【技术实现步骤摘要】
一种用于两端口微带结构的电磁参数化建模方法
[0001]本专利技术涉及电磁响应的参数化建模领域，具体涉及一种用于两端口微带结构的电磁参数化建模方法
。
技术介绍
[0002]人工神经网络为基于电磁
(electromagnetic
，
EM)
的建模提供了新的视野，它越来越多地用于
EM
建模和
EM
设计
。EM
设计优化通常需要重复的
EM
模拟来找到最优的几何参数
。
这个过程很耗时，因为随着几何参数的变化，
EM
模拟必须重新运行
。
可以将
ANN
训练为参数模型，以表示受不同几何参数影响的
EM
响应
。
经过训练的模型可以提供微波部件的
EM
响应的准确和快速预测，并且可以进一步用于系统级设计
。
为了进一步提高人工神经网络参数建模的准确性和速度，开发了基于知识的神经网络
(knowledge
‑
based neural network
，
KBNN)
技术
。
在
KBNN
中，参数模型是使用神经网络结合先验知识开发的，例如经验模型
、
等效电路或解析表达式
。
这些知识可以帮助提高整体模型的学习能力，加快模型开发过程
。
作为
KBNN...
【技术保护点】
【技术特征摘要】
1.
一种用于两端口微带结构的电磁参数化建模方法，其特征在于，包括如下：步骤1：由基于
RLGC
的
Neuro
‑
EF
子模型公式获取训练数据；步骤2：使用基于本征向量的模式匹配算法对训练数据进行排序；步骤3：构建基于
RLGC
的
Neuro
‑
EF
电磁参数模型；步骤4：对基于
RLGC
的
Neuro
‑
EF
子模型进行两步细化训练；步骤5：对基于
RLGC
的
Neuro
‑
EF
整体模型进行训练
。2.
根据权利要求1所述的一种用于两端口微带结构的电磁参数化建模方法，其特征在于，步骤1具体包括如下：用于双端口微带结构的阻抗响应矩阵由基于
RLGC
的本征函数以紧凑的形式定义，如下所示：其中和分别表示端口1的输入阻抗响应
、
反向传输阻抗响应
、
正向传输阻抗响应和端口2的输出阻抗响应；
λ
i
表示的第
i
个模式的本征值，对于双端口，
i
＝
1,2
；
v
i,j
表示本征向量的第
j
个值，对应于的第
i
模式的本征值，
λ
i
的虚部和实部分别定义为
α
i
和
β
i
，入
i
＝
β
i
+j
α
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
其中
j
是虚部的符号，
α
i
和
β
i
的二阶表达式表述为：的二阶表达式表述为：其中
ω
是角频率，
L
1,i
和
L
2,i
表示的第
i
个模式的两个等效电感参数；
C
1,i
和
C
2,i
表示的第
i
个模式的两个等效电容参数；
R
1,i
和
R
2,i
表示的第
i
个模式的两个等效电阻参数；
G
1,i
和
G
2,i
表示的第
i
个模式的两个等效电导率参数，
M
i
表示通过删除矩阵的第
i
行和第
i
列得到的子矩阵，表示
M
i
的本征值，的虚部定义为
γ
i
，
γ
i
的二阶表达式公式化为，其中和表示
M
i
的两个等效子矩阵电感参数；和表示
M
i
的两个等效子矩阵电容参数；由于微带结构具有低损耗的优势，本征向量的大小从其形式进一步简化如下：
v
i,j
的正负由后文中的模式匹配算法确定；最后，每个子模型的输出是
24
个本征函数参
数数随着几何参数的变化，本征函数参数也会随之变化，由于几何参数和本征函数参数之间的关系是未知的，使用神经网络来学习和表示这种未知的关系，神经网络经过训练，来学习本征函数参数和几何参数之间的未知映射，神经网络的初始训练数据是通过求解
(1)
‑
(6)
的本征值方程获得的；方程的左侧是通过
krylov
‑
schur
算法从
EM
仿真中求解
Z
参数矩阵的本征值得到的；对于双端口微带结构，只需要重复求解2×2矩阵的本征值
。3.
