英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
关于计算微波传输带天线性能参数的神经网络的 Android手机应用开发
摘要
近来，由于性能的提高，智能手机在研究应用上流行起来。一些工程应用和非工程应用都基于Android操作系统运行。其中一个充满前景的领域就是天线工程领域，通过开发在现有手机上运行的应用，精准确定天线设计的关键参数。本文的目的即是开发Android系统上利用神经网络模型计算微带天线（MSAs）不同性能参数的手机应用。我们提议的方法的应用于两个不同的MSAs案例，都是在实际情况中分析其性能。同时这个应用拥有一个对用户友好的简易图形化界面。案例中得出的结果与许多实例进行了比较，得到了相当好的印证。
关键词：Android应用；神经网络；多层感知器（MLP）；贴片天线；缝隙天线；分析；仿真
I介绍
最近几年，微带天线（MSAs）在现代无线通信系统中得到了普及，同时应用于商业和国防。这是因为一些吸引人的特征，如制造方法经济，重量轻，不显目，同时适用于平坦和不平坦的表面等。[1]这里有两种不同的针对MSAs问题的分类方法；其中一个是基于天线分析，另一个是基于天线仿真。天线分析会描述其操作同时告诉我们分析性能参数如谐振频率，带宽，增益，辐射模式的处理。这些参数是由给定的物理参数决定的，比如贴片的长度和宽度，以及基片的介电常数及厚度。而另一个，天线仿真，则是天线分析的反面，在天线仿真中，物理结构是从给定的性能参数中导出的。针对分析目的，通常应用多种基于分析的或者基于数值的方法[1]。基于分析的方法是精准的，但是基于物理假设，并且，这类方法仅适用于基片。另一方面，数值方法提供了相当好的结果，前提是接受积分方程形式的数学的复杂性。此外，这类方法对于几何学上每一个微小的改变都要重新设计解决方案[6]。因此，几何学上微小变化带来的设计新方案的巨大负担，以及基于分析方法中与基片厚度有关的难题导致了处理的复杂性及成本的提高[6]。天线仿真一般都是对应较小范围的性能参数，有益于天线设计师找到最佳的天线解决方案。为了使仿真过程更加简单，一些模拟程序包如Zeland IE3D [2], Ansoft HFSS [3], CST microwave studio [4], Agilent ADS [5]也被开发出来了。这些模拟程序本身不会生成一个仿真天线，只会分析结构并提供仿真天线的性能计算结果。因此，为了克服传统技术带来的难题，基于人工神经网络的微带天线（ANN）现在作为一个更快更准确的选择被广泛使用[6,7]。
解决任意一个天线的问题，需要创建一个神经网络模型需要两个阶段，即培养和测试。一个神经网络模型在培养过程中接受一组不同从已知的环境中获得的输入模式，在此期间从网络中获取了最佳权重和偏差。这些最优值被用来完成第二个阶段，即实现算法的测试。基于这种方法，要创建多种分析和仿真微带天线的模型[8-15]。
为了实现这些神经模型，有许多计算机应用程序可用。本文着重开发一个手机应用程序。在本文中，基于普及性，我们选择了手机Android。有许多神经网络的Android应用程序的例子[16-20]。在医疗领域，金融市场，机器人领域，都有ANNS的身影[19,20]。在Android中实现ANN的模糊的蓝图就是从这些论文中获取的。在某种意义上相比个人电脑智能手机小巧便携、便于使用，因此优越不少，而Android尤其适于智能手机 [21]。Android有高效的电力管理系统，可以运行较长的一段时间[22]。
II．问题描述
提出的问题基于两个在此说明的例子。每个示例都模型化为两个部分：首先在培养神经系统模型时优化权重和偏差，然后开发测试模型算法的Android应用程序。下面给出本节的例子：
A.例证1
最简单的配置下，微带天线由一个厚度为h，相对介电常数为εr的导电基片组成，基片的一面是辐射导电贴片，另一面则是接地表面[1]。Fig.1给出了微带天线的三种不同的几何图形形状。这些形状大致可以分为矩形微带天线(RMSA)，圆形微带天线(CMSA)，三角形微带天线(TMSA)。天线的侧视图如Fig.1(a)所示，而俯视图则是Fig.1(b)-Fig.1(d)。为了分析这三个贴片，总共81套测量模式（RMSAs46套，CMSAs20套，TMSAs15套）都是从最近成品的描述文献中提取出来的[14]。对于提出的神经模型，这些模式被认为是分析模式。仿真MSA时，它的物理尺寸是由给定的谐振频率、厚度、基质的介电常数以及传播模式决定的[14]。记住这个概念，这样又产生了超过127套的仿真模式集（46套宽度和长度的RMSAs，20套半径的CMSAs，15套侧边的TMSAs）。因此，现有的7种不同情况下的文献中产生了总共208套模式（分析模式81套 127套仿真模式）[14]。这7种不同情况是基于计算RMSAs的谐振频率、宽度和长度，CMSAs的谐振频率、半径，TMSAs的谐振频率及侧边长而设立的。
