基于深度学习辅助的共享口径天线解耦优化方法
张文武、
唐波、
刘鹏、
李鹏、
李雷
《Electronics》:Shared-Aperture Antenna Decoupling Optimization Method Based on Deep Learning Assistance
Wenwu Zhang,
Bo Tang,
Peng Liu,
Peng Li and
Lei Li
【字体:
大
中
小
】
时间:2026年04月23日
来源:Electronics 2.6
编辑推荐:
摘要:本文旨在解决共享孔径双频双圆极化微带天线的信号耦合问题。提出了一种结合卷积神经网络(CNN)与二进制粒子群优化(BPSO)的解耦优化方法。该方法在天线馈电端附近引入了像素化解耦支路,利用CNN构建了支路拓扑与电磁性能之间的非线性映射模型,并采用BPSO对二进制像素矩阵进行全
摘要:本文旨在解决共享孔径双频双圆极化微带天线的信号耦合问题。提出了一种结合卷积神经网络(CNN)与二进制粒子群优化(BPSO)的解耦优化方法。该方法在天线馈电端附近引入了像素化解耦支路,利用CNN构建了支路拓扑与电磁性能之间的非线性映射模型,并采用BPSO对二进制像素矩阵进行全局优化,从而减轻了在复杂高维参数空间中的耗时优化问题。仿真结果显示,在1.607–1.620 GHz频段内,优化后的S21指标平均降低了20 dB;在2.487–2.502 GHz频段内,S21指标平均降低了25 dB,有效改善了端口隔离性能。这些发现证明了所提出的智能优化策略对于解决天线耦合问题具有实用性和有效性。
1. 引言
随着无线通信系统集成水平的不断提高,特别是在卫星通信等领域对高度集成的多功能硬件的需求日益增长,共享孔径天线因能够有效节省物理空间、减小系统体积和提高孔径利用率而受到广泛关注[1]。然而,当多个工作天线元件集成到紧凑的共享孔径配置中时,辐射元件之间不可避免地会产生相互电磁耦合。这种耦合效应会显著降低端口隔离性能,进而影响天线元件的独立工作稳定性、辐射效率和整体电磁性能[2]。对于双频共享孔径圆极化天线而言,由于存在多个共振模式、有限的物理空间以及耦合路径的频率依赖性特征,解耦设计面临更多技术挑战。为了解决多天线系统中的相互耦合问题,以往的研究提出了多种解耦方法,如中和线[3,4]、解耦短路[5]、寄生元件[6,7,8]、电磁带隙(EBG)结构[9]、频率选择性表面(FSS)[10,11]和缺陷地面结构(DGS)[12,13]。尽管这些方法可以有效减轻互耦,但在应用于共享孔径双频双圆极化天线等紧凑集成结构时仍存在局限性。一方面,多个频率带和模式的共存使得耦合机制变得复杂;传统的基于单一物理机制的解耦方法往往难以同时平衡隔离、阻抗匹配和圆极化性能。另一方面,这些方法通常需要迭代参数调整和全波仿真验证,这延长了设计周期,难以在复杂的工程场景中高效满足优化要求。
近年来,机器学习和深度学习技术为复杂天线的设计和优化提供了新的研究视角。通过建立将结构参数或拓扑形态映射到电磁响应的 surrogate 模型,并结合智能优化算法进行全局搜索,可以在一定程度上减少全波仿真的次数,从而提高复杂电磁结构的设计效率[14,15,16]。然而,与传统的单天线或连续参数优化问题相比,针对共享孔径双频双圆极化天线的智能解耦研究仍相对较少。特别是在离散像素化解耦结构、跨频带耦合抑制以及多性能指标协同优化等方面,需要进一步研究。
基于此背景,本文以[17]中的共享孔径微带天线作为基准模型,提出了一种结合CNN与BPSO的深度学习辅助解耦优化方法。该方法在馈电区域附近引入了像素化解耦短路,增强了解耦结构的拓扑自由度。随后利用CNN建立短路拓扑与天线电磁性能之间的非线性映射模型,并通过BPSO算法在高维离散设计空间中高效搜索最优二进制拓扑。与传统试错设计方法相比,该方法显著提高了优化效率,同时严格满足了匹配、隔离和圆极化性能的要求。
