基于支持向量机集成的圆极化微带天线设计

Colbie

基于支持向量机集成的圆极化微带天线设计

9 |) h6 G3 e6 g) D# g, ?7 _% a7 v+ S

（电波科学学报2015年第30卷第六期）

2 c2 [4 B: y! ?: _7 U
. ^6 @7 G. b, U* l1 j摘要：人工神经网络（Artificial Neural Network, ANN）设计圆极化微带天线（Circu-- larly-polarized Micro strip Antenna, CPMSA）时需要进行大量数据样本的准备，网络结 构一般都比较复杂．为了解决这个问题，利用支持向量机（Support Vector Machine, SVM) 在解决小样本数据处理问题时具有拟合精度高、泛化能力强、结构简单等优点，结合二进 制粒子群（Binary Particle SwARM Optimization, BiPSO）算法选择出合适的SVM个体参 与集成，形成一种基于BiPSO算法的选择性SVM集成（SVM Ensemble, SVME）方法， 并将该方法用于单馈切角方形CPMSA的综合设计．仿真结果表明：这种SVME方法提 高了算法的鲁棒性和有效性，有更好的预测精度，通过与ANN、 SVM以及现有文献的预 侧结果对比可以看出，由该模型得出的结果优于此问题的已有结论。

1 m' A$ t2 Z4 x  R5 p) l7 F9 C关键词：圆极化；微带天线；切角；粒子群优化；支持向量机集成

游客，如果您要查看本帖隐藏内容请回复

4 `% x+ Z3 @$ m

" q/ r' f. `: p( i9 t$ J0 z

tteda

摘要：人工神经网络（Artificial Neural Network, ANN）设计圆极化微带天线（Circu-- larly-polarized Micro strip Antenna, CPMSA）时需要进行大量数据样本的准备，网络结 构一般都比较复杂．为了解决这个问题，利用支持向量机（Support Vector Machine, SVM) 在解决小样本数据处理问题时具有拟合精度高、泛化能力强、结构简单等优点，结合二进 制粒子群（Binary Particle SwARM Optimization, BiPSO）算法选择出合适的SVM个体参 与集成，形成一种基于BiPSO算法的选择性SVM集成（SVM Ensemble, SVME）方法， 并将该方法用于单馈切角方形CPMSA的综合设计．仿真结果表明：这种SVME方法提 高了算法的鲁棒性和有效性，有更好的预测精度，通过与ANN、 SVM以及现有文献的预 侧结果对比可以看出，由该模型得出的结果优于此问题的已有结论。