一种用于非线性器件建模的神经网络数据生成方法技术

本发明专利技术属于非线性器件设计技术领域，涉及一种用于非线性器件建模的神经网络数据生成方法，包括：1)获得非线性器件的主要输入输出样本数据；2)确定各个输入参数的取值范围，构造初始训练数据集合和初始测试数据集合；3)计算出所有子空间的有效误差，找出最大有效误差并和标准误差值比较，如果较小，说明得到足够的训练数据，结束，否则，选取具有最大有效误差的子空间，比较该子空间中各个输入参数的维度误差值，确定具有最大维度误差的输入参数；在具有最大有效误差的子空间内，取具有最大维度误差的输入参数维度上的所有中点，获得新的训练数据，进行空间分裂，并转向3)。本发明专利技术能够为后续神经网络的训练节约大量的时间和精力。

【技术实现步骤摘要】

本 专利技术非线性器件设计
，涉及一种用于非线性器件建模的神经网络训练数据生成方法。
技术介绍
在非线性器件建模里，传统的计算机辅助设计技术(CAD)已经被大量的应用，并且产生了相当数量的各种器件模型。但是，随着新技术、新材料和非传统器件的不断涌现，传统的CAD技术已经很难满足我们的实际要求了。为了充分描述新型非线性器件本身的特性并掌握器件物理和几何特性的变化，近年来，神经网络技术作为一种新型建模技术被越来越多地运用到非线性器件建模领域。神经网络技术是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。它是依靠系统的复杂程度，通过调整内部大量节点之间互相连接的关系，从而达到处理信息的目的。神经网络技术具有如下突出的优点一、可以充分逼近任意复杂的非线性关系；二，所有定量或定性信息都等势分布贮存在网络内的神经元，故有很强的鲁棒性和容错性；三、采用并行分布处理方法，使得快速进行大量运算成为可能；四，可学习和自适应不知道或不确定的系统；五、能够同时处理定量、定性知识。神经网络技术的最大特点是具有保持“学习”状态的数据存储功能和非线性功能，从而具有神奇的学习能力。正是由于神经网络技术具有这些突出的优点，近些年来，神经网络技术被大量地运用在器件和电路建模领域。我们根据理论计算或基于实际测量，得到器件或电路的实际测量值，从而得到它们的输入、输出样本数据，进而进行神经网络的训练。神经网络技术能够通过自动的训练过程来学习已有的器件或电路数据，从而生成能够真实地反映器件多维非线性关系的器件模型，这些训练好的神经网络模型能够用于快速准确地设计高级电路和系统。相对于传统建模方法计算量大、经验模型精确性不高等缺点，神经网络建模技术效率和精确性更高，特别是用于构建新型的、非传统的非线性器件模型。这些新型器件模型的构建是后续电路设计的前提，如果没有这些模型，电路设计及优化则无从谈起。同时，对神经网络对应参数的优化，我们可以进一步地优化电路。通常情况下，神经网络建模涉及多个方面的内容，包括数据生成、神经网络模型选择、训练和有效性分析等。其中，数据生成模块是神经网络建模的重要组成部分。如果产生的训练数据数量太多，则神经网络训练过程将要付出很大的代价；反之，如果产生的训练数据数量太少，那么构建出来的神经网络模型的准确率将降低。因此，一个有效的数据生成算法必须充分考虑以上两个方面的情况。到目前为止，国内外的专家学者们已经提出了一些有效的神经网络数据生成算法。特别是由张齐军教授提出的神经网络数据生成算法的有效性已经在非线性器件建模方面得到充分的验证，该算法原理较为简单，并且与传统的数据生成算法相比，在同样的精度要求下，该算法所耗费的时间更短，所需采集的训练数据更少。但是，即使该算法较传统算法已经有了很大的改进，该算法所耗费的时间仍然很长，这已然成为了神经网络非线性器件建模领域的一个重大障碍。该算法存在的主要缺陷如下由于该算法对采样空间进行规则分裂，将各个维度上得到的数据都作为训练数据，这样就采集了很多冗余的训练数据，导致整个算法计算量很大，耗费的时间相当长。
