一种改进的空间映射优化算法制造技术

本发明专利技术公开了一种改进的空间映射优化算法：根据设计目标得到最优输出响应的粗模型输入xc*；将xc*直接作为细模型的输入；计算细模型的响应，判断细模型的响应是否满足

An improved spatial mapping optimization algorithm

The invention discloses an improved space mapping optimization algorithm: according to the design goal, get the best model of output response coarse xc* input; xc* is directly used as the input of the fine model; the response of the fine model is calculated to determine whether the response of the fine model is satisfied.

【技术实现步骤摘要】
一种改进的空间映射优化算法
本专利技术属于微波工程领域，具体涉及射频与微波电路的电磁仿真优化方面，更具体的说，是涉及一种改进的空间映射优化算法。
技术介绍
空间映射(SpaceMapping)是微波工程领域公认的优化方法，它可以将粗模型的计算效率和细模型的精准度相结合。粗模型通常是经验公式或者等效电路模型，计算效率非常高，但往往参数的变化范围有限，因而当超过有效范围时，就会导致模拟结果不准确；而细模型可以通过电磁仿真软件提供，或者直接测量得到，因而精准度很高，但成本较高(比如CPU密集型模拟)。而空间映射可以在粗模型与细模型之间建立一种数学映射关系，同时能将大量的CPU密集型计算反应到粗模型中，可以大大节省模拟时间，同时保持细模型的精准度。通常，空间映射算法在对细模型进行少量评估之后就能得到很精准的结果。现有的空间映射优化算法主要集中在几个方面：输入空间映射、输出空间映射、隐性空间映射、神经空间映射和调谐空间映射等[1]。最初的空间映射优化算法采用多点映射，即首先得到粗模型的最优解，然后将最优解中的其中一个变量(假设最优解中有n个变量)分别上下扰动作为细模型的输入(保持其他参量不变)，从而得到两组细模型的响应。这样对每个最优解中的变量分别进行求解，再加上原来的最优解，共得到2n+1组数据，将这些数据均作为训练数据进行少次训练之后，一般都能得到较为精准的优化结果[2]。但这种方法在开始训练时需要对细模型进行2n+1次求解，这不论是通过电磁仿真还是实际测量获得都比较耗时，而且成本较高。因而现在流行的空间映射算法将该过程进行了很大程度的简化，即只使用粗模型的一组最优解进行训练[3]，大大节省了时间和成本，但得到的映射关系往往由于训练数据单一而不够准确。[1]S.Koziel,Q.S.Cheng,J.W.Bandler,“Spacemapping,”IEEEMicrow.Mag.,vol.9,no.6,pp.105-122,Dec.2008.[2]M.H.Bakr,J.W.Bandler,M.A.Ismail,etal.,“Neuralspace-mappingoptimizationforEM-baseddesign,”IEEETrans.Microw.TheoryTechn.,vol.48,no.12,pp.2307-2315,Dec.2000.[3]F.Feng,Q.J.Zhang,“NeuralspacemappingoptimizationforEMdesign,”[C].inIEEEAsia-PacificMicrowaveConference(APMC),vol.3,pp.1-3,Dec.2015.
技术实现思路
本专利技术的目的是为了克服现有技术中的不足，提供了一种改进的空间映射优化算法，降低了传统的空间映射的成本，提升了目前流行的空间映射的仿真精度，可以应用于空间映射范畴的多种映射关系中。本专利技术的目的是通过以下技术方案实现的。本专利技术的一种改进的空间映射优化算法，包括以下步骤：步骤一，根据设计目标得到最优输出响应的粗模型输入xc*：其中，Rc(xc)为粗模型的响应；步骤二，将粗模型输入xc*直接作为细模型的输入：步骤三，计算细模型的响应判断细模型的响应是否满足下式：若满足上式，即得到了最优的细模型响应；否则，利用粗模型和细模型的误差建立神经网络空间映射关系其中，使用神经网络作为映射函数P；步骤四，对神经网络映射函数P进行训练，使其满足：其中，l表示1到i次累积迭代次数；步骤五，利用训练好的神经网络映射函数P，对细模型参量进行优化，得到最优的细模型参量：将最优的细模型参量作为下一次细模型的输入，重复上述步骤三至步骤五，如此循环反复，进行迭代后即可得到最优的细模型响应。