基于CGAN模型的MEMS传感器结构确定方法技术

本申请提供基于CGAN模型的MEMS传感器结构确定方法，方法包括：搭建两个独立的ANN网络模型，分别为生成网络G和判别网络D；将MEMS压阻式加速度传感器数据集进行划分；将训练集数据中MEMS压阻式加速度传感器性能参数与随机噪声相结合作为生成网络G的输入，输出预测的几何结构参数，将预测的几何结构参数与生成网络的输出参数结合，用于作为判别网络D标签的输入参数；将训练集数据中MEMS压阻式加速度传感器几何结构参数与性能参数结合，作为判别网络D标签为真的输入参数；重复步骤，直到生成网络到达预期的预测能力。本申请避免了复杂的物理参数计算。理参数计算。理参数计算。

【技术实现步骤摘要】
基于CGAN模型的MEMS传感器结构确定方法


[0001]本专利技术属于MEMS传感器设计
，特别是涉及基于CGAN模型的MEMS传感器结构确定方法。

技术介绍

[0002]MEMS传感器作为一种闭环传感器，具有质量轻、体积小、成本低、精度高、功耗小等优势，目前已经在航海、航空、通讯等多个领域取得广泛的应用。随着物联网技术不断发展，军用和民用设施都趋向于使用高性能MEMS传感器进行数据的接收和传输，加深了MEMS传感器性能多样化的需求，然而MEMS传感器在工作过程中涉及大量物理参数的转换，传统的MEMS传感器结构设计大多采用有限元仿真建立结构模型，通过将一个连续体分为若干个有限单元，对每个单元进行分析后按照一定顺序重新组合成完整结构。该方法需要研究人员对大量物理参数进行复杂的计算，设计周期较长，在实际应用过程中难度较大。如何在保证MEMS传感器设计精度下，缩短研发时长，引起了许多研究者的关注。
[0003]神经网络(ANN)作为传统深度学习(DL)模型的一个分支，凭借其优秀的拟合能力受到许多学者的追捧，近些年有研究人员提出将ANN本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于CGAN模型的MEMS传感器结构确定方法，其特征在于，所述方法包括：步骤1、搭建两个独立的ANN网络模型，分别为生成网络G和判别网络D，设置生成网G络输入节点为6，输出节点为5，设置判别网络D输入节点为8，输出节点为1；步骤2、将MEMS压阻式加速度传感器数据集进行划分；步骤3、将训练集数据中MEMS压阻式加速度传感器性能参数与随机噪声相结合作为生成网络G的输入，输出预测的几何结构参数，将预测的几何结构参数与生成网络的输出参数结合，用于作为判别网络D标签为假(0)的输入参数；步骤4、将训练集数据中MEMS压阻式加速度传感器几何结构参数与性能参数结合，作为判别网络D标签为真的输入参数；步骤5、重复步骤3和步骤4，判别网路D依次接收来自生成网络G的伪数据和训练集真实数据用于迭代训练，通过反向传播算法不断缩小网络G输出的伪数据特征分布和真实数据特征分布之间的差异，提高判别网络D的判别能力，两者相互学习，直到生成网络到达预期的预测能力。2.根据权力要求1所述的基于CGAN模型的MEMS传感器结构确定方法，其特征在于，MEMS压阻式加速度传感器参数包括其基本几何结构参数和性能参数；其中，基本几何结构参数包括质量块的边长、厚度以及悬臂梁的长、宽、厚，性能参数包括传感器的量程、灵敏度和谐振频率。3.根据权力要求2所述的基于CGAN模型的MEMS传感器结构确定方法，其特征在于，网络G的输入参数包括量程、灵敏度和谐振频率3个性能参数和3个随机噪声组成，输出参数维度与几何结构参数维度相同。4.根据权力要求3所述的基于CGAN模型的MEMS传感器结构确定方法，其特征在于...

【专利技术属性】
技术研发人员：孙大鹰，李俊，程雄，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：