1.一种基于深度学习的贴片天线自解耦设计方法,其特征在于,包括:
步骤1:通过分区域电磁分布特点及耦合效应的先验知识,设定多段点输入结构参数,结合金属贴片长度及馈电位置形成输入结构参数;通过全波仿真得到每组输入结构参数的S参数、最大增益及正天顶增益,并提取得到最大增益与正天顶增益的差值,从而形成数据集;其中,所述S参数用于衡量匹配与端口解耦效果,所述增益的差值用于衡量方向图畸变程度;
设定所述输入结构参数的具体方法包括:基于贴片天线在线极化工作时具有上下、左右的对称性,将原始矩形金属贴片通过十字交叉轴分为均匀的四个区域;然后在其中一个四分之一区域设定纵向等间距的四个点,分别记为A、B、C和D,以及一竖直线段标记为E;各点以及直线段E与原始矩形金属贴片的边缘的距离依次对应记为d1、d2、d3、d4和d5,点A与点D纵向间距记为l;相邻两点之间直线相连后与直线段E一起组成所设计金属贴片在该四分之一区域中的侧边;设定金属贴片的纵向长度为lp,馈电位置离金属贴片上下对称线的距离记为k,从而形成d1、d2、d3、d4、d5、l、lp、k共八个输入结构参数;
步骤2:利用所述数据集进行基于深度学习的模型训练,并经过预验证后,得到训练收敛且质量合格的神经网络模型;
步骤3:利用步骤2得到的神经网络模型,进行基于多目标筛选的预测和验证。
2.根据权利要求1所述的基于深度学习的贴片天线自解耦设计方法,其特征在于,相邻两矩形金属贴片的中心间距在0.44λ0-0.45λ0之间,边距在0.003λ0-0.004λ0之间,所述数据集的预设参数范围如下:d1、d2、d3和d4值均在0.018λ0-0.054λ0之间,d5值在0.018λ0-0.036λ0之间,l值在0.12λ0-0.19λ0之间,lp值在0.41λ0-0.44λ0之间,k值在0.088λ0-0.124λ0之间,λ0为中心频率对应的空气波长。
3.根据权利要求1或2所述的基于深度学习的贴片天线自解耦设计方法,其特征在于,所述步骤2具体包括:首先将所述数据集分为训练集和测试集,继而将训练集中数据输入基于深度学习的神经网络,所述神经网络输出预测值,其中W为神经网络中的权重,b为偏置,X为输入数据,X=(d1, d2, d3,d4,d5,l,lp,k);在训练过程中,通过Adam优化器调整所述神经网络的参数W及b,使损失函数逐步下降直至收敛;在通过测试集数据测试后,得到训练收敛且质量合格的神经网络模型。
4.根据权利要求3所述的基于深度学习的贴片天线自解耦设计方法,其特征在于,所述步骤3具体包括:对于训练收敛且质量合格的神经网络模型,输入多组参数组预测对应S参数、最大增益与正天顶增益的差值,继而通过多目标筛选得出目标结果,最后将筛选得出的符合条件的结果在全波仿真软件中模拟,若得出仿真结果与预测结果一致或偏差在预设范围内时,完成验证。
5.根据权利要求4所述的基于深度学习的贴片天线自解耦设计方法,其特征在于,所述多目标筛选的条件包括:S11的匹配最低值小于-15 dB,工作频带内互耦水平均小于-20 dB,互耦零点值小于-40 dB,且互耦零点在工作频带内,最大增益与正天顶增益的差值小于0.8dB。
6.根据权利要求1-5任一所述基于深度学习的贴片天线自解耦设计方法得到的贴片天线。