根据权利要求1所述的一种用于两端口微带结构的电磁参数化建模方法，其特征在于，步骤2具体包括如下：所提出的基于
RLGC
的神经
EF
模型首先通过在一组几何参数值
x
下执行全波
EM
模拟来生成训练数据；对于任意子模型，
N
表示几何参数值的变化次数，而
X
表示包含训练数据中所有几何参数值的集合，即
X
＝
{x
(1)
,x
(2)
,
…
,x
(N)
}
，
x
(n)
是
X
的第
n
个样本，其中
n
＝
1,2,
…
,N
；在每个采样点
x
(n)
，模拟
P
个频率点的电磁响应，在任何频率点
p
，
p
＝
1,2,...,P
，通过应用
krylov
‑
schur
算法得到仿真中阻抗响应矩阵和子矩阵的本征值，设
Ω
(n,p)
包含
λ
i
和在第
p
个频率点的所有虚部的向量，
Φ
(n,p)
包含
λ
i
的第
p
个频率点的所有实部的向量，个频率点的所有实部的向量，对于准
TEM
模式的双端口微带结构，总存在两种对应不同模式本征值的本征向量，即本征向量的两个元素具有相同符号或不同符号，因此，为双端口微带结构定义一个特征判据
S
(n,p)
：将对应于
S
(n,p)
>0
的本征值设置为模式1，将对应于
S
(n,p)
<0
的本征值设置为模式2；
v
i,j
的符号也由所提出的模式匹配算法确定，即对于模式1：
[v
1,1 v
1,2
]
T
＝
[|v
1,1
| |v
1,2
|]
T
；对于模式2：
[v
2,1 v
2,2
]
T
＝
[
‑
|v
2,1
| |v
2,2
|]
T
；设置为排序后模式的本征值虚部，为排序后模式的本征值实部；在第
p
个频率点的所有
λ
i
的虚部和实部的排序过程定义如下：的虚部和实部的排序过程定义如下：设为排序后
M
i
的模式
i
的本征值虚部，对于双端口，
M
i
子矩阵是一个数字，即子矩阵是一个数字，即的值是连续的，因此不需要重新排序，即最后，得到本征值的排序好的虚部的向量和本征值的排序好的实部的向量为：
求解至少四个频率点的本征值的本征值方程，在每个频率点，只需要求解2×2矩阵的本征值和本征向量，可以通过遍历所有频率点的全波模拟，然后选择四个频点
p1、p2、p3和
p4来求解本征值方程；为了获得整个频段的准确输出，通常选择的四个点在仿真频段中平均分布，将四个频率
p1、p2、p3和
p4处的和分别代入
(3)
中的
α
i
组成四个方程，求解这四个方程得到四个的模式
i
在
x
(n)
处电感
‑
电容参数和将四个频率
p1、p2、p3和
p4处的和分别代入
(5)
中
γ
i
以组成四个方程，求解这四个方程得到四个子矩阵电感
‑
电容参数和表示几何样品上第
i
模式的第
l
电感参数，对于提出的双端口微带结构的二阶本征函数，表示几何样本
x
(n)
，
i
＝
1,2,l
＝
1,2
处的第
l
个子矩阵电感参数，表示几何样品第
i
模式的第
l
个电容参数，表示第
l
个子矩阵电容参数，这些本征函数参数由本征值的虚部确定，定义为
ξ
(n)
，在下一小节的初步训练中表示为：由于参数和和由本征值的虚部确定，因此在计算本征值的实部的参数时，直接和带入
(4)
作为常数；将四个频率
p1、p2、p3和
p4处的处的和分别代入
(4)
以组成四个方程，求解这四个方程得到四个电阻电导参数和表示几何样本
x
(n)
，
i
＝
2,l
＝2处第
i
模式的第
l
个电阻参数，表示几何样本
x
(n)
，
i
＝
2,l
＝2处第
i
模式的第
l
个电导参数；这些本征函数参数由本征值的实部确定，定义为
ζ
(n)
，在下一小节的初步训练中表示为：所提出的模式匹配算法得到的本征函数参数
ξ
(n)
和
ζ
(n)
将用于下一部分的后续训练
。4.
根据权利要求1所述的一种用于两端口微带结构的电磁参数化建模方法，其特征在于，步骤3具体包括如下：所提出的基于
RLGC
的
neuro
‑
EF
电磁参数模型的结构由子模型和级联公式组成，所提出的本征函数适用于微带结构的电学尺寸小于或等于一个波长的情况；在对电气尺寸小于或
等于一个波长的微带结构进行建模时，只需要一个子模型，不需要级联；考虑到通常微波元件的微带结构，电尺寸通常大于目标频率范围内的一个波长，为了应用所提出的模型，将整个微带结构划分为多个段，每个线段都使用子模型建模，即子模型
k
，
k
＝
1,2,...,N
m
，子模型的输出是每个线段的电磁响应，
Z
参数，用
y
k
表示，而子模型的输入是每个线段的几何变量
x
k
和频率；
d
k
表示每个段的全波电磁仿真，
Z
参数的输出；最初的目标是通过调整神经网络权重来最小化不同
x
k
下
y
k
和
d
k
之间的误差
。
整体模型的输出是整体结构的电磁响应，
S
参数，用
y
表示，这是通过级联所有子模型的结果获得的
。
整个模型的输入是所有几何变量
x
和频率；
d
表示整体结构的全波电磁仿真，
Z
参数的输出，该输出是通过级联所有电磁仿真的结果获得的；基于短开校准的解嵌入技术用于消除级联误差；通常，
S
参数是感兴趣的，因此
Z
参数在级联期间转换为
S
参数，最终目标是通过调整神经网络权重来最小化不同
x
下
y
和
d
之间的误差
。5.
根据权利要求1所述的一种用于两端口微带结构的电磁参数化...
【专利技术属性】
技术研发人员：刘伟，冯枫，张嘉男，薛建国，李小龙，张齐军，
申请(专利权)人：天津大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。