天线问题大多数依赖于全波电磁模拟,但利用电磁仿真软件来分析天线不仅复杂而且计算代价很高。因而国内外已经有文献提出人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)和高斯过程(Gauss Process,GP)来分析天线问题。ANN能实现并行处理、自学习和非线性映射等,但其结构相对复杂,需要大量的电磁仿真数据,且容易出现泛化能力较差、网络结构难确定的问题;SVM在解决小样本、非线性等问题中表现出许多特有的优势,但也有着预测输出不具备概率意义、容易过拟合以及核参数难以决定的缺点。GP是一种新的学习方法,近些年以来发展迅速,与SVM和ANN相比,对处理非线性、小样本、高维数等复杂问题更容易实现并且有着很好的适应性;另外GP会产生具有概率意义的预测输出值以及获取自适应的超参数。所以,GP模型可作为设计天线时的一种精确且快速的替代方案,不仅大幅度的降低精确仿真中时间上的损耗,并且保证了模型的精度。本文在现有的高斯过程的基础上,提出了建模效果更加精确、天线优化时间更少的高斯过程建模方法,主要工作如下:(1)简单介绍了高斯过程的基本原理、高斯过程建模的实现方法以及高斯过程模型的评估方法,给后续研究奠定了较为扎实的基础。(2)研究了基于自主更新的高斯过程建模方法,其特点是在优化过程中利用自主更新的高斯过程模型替代全波电磁仿真软件,并应用粒子群算法进行了优化设计,这种方案可以在保证足够精确的预测效果的基础上,有效的减少优化设计所需的时间。采用该建模方法优化设计了一款双频微带天线,不仅大幅减少了优化的时间,并且所设计的天线也能够达到设计指标,因此该方法的有效性得以证明。(3)研究了基于新形核函数的高斯过程建模方法,文中提出了一种自定义的平方指数形式的核函数,并采用基于该新形核函数的高斯过程模型对多种多项式函数进行了拟合。拟合效果显示,该方法不但可以提高模型的有效性和精确度,而且模型的泛化能力和学习能力也得以提高。将该建模方法用在优化设计WLAN双频单极子天线和矩形双频微带天线以及E形天线和圆环形天线的谐振频率预测中,因而该建模方法的准确性得以验证。(4)研究了基于先验知识的高斯过程建模方法,它分为两个部分:基于公式的先验知识和基于粗网格的先验知识。在第一部分,文中归纳出天线尺寸、电路元器件值和天线谐振频率之间的关系,将其整理成公式,并将该公式作为先验知识建立高斯过程模型,对侧馈矩形微带天线进行优化设计。在第二部分,将电磁仿真软件HFSS(High Frequency Structure Simulator)中粗网格剖分的分析结果作为先验知识,建立高斯过程模型,并将其应用于圆锥喇叭天线的建模和优化中,优化结果十分理想。(5)研究了基于两阶段高斯过程建模方法,该方法共包含两个阶段,在学习了天线粗细模型之间的映射关系的基础上,再建立起原来高精度细模型的实际替代模型,这使得原本所需的计算量大大减少。之后在优化倒F天线和预测双频PIFA天线谐振频率时,同样使用了该建模方法。当细模型训练数据和总的训练数据设为不同的比例时,分别比较它们的均方误差、平均绝对误差和平均百分比误差,从而该建模方法的有效性和准确性得以验证。