支持向量機及其在天線設計中的應用研究.pdf

1、支持向量機（Support Vector Machine，SVM）是根據統(tǒng)計學習理論（Statistical Learning Theory，SLT）而提出來的機器學習方法，由于它適合解決非線性、小樣本、高維數等問題，已經在信息的分類檢索、生物醫(yī)學、通信等領域得到了廣泛的應用。在電磁領域，如天線設計、DOA估計等問題，往往模型結構較為復雜、樣本獲取較困難，用SVM來解決電磁問題，不僅減少了天線設計者的大量而繁瑣的數學計算工作，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，核函數的選擇是至關重要的，針對單一核函數不能兼顧插值能力和外推能力，本文研究了混合核函數的思想，并使用粒子群（Particle Swarm Optimization，PSO）優(yōu)化算法來進行參數尋優(yōu)；同時為了進一步提高預測精度，本文研究了 SVM集成的思想，并分別將這兩種方法應用于幾個天線設計及DOA估計問題上。具體安排如下：
　　（1）針對單一核函數的各自優(yōu)

3、勢，研究了將全局核函數和局部核函數相結合的一種混合核函數，結合PSO優(yōu)化算法來尋參，并且用UCI數據庫中的數據集以及測試函數進行了驗證和分析。
　?。?）為了進一步提高 SVM的預測精度和穩(wěn)定性，研究了 SVM集成的思想，各個參數及權系數的選擇均采用 PSO優(yōu)化算法，通過用 UCI數據庫中的數據集與單個SVM及人工神經網絡（ArtificialNeural Network,ANN）進行了對比分析。
　?。?）將基于混合核函數

4、的PSO-SVM對DOA估計問題進行了建模，分別比較了兩個信號源、不同信噪比、不同快拍數的情況下的估計誤差，并將建模誤差與ANN、單核SVM的誤差進行了對比分析。
　?。?）用設計的基于混合核函數的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據，并將建模誤差與單一核函數的誤差、HFSS仿真誤差進行了對比分析。
　　（5）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的SVM的預測結果，同時將它們的預測誤差與ANN預測結果作了對比。
　?。?）將SVM集成用于對切角方形圓極化MSA進行綜合建模，并將其和BP-NN、單個S