تماس و مشورت با مدرس دوره : 09153516772

چکیده

امروزه آنتن‌های ریزنواری به خاطر مزایای بی‌شماری که دارند، به طور وسیعی در کاربردهای مختلف مخابراتی به کار می‌روند. این آنتن‌ها معمولاً پهنای باند امپدانسی کمی داشته و لذا روش‌های متعددی جهت رفع این نقیصه پیشنهاد شده است.
برای بهینه سازی آنتن‌های ریزنواری به منظور دستیابی به بیشترین پهنای باند، عموماً از یکی از روش‌های مطالعه‌ی پارامتری یا بهینه‌سازی استفاده می‌شود که روش اول مبتنی بر سعی و خطا بوده، و روش دوم به علت دشواری ارزیابی تابع هدف، پیچیده و زمان‌بر است.
در این پروژه ابتدا با استفاده از قابلیت شبکه‌های عصبی-فازی در تقریب توابع غیرخطی پیچیده، مشخصات یک آنتن تک‌قطبی مسطح با پچ دایره‌ای (شامل تلفات بازگشتی، امپدانس ورودی و الگوی تشعشعی)، به صورت تابعی از پارامترهای آن تخمین زده می‌شود.

سیستم‌های استنتاج فازی-عصبی وفقی(ANFIS) که با داده‌های بدست آمده از نرم‌افزار HFSS آموزش داده شده برای این منظور به کار رفته است. پارامترهای تخمین زده شده با این روش، در مقایسه با حل دقیق بدست آمده از HFSS از دقت خوبی برخوردار بوده به نحوی که میانگین مربع خطا برای مشخصات مختلف آنتن، در بدترین حالت 0/0445می‌باشد.

در فرایند بهینه‌سازی با تعریف یک تابع هدف مناسب و بهینه‌سازی آن با الگوریتم ژنتیک، مقادیر پارامترهای فیزیکی بهینه‌ی تک‌قطبی‌های مسطح با پچ دایره‌ای، بیضوی و مستطیلی، جهت بیشینه نمودن پهنای باند آنها به‌دست آمده‌است.
مقایسه‌ی مقادیر به دست آمده با مقادیر متناظر حاصل از تحلیل پارامتری یا بهینه‌سازی‌های متداول در مطالعات پیشین، حاکی از دقت روش پیشنهادی است.
همچنین روش پیشنهادی، روشی قاعده مند برای بهینه سازی ارائه می‌نماید که سریع‌تر از روش‌های بهینه‌سازی متداول است، به‌طوری که حتی اگر با فرضی خوش‌بینانه، تعداد تکرارها در روش‌های بهینه‌سازی متداول 20 فرض شود (غالباً الگوریتم‌هایی که سرعت همگرایی بالایی دارند نیز به تکرارهای بیشتری نیاز دارند) روش پیشنهادی حداقل دو برابر سریع‌تر به جواب‌های بهینه منجر می‌شود.
این به دلیل آن است که در روش پیشنهادی، برنامه HFSS که زمان‌بر می‌باشد، به تعداد دفعات محدودی (مثلا 10 بار) صرفاً برای تولید داده‌های آموزشی اجرا می‌شود و بهینه سازی در محیط MATLAB و بدون نیاز به اجرای HFSS انجام می‌شود.

فهرست:

