Design of an ann model trained by various learning algorithms to compute the operating frequency of e-shaped patch antennas

Abstract

An artificial neural network (ANN) trained by different learning algorithms implemented to computing the operating frequency of E-shaped patch antennas (EPAs) is designed in this study. The ANN model is built on a multilayered perceptron (MLP) based on feed forward back propagation (FFBP). A data pool is firstly constituted for training and testing the ANN model through 144 EPA simulations using the moment method-based HyperLynx® 3D EM software in terms of the operating frequency. The ANN model is then trained via 130 data, and the accuracy of the model is tested through 14 data of simulated EPAs. The ANN is trained by 8 different learning algorithms to achieve a robust model. A benchmark which compares the learning algorithms against each other according to percentage error is revealed. The validity of the ANN is corroborated by simulated and measured data reported in the literature. It shows that the ANN model trained by Levenberg–Marquardt learning algorithm computes the closest results. The proposed ANN model can be successfully exploited to analyze the EPAs in views of the operating frequency.

Bu çalışmada, E şekilli yama antenlerin (EŞYA) çalışma frekansının hesaplanması için uygulanmış farklı öğrenme algoritmaları ile eğitilmiş bir yapay sinir ağı (YSA) tasarlanmıştır. YSA modeli, ileri beslemeli geri yayılım temelli çok katmanlı algılayıcı (ÇKA) üzerine inşa edilmiştir. YSA modelinin eğitilmesi ve test edilmesi için 144 adet EŞYA’nın benzetimi, çalışma frekansı yönünden moment metoduna dayanan HyperLynx® 3D EM yazılımı kullanarak yapılmıştır. Daha sonra, YSA modeli, benzetimi yapılan 144 EŞYA verisinden 130’u aracılığıyla eğitilmiş ve modelin doğruluğu 14 veri üzerinden test edilmiştir. Güçlü bir model elde etmek için YSA, 8 farklı öğrenme algoritması ile eğitilmiştir. Öğrenme algoritmalarını yüzdelik hata oranına göre birbirleri ile karşılaştıran bir sıralama çizelgesi sunulmuştur. YSA’nın geçerliliği, literatürde verilmiş benzetim ve ölçüm verileri ile doğrulanmıştır. Bu sonuçlar, Levenberg–Marquardt öğrenme algoritması ile eğitilmiş YSA modelinin en yakın sonuçları hesapladığı gösterilmiştir. Önerilen YSA modeli, çalışma frekansı bakımından EŞYA’ların analizinde başarılı bir şekilde kullanılabilir.