支持向量機(jī)及其在天線設(shè)計中的應(yīng)用研究.pdf

1、支持向量機(jī)（Support Vector Machine，SVM）是根據(jù)統(tǒng)計學(xué)習(xí)理論（Statistical Learning Theory，SLT）而提出來的機(jī)器學(xué)習(xí)方法，由于它適合解決非線性、小樣本、高維數(shù)等問題，已經(jīng)在信息的分類檢索、生物醫(yī)學(xué)、通信等領(lǐng)域得到了廣泛的應(yīng)用。在電磁領(lǐng)域，如天線設(shè)計、DOA估計等問題，往往模型結(jié)構(gòu)較為復(fù)雜、樣本獲取較困難，用SVM來解決電磁問題，不僅減少了天線設(shè)計者的大量而繁瑣的數(shù)學(xué)計算工作，也降低了實

2、際測量所需要的昂貴成本，更適合用于電磁問題上。但是在 SVM的研究過程中，核函數(shù)的選擇是至關(guān)重要的，針對單一核函數(shù)不能兼顧插值能力和外推能力，本文研究了混合核函數(shù)的思想，并使用粒子群（Particle Swarm Optimization，PSO）優(yōu)化算法來進(jìn)行參數(shù)尋優(yōu)；同時為了進(jìn)一步提高預(yù)測精度，本文研究了 SVM集成的思想，并分別將這兩種方法應(yīng)用于幾個天線設(shè)計及DOA估計問題上。具體安排如下：
　　（1）針對單一核函數(shù)的各自優(yōu)

3、勢，研究了將全局核函數(shù)和局部核函數(shù)相結(jié)合的一種混合核函數(shù)，結(jié)合PSO優(yōu)化算法來尋參，并且用UCI數(shù)據(jù)庫中的數(shù)據(jù)集以及測試函數(shù)進(jìn)行了驗證和分析。
　?。?）為了進(jìn)一步提高 SVM的預(yù)測精度和穩(wěn)定性，研究了 SVM集成的思想，各個參數(shù)及權(quán)系數(shù)的選擇均采用 PSO優(yōu)化算法，通過用 UCI數(shù)據(jù)庫中的數(shù)據(jù)集與單個SVM及人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeural Network,ANN）進(jìn)行了對比分析。
　?。?）將基于混合核函數(shù)

4、的PSO-SVM對DOA估計問題進(jìn)行了建模，分別比較了兩個信號源、不同信噪比、不同快拍數(shù)的情況下的估計誤差，并將建模誤差與ANN、單核SVM的誤差進(jìn)行了對比分析。
　　（4）用設(shè)計的基于混合核函數(shù)的PSO-SVM對緊湊型微帶天線（Compact Microstrip Antennas，CMSA）如：平面倒F天線（Planar Inverted F-shaped Antenna,PIFA）、L型MSA的諧振頻率問題進(jìn)行建模，利用HF

5、SS（High Frequency Structure Simulator，HFSS）建立PIFA天線仿真模型獲取樣本數(shù)據(jù)，并將建模誤差與單一核函數(shù)的誤差、HFSS仿真誤差進(jìn)行了對比分析。
　?。?）將 SVM集成用于矩形 MSA諧振頻率建模，并分析了基于不同的單一核函數(shù)的SVM的預(yù)測結(jié)果，同時將它們的預(yù)測誤差與ANN預(yù)測結(jié)果作了對比。
　　（6）將SVM集成用于對切角方形圓極化MSA進(jìn)行綜合建模，并將其和BP-NN、單個S