Оценка нескольких параметров работы антенны сложенного диполя с помощью адаптивной нейро‑нечеткой системы вывода, обученной оптимизацией роя частиц

Умные антенны для повседневных беспроводных устройств

От маршрутизаторов Wi‑Fi до умных термостатов — многие повседневные устройства полагаются на небольшие металлические конструкции, называемые антеннами, для передачи и приёма сигналов. Проектирование таких антенн обычно проводится методом проб и ошибок и требует тяжёлых компьютерных расчётов. В статье показано, как сочетание методов искусственного интеллекта может выучить поведение широко используемого типа антенны и почти мгновенно предсказывать её характеристики, что открывает путь к более быстрому и эффективному проектированию беспроводных устройств.

Почему эта антенна важна

Исследование сосредоточено на печатных сложенных дипольных антеннах — компактном варианте, часто применяемом на частоте 2,4 ГГц, той же полосе, что и Wi‑Fi и Bluetooth. За счёт складывания плеч классического диполя инженеры могут уменьшить габариты антенны без потери эффективности. Однако такое складывание делает её поведение очень чувствительным к материалу подложки, на которой она напечатана. Небольшие изменения длины, ширины или толщины платы заметно смещают рабочую частоту антенны и ухудшают согласование с электроникой. Поскольку эти зависимости сложны и сильно нелинейны, инженеры обычно полагаются на многочисленные и времязатратные электромагнитные симуляции при поиске оптимальных решений.

Обучение модели имитации симулятора

Чтобы избежать запуска тысяч детальных симуляций для каждой новой конфигурации, авторы создают «заместительную» модель — быстрый математический эквивалент, имитирующий выходы симулятора. Они начинают с генерации большой выборки из 1000 различных конструкций антенн, каждая из которых получена путём систематического изменения размеров подложки. Для каждой модели профессиональный электромагнитный инструмент рассчитывает два ключевых параметра: резонансную частоту (главный рабочий диапазон антенны) и минимальную отражённую мощность, часто обозначаемую как S11, которая показывает, насколько эффективно антенна отводит энергию передатчика, а не отражает её обратно.

Сочетание нечетких правил с обучением и роевым поиском

В основе подхода лежит адаптивная нейро‑нечеткая система вывода (ANFIS), объединяющая две идеи: нечеткие правила, напоминающие человеческие «если–то» рассуждения, и обучение в стиле нейронных сетей, настраивающее числовые параметры этих правил. Вместо того чтобы полагаться только на стандартное градиентное обучение — которое легко застревает в неудачных решениях — авторы тестируют четыре стратегии настройки параметров ANFIS: классический обратный проход (backpropagation), гибридный метод обратного прохода, генетический алгоритм, вдохновлённый эволюцией, и оптимизацию роя частиц (PSO), моделирующую стаю частиц, ищущих лучшую позицию. Важно, что эти методы оптимизации применяются не для изменения формы антенны, а для улучшения внутренних настроек самой ANFIS, чтобы она точнее выучила связь между геометрией и характеристиками.

Чему модель учится о характеристиках

Сравнение показывает, что методы, работающие с популяцией кандидатов и исследующие множество решений параллельно, явно превосходят чисто градиентное обучение. Среди них ANFIS, обученная PSO, даёт наиболее точные и стабильные предсказания. Для тестовых конструкций, которые модель не видела при обучении, она предсказывает резонансную частоту со средней ошибкой всего в несколько тысячных гигагерца, а отражённую мощность — с погрешностью всего в несколько тысячных децибела. Статистические тесты подтверждают, что эти улучшения не случайны: модель с PSO последовательно отслеживает детальные изменения и колебания как частоты, так и S11 в широком диапазоне размеров и толщин плат.

Значение для будущих беспроводных устройств

Проще говоря, авторы создали высокоточный и быстрый путь для проектирования антенн. Вместо запуска тяжёлого симулятора при каждом незначительном изменении размеров платы инженеры могут использовать обученную модель ANFIS‑PSO для почти мгновенных предсказаний рабочей частоты и качества согласования. Это может существенно ускорить исследование вариантов, снизить затраты на вычисления и помочь оптимизировать антенны для компактных беспроводных устройств в полосе 2,4 ГГц и за её пределами. Та же стратегия — использование нейро‑нечетких моделей, оптимизированных роевыми методами, в качестве быстрых заместителей — может быть расширена на другие сложные радиокомпоненты, поддерживая быстрое развитие будущих систем Wi‑Fi, Bluetooth, IoT и систем связи следующего поколения.

Цитирование: Haznedar, B., Gençoğlan, D.N. & Haznedar, H. Multiple antenna performance parameters estimation of folded dipole antenna using Adaptive Neuro-Fuzzy Inference System trained with Particle Swarm Optimization. Sci Rep 16, 12214 (2026). https://doi.org/10.1038/s41598-026-41039-8

Ключевые слова: сложенный диполь, беспроводная разработка, нейро‑нечеткое моделирование, оптимизация роя частиц, оптимизация антенн