用于天线参数估计的混合机器学习与高斯过程

面向无线世界的更智能天线

从智能手机到 Wi‑Fi 路由器，几乎所有无线设备都依赖于称为天线的小金属结构来发送和接收信号。传统上设计这些天线需要运行耗时、计算密集的仿真并手动调整尺寸。本文展示了如何将现代机器学习工具结合起来几乎自动化这一过程，在广泛的无线频段上将设计时间缩短约 99%，同时保持极高的性能准确性。

为何今天的天线设计如此缓慢

工程师常用的一类天线是微带贴片：印在电路板上的扁平金属矩形。其长度、宽度和馈线决定了工作频率，例如用于 5G 或 Wi‑Fi。尽管理论公式能提供起点，但要得到可制造的实际设计通常需要多轮详细的电磁仿真。每次仿真可能耗时数分钟，转向新的目标频率常常意味着重复整个过程。过去用机器学习加速的尝试虽然有前景，但许多工作依赖于规模小或未经验证的数据集，存在“过拟合”风险，即模型在已有数据上表现良好但在新设计上失败。

用高质量数据训练模型

作者正面解决了这一可靠性问题，首先构建了一个大且经过仔细核验的数据集。使用专业的 CST 仿真软件，他们设计并优化了 1,041 个不同的贴片天线，覆盖 0.6 到 6.5 吉赫范围，跨越许多日常无线系统。对于每个设计，他们记录了工作频率和天线的三个关键尺寸。仅保留匹配性能很好的设计，确保示例清晰且可信。他们还制作了一个实际天线并在实验室测量其行为，证明仿真与实物高度一致，从而增强了训练数据反映现实的信心。

将两种学习方法融合为一体

在此数据集基础上，团队构建了一个混合模型，将一种快速的决策树集成方法——随机森林，与一种统计优化方法——高斯过程结合。随机森林学习天线尺寸与谐振频率之间的关系，而高斯过程作为“教练”用于调整学习模型的众多内部设置或超参数。这种调整通过贝叶斯优化完成，能在不穷尽所有可能性的情况下搜索出能最小化预测误差的设置。作者比较了六种不同的机器学习方法，发现经高斯过程引导的随机森林在预测天线尺寸方面最为准确。

准确性、速度及其实践意义

优化后的混合模型可以从目标频率预测出三个主要天线尺寸且误差极小。一个常用指标——均方根误差（RMSE）低至 0.0056，另一个衡量预测与实际匹配程度的独立评分在最佳模型中几乎等于 1。作者进一步验证了该系统：让其在若干频率点设计贴片天线，然后将预测设计与新的 CST 仿真和实际测量结果比较。在测试范围内，预测与实测性能曲线几乎重叠。在标准台式机上的计时测试显示，训练好的模型提出合适尺寸所需不到三秒，而一次完整的 CST 优化在理想条件下也约需 300 秒。这意味着新方法可以作为近乎即时的设计助手。

从专家经验走向一键设计

简而言之，这项工作把过去缓慢、依赖专家的任务变成了更接近一键式的工程流程。混合模型只需训练一次，天线设计师即可输入 0.6 到 6.5 吉赫之间的目标频率，立即获得与完整仿真结果高度一致的高质量尺寸。这节省了工作量、减少了反复试验，并便于探索新无线产品或将设计适配到新频段。未来扩展可以覆盖更宽的频率范围和更复杂的天线形状，进一步将射频硬件开发从数周的手动调优转向数秒的智能预测。

引用: Thao, H.T.P., Kien, T.V. Hybrid machine learning and Gaussian process for antenna parameter estimation. Sci Rep 16, 6076 (2026). https://doi.org/10.1038/s41598-026-35564-9

关键词: 天线设计, 机器学习, 随机森林, 高斯过程, 微带贴片