一种基于神经网络的多参数电磁场建模仿真方法技术

本发明专利技术提供了一种基于神经网络的多参数电磁场建模仿真方法，属于电磁场建模仿真技术领域。相比于现有技术的方法只能输出一个参数，本发明专利技术所述方法共有三个相互平行独立地分支用于输出三种不同的参数。同时，数据分类技术和支持向量机同样也被包含在每个分支中，用于将输入进行分类。因此当几何变量被输入后，本方法可以快速从各分支分别输出S参数、增益和方向图。

【技术实现步骤摘要】
一种基于神经网络的多参数电磁场建模仿真方法
本专利技术属于电磁场建模仿真
，具体涉及一种基于神经网络的多参数电磁场建模仿真方法。
技术介绍
近些年来，基于神经网络的计算机辅助设计方法被认为是一种高效的电磁场仿真建模技术。一旦完成训练过程，训练成熟的神经网络能替代耗时的电磁场仿真而明显的加快电磁场仿真建模和设计。将神经网络和传递函数构建为神经网络-传递函数模型被认为是一种先进的设计方法。文献“Anewtrainingapproachforparametricmodelingofmicrowavepassivecomponentsusingcombinedneuralnetworksandtransferfunctions”公开了一种解决传递函数不连续性问题的神经网络-传递函数的方法；文献“High-dimensionalneural-networktechniqueandapplicationstomicrowavefiltermodeling”公开了一种分解高维器件并对每一个低维部分进行建模仿真的神经网络-传递函数的方法；文献“ParametricmodelingofEMbehaviorofmicrowavecomponentsusingcombinedneuralnetworksandpole-residue-basedtransferfunctions”公开了一种基于新型传递函数的神经网络-传递函数的方法。但目前所提出的传递函数-神经网络模型只有一个输出，即只能输出器件的S参数，对于建模仿真复杂天线，需同时考虑工作频率，带宽，增益和方向图等等，仅仅一个S参数是不够的。对于传递函数-神经网络模型内部的阶数改变问题，通常采用使阶数最大化或者动态调整阶数的方法；但是阶数最大化得到的神经网络仿真结果的精度往往不是很高，而动态调整阶数的方法在计算中又太过复杂，难以实现。
技术实现思路
本专利技术的目的是提供一种基于神经网络的多参数电磁场建模仿真方法，以解决现有的神经网络-传递函数的方法不能为复杂天线提供多参数建模仿真的问题，并且利用支持向量机从另一个方向解决传递函数-神经网络模型内部的阶数改变问题。本专利技术所提出的技术问题是这样解决的：一种基于神经网络的多参数电磁场建模仿真方法，该方法结构上包含三个分支，其中第一分支用于仿真S参数，第二分支用于仿真增益，第三分支用于仿真方向图，具体包括以下步骤：步骤1：神经网络-传递函数建模仿真方法的训练：本方法采用的传递函数为：其中，pi和ri分别为传递函数的极点和留数，i＝1,…,Q,Q为传递函数的阶数，s在第一分支和第二分支为频率，在第三分支为角度。每个分支的训练具体过程如下：步骤1-1.将几何变量输入到电磁仿真软件，通过全波仿真得到对应于几何变量的天线的S参数、增益或方向图O＝{O1,…,OW}，其中，W是频率采样点的个数。步骤1-2.根据步骤1-1中得到的仿真结果，通过使用矢量拟合法，得到神经网络训练数集中每组数据所对应传递函数的极点和留数。由于传递函数的阶数不同会影响神经网络的训练精度，因此为了准确地映射几何变量和训练数集，根据传递函数的不同的阶数，每个分支都包含有若干个神经网络。同样的，根据传递函数的阶数，原始的训练数集被分为若干类Ck(k＝1,2,…,K)，其中K是各个分支的类别的个数；对于具有相同的传递函数阶数的训练样本被分为一类，每一类的阶数可以用Qk(k＝1,2,…,K)表示；每一类只用于训练一个神经网络。步骤1-3.通过神经网络的训练，得到传递函数的极点、留数和几何变量间的映射关系，进而得到传递函数的具体形式；带入自变量s，得到神经网络的输出O'＝{O'1,…,O'W}。步骤1-4.通过调整神经网络内部的权重和阈值，对不同的几何变量，使O和O'之间的误差最小化。步骤1-5.将几何变量输入到支持向量机，支持向量机的输出为每个训练样本的阶数Q'＝{Q'1,…,Q'K1}，通过调整支持向量机内部的权重和阈值使Q'和传递函数实际的阶数{Q1,…,QK}之间的误差最小。步骤2.神经网络-传递函数建模仿真方法的测试：在测试过程中，将几何变量输入至训练好的支持向量机中，从而得到所对应的传递函数的阶数；然后，将几何变量输入至对应的神经网络得到仿真结果。本专利技术的有益效果是：输入几何参数后，本专利技术可以同时输出天线的S参数，增益及方向图，从而解决了以往神经网络-传递函数模型无法仿真结构复杂天线的问题，另外由于支持向量机的引入，将阶数改变的问题以一种简单快速的方式得到了解决。附图说明图1为本专利技术所述方法训练步骤的流程图；图2为本专利技术所述方法测试步骤的流程图；图3为任一分支的训练步骤流程图；图4为支持向量机的训练步骤流程图；图5为电磁带隙结构图，其中(a)俯视图，(b)侧视图，(c)仰视图，(d)单元；图6为馈电天线的结构，其中(a)俯视图，(b)侧视图；图7为法布里帕罗天线的结构图；图8为支持向量机S参数的分类结果；图9为数据在训练数据范围内本专利技术所提出的模型和HFSS的比较，其中(a)样本1和样本2的S11参数，(b)样本1和样本2的增益，(c)样本1和样本2在10GHz的方向图；图10为数据在训练数据范围外本专利技术所提出的模型和HFSS的比较，其中(a)样本1和样本2的S11参数，(b)样本1和样本2的增益，(c)样本1和样本2在10GHz的方向图；图11为天线1和天线2的优化结果，其中(a)S11参数，(b)增益，(c)在10GHz处的方向图。具体实施方式下面结合附图和实施例对本专利技术进行进一步说明。一种基于神经网络的多参数电磁场建模仿真方法，该方法结构上包含三个分支，其中第一分支用于仿真S参数，第二分支用于仿真增益，第三分支用于仿真方向图，具体包括以下步骤：步骤1：神经网络-传递函数建模仿真方法的训练，其流程图如图1所示：本方法采用的传递函数为：其中，pi和ri分别为传递函数的极点和留数，i＝1,…,Q,Q为传递函数的阶数，s在第一分支和第二分支为频率，在第三分支为角度。每个分支的训练具体过程如下：步骤1-1.将几何变量输入到电磁仿真软件，通过全波仿真得到对应于几何变量的天线的S参数、增益或方向图O＝{O1,…,OW}，其中，W是频率采样点的个数。步骤1-2.根据步骤1-1中得到的仿真结果，通过使用矢量拟合法，得到神经网络训练数集中每组数据所对应传递函数的极点和留数。由于传递函数的阶数不同会影响神经网络的训练精度，因此为了准确地映射几何变量和训练数集，根据传递函数的不同的阶数，每个分支都包含有若干个神经网络。同样的，根据传递函数的阶数，原始的训练数集被分为若干类Ck(k＝1,2,…,K)，其中K是各个分支的类别的个数；对于具有相同的传递函数阶数的训练样本被分为一类，每一类的阶数可以用Qk(k＝1,2,…,K)表示；每一类只用于训练一个神经网络。步骤1-3.通过神经网络的训练，得到传递函数的极点、留数和几何变量间的映射关系，进而得到传递函数的具体形式；带入自变量s，得到神经网络的输出O'＝{O'1,…,O'W}，本步骤流程图如图3所示。步骤1-4.通过调整神经网络内部的权重和阈值，对不同的几何变量，使O和O'之间的误差最小化。步骤1-5.将几何变量输入到支持向量机，本文档来自技高网...