与现有技术相比，本专利技术的技术方案所带来的有益效果是：本专利技术由于本专利技术的神经网络空间映射优化算法巧妙地利用了多次迭代过程中产生的数据作为下一次映射关系优化的训练数据，使训练过程更加精准，同时也避免了初始化中对细模型进行多次求解的过程，大大节省了时间。附图说明图1是本专利技术提出的一种改进的神经网络空间映射优化算法流程图；图2是本专利技术实施例中采用的宽带功放基本电路结构图；图3是本专利技术实施例中采用宽带功放中的输入匹配电路图；图4是本专利技术实施例中采用宽带功放中的输出匹配电路图；图5是本专利技术实施例中优化前后输入回波损耗S11随频率变化的曲线；图6是本专利技术实施例中优化前后饱和输出功率Pout,sat随频率变化的曲线；图7是本专利技术实施例中优化前后功率附加效率PAE随频率变化的曲线。具体实施方式为了更清楚的说明本专利技术的技术方案，下面结合附图对本专利技术作进一步说明。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。为了解决上述技术问题，本专利技术对原有的神经网络空间映射优化算法进行了改进，算法流程图如图1所示。本专利技术的改进的空间映射优化算法，具体过程如下：步骤一，根据设计目标得到最优输出响应的粗模型输入xc*：其中，Rc(xc)为粗模型的响应。步骤二，将粗模型输入xc*直接作为细模型的输入：步骤三，计算细模型的响应判断细模型的响应是否满足需求，即细模型的响应是否约等于粗模型的响应(比如细模型的响应曲线是否与粗模型的响应曲线重合)：若满足上式(3)，即得到了最优的细模型响应。然而通常情况下，式(3)不能满足，下面将空间映射的方法应用到该问题中。利用粗模型和细模型的误差建立神经网络空间映射关系：其中l表示1到i次累积迭代次数。空间映射的目的就是要找到一个从细模型空间参量xf到粗模型空间参量xc的映射函数P，从而提高细模型仿真的速度，该过程中使用神经网络作为映射函数P。步骤四，对神经网络映射函数P进行训练，使其满足：步骤五，利用训练好的神经网络映射函数P，对细模型参量进行优化，得到最优的细模型参量：将最优的细模型参量作为下一次细模型的输入，重复上述步骤三至步骤五，得到优化后的细模型响应，然后与最优值比较是否满足要求，如此循环反复，进行多次迭代后即可得到精准的最优的细模型响应。本实施例采用WIN公司提供的GaAs工艺设计实现了中心频率为38GHz的宽频带功率放大器电路，带宽为35GHz～42GHz，其基本电路结构如图2所示，其中Vgs、Vdd分别表示电源输入，L1、L2分别表示第一电感和第二电感，Q表示场效应管，GND表示接地，P1、P2分别表示第一端口和第二端口。宽带输入匹配电路和宽带输出匹配电路分别如图3和图4所示，其中RFC1、RFC2分别表示第三、第四电感，Cd1、Cd2分别表示第一、第二电容，TL1、TL2、TL3、TL4、TL5、TL6、TL7、TL8、TL9、TL10、TL11、TL12、TL13、TL14、TL15、TL16、TL17分别表示其宽度、长度不相同的传输线段，Tape1、Tape2、Tape3、Tape4分别表示宽度渐变的传输线段，Cross1、Cross2、Cross3、Cross4分别表示十字形传输线段。在功率放大器的设计中，通常关注的指标是增益、饱和输出功率、功率附加效率PAE以及小信号参数S11、S21、S22等，功率放大器匹配网络的设计就是为了实现这些指标折中的最优化设计，因此在优化设计时本文档来自技高网...

【技术保护点】
一种改进的空间映射优化算法，其特征在于，包括以下步骤：步骤一，根据设计目标得到最优输出响应的粗模型输入xc

【技术特征摘要】
1.一种改进的空间映射优化算法，其特征在于，包括以下步骤：步骤一，根据设计目标得到最优输出响应的粗模型输入xc*：其中，Rc(xc)为粗模型的响应；步骤二，将粗模型输入xc*直接作为细模型的输入：步骤三，计算细模型的响应判断细模型的响应是否满足下式：若满足上式，即得到了最优的细模型响应；否则，利用粗模型和细模型的误差建...

【专利技术属性】
技术研发人员：马建国，王彩霞，傅海鹏，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12