Dimension Optimization of Multi-Band Microstrip Antennas Using Deep Learning Methods

Abstract

The electromagnetic frequency spectrum is divided into different sub frequency bands. These sub-frequency bands are allocated for different applications. In these days, devices operating in multiple sub-frequency bands provide significant advantages. Devices require antenna structures to operate in multiple frequency bands. Microstrip antennas have become prominent antenna structures with their small size, portable structures and easy integration into other systems. In this study, microstrip antenna structure which can work in multi frequency bands is designed. At the same time, it was used with deep learning methods in optimization of antenna sizes to ensure the optimization of the designed antenna in a shorter time. The operating frequencies of designed antenna structure work in the C and X band as seen in the obtained results. According to IEEE standards, C band is determined between 4 GHz and 8 GHz; X band determined as in 8 GHz and 12 GHz frequency range. In the proposed antenna structure, the ability to operate in multi-band structures was achieved by means of a C-shaped antenna array. In the deep learning methods that will be used in the optimization process, five different Long Short Term Memory (LSTM) models are used. The most important advantage of deep learning methods is that it can achieve satisfactory results by identifying the necessary features for solving difficult and time consuming problems with its own learning ability. In this context, 52 pieces of antenna data were produced. 40 pieces of data were used in the training process and 12 pieces of data were used in the test stage. The lowest root mean square error (RMSE) performance obtained in the test data was determined as LSTM-1 + Dropout layer-1 + LSTM -2 + Dropout layer-2 and 1.0161 error value. The obtained results by proposed method were evaluated in High Frequency Simulation Software (HFSS) program. In experimental results, it was observed that the results produced by the deep learning model and the test data were very close to each other.Elektromanyetik frekans spektrumu farklı alt frekans bantlara ayrılmıştır. Bu alt frekans bantları, farklı uygulamalar için tahsis edilmiştir. Günümüzde çoklu alt frekans bantlarında çalışan cihazlar önemli avantajlar sağlamaktadır. Cihazlar, çoklu frekans bantlarında çalışması için anten yapılarına ihtiyaç duyar. Mikroşerit antenler, boyutlarının küçük olması, taşınabilir yapıları ve diğer sistemlere kolay bir şekilde entegre olması ile öne çıkan anten yapıları olmuştur. Bu çalışmada, çoklu frekans bantlarında çalışabilen mikroşerit anten yapısı tasarlanmıştır. Aynı zamanda, tasarlanan antenin optimizasyonunu daha kısa sürede sağlamak için anten boyutlarının optimizasyonunda derin öğrenme yöntemleri ile kullanılmıştır. Tasarlanan anten yapısının çalışma frekansları elde edilen sonuçlarda görüldüğü üzere C ve X bandında çalışmaktadır. IEEE Standartlarına göre C bandı 4 GHz ile 8 GHz arasında ve X bandı 8 GHz ile 12 GHz frekans aralığı olarak belirlenmiştir. Önerilen anten yapısında, çoklu bant yapılarında çalışma özelliği, C-şekilli anten dizisi vasıtasıyla elde edilmiştir. Optimizasyon işleminde kullanılacak olan derin öğrenme yöntemlerinde ise beş farklı Uzun Kısa Süreli Bellek (UKSB) modeli kullanılmıştır. Derin öğrenme yöntemlerinin en önemli avantajı, zorlu ve zaman alıcı problemlerin çözümünde gerekli özellikleri kendi öğrenme yeteneği ile belirleyerek tatmin edici sonuçlar elde etmesidir. Bu kapsamda 52 adet anten verisi üretilmiştir. Eğitim sürecinde 40 adet ve test aşamasında ise 12 adet veri kullanılmıştır. Test verilerinde elde edilen en düşük Ortalama Karesel Kök Hata (OKKH) performansı, UKSB 1 + kaçınma katmanı-1 + UKSB -2 + kaçınma katmanı-2 ile 1.0161 hata değeri olarak belirlenmiştir. Önerilen yöntemle elde edilen sonuçlar High Frequency Simulation Software (HFSS) programında değerlendirilmiştir. Elde edilen deneysel sonuçlar değerlendirildiğinde derin öğrenme modelinin üretmiş olduğu sonuçlar ile test verilerinin birbirine çok yakın olduğu gözlemlenmiştir.