本文的主要贡献如下:首先,针对共享孔径双频双圆极化微带天线提出了专门的像素化解耦设计策略,增强了复杂解耦结构的拓扑表示能力;其次,基于CNN构建了 surrogate 模型,用于快速评估候选解耦拓扑的电磁性能;最后,将 surrogate 模型与BPSO算法相结合,在高维二进制设计空间中实现了高效拓扑优化。结果表明,在满足阻抗匹配和圆极化性能要求的同时,所提出的框架将整体优化计算周期缩短了约70.5%,并获得了端口隔离性能超过30 dB的解耦结构。通过制造和测量天线原型,验证了该方法的有效性和工程应用潜力。
为进一步阐明本研究选择研究对象的原因及所提方法的必要性,以下部分分析了相关解耦技术和智能优化研究的现状,阐述了本文的研究动机。
2. 现有技术和动机
为了解决多天线系统中的相互耦合问题,现有研究大致可分为三类:第一类基于额外耦合路径补偿的方法,通常以中和线为代表;第二类依赖于共振结构的操控,常见配置包括开路短路和寄生元件;第三类涉及人工电磁结构的调节,如DGS、EBG结构和FSS等相关超表面。这些方法通常通过抑制表面波传播来减少元件间的相互作用。总体而言,这些方法具有明确的物理机制和相对直观的结构实现方式,在紧凑的多天线系统中有广泛应用。
然而,上述方法在共享孔径双频双圆极化天线的应用中仍存在明显局限性。由于这类结构同时涉及多个工作频率带和多种共振模式,其耦合路径更为复杂。传统的基于单一物理机制的解耦方法难以同时实现隔离、匹配和圆极化性能。此外,许多解耦结构的有效性高度依赖于特定频率点和耦合路径。在具有显著跨频带耦合的紧凑场景中,设计自由度通常受到限制。大多数传统方法依赖于经验驱动的参数扫描和重复的全波验证,导致在处理复杂拓扑配置时优化效率大幅降低。因此,对于需要同时满足紧凑集成、双频操作和双圆极化约束的共享孔径天线而言,探索兼顾物理可解释性和高效搜索能力的新解耦设计策略至关重要。
本文选择共享孔径双频双圆极化微带天线作为研究对象,是由于其明确的工程背景和代表性。一方面,共享孔径配置能够在有限的物理孔径内集成多个频率带和功能,具有较高的孔径复用效率和系统集成价值,在卫星通信终端和多功能射频平台中有广泛应用前景[18];另一方面,不同频率的辐射元件在受限孔径内的嵌套排列导致表面电流分布相互交织,从而产生共振模式间的耦合。这种复杂的物理 proximity 非常容易导致跨频带能量泄漏和端口隔离性能严重下降[19]。在双圆极化条件下,解耦结构不仅需要有效抑制相互耦合,还不能对原始圆极化模式、轴比特性或整体辐射性能造成显著扰动[20,21,22]。
近年来,基于 surrogate 模型的智能优化策略逐渐成为复杂天线设计的重要研究方向[23,24,25]。尽管传统的全局优化算法具有强大的搜索能力,但将其与全波电磁仿真直接结合通常会导致高昂的计算成本[26,27]。为了解决这一问题,研究人员开始引入 surrogate 模型,利用人工神经网络(ANN)、CNN和克里金(Kriging)等模型来学习结构参数与电磁响应之间的非线性映射关系,从而减少对计算成本高昂的电磁求解器的依赖[14,15,28]。对于像素化或二进制拓扑结构,CNN在提取拓扑特征方面具有明显优势;而离散智能优化算法(如BPSO)则更适合在高维二进制设计空间中进行全局搜索[29]。因此,将 surrogate 模型与离散智能优化相结合的框架为复杂解耦拓扑的高效设计提供了切实可行的技术路径。
