使用粒子群优化训练的自适应神经模糊推理系统对折叠偶极天线多天线性能参数的估计

为日常无线设备打造更智能的天线

从 WiFi 路由器到智能恒温器，许多日常设备都依赖于称为天线的微小金属结构来发送和接收信号。天线设计通常是一个缓慢的试错过程，依赖大量的计算机仿真。本文展示了一种将人工智能技术结合起来的方法，如何学习一种常见天线类型的行为并几乎即时预测其性能，从而为更快、更高效的无线产品设计铺平道路。

为何这种天线很重要

研究聚焦于印刷折叠偶极天线，这是一种在 2.4 GHz 频段（即 WiFi 和蓝牙使用的频段）常见的紧凑型样式。通过折叠经典偶极子的臂，工程师可以在不牺牲性能的情况下缩小天线体积。然而，这种折叠也使得天线的行为对其印刷基板的材料非常敏感。电路板的长度、宽度或厚度的微小变化都会显著移动天线的工作频率以及它与电子设备的匹配程度。因为这些关系高度纠缠且非线性，工程师通常需要依赖反复且耗时的电磁仿真来探索设计选项。

教模型模仿仿真器

为了避免对每个新设计运行成千上万次完整仿真，作者构建了一个“替代”模型——一个快速的数学代理，模拟仿真器的输出。他们首先通过系统性地改变基板尺寸生成了一个包含 1000 个不同天线设计的大型数据集。对于每个设计，专业的电磁工具计算两个关键性能指标：谐振频率（天线的主要工作通道）和最小回波损耗，常写作 S11，用来表示天线从发射器吸取功率的效率，而不是将功率反射回去。

将模糊规则与学习和群体搜索融合

该框架的核心是自适应神经模糊推理系统（ANFIS），它结合了两种思想：类似人类“若–则”推理的模糊规则，以及用于调节这些规则背后数值的神经网络风格学习。作者没有仅使用标准的基于梯度的训练——因为那类方法可能陷入次优解——而是测试了四种不同的 ANFIS 参数调整策略：经典反向传播、混合反向传播方法、受进化启发的遗传算法，以及模仿粒子群体寻找最优位置的粒子群优化（PSO）。关键在于，他们使用这些优化方法不是去微调天线的形状，而是改进 ANFIS 的内部设置，使其能够更好地学习几何参数与性能之间的关系。

模型学到的性能规律

比较结果表明，基于种群的方法（并行探索多个候选解）明显优于纯粹的基于梯度的学习方法。在这些方法中，采用 PSO 训练的 ANFIS 提供了最准确且最稳定的预测。对于模型此前未见过的测试设计，模型对谐振频率的平均误差只有几千分之一 GHz，对回波损耗的误差也仅为几千分之一 dB。统计检验证实这些改进并非偶然：PSO 增强的模型系统性地追踪了在广泛的电路板尺寸和厚度范围内频率和 S11 的详细起伏。

这对未来无线设备意味着什么

简而言之，作者构建了一个高度准确的天线设计捷径。工程师可以使用经过训练的 ANFIS‑PSO 模型在几乎即时内得到工作频率和匹配质量的预测，而不必为电路板尺寸的每一点微小变化运行耗时的仿真。这可以显著加快设计探索、降低计算成本，并有助于为 2.4 GHz 频段及更高频段的紧凑型无线设备优化天线。同样的策略——将群体优化的神经模糊模型作为快速替代器——可以扩展到其他复杂的射频组件，支持未来 WiFi、蓝牙、物联网和下一代通信系统的快速开发。

引用: 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

关键词: 折叠偶极天线, 无线设计, 神经模糊建模, 粒子群优化, 天线优化