68、多齿宽带天线与深度神经网络在不同领域的应用研究

多齿宽带天线与深度神经网络在不同领域的应用研究

1. 多齿宽带天线研究

在电视空白频段应用中，多齿宽带天线展现出了独特的优势。该天线是对标准矩形贴片天线进行改进而来，其采用了有缺陷的接地结构，目的是提升增益、带宽、回波损耗和电压驻波比（VSWR）等性能参数。

1.1 增益与频率关系

模拟的多齿天线增益与频率的关系图表明，它在所需的超高频（UHF）空白频段内具有良好的稳定性。这意味着该天线在特定频段内能够保持较为稳定的性能，为信号的传输和接收提供了可靠的保障。

1.2 天线制作与性能测试

• 天线制作 ：天线制作在FR4基板上进行，完成后可看到其正面和背面的视图。
• 回波损耗与VSWR测试 ：以 -10 dB为参考来获取回波损耗（S11）图，这一参考值对于甚高频（VHF）和超高频（UHF）频率而言是较为理想的。设计的天线在464 MHz、684 MHz和1225 MHz处出现谐振峰值，覆盖了354 MHz和30 MHz的总带宽，与标准天线和参考天线相比，具有较宽的带宽覆盖范围。
• 测量结果与模拟结果对比 ：实际测量的回波损耗值在464 MHz时为 -19.4 dB，684 MHz时为 -18.5 dB，1225 MHz时为 -15.7 dB。制作天线的结果与模拟结果有一定的收敛性，但如果硬件制作更加精确，二者的收敛性会更好。测量结果覆盖了VHF和UHF频段，总带宽覆盖为354 MHz和30 MHz。

参数	模拟结果	制作测量结果
谐振频率（MHz）	668	464, 684, 1225
回波损耗（dB）	-31.08	-19.4, -18.5, -15.7
总带宽（MHz）	465	354和30
VSWR（dB）	3.07	1.86

与参考论文中的模拟结果相比，多齿天线在尺寸、谐振频率、回波损耗、带宽和增益等方面都具有明显优势。例如，在尺寸上，多齿天线为170 × 130 mm，小于部分参考设计；在增益方面，达到了4.09 dB，高于其他对比设计。

参数	提出的设计	设计[14]	设计[12]	设计[8]
尺寸（mm）	170 × 130	188 × 157	170 × 120	150 × 60
谐振频率（MHz）	668	706和940	596	555
回波损耗（dB）	-31.08	-13.5和 -12	-20.20	-25.23
带宽（MHz）	465	63, 51.2	335	40
增益（dB）	4.09	2.95	2.32	1.95

2. 深度神经网络预测参考作物蒸散量

参考作物蒸散量（ET0）是一个重要的水文变量，受到多种气候参数的驱动。准确评估ET0对于确定灌溉活动中的作物需水量至关重要。然而，传统的Penman - Monteith方法虽然被广泛接受，但存在数据要求高、计算复杂等局限性。近年来，基于人工智能的机器学习技术在精确估算ET0方面取得了成功。

2.1 研究区域与数据收集

研究区域为印度卡纳塔克邦沿海地区的乌杜皮市，该市面积为68.23 km²，位于北纬13.3409°，东经74.7421°，海拔27 m。乌杜皮属于热带气候，年平均温度为26.5 °C，夏季最高温度可达38 °C，冬季温度在20 - 32 °C之间。6 - 9月会经历强风、高湿度、暴雨和轻微降温，年降雨量超过4000 mm。这种热带湿润气候适合种植多种作物，如谷物、豆类、园艺和药用植物以及各种经济作物。

研究收集了乌杜皮站1979 - 2014年35年的每日最高和最低温度（°C）、平均相对湿度（%）、风速（m/sec）和太阳辐射（MJ/m²/天）等气候数据，以及经度、纬度和海拔信息。同时，使用Penman - Monteith方法计算了该时间段内每天的ET0值，并将这些数据整理成CSV文件，用于后续算法处理。去除异常值后，文件中共有12,928个数据条目。本研究中，将仅包含温度（最高、最低）的输入组合和包含所有五个气候变量的组合作为模型的输入。

2.2 深度神经网络模型

深度神经网络（DNN）是人工神经网络（ANN）的增强版本，在输入层和输出层之间有多个隐藏层。其前馈结构可以对输入和输出之间的复杂交互进行建模。深度神经网络的设计、训练和验证可以通过各种深度学习框架，利用高级编程接口来实现。

以下是深度学习方法在ET0建模中的流程图：

graph LR
    A[气候数据包括ET0] --> B[数据集准备]
    B --> C[分割数据集（训练70%，测试30%）]
    C --> D[训练模型]
    D --> E[测试模型]
    E --> F[性能评估]
    F --> G[预测的ET0值（mm/天）]