B.例证
这个例子基于仿真如Fig.2所示的一个中间插有空隙的开槽微带天线图形成。侧视图如Fig2.2(a)，俯视图如Fig.2(b)。
使用RT-Duroid基片RO3003（ɛr= 3, h = 0.762mm,lostan=0.0045），以及基于动量的IE3D模拟器的方法，一块尺寸为61times;56mmsup2;的矩形贴片就设计出来了[2]。该贴片的性能通过在基片板和接地表面插入了一个空隙(t mm)得到了改善[23]。为了实现双共振，用单个的探针激活了两个共振模式TM10和TM01。在矩形贴片的辐射表面还留出了一个尺寸为x1,y1,x2,y2的十字槽。双共振的状态中，10种不同的参数如双共振频率f1、f2，双频增益G1、G2，双频方向性D1、D2，双频天线效率A1、A2，双频辐射效率R1、R2会被IE3D模拟器同时观察[2]。在仿真过程中，共有1350组这样的模式生成。
III．神经网络建模
为了模型化上述两个例证，我们介绍一个广义的尺寸设置为mtimes;ntimes;ptimes;q的MLP(多层感知器)神经模型。这里，m、n、p及q分别表示输入层、隐藏层1、隐藏层2、输出层的神经元的数量。矩阵[X]和矩阵[Y]分表表示激励和相应的神经模型的响应。在模型培养之前，两个例证使用MATLAB软件[24]及公式(1)规范化为介于 0.1和 0.9之间的模式。模型培养之后，结果使用公式(2)解除了规范化。在这些方程中，ra和rb理解为ra= 0.9,rb= 0.1。上述的模型使用[0.1,0.9]区间标准进行规范化，这也是我们使用同样的标准来进行公平比较的原因。规范化的值还在培养模型过程中用来加快收敛速度。
为了建立基于神经网络的有效应用，模型的培养是最关键的阶段之一。从优化理论的角度诞生的方法在开发常用的反向传播培养算法中起着重要的作用。这些算法广泛用于多种电磁问题的建模[25、26]。上述讨论的MLP模型的培养策略可见于Fig.4。在输入层给出m维激励[x]，从输出层就能获得q维响应[y]。每个隐藏层里的神经元使用高斯激活函数[25]激发，使得模型近似于上述参考模型，因此在比较时有了一致性。起始的权重和偏差是随机选择的，然后通过图Fig.4所示的培养策略进行优化。Fig.3中的结构设置及Fig.4中的培养策略都是广义的形式，他们优化的部分是根据上述两个例证实现的。提议的神经模型的培养性能通过改变隐藏层和各个隐藏层中神经元的数量来反映，经过多次试验，优化后m=6,n=45,p=0,q=1(例证1)和m=10,n=56,p=56,q=5(例证2)。优化的结构以及两个神经模型的激励和响应矩阵分别展示于Fig.5(a)和Fig.5(b)。
Table I演示了六维(6-D)激励矩阵[X1] [x1 x2 x3 x4 x5 M]和一维(1-D)响应矩阵[Y1]，用于创建例证1的神经模型。这里激励矩阵[X1]中的M用来区分与例证1有关的7个不同的情况。这些情况分别是M=1,2,3,4,5,6和7对应RMSAs的谐振频率，RMSAs的宽度，RMSAs的长度，CMSAs的共振频率，CMSAs的半径，TMSAs的共振频率和TMSAs的侧边长度。对于每个计算参数，Table I中都给出了Y1的值。在例证2中，任务是根据给定的10个参数(f1,f2,G1,G2,D1,D2,A1,A2,R1,R2)预测槽尺寸(即x1,y1,x2,y2)，并插入气隙(即t)。因此，10维(10-D)激励矩阵[X2] [f1 f2 G1 G2 D1 D2 A1 A2 R1 R2]和5维(5-D)响应矩阵[Y2] [x1 y1 x2 y2
t]被用来创建例证2的神经模型。使用分析和数值方法处理这两个例证会是个巨大的挑战，但是用神经网络方法可以很容易地解决。
