專利名稱：：基于支持向量回歸機的平板裂縫天線建模方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種微波天線工程應(yīng)用研究領(lǐng)域的非機理建模方法，更具體地說，本發(fā)明涉及一種基于支持向量回歸機的建立平板裂縫天線模型的方法。
背景技術(shù)：
：平板裂縫天線具有低副瓣、高增益、體積小、重量輕、抗干擾能力強和安裝條件好等顯著優(yōu)點。隨著工作頻段的提高，特別是毫米波頻段，其電性能對機械結(jié)構(gòu)因素的波動非常敏感，因而研究機械結(jié)構(gòu)因素對平板裂縫天線電性能的影響機理可以提高其研制水平。同其它電磁工程應(yīng)用一樣，要準確模擬平板裂縫天線物理結(jié)構(gòu)的電性能，目前采用的方法是采用基于全波分析的電磁數(shù)值仿真技術(shù)和實驗驗證方法。該方法的缺陷是計算量大，建模效率低。由于影響平板裂縫天線電性能的機械結(jié)構(gòu)因素眾多，要獲得各種結(jié)構(gòu)參數(shù)組合下的電性能，若都采用精確電磁場全波分析數(shù)值仿真，則需要強大的計算資源和較長的計算時間。因此在平板裂縫天線的機理研究過程中，為了獲得復(fù)雜多變機械結(jié)構(gòu)因素與電性能間的影響關(guān)系，電磁非機理建模分析成為了非常重要的環(huán)節(jié)。近幾年，一些傳統(tǒng)非機理的建模方法，如響應(yīng)面、神經(jīng)網(wǎng)絡(luò)方法等開始引入到微波天線建模中。響應(yīng)面模型易于實現(xiàn)，但是逼近非線性問題的能力較差；神經(jīng)網(wǎng)絡(luò)存在著大樣本、過學(xué)習(xí)和局部優(yōu)化的缺點，模型的精度和泛化能力依賴其結(jié)構(gòu)，且結(jié)構(gòu)的選擇缺乏理論指導(dǎo)。支持向量回歸機是基于統(tǒng)計學(xué)習(xí)理論的一種機器學(xué)習(xí)方法，采用結(jié)構(gòu)風(fēng)險最小化而不是經(jīng)驗風(fēng)險最小化原則，較好地解決了小樣本、非線性、高維數(shù)、局部極小點等實際問題，具有很強的泛化能力，能以任意精度逼近任意函數(shù)。但支持向量回歸機在應(yīng)用中，模型參數(shù)的確定過多依賴于設(shè)計者的經(jīng)驗和交叉驗證方法，存在著計算量大、缺乏理論指導(dǎo)的缺點。
發(fā)明內(nèi)容本發(fā)明的目的是針對現(xiàn)有平板裂縫天線復(fù)雜多變機械結(jié)構(gòu)因素對電性能指標的影響大，模型參數(shù)確定困難，電磁數(shù)值計算耗時長的問題，提供一種可以準確、快速估算平板裂縫天線任意結(jié)構(gòu)參數(shù)情況下的電性能值，能夠避免大量電磁場數(shù)值計算過程的基于支持向量回歸機的非機理建模方法，以克服支持向量回歸機在應(yīng)用中存在的模型參數(shù)確定困難的問題，以解決平板裂縫天線復(fù)雜多變機械結(jié)構(gòu)因素對電性能的影響機理研究。本發(fā)明的目的可以通過以下措施來達到。一種基于支持向量回歸機的平板裂縫天線建模方法，包括如下步驟，在支持向量回歸機模型的建立過程中。a.首先根據(jù)平板裂縫天線功能構(gòu)件的結(jié)構(gòu)，確定影響電性能的主要機械結(jié)構(gòu)參數(shù)及取值范圍，采用試驗設(shè)計方法安排試驗點；b.根據(jù)試驗設(shè)計安排，采用實驗或基于全波分析的電磁場數(shù)值仿真，獲取平板裂縫天線功能構(gòu)件的電性能值，對試驗數(shù)據(jù)進行歸一化處理，獲得支持向量回歸機模型的訓(xùn)練樣本數(shù)據(jù)；c.