一种基于深度学习的微波电路物理尺寸估算方法技术

本发明专利技术公开了一种基于深度学习的微波电路物理尺寸估算方法，包括：步骤一、采集多组微波电路的S参数和所述多组微波电路参数的物理尺寸，作为初始数据集，并根据所述初始数据集构建训练样本集；步骤二、根据所述训练样本集对卷积神经网络模型进行训练，得到微波电路尺寸估算神经网络模型；步骤三、采集目标微波电路的S参数作为输入参数，输入所述微波电路尺寸估算神经网络模型，得到所述目标微波电路的物理尺寸。本发明专利技术提供的基于深度学习的微波电路物理尺寸估算方法，自动化程度高且估算准确率高，能够有效减少微波电路物理尺寸参数估算的中间环节和人工干预，应用成本和复杂程度，有效提高微波电路物理尺寸参数估算的准确性和实时性。

【技术实现步骤摘要】
一种基于深度学习的微波电路物理尺寸估算方法
本专利技术属于微波电路设计仿真
，特别涉及一种基于深度学习的微波电路物理尺寸估算方法。
技术介绍
近些年来，训练神经网络以对无源和有源组件/电路的电性能进行建模用于高级仿真和设计，为任务提供快速解答渐渐成为了一种方法。当今业界微波电路设计的常规方法，例如数值建模方法，可能在计算上是昂贵的，而分析上的新设备可能很难获得的方法，例如经验模型，其范围和准确性可能是有限的。因此神经网络技术已被广泛使用于各种微波应用，例如嵌入式无源器件，传输线组件，共面波导(CPW)组件，螺旋电感器，FET。当前业界微波电路的设计手段主要是根据理论建模，通过理论仿真后得到大致的电路尺寸参数，通过实际仿真软件在一定的参数范围区间进行仿真，最后通过对仿真结果的对比选择效果最为接近理论仿真结果所对应的微波电路尺寸参数，但此种方案存在效率低，工作量大，没有理论指导等问题，不能满足当今业界的效率需求。
技术实现思路
本专利技术的目的是一种基于深度学习的微波电路物理尺寸估算方法，通过深度学习技术，对计算理论电学参本文档来自技高网...

【技术保护点】
1.一种基于深度学习的微波电路物理尺寸估算方法，其特征在于，包括如下步骤：/n步骤一、采集多组微波电路的S参数和所述多组微波电路参数的物理尺寸，作为初始数据集，并根据所述初始数据集构建训练样本集；/n步骤二、根据所述训练样本集对卷积神经网络模型进行训练，得到微波电路尺寸估算神经网络模型；/n步骤三、采集目标微波电路的S参数作为输入参数，输入所述微波电路尺寸估算神经网络模型，得到所述目标微波电路的物理尺寸。/n

【技术特征摘要】
1.一种基于深度学习的微波电路物理尺寸估算方法，其特征在于，包括如下步骤：
步骤一、采集多组微波电路的S参数和所述多组微波电路参数的物理尺寸，作为初始数据集，并根据所述初始数据集构建训练样本集；
步骤二、根据所述训练样本集对卷积神经网络模型进行训练，得到微波电路尺寸估算神经网络模型；
步骤三、采集目标微波电路的S参数作为输入参数，输入所述微波电路尺寸估算神经网络模型，得到所述目标微波电路的物理尺寸。


2.根据权利要求1所述的基于深度学习的微波电路物理尺寸估算方法，其特征在于，在所述步骤二中，通过梯度下降法对所述卷积神经网络模型进行训练，得到所述微波电路尺寸估算神经网络模型。


3.根据权利要求2所述的基于深度学习的微波电路物理尺寸估算方法，其特征在于，在所述步骤一中，根据所述初始数据集构建训练样本集，包括：
将所述微波电路的S参数的尺寸调整到3×3×1格式；以及采用数据增强方法对所述初始数据集的数据量进行扩充，取所述扩充后的初始数据集的一部分作为训练样本集。


4.根据权利要求3所述的基于深度学习的微波电路物理尺寸估算方法，其特征在于，所述扩充后的初始数据集中的数据分为三个部分，包括：
训练样本集60％，验证数据集20％以及测试数据集20％。


5.根据权利要求3或4所述的基于深度学习的微波电路物理尺寸估算方法，其特征在于，所述微波电路尺寸估算神经网络模型包括依次连接的：输入层、处理模块、Dropout层、全连接层和回归预测输出层。


6.根据权利要求5所述的基于深度学习的微波电路物理尺寸估算方法，其特征在于，所述处理模块至少包括依次连接的四个处理单元，其中，
第一个处理单元至第三个处理单元中均包括依次连接的卷积层、批标准化BN层、修正线性单元ReLU层和池化层，第四个处理单元包括依...

【专利技术属性】
技术研发人员：李光宇，王小龙，王帅，卓仲畅，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林;22