You are here

Home » Content

MŞA rezonans frekansı hesabında YSA ve DVM karşılaştırılması

Comparison of ANN and SVM methods for computing resonant frequency of RMSA

Journal Name:

  • Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi

Publication Year:

  • 2017

Key Words:

Keywords (Original Language):

Author NameUniversity of Author
Abstract (2. Language): 
In this study, by help of High Frequency Structural Simulator (HFFS) software, Rectangular Microstrip Antenna(RMSA) with coaxial fed is designed, and length (L), Width (W), dielectric substrate height (h), and the dielectric constant of substrate (ɛr) as input parameters are used to obtain resonance frequency (fr) and to generate 210 data cluster. With this data cluster, models designed for Artificial Neural Network(ANN) and Support Vector Machine(SVM), which are artificial intelligence methods, are trained and tested, and then by comparing the errors that obtained from these two methods, it is studied on determining the which method yields the best accurate results. In litreature as far as we can examine, in the papers that are use ANN and SVM algorithm for computing resonant frequency of MSA, it is recognized that cross validation approximation providing the reliability of designed model is not used, and therefore using the applying cross validation has been also a target of the of this study. With this, it is aimed to prevent the developed model from giving misleading results. At the first stage, ANN and SVM models are trained with 180 pieces of 210 data generated for RMSA and the remaining 30 pieces are used for testing these trained models, and average percentage error (APE) are calculated. Then, to subject data cluster for crossvalidation, 210 data are shifted by 30, and training and testing stages done at the first stage are repeated. This shifting in 210 data is repated by 7 times and for each stage, a new APE value is obtained. Finally, Cross Validation Average Percentage Error (CVAPE) is obtained from all seven APE values. The obtained results for ANN model show that lowest APE (%) and lowest CVAPE (%) are calculated as 0,271 and 0,510 respectively. On the other hand for SVM model lowest APE (%) and lowest CVAPE (%) are calculated as 0,319 and 0,791, respectively. Results obtained from this study shows that in the process of obtaining resonance frequency by using ANN and SVM methods with the electrical and physical parameters of RMSA as inputs, output resonance frequeny can be accuretely obtained very quickly after a training stage with very low error rates. In this study, it is found that ANN is more successful than SVM in obtaining resonance frequency of RMSA.
Bookmark/Search this post with
Abstract (Original Language): 
Bu çalışmada High Frequency Structural Simulator (HFSS) programı yardımıyla koaksiyel beslemeli Dikdörtgen Mikroşerit Anten (DMŞA) tasarımı yapılmış ve uzunluk (L), genişlik (W), yalıtkan tabaka yüksekliği (h) ve yalıtkan tabakanın dielektrik sabiti (ɛr) girdilerine karşılık rezonans frekansı (fr) elde edilmiş ve bu şekilde 210 adet veri kümesi oluşturulmuştur. Bu veri kümesi ile yapay zekâ metotlarından Yapay Sinir Ağları (YSA) ve Destek Vektör Makinası (DVM) yöntemleri için oluşturulan modellerin eğitim ve testleri yapılmış ve bu iki yöntem ile elde edilen hata karşılaştırmaları yapılarak en doğru sonucu veren yöntemin belirlenmesi üzerine çalışılmıştır. Yapılan literatür taramasında inceleyebildiğimiz kadarıyla, YSA ve DVM metotlarıyla gerçekleştirilen anten tasarımlarında, tasarlanan modelin güvenilirliğini sağlayan çapraz doğrulama yaklaşımının uygulanmadığı tespit edilmiş ve bu nedenle bu çalışmada önemli bir hedefte çapraz doğrulama yaklaşımını kullanmak olmuştur. İlk etapta, tasarlanan DMŞA için oluşturulan 210 adet verinin 180 adediyle YSA ve DVM modelleri eğitilmiş, geri kalan 30 adet veri ile de eğitilmiş modellerin testleri yapılmış ve Ortalama Hata Yüzdesi (OHY) değeri hesaplanmıştır. Daha sonra, çapraz doğrulama için, 210 adet veri 30’ar kaydırılarak, ilk etapta yapılan eğitim ve test aşamaları tekrarlanmış ve kaydırma 7 kez tekrarlanarak, her bir aşama için yeni bir OHY değeri elde edilmiştir. Tüm bu OHY’lerin (7 adet) ortalamasından Çapraz Doğrulama Ortalama Hata Yüzdesi (ÇDOHY) elde edilmiştir. Çalışma kapsamında elde edilen YSA modeli için en düşük OHY (%) değeri 0,271 ve ÇDOHY (%) değeri 0,510 olarak bulunmuştur. DVM modeli için en düşük OHY (%) değeri 0,319 ve ÇDOHY (%) değeri 0,791 olarak bulunmuştur.
FULL TEXT (PDF): 
PDF icon arastirmax-msa-rezonans-frekansi-hesabinda-ysa-dvm-karsilastirilmasi.pdf
  • 3
535
545
  • Turkish