尽管取得了这些进展,现有研究主要集中在传统天线参数优化、通用拓扑优化或MIMO天线隔离增强方面[30,31],针对共享孔径双频双圆极化天线的智能解耦研究仍相对有限。特别是在离散像素化解耦结构、跨频带耦合抑制和多性能指标协同优化等方面,缺乏具有物理可解释性的研究框架。基于此,本文以代表性的共享孔径双频双圆极化微带天线作为研究对象,引入了馈电区域的像素化解耦短路。通过结合CNN surrogate 模型和BPSO算法,构建了一种适用于高维离散设计空间的解耦优化方法。最终目标是提高复杂拓扑搜索的自动化程度和整体优化效率,同时保持解耦结构的物理意义。
本文的其余部分安排如下:第2节介绍初始天线设计;第3节介绍初始解耦结构及其工作原理;第4节描述所提出的CNN-BPSO优化方法;第5节给出优化后的测量结果;第6节对所提出的天线与近期发表的类似作品进行了全面比较;第7节对本文进行总结。此处,S11和S22分别表示端口1和端口2的反射系数,而S21代表两个端口之间的互耦。如图2所示,仿真结果表明,发射天线的工作频段为1.614 GHz–1.623 GHz,在此范围内最坏情况下的互耦为?11.07 dB。接收天线的工作频段为2.488 GHz–2.503 GHz,在此范围内最坏情况下的互耦为?14.1 dB。目前,这两个频段中的互耦都相对较高,这显著降低了天线的辐射性能。因此,实施解耦策略至关重要。图2显示了初始天线的S11、S22和S21值。3. 初始解耦设计为了确保在后续的算法优化阶段能够实现最佳性能,在两个 feeding 端口各引入了一个解耦短截线(stub)。这些短截线被印刷在介电基板的底面上。同时,调整了两个天线之间的距离和其他相关参数以减少互耦。具体配置如图3所示。图3:(a) 初始解耦设计的配置,以及 (b) 经过解耦后的天线的S11、S22和S21值。根据传输线理论,开路短截线的长度通常是目标工作频率下导波波长的四分之一。在其共振频率下,输入阻抗接近零(相当于短路)。因此,这个短截线作为L波段天线馈电网络中的一个接地短接点。这种“凹槽滤波器”配置可以有效地将无意中耦合到L波段天线结构中的S波段能量导向地面,从而显著提高L波段的隔离性能。S波段的隔离性能也是按照相同原理得到改善的。为了进一步说明解耦机制,比较了加载短截线前后的表面电流分布,如图2和图3所示。在1.616 GHz时(图4),引入解耦短截线后,未激发贴片上的感应电流显著减小。在2.492 GHz时也可以观察到类似的现象(图5)。这些结果表明,解耦短截线有效地抑制了跨频段的耦合路径,提高了共享孔径天线的端口隔离性能。图4显示了1.616 GHz时辐射贴片上的表面电流分布:(a) 无解耦短截线时;(b) 有解耦短截线时。图5显示了2.492 GHz时辐射贴片上的表面电流分布:(a) 无解耦短截线时;(b) 有解耦短截线时。接下来,在这个初始设计的基础上,通过结合替代模型和优化算法对解耦短截线进行离散化和优化,以进一步提升解耦性能。4. 基于深度学习的解耦优化 4.1. 卷积神经网络(CNN [32] 本研究中使用的具体CNN架构如图6所示。CNN替代模型是为像素化解耦短截线定制的。通过连接端口1和端口2的30 × 2和52 × 2二进制矩阵,构建了一个82 × 2的单通道特征矩阵作为网络输入,从而保留了短截线的条带状拓扑分布。该网络由两个卷积层和两个最大池化层组成,用于特征提取,随后是一个128个神经元的全连接层和一个线性输出层,用于天线性能预测。这种紧凑的架构适合后续基于BPSO的拓扑优化中的替代建模任务。图6展示了所提出的CNN架构示意图。靠近馈电区域的解耦短截线使用像素化离散化进行建模,其拓扑由二进制矩阵描述:“1”表示保留金属化,“0”表示移除金属化。为了减少设计变量的数量,确保短截线形态的可制造性,并保持结构一致性,对解耦短截线的配置施加了左右对称性。具体来说,端口1处的解耦短截线区域被离散化为单位大小为的像素单元;同样,端口2处的解耦短截线区域被离散化为单位大小为的像素单元。