فصل اول:مقدمه …………………………………………………………………………………………………………………………….. 1
فصل دوم: شبکه‌های عصبی-فازی و الگوریتم‌های ژنتیک ……………………………………………………………. 7
2-1- مقدمه …………………………………………………………………………………………………………………………………… 7
2-2- نرون‌های فازی …………………………………………………………………………………………………………………… 10
2-3- سیستم‌های استنتاج فازی مبتنی بر شبکه‌های وفقی (ANFIS) …………………………………… 11
2-3-1- مثالی از عملکرد یک ANFIS ……………………………………………………………………………………….12
2-4- الگوریتم‌های ژنتیک (GAs) ………………………………………………………………………………………………15
2-4-1- کلیات ……………………………………………………………………………………………………………………………. 15
2-4-2- کاربردهای الگوریتم‌های ژنتیک …………………………………………………………………………………… 16
2-4-3- واژگان فنی GA …………………………………………………………………………………………………………….16
2-4-4- عملگرهای ژنتیک …………………………………………………………………………………………………………. 18
2-4-5- مثالی از عملکرد الگوریتم ژنتیک ……………………………………………………………………………………20
فصل سوم: چگونگی استفاده از ANFIS در تقریب مشخصات آنتن‌های ریزنواری و به کارگیری الگوریتم ژنتیک جهت بهینه‌سازی پارامترهای آن ……………………………………………………………………… 25
3-1- مقدمه …………………………………………………………………………………………………………………………………25
3-2- به‌کارگیری شبکه‌های عصبی (یا عصبی-فازی) جهت تقریب مشخصات آنتن‌های ریزنواری…………………………………………………………………………………………………………………………………………..26
3-3- روش‌های مختلف بهینه‌سازی آنتن‌های ریزنواری ……………………………………………………………. 27
3-3-1- مثال‌هایی از استخراج تابع هدف به کمک تحلیل عددی ……………………………………………. 27
3-3-2- مثال‌هایی از روش شبیه‌سازی توأم ……………………………………………………………………………… 32
فصل چهارم: روشی سیستماتیک در طراحی و بهینه‌سازی آنتن‌های ریزنواری فراپهن‌باند با استفاده از شبکه‌های عصبی-فازی و الگوریتم ژنتیک ……………………………………………………………………………… 41
4-1- مقدمه …………………………………………………………………………………………………………………………………..41
4-2- استخراج مشخصات یک آنتن ریزنواری فراپهن‌باند با پچ دایره‌ای به کمک شبکه‌های عصبی-فازی …………………………………………………………………………………………………………………………………………….. 42
4-3- بهینه‌سازی پهنای باند آنتن ریزنواری با پچ دایره‌ای به کمک الگوریتم ژنتیک ………………. 52
4-4- بهینه‌سازی پهنای باند آنتن ریزنواری با پچ بیضوی به کمک الگوریتم ژنتیک ……………….. 56
4-5- بهینه‌سازی پهنای باند آنتن ریزنواری با پچ مستطیلی به کمک الگوریتم ژنتیک ……………..60
فصل پنجم: نتیجه‌گیری و پیشنهادها ……………………………………………………………………………………………69
5-1- نتیجه‌گیری ……………………………………………………………………………………………………………………… 69
5-2- پیشنهادها ………………………………………………………………………………………………………………………….. 72
5-2-1- استفاده از روش پیشنهادی جهت بهینه‌سازی دیگر مشخصات آنتن‌های ریزنواری ……. 72
5-2-2- تقریب و بهینه‌سازی توأم دو یا چند مشخصه با روش پیشنهادی و تعریف تابع هدف ترکیبی …………………………………………………………………………………………………………………………………………. 73
5-2-3- تقریب مشخصات آنتن به کمک شبکه‌های عصبی پویا ………………………………………………. 74
5-2-4- تقریب مشخصات با در نظر گرفتن ثابت دی‌الکتریک و ضخامت زیرلایه به عنوان پارامترهای ورودی و سپس ثابت نگه داشتن آنها در طول فرایند بهینه‌سازی ………………………….. 75
5-2-5- ایجاد تنوع در داده‌های آموزشی با در نظر گرفتن پارامترهای بیشتر و تحلیل آنتن به‌ازای این پارامترها در محدوده‌های فرکانسی کوچکتر ………………………………………………………………………… 76
5-2-6- بهینه‌سازی تابع هدف تقریبی با الگوریتم‌های دیگر ……………………………………………………. 76

 

مقدمه
ایده ي تشعشع کننده هاي ریزنواري اولین بار در سال 1953توسط Deschampsمطرح شد و متعاقب آن در سال 1955در فرانسه اختراعی در این زمینه به وسیله ي Guttonو Biassionot به ثبت رسید. اما 20سال طول کشید تا این آنتنها ساخته شوند.

در دهه ي 1970با پیدایش زیرلایه هاي مناسب با تانژانت تلفات کم و خصوصیات گرمایی و مکانیکی خوب و همچنین بهبود مدل هاي تئوري، ساخت این آنتنها سرعت گرفت و اولین آنتن ریزنواري عملی توسط Howellو Munsonساخته شد. از آن زمان به بعد به خاطر مزایاي متعدد آنتن هاي ریزنواري تحقیقات در این زمینه رشد چشمگیري کرده و همچنان نیز ادامه دارد.