另外，如Fig.5中的两种神经模型的权重及偏差优化过程是通过参考一些初始培养参数：均方差(MSE)= 5times;10minus;7，学习率()=0.1,动量系数()=0.5,传播值()=0.5,激励[X1]=6-D,响应[Y1]=1-D。而对于例证2，则设定为：均方差(MSE)= 4.4times;10minus;3，学习率()=0.631,动量系数()=0.518,传播值()=0.352,激励[X2]=10-D，响应[Y2]=5-D。使用MATLAB在培养两个例证的ANN模型时还用到了Levenberg-Marquardt定理。
培养阶段之后，利用MATLAB中培养成的神经模型得到的优化过的权重和偏差，用Java编写例证的测试算法，将这些在Android程序中实现是下一节我们讨论的内容。
IV．Android程序实现
对于应用程序开发，通过Fig.6中通用的一些步骤，利用更新(优化)后的权重和偏差可以为两个例证编写测试算法。
要实现对应的Android应用程序，需要进行下面两个步骤。这些步骤基本涵盖了应用程序的创建和调试，并在本节中有进一步的说明。
- GUI的概述和设计
Fig.7给出了例证1对应开发的GUI。对于例证1，应用程序有一个欢迎界面，上面的6个按钮包含以下的功能：
- RMSA分析：输入宽度，长度，高度，以及ɛr和p。在这里p=1意味着m=1和n=0。
- RMSA仿真：弹出一个新窗口同时有两个选项：
- 计算宽度(cm)：输入共振频率，高度，ɛr，m和n。
- 计算长度(cm)：输入共振频率，高度，ɛr，m和n。
- CMSA分析：输入半径，高度，ɛr，m，n。
- CMSA仿真：输入共振频率，高度，ɛr，m，n。
- TMSA分析：输入侧边长，高度，ɛr，m，n。
- TMSA仿真：输入共振频率，高度，ɛr，m，n。
在提示用户输入参数的文本框中输入参数值，按下“CALCULATE”（计算）按钮来获取结果。例证2的界面中，则是带有适当提示的10个文本框，输入需要的参数值并点击计算按钮即可得到结果。
B．调试Android应用程序
Android在官方IDE(集成开发环境)提供了专门的工具来调试应用程序，即Android Studio。Android手机应用程序可以通过以下两种方式进行调试：在Android模拟器上进行0调试或者在真正的Android智能手机上进行调试。实际上，我们通过两种方式分别调试了应用程序，使得应用程序基本稳定而可靠。
V．计算结果及讨论
经过验证和调试，在三款真正的Android手机(Samsung model:SM-N750,Asus model:ASUS T_00J,Xiaomi model:Mi 4i)上测试了开发的App。根据上述的提议，该应用程序用Java编写的，因而可以在不同的手机上移植，不需要反复编译[27]。实现的两个例证的计算结果我们会分别讨论。
- 例证1的计算结果
所有208组模式(培养和测试都有)进行了比较。大部分的计算值和相应的参考值是一致的，只有很少的计算值相差甚远。因此，在此下结论计算结果值和对应的参考值相比较在所有与例证1有关的7个方面都得到了印证。
特定情况下的值如Table II中所示。
由于空间限制，每个要点的比较在此不做描述。Table III中给出了比较的摘要。例证1的神经模型培养后为1987秒和49018迭代次数。
- 例证2的计算结果
具体的案例情况见Table IV。默认情况下这个应用程序可以通过公式(2)进行标准化转换，而在Table V中显示非规范化的值。
在例证2中，对于激励和响应都会进行规范化和非规范化，使得1350套的模式培训过程更快。神经模型接受1000组模式的培养以及350套模式的测试。模拟和预测的槽尺寸的平均差异在神经模型的培养阶段和测试阶0段之间分别为0.3276cm0.4671cm。而对于空隙基片，数值分别为0.0617cm和0.0777cm。因此，使用已开发的手机应用程序计算出的结果与模拟中获得的标准值一致。
例证2的神经模型培养至3360秒和100000迭代次数。例证2在MATLAB中培养神经模型的状态如Fig.8。培养时间和所需迭代次数比例证1中的高，可能是因为前者拥有更多的神经
全文共13097字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[11070]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