REFERENCES

References: 

Balanis, C.A., (2005). Antenna Theory Analysis and
Design. John Wiley & Sons, Inc., 7, Canada.
Öztemel, E., (2012). Yapay Sinir Ağları. Papatya
Yayıncılık Eğitim, 16, İstanbul, Türkiye.
Haykin, S., (1998). Neural Networks: A
Comprehensive Foundation 2nd. Prentice Hall PTR
Upper Saddle River, NJ, USA.
Akdagli, A., Toktas, A., Kayabasi, A., Develi, İ.,
(2013). An Applıcatıon Of Artıfıcıal Neural
Network To Compute The Resonant Frequency Of
E–Shaped Compact Mıcrostrıp Antennas. Journal
Of Electrıcal Engıneerıng, Vol. 64, No. 5.
Kayabasi, A., Toktas, A., Akdagli, A., Mustafa B.
Bicer, B.M., Ustun, D., (2014). Applications of
ANN and ANFIS to Predict the Resonant Frequency
of L-Shaped Compact Microstrip Antennas.
Applıed Computatıonal Electromagnetıcs Socıety
Journal, Vol. 29, No. 6.
Bose, T., Gupta, N., (2011). Design of an aperturecoupled
microstrip antenna using a hybrid neural
network. IET Microwaves, doi: 10.1049/ietmap.
2011.0363.
Kayabasi, A., Akdagli, A., (2015). A Comparative
Study on ANN, ANFIS and SVM Methods for
Computing Resonant Frequency of A-Shaped
Compact Microstrip Antennas. World Academy of
Science, Engineering and Technology Int.Journal
of Electrical, Computer, Energetic, Electronic and
Communication Engineering, Vol:9, No:8.
Koçer, D., (2009). Daire ve Dikdörtgen Geometrik
Yapılı Mikroşerit Antenlerin Simülasyonun ve
Rezonans Frekanslarının YSA ile Belirlenmesi.
Yüksek Lisans, Selçuk Üniv. Fen B. Ens Konya.
Türker, N., Güneş¸ F., Yıldırım, T., (2006). Artificial
Neural Design of Microstrip Antennas. Turk J Elec
Engin, Vol.14, No.3, TÜBİTAK
Singh, V.K., Ali, Z., Ayub, S., (2013). Dual Band
Microstrip Antenna Design Using Artificial Neural
Network. International Journal of Advanced
Research in Computer Science and Software
Engineering, Vol. 3, Issue 1.
Zheng, Z., Chen, X., Huang, K., (2010). Application
of Support Vector Machines to the Antenna Design.
Yüksek Lisans, School of Electronics and
Information Engineering, Sichuan University,
China.
Angiulli, G., Cacciola, M and Versaci, M., (2007).
Microwave Devices and Antennas Modelling by
Support Vector Regression Machines. IEEE
TRANSACTIONS ON MAGNETICS, VOL. 43,
NO. 4.
Kayabaşı, A., (2015). Kompakt Mikroşerit
Antenlerin Rezonans Frekansının YSA ve Bulanık
Mantık Sistemine Dayalı Uyarlanır Ağ Kullanarak
Hesaplanması. Doktora Tezi, Mersin Ü Fen
Bilimleri Enstitüsü, Mersin.
Cheng, J., Qian, J.S., Guo, Y.N., (2006). Least
Squares SVM for Gas Concentration Forecasting in
Coal Mine. IJCSNS Int J of Computer Sci and
Network Security, Vol6 No.6.
Yakut, E., Elmas, B., Yavuz, S., (2014). YSA ve
DVM Yöntemleriyle Borsa Endeksi Tahmini.
Süleyman Demirel Üniv İktisadi ve İdari Bilimler
Fak Dergisi, Vol19, No.1, Pages 139-157.
Ansoft Corporation, HFSS Simulation Tool.
MATLAB R2015b
https://tr.wikipedia.org/wiki/HFSS

Thank you for copying data from http://www.arastirmax.com