به طور ایده آل ثابت ديالکتریک زیرلایه باید کم باشد تا میدانهاي کناري که در تشعشع به حساب می آیند افزایش یابند اما ممکن است براي بهبود عملکرد دیگر پارامترها، به ناچار از زیرلایه هایی با دی الکتریک بیشتر استفاده شود.

در مقایسه با آنتن هاي مایکروویو سنتی، آنتن هاي ریزنواري مزایاي چندي دارند و براي کاربردهایی در محدودهي فرکانسی ~100MHzتا ~100GHzطراحی میشوند. بعضی از مزایاي آنتن هاي ریزنواري در مقایسه با آنتن هاي مرسوم عبارتند از:

شکل) :(1-1نمایی از یک آنتن ریزنواري].

وزن و حجم کم و اندازه ي کوچک؛ هزینه ي ساخت کم که منجر به مقرون به صرفه بودن تولید انبوه آنتن میشود؛ آنتنهاي داراي دو یا چند باند فرکانسی و داراي دو قطبی شدگی به راحتی قابل ساختند؛ این آنتن ها به راحتی با مدارهاي مایکرویوي قابل مجتمع شدن هستند؛ میتوان خطوط تغذیه و شبکه هاي تطبیق را همزمان با خود آنتن ساخت.
اما آنتن هاي ریزنواري در مقایسه با آنتنهاي سنتی محدودیت هایی نیز دارند که برخی از آنها عبارتند از:

پهناي باند کم و مشکلات تولرانسی مربوطه؛
اغلب آنتنهاي ریزنواري در نصف فضا تشعشع میکنند؛
قابلیت حمل و انتشار توانهاي بالا را ندارند (نهایتاً تا حدود 100وات)؛
دستیابی به خلوص پلاریزاسیون در این آنتنها دشوار است؛
خطوط تغذیه و تقاطعها باعث تشعشعات اضافی میشوند.

کم بودن پهناي باند را میتوان به نوعی عمدهترین محدودیت آنتنهاي ریزنواري به حساب آورد به طوري که بعضی از این آنتنها پهناي باند امپدانسی کمتر از %1دارند حال آنکه آنتن هاي مرسوم همچون دوقطبی ها، آنتن هاي شکافی و موج برهاي بوقی شکل، داراي پهناي باند امپدانسی بین 15تا %50میباشند.

بنابراین از زمان پیدایش این آنتن ها تحقیقات جهت افزایش پهناي باند آنها آغاز شده است و تاکنون مقالات زیادي در این زمینه به چاپ رسیده است. با توجه به اینکه یک آنتن داراي پارامترهاي زیادي است که با فرکانس تغییر میکنند، براساس مقدار مطلوب هریک از این پارامترها تعاریف متفاوتی براي پهناي باند خواهیم داشت.

براي یک آنتن ریزنواري پچ، الگوي تشعشعی شبیه به الگوي تشعشعی یک دوقطبی است. بنابراین پهناي باند الگو، پهناي بیم، گلبرگ هاي کناري و بهره با تغییر فرکانس آنچنان دست خوش تغییر نمیشوند اما امپدانس ورودي این آنتن به شدت به فرکانس وابسته است.پهناي باند امپدانسی یک آنتن ریزنواري تشدیدي با فرکانس تشدید مدار معادل آن ارزیابی میشود.
به طورکلی عمده ترین روشهاي پهن باند سازي آنتن هاي ریزنواري عبارتند از:

انتخاب مناسب پارامترهاي زیرلایه
انتخاب مناسب شکل پچ
انتخاب تکنیکهاي تغذیهاي مناسب؛
استفاده از المانهاي پشتهاي؛
استفاده از المانهاي پارازیتی همسطح؛
استفاده از تکنیک بارگذاري مقاومتی با تزریق تلفات در آنتن.

در هریک از روشهاي فوق غالباً پارامترهاي بهینهي آنتن جهت افزایش پهناي باند به دو صورت مشخص میشوند. ابتدائی ترین و در عین حال ساده ترین روشی که به نظر میرسد، روش
سعی و خطاست که در آن محققین آن قدر پارامترهاي آنتن را تغییر میدهند تا پهناي باند مطلوب حاصل شود.