選擇徑向基核作為支持向量回歸機模型核函數(shù)，根據(jù)訓(xùn)練樣本建立的支持向量回歸機模型為/w4(cx,.-oO雖，;c,)"，其中，oc,.，<是通過訓(xùn)練得到的對偶問題的解系數(shù)，^是相應(yīng)的偏差值；d.用遺傳算法優(yōu)化支持向量回歸機模型的參數(shù)，獲取最優(yōu)的支持向量回歸機模型；e.利用隨機生成的測試樣本對上述模型進行驗證。若模型的回歸性能不能達到要求，則隨機增加訓(xùn)練樣本，重新構(gòu)建和優(yōu)化支持向量回歸機模型，直至獲得理想的模型為止。在進行向量回歸機建模時，最優(yōu)模型的選擇是非常關(guān)鍵的工作，模型的好壞直接影響著預(yù)測值的計算精度。在模型的優(yōu)化過程中，先根據(jù)訓(xùn)練樣本數(shù)據(jù)的數(shù)量、維數(shù)初步確定支持向量回歸機模型三個參數(shù)的取值范圍，然后采用遺傳算法對參數(shù)進行優(yōu)化，獲得最優(yōu)的參數(shù)組合。利用隨機生成的測試樣本對該模型進行驗證，若模型的回歸性能不能達到要求，則隨機增加訓(xùn)練樣本，重新構(gòu)建和優(yōu)化支持向量回歸機模型，直至達到要求的精度為止。利用該支持向量回歸機模型就可以計算任意結(jié)構(gòu)參數(shù)情況下的電性能值。本發(fā)明相比于現(xiàn)有技術(shù)具有如下有益效果。首先本發(fā)明所建立的平板裂縫天線支持向量回歸機模型在小樣本情況下可獲得泛化能力好的性能，與其他方法相比，提高丫建模效率。其次本發(fā)明給出了模型參數(shù)的優(yōu)化方法，避免了經(jīng)驗方法中過多的依賴于設(shè)計者的經(jīng)驗和交叉驗證方法中計算量大的缺點，參數(shù)確定方法有嚴格的理論基礎(chǔ)。再其次是模型建立方法具有一般性，不同精度要求的模型自動合理選取樣本數(shù)和模型參數(shù)，且簡潔、方便、易用。其中，采用遺傳算法獲得支持向量回歸機模型的最優(yōu)參數(shù)組合，使得支持向量回歸機預(yù)測值與測試樣本真值之間的均方根誤差和相對最大絕對誤差最小。采用隨機增加訓(xùn)練樣本，反復(fù)構(gòu)建支持向量回歸機模型和優(yōu)化模型參數(shù)，整個過程自動執(zhí)行，方便、靈活?？梢詼蚀_、快速估算平板裂縫天線任意結(jié)構(gòu)參數(shù)情況下的電性能值。使用該模型來計算平板裂縫天線電性能，避免丫大量的電磁場數(shù)值計算過程，提高了計算效率?？朔酥С窒蛄炕貧w機在應(yīng)用中存在的模型參數(shù)確定困難的問題。訓(xùn)練搏到的支持向量回歸機模型為/(力=|;(,-00^0^,.)+&，解決了平板裂縫天線復(fù)雜多變機械結(jié)構(gòu)因素對電性能的影響機理研究及平板裂縫天線設(shè)計、優(yōu)化問題。本發(fā)明為支持向量回歸機的平板裂縫天線建模建立了可靠的基礎(chǔ)和依據(jù)，為在設(shè)計階段確定機械結(jié)構(gòu)因素的加工精度提供了科學(xué)的依據(jù)。本發(fā)明特別適用于平板裂縫天線的機理研究、理論設(shè)計、優(yōu)化及工程應(yīng)用。下面結(jié)合附圖和實施進一步說明本發(fā)明，但并不因此將本發(fā)明限制在所述的實例范圍之中。圖1是本發(fā)明基于支持向量回歸機的平板裂縫天線功能構(gòu)件建模流程圖。圖2是支持向量回歸機的內(nèi)部結(jié)構(gòu)示意圖。圖3是現(xiàn)有技術(shù)遺傳算法優(yōu)化支持向量回歸機參數(shù)的計算流程圖。圖4是平板裂縫天線輻射縫結(jié)構(gòu)示意圖。