论文部分内容阅读
在对微波器件进行建模优化时,一般采用精确模型和优化算法相结合的方法。然而,一些商业电磁仿真软件在求解分析时需要大量的时间,这使得传统的优化方法需要很大的代价。随着计算机技术的兴起,一些快速的计算机辅助设计方法相继出现,人工神经网络(Artificial Neural Network,ANN)便是其中之一。神经网络虽然有着诸多优点,但其训练需要大量样本的缺点使其在应用中十分耗时。知识神经网络(knowledge-based artificial neural network,KBANN)的提出,降低了输入与输出之间的映射关系,减少了网络训练所需的样本。本文在现有的知识神经网络的基础上,提出了更加简单、自动化的知识神经网络,主要工作如下:(1)简单介绍了基本神经网络模型,由此引入了知识神经网络的概念,介绍了一些知识神经网络,例如:差值模型、先验知识注入模型以及知识基神经网络模型。对研究所用的一些方法的基本原理进行说明,给后续研究奠定了扎实的基础。(2)本文研究的重点在于如何构建先验知识。研究了基于ADS(Advaced Design System)的知识神经网络。其特点在于利用ADS获取先验知识,避免了公式的推导和网络的训练,使得先验知识的获取更加方便。将训练好的网络模型用于高低阻抗滤波器、微带带阻滤波器和微带发卡滤波器的建模优化,比较了不同知识神经元数和不同隐层神经元数对网络性能的影响,并将测试结果与多层感知器神经网络(Multi-layer perceptron neural networks,MLP neural networks)进行比较。将优化得到的尺寸代入HFSS中,验证其是否满足设计指标要求。(3)研究了基于粗网格的知识神经网络,并在双层电磁带隙(Electromagnetic Band-Gap,EBG)结构中进行了应用。将HFSS(High Frequency Structure Simulator)中粗网格剖分的分析结果作为先验知识构成知识神经网络,先将该方法用于高低阻抗滤波器进行简单的验证,接着将其用于双层EBG结构进行建模和优化。(4)研究了基于高斯过程的知识神经网络,并在微带天线中进行了应用。将高斯过程训练好后作为先验知识,采用先验注入模型构成知识神经网络。对微带准八木天线和超宽带平面单极子天线进行建模与优化,并与采用精确模型和优化算法相结合的方法进行时间上的比较。