از سوي دیگر در روش دوم براساس تکنیکهاي متداول بهینه سازي مقادیر بهینه ي این پارامترها حاصل میشوند.هریک از روشهاي فوق محاسن و معایبی دارند.

به عنوان مثال در روش مطالعه ي پارامتري علیرغم سادگی، لازم است آنتن مورد نظر به دفعات تحلیل شده و نتایج آنها بررسی شوند. بدیهی است در این روش هیچ تضمینی وجود ندارد که نتیجهي مطلوب حاصل شود. از سوي دیگر در روش مبتنی بر بهینه سازي، با وجود سیستماتیک بودن روش حل مسئله، یافتن تابع هدف (تابعی که باید بهینه شود) غالباً کاري دشوار است.

به عبارت دیگر بدست آوردن تابعی که پهناي باند آنتن (یا امپدانس ورودي آن)را با فرم بسته اي به پارامترهاي آن مربوط سازد، به سادگی امکان پذیر نمیباشد و غالباً این پهناي باند با محاسبات پیچیده و طاقت فرسا بدست می آید.

در این حالت براي ساده سازي مسئله میتوان از مدلهاي تقریبی مثل مدل cavityیا مدل خط انتقال استفاده کرد ([5-8])که البته دقت کمتري نسبت به تحلیل تمام موج دارند.

البته باید توجه داشت به گونه اي دیگر نیز میتوان این روش را به کار برد. در بسیاري از مقالات مندرج در نشریات علمی معتبر، نرم افزارهایی که تحلیل هاي دقیق میدانی انجام میدهند )مثل IE3D ،CST Microwave ،HFSSو غیره) براي ارزیابی تابع هدف به کار گرفته شده اند در این حالت اگرچه دقت تحلیل ها بالا است اما معمولاً زمان زیادي لازم است تا یک ساختار مشخص تحلیل شود.

بنابراین بهینه سازي یک آنتن با این روش و با به کار گیري الگوریتمهاي مبتنی بر تکرار (مثل ژنتیک) ممکن است روزها و حتی هفتهها به طول انجامد.
اگرچه هنوز در مقالات بسیاري از روش تحلیل پارامتري براي رسیدن به هدفی خاص استفاده میشود اما روزبه روز به تعداد مقالاتی که در آنها از یکی از روشهاي بهینه سازي استفاده شده است، بیشتر میشود.

این امر دو علت عمده دارد: یکی اینکه سیستماتیک بودن حل مسئله باعث میشود که جوابها واقعاً بهینه باشند (برخلاف روش تحلیل پارامتري)و دوم اینکه امروزه با در اختیار داشتن نرم افزارها و سیستمهاي کامپیوتري قدرتمند حل مسائل بسیار پیچیده نیز امکان پذیر شده است.

طبیعی است در این روش الگوریتم هایی که سریعتر و با پیچیدگی کمتري به جواب بهینه برسند، بیشتر مورد توجه قرار میگیرند. پیگیري روند مقالات چاپ شده در مجلات معتبر نیز نشان میدهد که محققان اخیراً اهتمام زیادي به استفاده از این روشها ورزیده اند.
اخیراً محققان به این فکر افتادهاند تا با استفاده از قابلیت شبکه هاي عصبی (و عصبی-فازي) در تقریب توابع غیرخطی، رابطه ي بین پهناي بانـد و پارامترهـاي آن را بیابنـد. مراجـع [12,13]
نمونه اي از این فعالیتها را نشـان مـیدهنـد. البتـه اسـتفاده از شـبکههـاي عصـبی در اسـتخراج مشخصات آنتنها منحصراً به پهناي باند محدود نمیشود، بلکه روشهاي مختلـف طراحـی [14,15]
و همچنین محاسبه ي فرکانس تشدید آنتن هاي مختلف ([16,18])را نیز دربرمیگیرد.
در این پایان نامه به کمک شبکه هاي عصـبی-فـازي ابتـدا مشخصـات آنـتنهـاي ریزنـواري فراپهناباند (مثل امپدانس ورودي آنها) را تقریب زده و سپس با تعریف یک تابع هدف مناسب بـراي
اعمال به الگوریتم ژنتیک، پهناي باند این آنتنها به روشی سیسـتماتیک بیشـینه مـیشـود. نشـان خواهیم داد که با روش پیشنهادي، پارامترهاي بهینه ي آنـتن بـا دقتـی بـالا و نزدیـک بـه مقـادیر
گزارش شده در مقالات و البته بسیار سریع تر از روشهاي ذکر شده در آنها به دست می آیند.