为了构建CNN的输入特征,将对应于两个端口的二进制矩阵直接连接起来形成二维矩阵。然后将这个矩阵输入网络以提取解耦短截线的拓扑特征并进行性能预测。此外,为了确保可重复性,提供了最终优化后解耦短截线对应的二进制矩阵。在施加的左右对称性约束下,端口1和端口2的优化后的短截线拓扑可以分别用矩阵表示,其中“1”和“0”表示金属化的存在和移除。4.2. 改进的二进制粒子群优化(BPSO)本研究采用了改进的BPSO算法,详细的更新方程可以在[33]中找到。为了同时实现阻抗匹配、高端口隔离和理想的圆极化(CP)性能,解耦短截线的优化目标被定义为一个加权惩罚适应度函数。本研究中使用的适应度函数表示为公式(1)。这里,和分别代表发射和接收天线的目标工作频段;表示在这些频段内通过全波仿真采样的离散频率点;、和分别对应于频率点处的反射系数和互耦;表示相应频率点的轴比;而通过则是分配给每个性能指标惩罚项的权重因子。具体来说,在通频带内,反射系数S11和S22应小于?10 dB,端口间耦合应小于?25 dB。此外,由于这是一个圆极化天线,两个工作频段(大约1.616 GHz和2.492 GHz)的轴比(AR)必须小于3 dB。这些因素用于调整反射系数、隔离和AR在整个适应度中的相对重要性,从而在多目标约束下实现全面的权衡和全局优化。4.3. 优化流程本研究采用的基于深度学习的优化方法的工作流程如图7所示。图7展示了深度学习辅助优化方法的工作流程。整个算法分为三个主要步骤:通过全波仿真软件收集数据集;在获取所需样本数量后,基于卷积神经网络(CNN)构建替代模型;将训练好的CNN替代模型嵌入到二进制粒子群优化(BPSO)的迭代过程中。在这个框架中,BPSO在离散的像素空间内进行全局优化,利用替代模型输出的适应度值作为评估标准来筛选候选解决方案。对于模型预测满足设计约束(在通频带内隔离S21 < ?25 dB,以及两个工作频段的轴比AR < 3 dB)的方案,使用全波仿真软件进行验证。如果验证结果确认天线满足性能要求,则整个优化过程视为完成。优化后得到的最终矩阵如下;详细的矩阵值分别为M1、M2。这些二进制矩阵直接对应于图8中显示的最终优化后的拓扑。5. 优化结果和测量 5.1. 优化结果经过CNN-BPSO联合优化后得到的天线配置如图8所示,代表了算法生成的最优解。所提出天线的尺寸见表1。最终优化天线的仿真结果如图9所示。可以观察到,在L波段和S波段的工作频率下,共享孔径天线的互耦分别降低了大约20 dB和25 dB,成功满足了预定义的隔离要求。表1显示了所提出天线的尺寸。图9展示了最终优化天线的S11、S22和S21值。为了避免不必要的时间消耗,深度学习辅助优化算法执行了五次,最大迭代次数设置为100次。平均而言,算法在83次迭代内成功识别出了最优天线结构,满足了、互耦和轴比的约束,总计算时间约为31小时(不包括数据集生成和模型训练时间)。每次迭代中,全波仿真和优化计算的平均耗时分别为22.13分钟和0.25分钟。算法的收敛图如图10所示。5.2. 仿真和测量结果为了验证在CNN-BPSO方法辅助下设计的天线的解耦性能,使用标准印刷电路板(PCB)技术制作了天线原型。天线是在相对介电常数为2.65、损耗正切为0.001的三层F4BM256介电基板上实现的。三层基板的厚度从上到下分别为0.5毫米、0.5毫米和1.5毫米。在铜表面进行了浸锡处理以方便SMA焊接,并且制造公差控制在0.02毫米以内。此外,SMA内导体的孔进行了金属化处理,以确保层与层之间的可靠电气连接。原型的整体尺寸为102毫米×102毫米,制造的天线如图11a所示。图11展示了制造的天线及其测量装置:(a) 原型照片;(b) 测量环境。测量使用了一个24探针的球形近场测量系统和Agilent N5230A矢量网络分析仪(VNA),如图11b所示。