面向无源器件的电磁响应优化系统、方法及产品技术方案

本发明专利技术提供了一种面向无源器件的电磁响应优化系统、方法及产品，涉及电磁仿真技术领域。本发明专利技术实施例中，特征提取模块，用于通过极点留数传递函数对目标电磁响应进行特征提取，得到所述目标电磁响应对应的极点和留数；处理模块，用于将目标电磁响应对应的极点和留数，输入预先训练的多层卷积神经网络，输出宽带器件的几何设计变量；本发明专利技术实施例在逆模型中引入传递函数，不仅可以解决传统逆模型输入维度高的问题，也实现了电磁响应的精确表征，避免了直接训练S参数可能出现的频率共振现象。并且，本发明专利技术实施例还针对宽带高精度器件的仿真设计，具体确定了合适的传递函数形式、搭建合适的神经网络结构以获得更小的训练误差和更高的模型准确度。高的模型准确度。高的模型准确度。

【技术实现步骤摘要】
面向无源器件的电磁响应优化系统、方法及产品


[0001]本专利技术实施例涉及电磁仿真
，尤其涉及一种面向无源器件的电磁响应优化系统、方法及产品。

技术介绍

[0002]由于对高性能微波无源器件的(如滤波器、天线)的精度要求越来越高，在仿真优化设计过程中希望能满足高仿真精度和低建模成本的要求，以实现快速、精确的器件的结构设计。依赖于商用软件可实现器件的多样化设计，但消耗的电磁仿真成本与复杂的器件的结构相互制约。本专利技术致力于实现无源器件的高效、高精度电磁响应优化。
[0003]传统的优化方法包括解析法、数值计算法和经验模型法。基于解析法计算得到的电磁响应需设计者具有极强的专业知识，且该方法难以适用于复杂的新器件的。依赖于商用软件中的数值计算法可获得电磁仿真结果。但该方法需根据设计者的设计经验和理论知识确定合适的初始结构，再结合大量重复的参数扫描、手动调参以逼近设计目标，该过程将消耗大量的计算资源且可能难以获得最优解。而经验模型则存在适用范围有限且精度不足的问题。
[0004]随着人工智能领域的快速发展，将机器学习算法引入到电磁仿真过程中可加速电路设计，构建计算机辅助模型以替代传统仿真优化过程。利用神经网络可学习电磁仿真结果和无源器件的几何设计变量之间的非线性关系。训练后的模型可对微波元件的电磁行为进行准确快速的预测，有效减轻了全波电磁仿真的计算负担。
[0005]现有的神经网络参数化模型的输入为几何和物理参量，模型的输出为电参数。但实际电路设计是根据给定的目标电参数反向求解几何变量的过程，即对几何变量的反向提取。训练好的模型需选择合适的优化算法进行反复调用直至得到结果，一旦设计目标发生变化，均需重新进行优化。
[0006]由此可见，目前亟需一种新的针对无源器件的电磁响应优化方法。

