基于神经网络的带状线耦合器优化方法、系统及耦合器技术方案

本发明专利技术提出了基于神经网络的带状线耦合器优化方法、系统及耦合器，属于人工智能技术领域，其方法包括1)获取带状线耦合器的设计耦合度C；2)将设计耦合度C输入神经网络中，通过神经网络的学习，输出带状线耦合器的结构参数；3)根据带状线耦合器的结构参数确定带状线耦合器模型，对带状线耦合器模型进行EM仿真，得到带状线耦合器的仿真结果；4)根据带状线耦合器的仿真结果判断带状线耦合器是否满足设计要求；若不满足，则根据损失函数使用Adam优化器对神经网络进行反向更新，重复步骤2)和步骤3)，直至带状线耦合器满足设计要求，结束优化过程；若满足，则结束优化过程。则结束优化过程。则结束优化过程。

【技术实现步骤摘要】
基于神经网络的带状线耦合器优化方法、系统及耦合器


[0001]本专利技术属于人工智能
，具体为基于神经网络的带状线耦合器优化方法、系统及耦合器。

技术介绍

[0002]探地雷达是一种无损的地下目标检测技术，能够精确的探测出被掩埋在地下的目标物，被广泛的应用在管线探测，路基检测，资源勘探等领域。基于矢量网络分析仪原理的扫描频体制探地雷达，具有带宽大、信号可重构、灵敏度高、可兼顾浅层分辨率和深层探测深度的优点。耦合器是作为扫频体制探地雷达的关键部件，宽频带的耦合器设计可以提高探地雷达在实际应用中的性能。
[0003]在耦合器的结构设计过程中，需要进行模型结构设计，并在EM软件中进行仿真验证，仿真验证过程往往需要较长的设计时间，当模型结构复杂时，需要非常长的设计周期。

技术实现思路

[0004]针对上述耦合器的模型结构设计需要的设计时间长的问题，本专利技术提出了基于神经网络的带状线耦合器优化方法、系统及耦合器。
[0005]本专利技术将优化算法引入到耦合器中，在缩短耦合器设计时间的同时，设计出满足设计要求、更加多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于神经网络的带状线耦合器优化方法，其特征在于，包括以下步骤：1)获取带状线耦合器的设计耦合度C；2)将设计耦合度C输入神经网络中，通过神经网络的学习，输出带状线耦合器的结构参数；3)根据带状线耦合器的结构参数确定带状线耦合器模型，对带状线耦合器模型进行EM仿真，得到带状线耦合器的仿真结果；4)根据带状线耦合器的仿真结果判断带状线耦合器是否满足设计要求；若不满足，则根据损失函数L使用Adam优化器对神经网络进行反向更新，重复步骤2)和步骤3)，直至带状线耦合器满足设计要求，结束优化过程；若满足，则结束优化过程。2.如权利要求1所述的基于神经网络的带状线耦合器优化方法，其特征在于，所述带状线耦合器的结构参数为带状线的纵坐标值。3.如权利要求1所述的基于神经网络的带状线耦合器优化方法，其特征在于，所述神经网络包括依次连接的多个基础层，以及设置在基础层输出端的输出层，所述基础层包括依次连接的全连接层和激活层。4.如权利要求3所述的基于神经网络的带状线耦合器优化方法，其特征在于，所述神经网络的学习计算方式为：网络的学习计算方式为：表示第n+1层基础层的第j个神经元，f表示Sigmoid激活函数，N表示第n层基础层的神经元个数，表示第n层基础层的第i个神经元，j表示第n+1层基础层的神经元的个数，i表示第n层基础层的神经元的个数，n表示基础层的层数，w表示第n层基础层的神经元权重，b表示第n层激活层的神经元偏置项。5.如权利要求3所述的基于神经网络的带状线耦合器优化方法，其特征在于，所述基础层有三层，第一层基础层的神经元个数为81，第二层基础层的神经元个数为128，第三层基础层的神经元个数为64，输出层的神经元个数为8。6.如权利要求1所述的基于神经网络的带状线耦合器优化方法，其特征在于，所述损失函数L的计算公式为...

【专利技术属性】
技术研发人员：柳朝郸，杜浩，崔齐飞，耿哲，谢冰，韩静，李武，邓江涛，王显，张文利，杨倩，张安学，师振盛，
申请(专利权)人：中国铁路西安局集团有限公司科学技术研究所，
类型：发明
国别省市：