具體實施例方式以下結(jié)合附圖，對本發(fā)明的具體實施步驟作進一步的詳細說明。參閱圖2，在進行向量回歸機建模時，最優(yōu)模型的選擇是非常關(guān)鍵的工作，模型的好壞直接影響著預(yù)測值的計算精度。在模型的優(yōu)化過程中，先根據(jù)訓(xùn)練樣本數(shù)據(jù)的數(shù)量、維數(shù)，初步確定支持向量回歸機模型三個參數(shù)的取值范圍，然后采用遺傳算法對參數(shù)進行優(yōu)化，獲得最優(yōu)的參數(shù)組合。利用隨機生成的測試樣本對該模型進行驗證，若模型的回歸性能不能達到要求，則隨機增加訓(xùn)練樣本，重新構(gòu)建和優(yōu)化支持向量回歸機模型，直至達到要求的精度為止。利用該支持向量回歸機模型就可以計算任意結(jié)構(gòu)參數(shù)情況下的電性能值。具體步驟包括。歩驟l:對平板裂縫天線功能構(gòu)件作初步分析，確定影響電性能的主要機械結(jié)構(gòu)因素及各參數(shù)的取值范圍。步驟2:確定試驗設(shè)計方案。對回歸分析。用拉丁超立方抽樣方法安排試驗點，試驗點應(yīng)有代表性，且均勻分布，以盡可能少的試驗點獲得更好的回歸性步驟3:根據(jù)試驗設(shè)計安排，采用實驗或基于全波分析的電磁場數(shù)值仿真，獲得平板裂縫天線功能構(gòu)件的電性能值。步驟4:對試驗結(jié)果進行歸一化處理。尤其是對結(jié)構(gòu)參數(shù)值和對應(yīng)的電性能值進行歸一化預(yù)處理。歸一化處理是指各參數(shù)的變化范圍有所差異，為同一處理方便而進行的線性變換。設(shè)第Z'個結(jié)構(gòu)參數(shù)Z,的實際變化范圍是[^in,Zmax]，歸一化方法為<formula>formulaseeoriginaldocumentpage8</formula>同理對電性能力也作歸一化處理。歸一化后的值1,^￡組成支持向量回歸機的訓(xùn)練樣本<formula>formulaseeoriginaldocumentpage8</formula>其中;c,.e/r為"維結(jié)構(gòu)參數(shù)，y,e^為電性能。獲得支持向量回歸機模型的訓(xùn)練樣本數(shù)據(jù)。步驟5:在結(jié)構(gòu)參數(shù)范圍內(nèi)產(chǎn)生一組隨機數(shù)，按步驟3，4的方法，獲得支持向量回歸機的測試樣本。步驟6:選擇徑向基核為支持向量回歸機模型的核函數(shù)，設(shè)定初始的支持向量回歸機模型參數(shù)值，用訓(xùn)練樣本數(shù)據(jù)對支持向量回歸機進行訓(xùn)練，則可以訓(xùn)練得到如下初始的支持向量回歸機模型<formula>formulaseeoriginaldocumentpage8</formula>i其中，oc,，《是通過訓(xùn)練得到的對偶問題的解系數(shù)，6是相應(yīng)的偏差值。步驟7:驗證支持向量回歸機模型的有效性性能。采用兩個指標來衡量支持向量回歸機模型性能的準確性，一個指標是最小均方誤差(RMSE)，用來衡量模型的全局性能；另一個指標是相對最大絕對誤差(RMAE)，用來衡量模型的局部性能。對于一個好性能的支持向量回歸機模型而言，RMSE和RMAE都是越小越好o<formula>formulaseeoriginaldocumentpage8</formula>其中，k為樣本數(shù)，y為測試樣本的仿真值，/(x)為測試樣本的支持向量回歸則值，y為y的均值。步驟8:參閱圖3，采用遺傳算法優(yōu)化支持向量回歸機模型的參數(shù)，獲取最優(yōu)的參數(shù)組合。