技术实现思路

[0007]本专利技术实施例提供一种面向无源器件的电磁响应优化系统、方法及产品，以至少部分解决相关技术中存在的问题。
[0008]本专利技术实施例第一方面提供了一种面向无源器件的电磁响应优化系统，所述系统包括：
[0009]特征提取模块，用于通过极点留数传递函数对目标电磁响应进行特征提取，得到所述目标电磁响应对应的极点和留数；
[0010]处理模块，用于将所述目标电磁响应对应的极点和留数，输入预先训练的多层卷积神经网络，输出宽带器件的几何设计变量；
[0011]所述多层卷积神经网络包括：至少1个卷积层、池化层和全连接层，在每个卷积层中，使用多个卷积核提取输入参数的不同特征，获得不同的特征映射；采用ReLU激活函数对
卷积层的输出进行非线性映射；采用最大池化层实现降采样过程；在经过多次卷积计算后，利用flatten层实现从卷积层到全连接层的过渡；全连接层使用sigmoid函数为激活函数；输出层为目标器件的几何设计变量。
[0012]可选地，在所述多层卷积神经网络卷积层后引入BN层进行标准化处理；在全连接层后引入dropout层，以目标概率随机删除部分神经元，抑制过拟合现象。
[0013]可选地，所述系统还包括：
[0014]训练数据构建模块，用于利用商用软件进行全波电磁仿真完成训练集和测试集的构建，并对几何设计变量进行数据预处理；
[0015]模型训练模块，用于根据所述训练集对所述多层卷积神经网络进行训练，在训练过程中，根据网络的学习情况不断优化调整网络中的超参数，当模型满足精度要求时，结束训练。
[0016]可选地，所述训练数据构建模块，还用于：对所述训练集和测试集进行归一化处理，通过将分布在不同区间的各个变量归一至同一区间内，提高网络的收敛速度，降低其学习难度；所述归一化处理采用的方法为Z
‑
score标准化，处理后的数据呈标准正态分布，消除了数据量级的影响。
[0017]本专利技术实施例第二方面提供了一种面向无源器件的电磁响应优化方法，所述方法包括：
[0018]通过极点留数传递函数对目标电磁响应进行特征提取，得到所述目标电磁响应对应的极点和留数；
[0019]将所述目标电磁响应对应的极点和留数，输入预先训练的多层卷积神经网络，输出宽带器件的几何设计变量；
[0020]所述多层卷积神经网络包括：至少1个卷积层、池化层和全连接层，在每个卷积层中，使用多个卷积核提取输入参数的不同特征，获得不同的特征映射；采用ReLU激活函数对卷积层的输出进行非线性映射；采用最大池化层实现降采样过程；在经过多次卷积计算后，利用flatten层实现从卷积层到全连接层的过渡；全连接层使用sigmoid函数为激活函数；输出层为目标器件的几何设计变量。
[0021]可选地，在所述多层卷积神经网络卷积层后引入BN层进行标准化处理；在全连接层后引入dropout层，以目标概率随机删除部分神经元，抑制过拟合现象。
[0022]可选地，所述方法还包括：
[0023]利用商用软件进行全波电磁仿真完成训练集和测试集的构建，并对几何设计变量进行数据预处理；
[0024]根据所述训练集对所述多层卷积神经网络进行训练，在训练过程中，根据网络的学习情况不断优化调整网络中的超参数，当模型满足精度要求时，结束训练。
[0025]可选地，所述方法还包括：
[0026]对所述训练集和测试集进行归一化处理，通过将分布在不同区间的各个变量归一至同一区间内，提高网络的收敛速度，降低其学习难度；所述归一化处理采用的方法为Z
‑
score标准化，处理后的数据呈标准正态分布，消除了数据量级的影响。
[0027]本专利技术实施例第三方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现如本专利技术第二方面所述的面
向无源器件的电磁响应优化方法中的步骤。
[0028]本专利技术实施例第四方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本专利技术第二方面所述的面向无源器件的电磁响应优化方法中的步骤。
[0029]本专利技术实施例中，选择具有低灵敏度和高鲁棒性的极点留数形式的传递函数实现对目标电磁响应的特征提取，通过向量拟合的方式得到其对应的传递函数系数，即极点和留数。该过程降低了模型的输入维度。进一步，将上述极点留数作为输入变量馈入到预先训练的多层卷积神经网络中，网络的输出即为目标电磁响应对应的几何设计变量。从而，本专利技术实施例可以根据设定的目标电参数直接获得满足要求的几何结构。此外，本专利技术实施例尤其适用于宽带器件的参数化建模，在保证高仿真精度的同时实现了低建模成本的需求。
附图说明
[0030]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0031]图1是本专利技术实施例的一种面向无源器件本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.面向无源器件的电磁响应优化系统，其特征在于，所述系统包括：特征提取模块，用于通过极点留数传递函数对目标电磁响应进行特征提取，得到所述目标电磁响应对应的极点和留数；处理模块，用于将所述目标电磁响应对应的极点和留数，输入预先训练的多层卷积神经网络，输出宽带器件的几何设计变量；所述多层卷积神经网络包括：输入层、至少1个卷积层、池化层和全连接层、输出层，在每个卷积层中，使用多个卷积核提取输入参数的不同特征，获得不同的特征映射；采用ReLU激活函数对卷积层的输出进行非线性映射；采用最大池化层实现降采样过程；在经过多次卷积计算后，利用flatten层实现从卷积层到全连接层的过渡；全连接层使用sigmoid函数为激活函数；输出层为目标器件的几何设计变量。2.根据权利要求1所述的面向无源器件的电磁响应优化系统，其特征在于，在所述多层卷积神经网络卷积层后引入BN层进行标准化处理；在全连接层后引入dropout层，以目标概率随机删除部分神经元，抑制过拟合现象。3.根据权利要求1所述的面向无源器件的电磁响应优化系统，其特征在于，所述系统还包括：训练数据构建模块，用于利用商用软件进行全波电磁仿真完成训练集和测试集的构建，并对几何设计变量进行数据归一化预处理；模型训练模块，用于根据所述训练集对所述多层卷积神经网络进行训练，在训练过程中，根据网络的学习情况不断优化调整网络中的超参数，当调整网络超参数模型的训练误差无法再减小时，结束训练。4.根据权利要求3所述的面向无源器件的电磁响应优化系统，其特征在于，所述训练数据构建模块，还用于：对所述训练集和测试集进行归一化处理，通过将分布在不同区间的各个变量归一至同一区间内，提高网络的收敛速度，降低其学习难度；所述归一化处理采用的方法为Z
‑
score标准化，处理后的数据呈标准正态分布，消除了数据量级的影响。5.面向无源器件的电磁响应优化方法，其特征在于，所述方法包括：通过极点留数传递函数对目标电磁响应进行特征提取，得到所述目标电磁响应对应的极点和留数；将所述目标电磁响应对应的极点和留数，输入预...

【专利技术属性】
技术研发人员：郑小平，任一民，邓晓娇，
申请(专利权)人：清华大学，
类型：发明
国别省市：