为了最小化测试电缆和连接误差对测量结果的影响,在测量之前对VNA进行了精确的短-开-负载-通过(SOLT)校准。在测量一个端口的S参数时,另一个端口连接了一个50 Ω的匹配负载,以确保测试条件的一致性。为了测量辐射模式和其他远场特性,天线水平放置在测量平台上,另一个端口也连接了一个50 Ω的匹配负载。图12比较了天线的仿真和测量S参数。在1.59 GHz附近出现的小幅度不匹配可能是由于制造公差、SMA焊接寄生效应以及堆叠基板的介电特性轻微变化所致。尽管如此,在目标工作频带内仍然观察到了良好的一致性,设计要求得到满足。天线的测量反射系数在1.605–1.627 GHz和2.479–2.511 GHz的频率范围内都保持在?10 dB以下。此外,两个端口之间的互耦在两个频段中分别减少了大约20 dB和25 dB,满足了设计要求。另外,两个频率下的轴比分别为1.616 GHz时的0.72 dB和2.492 GHz时的1.65 dB,表明优化后保持了良好的圆极化性能。图12展示了优化后天线的仿真和测量S参数。图13展示了在1.616 GHz和2.492 GHz时xoz和yoz平面上的仿真和测量辐射模式。虽然在某些宽角度处存在一些微小差异(主要是由于测量固定装置和馈电电缆的散射),但总体趋势仍然高度一致。天线在L波段和S波段的辐射效率分别保持在85%以上。值得注意的是,交叉极化水平(L波段的RHCP和S波段的LHCP)在宽侧方向上被很好地抑制在?10 dB以下,前后 ratio(FBR)超过了25 dB,这对于卫星通信终端来说是非常理想的。图13展示了(a) 1.616 GHz和(b) 2.492 GHz时的仿真和测量辐射模式。6. 对比为了进一步突出所提出设计的优势,表2总结了对类似、最近发表的天线的全面比较。参考文献[1,2,22]依赖传统的手动设计方法。尽管[1]实现了双频段操作,但它仅限于线性极化,并且其外形尺寸(profile)相对较高,为0.2。参考文献[2]实现了双频段圆极化,但其互耦合抑制能力(-24 dB)与我们的工作相比相对较弱。而参考文献[22]仅在单频段内工作,其互耦合抑制能力仅为-13 dB,表现较差。另一方面,参考文献[16,29]引入了机器学习辅助的优化方法(分别为GPR + NGnet和CNN + BPSO),展示了替代模型的高效率。然而,这两种智能设计都仅适用于线性极化天线。表2显示了与以往工作的比较结果。相比之下,本文提出的方法成功地将CNN-BPSO智能优化方法集成到了复杂的双频段圆极化共享孔径天线设计中。通过有效地重构离散解耦拓扑结构,所提出的天线不仅在外形尺寸上(0.0135)成为比较中的最优选择,还实现了最出色的互耦合抑制效果(-32 dB)。这清楚地证明了所提出框架在处理多约束和高耦合天线设计挑战方面的强大能力。
7. 结论
本文提出了一种基于CNN-BPSO的解耦优化方法,用于共享孔径的双频段双圆极化微带天线。通过引入像素化解耦短接线并利用CNN替代模型快速评估候选结构,实现在高维二进制设计空间中的高效拓扑优化。结果表明,与初始天线相比,L频段的互耦合降低了约20 dB,S频段的互耦合降低了约25 dB。在1.605–1.627 GHz和2.479–2.511 GHz的频率范围内,测量得到的反射系数均低于-10 dB,同时两个工作频段的端口隔离度均超过了30 dB。这些结果表明,所提出的方法能够有效提升共享孔径天线的解耦性能,并保持良好的阻抗匹配。未来的研究将致力于提高训练数据集生成的效率、加速CNN替代模型的训练过程,并将所提出的框架扩展到更复杂的天线结构。此外,该方法可以为其他强耦合天线的智能优化提供有用的参考。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号