Design of reconfigurable microstrip patch antennas by artificial neural networks

Abstract

Son zamanlarda, yapay sinir ağları, hızlı, yüksek doğrulukta, güvenilir ve alternatif bir optimizasyon yöntemi olarak anten tasarım alanına sunulmuştur. Bu tez yeniden yapılandırılabilir mikroşerit anten tasarım alanında yeni bir araştırma yaklaşımı sunmaktadır. Mevcut olan tasarım süreçleri ya elektromanyetik kompleks denklemlerine dayalı olan EM simülatörleri ya da farklı optimizasyon yöntemlerine dayalı gelişmiş hesaplama teknikleri kullanmaktadır. Bu araştırma, yapay sinir ağlarında işlevsel ve yapısal anten bilgileri kullanarak, telsiz uygulamaları olan iki adet yeniden yapılandırılabilir mikroşerit anten tasarlamayı hedefler. Önerilen yeniden yapılandırılabilir mikroşerit antenlerde, sistem bileşenleri değiştirilerek çok sayıda haberleşme uygulamaları için ek işlevsellik sağlanabilir. Bahsedilen işlevsellik çoklu, geniş resonans frekans bant genişlikleri ve daha kapsamlı taramalar manasına gelir. Önerilen yeniden yapılandırılabilir antenler, AÇIK/KAPALI (ON/OFF) durumunu kontrol eden iki adet PIN diyot yardımıyla kontrol edilir ve dört farklı çalışma moduna sahiptir. Bunun için, kaynak farkı, ön bilgi girişi, ve ön bilgi farkının analitik ve yarı-analitik olarak gösterildiği bilgi tabanlı yapay sinir ağlarına ek olarak çok katmanlı algılayıcı ağları geliştirilmiştir. Ek bilgi kullanılması, yapay sinir ağlarının öğrenme ve genelleme yeteneğini tamamlar. Önerilen yöntemler, doğruluk oranlarını arttırdıkları, modelleri iyileştirdikleri, zaman tasarrufu sağladıkları ve kompleks anten formülleri kullanmadıkları için yeniden yapılandırılabilir anten tasarımında kullanılabilir.İlk telsiz uygulamasında, 5-parmak şeklinde ve yeniden yapılandırılabilir bir mikroşerit anten geliştirilmiştir. Bu antende iyi ve kaba EM modelleri kullanılmıştır. Kaba modelin kafes yoğunluğu ve hücreleri iyi modele göre daha küçük seçilir. Her iki model yanıtının istikrarlı ve tutarlı tutması için tasarım ve optimizasyon aşamalarında kafes topolojisi değiştirilmemektedir. Farklı örneklere sahip üç eğitim veri kümesi oluşturulmuştur. Bu anten 2-6 GHz arasında farklı rezonans frekanslarında çalışır.İkinci telsiz uygulamasında yeniden yapılandırılabilir N-şekilli bir mikroşerit anten tasarlanmıştır. Bu çalışmada, bilgi tabanlı yanıt düzeltme yöntemi önerilmiştir. Bu yöntem iki aşamalı bir modelden oluşmaktadır. İlk aşamada çok katmanlı algılayıcı modeli kaba anten modelini temsil eder. İkinci aşamanın çıkışı ise iyi modeli gösterir. İki aşamalı modellemede bir ters problem yaklaşımı uygulanarak az verisi olan frekans değişkeni giriş parametresi olarak, yeniden yapılandırılabilir antenin fiziksel boyutları ise tahmin çıkışları olarak seçilir. Sonra elde edilen tahmin çıkışları yeniden EM- simülatörüyle tasarlanarak yeni şekilli bir yeniden yapıladırılabilir anten bulunur. Bu anten 2-10 GHz arası geniş frekans aralığında çalışmaktadır.Tasarlanan yeniden yapılandırılabilir antenler, farklı boyutları, formları, bant genişlikleri ve tarama alanları ile birlikte sunulmuştur. Ayrıca bu araştırma EM-simülasyon, çok katmanlı algılayıcı ve bilgi tabanlı yöntemlerle elde edilen sonuçların karşılaştırılmasına olanak sağlar. Bu araştırmada geliştirilen bilgi tabanlı yöntemler, çok katmanlı algılayıcı modellerine kıyasla hız ve doğruluk bakımından daha avantajlıdır ve EM modelleriyle daha iyi örtüşür. Sonuç olarak, sinir ağları ve özellikle bilgiye dayalı yöntemler, yüksek doğruluk oranları ve az çalışma süreleri ile EM-simülasyon yazılımlarına alternatif ve destekleyici bir model optimizasyon yaklaşımı olarak kullanılabilir.

Artificial neural networks have lately been presented to the field of antenna design as fast, accurate and reliable optimization methods. This thesis presents a new research direction for the design of reconfigurable microstrip antennas. The existing design methods either employ EM-simulators based on electromagnetic complex equations or different optimization techniques such as evolutionary computing. This research focuses on two novel wireless applications of reconfigurable microstrip antennas by incorporating functional and structural antenna information into artificial neural networks. The proposed reconfigurable microstrip antennas can adapt to changing system components to provide an additional level of functionality for many communication systems such as multiple, wide resonant frequency bandwidths and more extensive scans. The proposed reconfigurable antennas have four modes of operation, controlled by two PIN diode switches with ON/OFF states. The particular knowledge based neural networks considered in this research are source difference method, prior knowledge input method and prior knowledge input with difference method, which incorporate analytical or semi- analytical information into the structure of neural networks, in addition to multilayer perceptron (without any additional knowledge). Providing additional information complements the learning and generalization capability of neural networks considerably. Therefore, the proposed methods can be used to model reconfigurable antennas improving the accuracy, reducing computational cost and implementing without consulting directly to complex antenna formulas. In the first wireless application, a novel reconfigurable antenna is proposed, namely a reconfigurable 5-fingers shaped microstrip patch antenna. Fine and coarse EM-models are presented, in which the mesh density and cells of the coarse model is less than the fine model. For both models, the mesh topology remains unchanged throughout the design and optimization stage in order to keep the response of the coarse and the fine models stable and consistent. Three training data sets with different samples are generated. This antenna resonates at multiple frequencies between 2-6 GHz.The second wireless application is a novel reconfigurable N-shaped microstrip patch antenna. For this task, the knowledge based response correction method is proposed. This method consists of two stages: a multilayer perceptron model in the first step that represents the coarse model and the fine model represents the output of the second step that contains knowledge based methods. The two step models are inversely trained using less data where the frequency parameter is the input and the physical dimensions of the reconfigurable antenna are the predicted outputs. Subsequently the outputs are redesigned by the EM-simulator to obtain a new solution for the reconfigurable antenna. The antenna resonates at a wide range of frequencies between 2-10 GHz.Results are presented for reconfigurable antennas of varying size, with different forms, and for distinct bandwidths and scan area. This research also reviews the comparison of the results obtained by EM-simulation, multilayer perceptron and knowledge based methods. As a result, neural networks, especially knowledge based methods can be used for surrogate model optimization as compared to EM-simulation software. Knowledge based methods developed in this research have the speed and accuracy advantage over multilayer perceptron models getting closer to the EM models. The proposed techniques could be used for reconfigurable antennas for design and optimization with improved accuracy and reduced running times.