نتیجه گیري

همانگونه که در فصلهاي قبل نیز اشاره شد محققان جهت طراحی و بهینه سازي آنتن هاي ریزنواري با دشواري هایی روبرو هستند. با وجود در دسترس بودن نرم افزارهاي میدانی قوي (مثلIE3D ،CST ،HFSSو غیره) که تحلیل تمام موج دقیق انجام میدهند به علت زمانبر بودن تحلیل در این نرم افزارها فرایند طراحی آنتن هاي ریزنواري غالباً وقتگیر است.

از سوي دیگر یافتن تابع هدف در فرایند بهینه سازي نیز مسئله اي چالش زاست چرا که اصولاً ایجاد ارتباط بین پارامترهاي آنتن و مشخصات آن از طریق تحلیلهاي ریاضی دقیق امکان پذیر نبوده و تنها براي بعضی ساختارهاي ساده به کمک تحلیل عددي میسر است.

اخیراً محققان به این فکر افتادهاند که با استفاده از قابلیت شبکه هاي عصبی، سیستمهاي فازي و شبکه هاي عصبی-فازي در تقریب توابع غیرخطی و پیچیده، به نوعی مشخصات آنتن را به پارامترهاي آن مرتبط سازند. مراجع [18-12, 26-24]نمونه اي از این فعالیتها را نشان می دهند. در این مقالات از دادههاي عملی یا دادههاي حاصل از شبیه سازي براي آموزش شبکه هاي مذبور استفاده شده است.

در تمام این پژوهشها پس از آموزش شبکه و نشان دادن دقت تقریبی شان با داده هاي آزمایشی کافیست پارامترهاي مورد نظر را به شبکه اعمال کرد ومشخصه ي مطلوب را به دست آورد. بدیهی است این کار در مقایسه با ساخت آنتن بسیارکم هزینه تر و در مقایسه با شبیه سازي آن با نرم افزارهاي مایکرویوي بسیار سریعتر میباشد.

البته باید توجه داشت که استفاده از این شبکه ها صرفاً به استخراج مشخصات آنتن هاي ریزنواري محدود نمیشود بلکه مشخصات سایر ادوات مایکرویوي را نیز میتوان با این سیستمها تقریب زد. [22-23,38-40]و نمونه اي از این فعالیت ها را نشان میدهند.

از سوي دیگر همانگونه که در بخشهاي قبل نیز بیان شد روشهاي بهینه سازي آنتن هاي ریزنواري به دو دسته ي کلی تقسیم میشوند یکی مطالعات پارامتري توأم با سعی و خطا و دیگري استفاده از یک روش بهینه سازي با محاسبه ي تابع هدف به کمک روشهاي عددي یا استفاده از یک نرم افزار مایکرویوي جهت ارزیابی آن از آنجا که در مطالعات پارامتري هیچ تضمینی وجود ندارد که حتی پس از اجراي متعدد برنامه نتیجه ي مطلوب حاصل شود محققان اخیراً بیشتر از روش بهینه سازي که روشی سیستماتیک است، استفاده کرده اند.

روش بهینه سازي با استفاده از شیوهه اي متداول فوق الذکر نیز با مشکلاتی مواجه است. از طرفی محاسبهي تابع هدف براي بسیاري از ساختارها به کمک روش هاي تحلیلی، پیچیده یا غیر ممکن است و از سوي دیگر روش بهینه سازي توأم با اتصال یک نرم افزار مایکرویوي و نرم افزاري که الگوریتم بهینه سازي در آن اجرا میشود، انجام میگیرد که فرایندي زمانبر است.

زیرا در حلقه هاي بهینه سازي الگوریتمهاي مختلف، نیاز است به دفعات به تابع هدف (که از طریق نرم افزار مایکروویوي ارزیابی میشود) ارجاع داده شود و با توجه به وقتگیر بودن تحلیل تمام موج در این نرم افزارها بعضاً روزها و حتی هفته ها طول میکشد تا پارامترهاي یک آنتن بهینه شوند.