選取最佳的參數(shù)組合，使得支持向量回歸機預(yù)測值與測試樣本真值之間的均方誤差和相對最大絕對誤差最小，即適應(yīng)度函數(shù)為<formula>formulaseeoriginaldocumentpage9</formula>選取遺傳算法的有關(guān)參數(shù)初始種群為200，遺傳代數(shù)30，交叉率0.8，變異率為0.01。步驟9:若支持向量回歸機模型性能不滿足要求，則采用增加訓(xùn)練樣本數(shù)量的方法。樣本隨機產(chǎn)生，轉(zhuǎn)向步驟3。反復(fù)構(gòu)建支持向量回歸機模型和優(yōu)化模型參數(shù)，整個過程自動執(zhí)行，直至獲得理想的模型。步驟10:利用建立好的理想模型，可以快速預(yù)測和估計任意結(jié)構(gòu)參數(shù)情況下的電性能值。參閱圖4。為了更清楚地理解本發(fā)明，下面結(jié)合圖4給出平板裂縫天線一個輻射逢的具體結(jié)構(gòu)，對本發(fā)明實施例的細節(jié)作進一步的說明。圖4所示的輻射逢是平板裂縫天線主要功能構(gòu)件之一。影響輻射逢電性能(包括幅度和相位)的主要結(jié)構(gòu)因素有波導(dǎo)寬邊，波導(dǎo)窄邊，波導(dǎo)壁厚，縫長，縫寬，縫偏置。將基于支持向量機的非機理建模方法應(yīng)用于輻射逢幅度性能的估計。實驗結(jié)果表明采用拉丁超立方試驗設(shè)計和電磁場數(shù)值仿真，將產(chǎn)生125組訓(xùn)練樣本和100組隨機測試樣本檢驗支持向量回歸機模型的性能。運用遺傳算法，獲得支持向量回歸機的三個參數(shù)J、f以及C分別為0.018，0.0012，83.5。將本發(fā)明的結(jié)果與現(xiàn)有技術(shù)BP神經(jīng)網(wǎng)絡(luò)方法的結(jié)果進行比較，采用相同的數(shù)據(jù)樣本。下表1是上述兩種建模方法的結(jié)果對比。由此可見，本發(fā)明的結(jié)果遠好于BP神經(jīng)網(wǎng)絡(luò)建模方法的結(jié)果。表1兩種建模方法的結(jié)果對比<table>tableseeoriginaldocumentpage10</column></row><table>權(quán)利要求1.一種基于支持向量回歸機建立平板裂縫天線模型的方法，包括如下步驟，在支持向量回歸機模型的建立過程中。a.首先根據(jù)平板裂縫天線功能構(gòu)件的結(jié)構(gòu)，確定影響電性能的主要機械結(jié)構(gòu)參數(shù)及取值范圍，采用試驗設(shè)計方法安排試驗點；b.根據(jù)試驗設(shè)計安排，采用實驗或基于全波分析的電磁場數(shù)值仿真，獲取平板裂縫天線功能構(gòu)件的電性能值，對試驗數(shù)據(jù)進行歸一化處理，獲得支持向量回歸機模型的訓(xùn)練樣本數(shù)據(jù)；c.選擇徑向基核作為支持向量回歸機模型核函數(shù)，根據(jù)訓(xùn)練樣本建立的支持向量回歸機模型為<mathsid="math0001"num="0001"><math><![CDATA[<mrow><mi>f</mi><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></munderover><mrow><mo>(</mo><msub><mi>&alpha;</mi><mi>i</mi></msub><mo>-</mo><msubsup><mi>&alpha;</mi><mi>i</mi><mo>*</mo></msubsup><mo>)</mo></mrow><mi>K</mi><mrow><mo>(</mo><mi>x</mi><mo>,</mo><msub><mi>x</