Microstrip patch antenna modeling with knowledge-based neural networks
Bilgiye dayalı yapay sinir ağları kullanılarak mikroşerit yama antenin modellenmesi
- Tez No: 824061
- Danışmanlar: DR. ÖĞR. ÜYESİ AHMET CEMAL DURGUN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektromanyetik Alanlar ve Mikrodalga Tekniği Bilim Dalı
- Sayfa Sayısı: 123
Özet
Mikrodalga cihazların tasarımı ve optimize edilmesi, özellikle fazla sayıda katman içeren paket yapılarıyla uğraşırken önemli miktarda kaynak tüketimi gerektirir. Mikrodalga cihaz tasarımı ve optimizasyonu için vekil modeller olarak yapay sinir ağlarını baz alan makine öğrenimi tekniklerinin kullanılması, kaynak kullanımını azaltmayı sağlar. Bu tezde, bir paket üzerine yerleştirilecek mikroşerit yama antenin tasarımı için bir spektral transpoze konvolüsyonel sinir ağı geliştirilmiştir. Sinir ağı, S11 parametrelerini ve antenin kazancını, geometrik parametrelerinin ve materyal özelliklerinin bir fonksiyonu olarak tahmin etmek için eğitildi. Sinir ağı, transpoze konvolüsyonel katmanlar aracılığıyla, çıktının boyutunu artırarak ölçeklenebilir frekans çözünürlüğü sağlar. Anten, belirli kriterlere dayalı farklı besleme tekniklerinin entegrasyonuna izin verebilmek için, önceden tanımlanmış bir besleme yapısı olmadan tasarlandı. Sinir ağının ağırlıkları, Huber kayıp fonksiyonu kullanılarak güncellenirken, değerlendirme ölçütü olarak göreli hata karesi (RSE) belirlendi. Daha küçük bir veri seti ile sinir ağının performansını artırmak için, eğitilme sürecinde bilgiye dayalı regülarizasyon yöntemleri uygulandı. Bu yöntemler, sinyalin türevlerini ve spektral alan temsilini kayıp fonksiyonuna entegre etmeyi ve pasiflik ihlalini en aza indirmek için büyüklük regülarizasyonunu içerir. Ayrıca sinir ağının kayıp fonksiyonu, ilgili modların rezonans frekanslarını dikkate alarak anten performansını doğru bir şekilde tahmin edilmesini sağlayacak yama anteninin boşluk modeli dahil edilerek iyileştirildi. Bu çalışma, yama anten performansını doğru bir şekilde tahmin etmek için sinir ağlarının kayda değer yeteneğini gösterdi.
Özet (Çeviri)
Designing and optimizing microwave devices require significant computational resources, particularly when dealing with intricate stack-up structures. Utilizing machine learning techniques based on neural networks as surrogate models for microwave device design and optimization offers the advantage of reducing computational resource usage. In this thesis, a spectral transposed convolutional neural network was developed for the design of a microstrip patch antenna on a package. The neural network was trained to predict the S11 parameters and gain of the antenna as a function of its geometrical parameters and material properties. The neural network provides scalable frequency resolution by upsampling the output dimension through transposed convolution layers. The antenna was intentionally designed without a predefined feeding network to allow the integration of versatile feeding techniques based on specific criteria. Weights of the neural network are updated using the Huber loss function, while the relative squared error (RSE) was adopted as the evaluation metric. To further enhance the performance of the neural network with a smaller dataset, knowledge-based regularization methods were implemented during the training process. These methods include integrating derivatives and spectral domain representation of the signal into the loss function, and magnitude regularization to minimize passivity violation. Moreover, the loss function of the neural network was improved by incorporating the cavity model of the patch antenna, allowing accurate prediction of the antenna performance while considering resonant frequencies of the relevant modes. This work demonstrated the remarkable capability of neural networks to accurately predict patch antenna performance.
Benzer Tezler
- Design of reconfigurable microstrip patch antennas by artificial neural networks
Yapay sinir ağları ile yeniden yapılandırılabilir mikroşerit anten tasarımı
ASHRF AOAD
Doktora
İngilizce
2015
Elektrik ve Elektronik MühendisliğiBahçeşehir ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA SADETTİN ÖZYAZICI
- 5G haberleşme için genişbant mikroşerit yama anten modellemesi, alttaş seçimi ve gerçeklemesi
Wideband microstrip patch antenna modeling, substrate selection and realization for 5G communication
MAHMUT KÖSEM
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiVan Yüzüncü Yıl ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BİLAL TÜTÜNCÜ
- Akıllı cihazlar için anten tasarımı
Antenna design for samrt devices
EYÜP KIRIK
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik MühendisliğiHaliç ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AKTÜL KAVAS
- Yapay zeka temelli derin öğrenme yöntemi ile 5G uyumlu mikroşerit anten tasarım ve uygulaması
5G compatible microstrip antenna desing and application with artifical intelligence based deep learning method
REŞİT KARAOĞLU
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik Mühendisliğiİskenderun Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YAKUP HAMEŞ
DOÇ. DR. MEHMET ALİ BELEN
- Performance enhancement of microstrip patch antenna for indoor applications
İç mekan uygulamaları için mikro şerit yama anteninin performans artırması
MOHAMMED SHAFEAY
Yüksek Lisans
İngilizce
2021
Bilgi ve Belge YönetimiAltınbaş ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
YRD. DOÇ. DR. SEFER KURNAZ