بنابراین اگر بتوان با تقریبی خوب مشخصات آنتن را به گونه اي به پارامترهاي آن مربوط ساخت که براي هربار ارجاع به تابع هدف نیاز به صرف زمان زیادي نباشد، این امکان وجود دارد که با بهینه سازي این تابع تقریبی پارامترهاي بهینه ي آنتن به دست آیند. در این پژوهش این ایده مورد آزمایش قرار گرفت.

بدین صورت که ابتدا به ازاي چند پارامتر محدود سه ساختار متفاوت از آنتن هاي ریزنواري به وسیله ي نرم افزار HFSSتحلیل شدند پس از آن با استفاده از داده هاي حاصله، چندین شبکهي عصبی-فازي (که هریک معرف یک مشخصهي خاص بودند)آموزش داده شد.

سپس با اعمال داده هاي آزمایشی به شبکه هاي مذبور و مقایسه ي خروجی آنها با مقادیر متناظر حاصل از شبیه سازي دقیق با ،HFSSدقت تقریب به اثبات رسید. در ادامه و در فرایند بهینه سازي، یک تابع هدف مناسب تعریف و به کمک یک شبکه ي عصبی-فازي تقریب زده شد وبا اعمال الگوریتم ژنتیک به آن پارامترهاي بهینه ي آنتن ها جهت بیشینه نمودن پهناي باند به دست آمد.

به طور کلی میتوان روند اجراي این پایان نامه را در چهار مرحله ي زیر خلاصه کرد:
استخراج داده هاي اولیه با شبیه سازي آنتن مورد نظر در نرم افزار .HFSS
آموزش یک شبکه ي عصبی-فازي مناسب.
استفاده از این شبکه به عنوان تابع هدف در الگوریتم ژنتیک.
اعمال مقادیر بهدست آمده از الگوریتم ژنتیک در ساختار آنتن و استخراج مشخصات آن به کمک نرم افزار HFSS

شایان ذکر است این روش براي سه آنـتن ریزنـواري بـا پـچ دایـرهاي، بیضـوي و مسـتطیلی آزمایش شد و نتایج حاصله از آن انطباق خوبی با نتایج گـزارش شـده در [33 ،29و 34]داشـتند. البته باید توجه داشت که روش پیشنهادي در مقایسه با [ 29و 33]سیستماتیک تر و در مقایسه بـا [34]سریعتر میباشد.

علت سیستماتیک تر بودن این روش در مقایسـه بـا [29,33]بهینـه سـازي بـا اسـتفاده از مطالعه ي پارامتري در این دو مرجـع، و دلیـل سـریعتـر بـودن روش پیشـنهادي نسـبت بـه [34]استفاده از روش بهینه سازي توأم در این مقالـه مـیباشـد.

در حقیقـت در[34]پارامترهـاي آنـتن ریزنواري با پچ مستطیلی در یک حلقه ي بهینه سـازي بـا روش شـبه نیـوتن و بـا اجراهـاي متعـدد نرم افزار ،HFSSبهینه شده اند حال آنکه در روش پیشنهادي تنهـا 10بـار نـرم افـزار ،HFSSاجـرا میشود و بقیه ي فرایند بهینه سازي در قالب تخمـین تـابع هـدف و همچنـین بهینـه سـازي آن در نرم افزار MATLABاجرا شده که زمان اجراي آن در مقایسه با یک بار تحلیل سـاختار مربوطـه در HFSSبسیار ناچیز است.

(هربار اجراي HFSSبراي آنتنهاي ریزنواري بـا پـچ دایـرهاي و بیضـوي حدود 90دقیقه و براي آنتن با پچ مستطیلی حدوداً 25دقیقه است حال آنکه کـل زمـان آمـوزش شبکه با الگوریتم ترکیبی و بهینه سازي تابع هدف تقریبی بهوسیله ي الگوریتم ژنتیک بـه 30ثانیـه هم نمیرسد)

————————————————————————————————————————————–

شما میتوانید تنها با یک کلید به راحتی فایل مورد نظر را دریافت کنید. 🙂

————————————————————————————————————————————–