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>+</mo><mi>b</mi><mo>,</mo></mrow>]]></math>id="icf0001"file="A2008100457510002C1.tif"wi="46"he="6"top="108"left="61"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>其中，αi，αi*是通過訓(xùn)練得到的對偶問題的解系數(shù)，b是相應(yīng)的偏差值；d.用遺傳算法優(yōu)化支持向量回歸機模型的參數(shù)，獲取最優(yōu)的支持向量回歸機模型；e.利用隨機生成的測試樣本對上述模型進行驗證，若模型的回歸性能不能達到要求，則隨機增加訓(xùn)練樣本，重新構(gòu)建和優(yōu)化支持向量回歸機模型，直至獲得理想的模型為止。2.按權(quán)利要求1所述的基于支持向量回歸機建立平板裂縫天線模型的方法，其特征在于，采用拉丁超立方抽樣試驗設(shè)計方法，安排的試驗點具有代表性，且均勻分布。3.按權(quán)利要求1所述的基于支持向量回歸機建立平板裂縫天線模型的方法，其特征在于，所述的歸一化處理是對結(jié)構(gòu)參數(shù)值和對應(yīng)的電性能值進行的歸一化預(yù)處理。4.按權(quán)利要求3所述的基于支持向量回歸機建立平板裂縫天線模型的方法，其特征在于，所述的歸一化處理是假定第!'個結(jié)構(gòu)參數(shù)Z,的實際變化范圍是[Zn^，Zmax]，歸一化方法為x,^^。歸一化后的值^y,e[(W]組成支持向量回歸機的訓(xùn)練樣木z^K義,，y,)l:i,2,…，0。其中x,""為"維結(jié)構(gòu)參數(shù)，y,.w為電性能。5.按權(quán)利要求1所述的基于支持向量回歸機建立平板裂縫天線模型的方法，其特征在于，支持向量回歸機模型性能有效性驗證，采用最小均方根誤差(RMSE)和相對最大絕對誤差(RMAE)兩個指標衡量，其中SOW",))2RMSE=1—RMAE:max(1^—/QQl,ly2—/C^)I，…，lh—/"t)訂式中，^為樣本數(shù)，j^lftiil^本的仿真值，A勻為測試樣本的支持向量回歸值，？為y的均值。6.按權(quán)利要求1所述的基于支持向量回歸機的平板裂縫天線建模方法，其特征在于，提高支持向量回歸機模型性能的方法自動執(zhí)行。全文摘要本發(fā)明提供的一種基于支持向量回歸機的平板裂縫天線建模方法，根據(jù)平板裂縫天線功能構(gòu)件的主要機械結(jié)構(gòu)參數(shù)及取值范圍，采用拉丁超立方抽樣法選取合適的試驗數(shù)據(jù)，通過對被建模對象進行實驗或電磁場數(shù)值仿真計算，獲取支持向量回歸機模型的訓(xùn)練樣本，建立支持向量回歸機模型為f(x)＝∑ⁿ_i=1(α_i-α_i^*)K(x，x_i)+b。采用遺傳算法對所建立的模型參數(shù)進行優(yōu)化，獲得最優(yōu)的模型。用隨機生成的測試樣本對模型性能進行驗證。本發(fā)明可以準確、快速估算平板裂縫天線任意結(jié)構(gòu)參數(shù)情況下的電性能值，避免了耗時的電磁數(shù)值計算，解決了平板裂縫天線機械結(jié)構(gòu)因素對電性能的影響機理研究及平板裂縫天線設(shè)計、優(yōu)化問題。為平板裂縫天線建模和加工精度的選取，建立了可靠的基礎(chǔ)和依據(jù)。文檔編號G06F17/50GK101339577SQ20081004575公開日2009年1月7日申請日期2008年8月7日優(yōu)先權(quán)日2008年8月7日發(fā)明者嚴志堅,向國齊申請人:中國電子科技集團公司第十研究所