论文总字数：23281字

摘 要

近年来，随着无线通信技术的发展，天线结构日益复杂，依靠电磁仿真软件进行调试已经不能满足设计的需求。本文利用Matlab与HFSS联合仿真工具，在Matlab中开发多目标优化程序，采用机器学习辅助的优化方法对双频贴片天线进行性能优化。

本文利用基于代理模型的天线优化技术，对一款双L缝隙型双频WIFI天线进行了优化。代理模型部分采用了高斯过程回归（GPR），GPR针对小数据集的应用场景具有一定优势，适用于天线优化设计。优化算法部分采用了多目标差分进化算法，结合置信下限预筛选（LCB）迭代寻找最优解。

本文的创新之处在于利用Matlab-HFSS API，利用脚本文件控制建模过程，并利用机器学习优化参数，节省了大量模型仿真的时间，提高了天线设计与优化的效率。

关键词：双频天线 多目标差分进化算法（DEA） 高斯过程回归（GPR）

Abstract

In recent years, with the development of wireless communication technology, the antenna structure has become increasingly complex, and relying on electromagnetic simulation software has been unable to meet the design requirements. In this paper, a joint simulation tool of Matlab and HFSS is used to develop multi-objective optimization program in Matlab, and the performance optimization of dual-band patch antenna is optimized by machine learning aided optimization method.

In this paper, an antenna optimization algorithm based on surrogate model is used to optimize a double L slits dual-band antenna for WLAN. The surrogate model part adopts Gaussian Process Regression (GPR). GPR has certain advantages for the application scenarios of small data sets, which is suitable for antenna optimization design. The optimization algorithm adopts the Differential Evolution Algorithm (DEA) and combines the confidence lower bound pre-screening (LCB) iteration to find the optimal solution.

The innovation of this paper is to use the Matlab-HFSS API to control the modeling process with script files and optimize the parameters by machine learning, which saves a lot of time for model simulation and improves the efficiency of antenna design and optimization.

Keywords: dual band DEA Gaussian Process Regression (GPR).

目 录

摘 要 III

Abstract III

目 录 I

第一章 绪论 1

1.1 引言 1

1.2 研究现状 1

1.2.1 双频天线设计 1

1.2.2 代理模型 2

1.2.3 多目标优化 3

1.3 论文主要内容与结构 4

第二章 双频天线介绍 6

2.1 天线基础介绍 6

2.1.1 天线的基本性能参数 6

2.1.2 阻抗匹配 7

2.2 双频天线设计 8

2.2.1 天线结构 8

2.2.2 仿真结果及分析 11

2.2.3 优化目标 12

第三章 机器学习 13

3.1 高斯过程 13

3.2 高斯过程回归 13

3.3 核函数 14

第四章 采样及多目标差分进化算法 15

4.1 拉丁超立方采样 15

4.2 多目标差分进化算法 16

第五章 结合机器学习的双频天线优化及结果 18

5.1 HFSS amp; Matlab API 18

5.2 天线脚本生成 19

5.3 多目标差分进化算法及机器学习 20

5.4 优化结果 21

第六章 总结与展望 27

6.1 总结 27

6.2 工作展望 27

参考文献 29

致 谢 30

绪论

引言

无线局域网（WLAN）一直保持着高速的发展。由国际电机电子工程学会（IEEE）制定的IEEE 802.11标准则规定了无线局域网的标准。其中，IEEE 802.11a协议覆盖了5.15到5.825GHz的高频段，IEEE 802.11 b/g协议覆盖了2.4到2.484GHz的低频段。为了能够在单一的天线中实现多个通信协议，出现了大量双频或者多频WLAN天线设计。比如，微带线馈电天线、探针馈电天线、平面倒F型天线（PIFAs）、介质谐振器天线和共平面波导（CPW）馈电天线。其中，由于小尺寸、宽带宽和更少的传导损耗等，平面单极子和缝隙天线成为双频天线两个经典类型。

在当代天线结构设计中最基本的工具是全波电磁天线（EM）模拟。一方面，电磁驱动在设计时必须的，是设计过程中唯一保证可靠性的方法。尤其是对于有着大量几何参数和（或）使用材料种类较多的结构。另一方面，高保真电磁分析往往是计算性价格昂贵，这带来了一些实际困难。特别是，多天线尺寸优化设计在使用常规数值算法时可能被禁止。这一问题可以通过诸如监督参数扫描等的交互式方法缓解，即使用人力因素(工程经验)将设计时间降低到可接受的水平的水平。在实际应用中，只有最重要的天线参数可以这样处理，因此，得到的也是次优化的设计。如前所述，自动化数值优化在使用传统算法时通常不可行的，特别是基于种群的元启发式，由于它们的计算量很大的复杂性。加快速度的可行的优化过程是利用伴随灵敏度，但它受到了伴随技术的商业可用性的限制。其他近年来得到相当多关注的有吸引力的方法，均为代理协助的方法 (空间映射，响应校正技术，基于特征的优化) 直接优化昂贵的电磁模型被迭代构造和再优化成本更低的表示(代理)取代。

研究现状

双频天线设计

文献[1]中提出了一种紧凑的带双L狭缝的共平面波导结构。该天线由一个贴片和双半U型缝隙天线组成，面积为正常双U型缝隙天线的一半，双L型缝隙将辐射单元分成了三个共振贴片，使该天线在2.4GHz时的最大增益为1.3dBi，在5GHz时的最大增益为5.1dBi，且在三个共振频率处有较宽的带宽。

剩余内容已隐藏，请支付后下载全文，论文总字数：23281字