通过快速探索设计参数和性能预测来加速设计周期.