【技术保护点】
一种基于神经网络的多参数电磁场建模仿真方法，其特征在于，该方法结构上包含三个分支，其中第一分支用于仿真S参数，第二分支用于仿真增益，第三分支用于仿真方向图，具体包括以下步骤：步骤1：神经网络‑传递函数建模仿真方法的训练：本方法采用的传递函数为：

【技术特征摘要】
1.一种基于神经网络的多参数电磁场建模仿真方法，其特征在于，该方法结构上包含三个分支，其中第一分支用于仿真S参数，第二分支用于仿真增益，第三分支用于仿真方向图，具体包括以下步骤：步骤1：神经网络-传递函数建模仿真方法的训练：本方法采用的传递函数为：其中，pi和ri分别为传递函数的极点和留数，i＝1,…,Q,Q为传递函数的阶数，s在第一分支和第二分支为频率，在第三分支为角度；每个分支的训练具体过程如下：步骤1-1.将几何变量输入到电磁仿真软件，通过全波仿真得到对应于几何变量的天线的S参数、增益或方向图O＝{O1,...,OW}，其中，W是频率采样点的个数；步骤1-2.根据步骤1-1中得到的仿真结果，通过使用矢量拟合法，得到神经网络训练数集中每组数据所对应传递函数的极点和留数；根据传递函数的阶数，原始的训练数集被分为若干类Ck(k＝1,2,…,K)，其中K是各个分支的类别的个数；对于具有相同的传递函数阶...

【专利技术属性】
技术研发人员：肖理业，邵维，喻梦霞，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51