在本研究中，使用Python实现的“Keras”（版本2.3.0）构建模型，该框架基于“TensorFlow”（版本2.0.0），并在cuDNN上运行。cuDNN是NVIDIA深度学习软件开发套件的一部分，为深度神经网络提供了复杂的实现。模型训练时，将70%的数据集用于训练，30%用于测试。采用顺序模型设计多个神经网络层的线性堆栈，输入层和输出层的神经元数量对应于两种输入场景下的独立变量和因变量的数值。隐藏层的神经元通过激活函数接收输入数据、识别特征并产生输出，这里使用了计算成本较低的修正线性单元（ReLU）激活函数。自适应矩估计（ADAM）优化函数通过采用自适应学习率方法来提高模型性能，同时， epoch大小和批量大小等因素也会影响神经网络架构。

2.3 模型性能评估

使用平均绝对误差（MAE）、均方误差（MSE）和决定系数（R²）来评估模型预测ET0值的准确性。计算公式如下：
- MSE = (1/n) ∑( f i - yi)²
- MAE = (1/n) ∑| f i - yi|
- R² = 1 - [∑( f i - yi)² / ∑( f i - mean(yi))²]
其中，f i 是预测值，yi 是实际值。

2.4 模型性能结果

• 单输入组合下的模型性能 ：在训练神经网络时，两种输入组合均考虑了50个epoch和50的批量大小。约70%的数据用于训练，30%用于测试。随着epoch数量的增加，训练和测试损失呈指数下降，这表明模型的准确性随着epoch大小的增加而提高。MSE值在训练和测试数据集中均随着epoch大小的增加而降低，训练集的MSE最初从较高值迅速下降，然后继续缓慢下降，说明神经网络在逐步学习。在有限输入数据的情况下，MAE随着epoch数量的增加而趋于稳定。模型在单输入数据情况下预测ET0值的R²为0.7320。
• 五输入组合下的模型性能 ：同样，随着epoch大小的增加，训练和测试损失呈指数下降，MSE在训练和测试阶段均随epoch数量的增加而降低，MAE值也随着epoch的增加而减小。使用完整气候数据集时，模型取得了更可靠和准确的结果，R²值达到0.9979，这意味着模型能够解释99%的预测值变化。

综上所述，多齿宽带天线在电视空白频段应用中具有良好的性能，而深度神经网络模型在预测参考作物蒸散量方面也展现出了较高的准确性，尤其是在使用完整气候数据集时。这些研究成果为相关领域的发展提供了有价值的参考。

多齿宽带天线与深度神经网络在不同领域的应用研究

3. 多齿宽带天线与深度神经网络应用对比与总结

应用领域	多齿宽带天线	深度神经网络预测ET0
应用场景	电视空白频段通信	农业灌溉中作物需水量评估
核心优势	改进结构提升性能，尺寸小、增益高、带宽宽	可处理复杂气候数据关系，预测准确性高
关键技术	有缺陷的接地结构	深度神经网络架构，ReLU激活函数，ADAM优化函数
数据要求	模拟与实际制作对比数据	长时间气候数据及对应ET0计算值

从这个对比表格中可以清晰地看到，多齿宽带天线和深度神经网络在不同的应用场景中，凭借各自独特的技术和优势发挥着重要作用。多齿宽带天线通过结构改进满足了电视空白频段通信对天线性能的要求；而深度神经网络则利用其强大的数据分析和建模能力，为农业灌溉中的作物需水量评估提供了可靠的预测方法。

4. 未来应用展望与潜在挑战

4.1 多齿宽带天线未来应用

• 拓展通信频段 ：随着通信技术的不断发展，多齿宽带天线可以进一步探索在其他频段的应用，如5G毫米波频段等，以满足更高的数据传输速率和更广泛的覆盖需求。
• 集成化应用 ：将多齿宽带天线与其他通信设备进行集成，实现小型化、多功能化的通信模块，应用于物联网设备、智能家居等领域。

4.2 深度神经网络预测ET0未来应用

• 精准农业 ：结合卫星遥感、无人机等技术，实现对大面积农田的实时ET0监测和预测，为精准农业提供更精确的灌溉决策支持。
• 气候变化研究 ：利用深度神经网络模型分析长期气候数据，研究气候变化对作物蒸散量的影响，为农业应对气候变化提供策略。

4.3 潜在挑战

• 多齿宽带天线 ：在拓展频段和集成化应用过程中，可能面临电磁兼容性问题、制作工艺精度要求提高等挑战。
• 深度神经网络预测ET0 ：模型的可解释性较差，在实际应用中可能难以被用户完全理解和信任；同时，对大量高质量气候数据的依赖也可能限制其在数据匮乏地区的应用。

以下是多齿宽带天线与深度神经网络未来发展的流程图：

graph LR
    A[多齿宽带天线] --> B[拓展通信频段]
    A --> C[集成化应用]
    D[深度神经网络预测ET0] --> E[精准农业]
    D --> F[气候变化研究]
    B --> G[面临电磁兼容性等挑战]
    C --> G
    E --> H[模型可解释性及数据依赖挑战]
    F --> H

总之，多齿宽带天线和深度神经网络在各自的领域都有着广阔的应用前景，但也面临着一些需要克服的挑战。未来的研究和发展需要不断探索创新，以充分发挥它们的优势，为相关领域的发展做出更大的贡献。