技术实现思路
本专利技术的目的是克服现有技术的上述不足，提出。该方法能够充分考虑所采集到的训练数据的有效性，找到非线性最强的维度并获得该维度上的训练数据，从而大量减少冗余数据，使得整个算法的计算量和耗费时间大为减少，为后续神经网络的训练节约大量的时间和精力。，包括下列步骤第一步获得非线性器件的主要输入输出样本数据，这些输入输出样本数据可以通过理论计算或实际测量获得；第二步根据获得的样本数据，确定各个输入参数的取值范围，并设定一个标准误差值，利用各个输入参数的取值范围，构造初始训练数据集合和初始测试数据集合，定义初始的训练数据集合和测试数据集合分别是LI = {输入采样空间的所有顶点}和Tl = {输入采样空间的中心点}，输入参数的个数即为输入采样空间的纬度；第二步定义子空间的有效误差对于某个子空间，子空间中心点的插值减去中心点的输出值的绝对值；定义输入参数的维度误差在具有最大有效误差的子空间中，对于某个输入参数，找出该输入参数维度上的所有中点，将这些中点的插值减去各自的输出值，得到的数值相加取绝对值；第三步计算出所有子空间的有效误差，找出最大有效误差并和标准误差值进行比较，如果小于标准误差值，说明得到足够的训练数据，结束流程；反之，说明未得到足够的训练数据，转向步骤四；在首次进行此步骤时，这里的子空间即为初始的输入采样空间；第四步根据步骤三确定具有最大有效误差的子空间，在该子空间中，比较各个输入参数的维度误差值，确定具有最大维度误差的输入参数。第五步在具有最大有效误差的子空间内，取具有最大维度误差的输入参数维度上的所有中点，获得新的训练数据，同时，将这些中点作为新的子空间的顶点，将子空间一分为二，产生两个新的子空间，将子空间一分为二，产生两个新的子空间，然后转向步骤三。作为优选实施方式，所述的用于非线性器件建模的神经网络数据生成方法，第二步中，子空间中心点的插值为权利要求1.，包括下列步骤 第一步获得非线性器件的主要输入输出样本数据，这些输入输出样本数据可以通过理论计算或实际测量获得； 第二步根据获得的样本数据，确定各个输入参数的取值范围，并设定一个标准误差值，利用各个输入参数的取值范围，构造初始训练数据集合和初始测试数据集合，定义初始的训练数据集合和测试数据集合分别是LI = {输入采样空间的所有顶点}和Tl = {输入采样空间的中心点}，输入参数的个数即为输入采样空间的纬度； 第二步定义子空间的有效误差对于某个子空间，子空间中心点的插值减去中心点的输出值的绝对值；定义输入参数的维度误差在具有最大有效误差的子空间中，对于某个输入参数，找出该输入参数维度上的所有中点，将这些中点的插值减去各自的输出值，得到的数值相加取绝对值； 第三步计算出所有子空间的有效误差，找出最大有效误差并和标准误差值进行比较，如果小于标准误差值，说明得到足够的训练数据，结束流程；反之，说明未得到足够的训练数据，转向步骤四；在首次进行此步骤时，这里的子空间即为初始的输入采样空间； 第四步根据步骤三确定具有最大有效误差的子空间，在该子空间中，比较各个输入参数的维度误差值，确定具有最大维度误差的输入参数。第五步在具有最大有效误差的子空间内，取具有最大维度误差的输入参数维度上的所有中点，获得新的训练数据，同时，将这些中点作为新的子空间的顶点，将子空间一分为二，产生两个新的子空间，将子空间一分为二，产生两个新的子空间，然后转向步骤三。2.根据权利要求I所述的用于非线性器件建模的神经网络数据生成方法，其特征在 于，第二步中，子空间中心点的插值为全文摘要本专利技术属于非线性器件设计
，涉及，包括1)获得非线性器件的主要输入输出样本数据；2)确定各个输入参数的取值范围，构造初始训练数据集合和初始测试数据集合；3)计算出所有子空间的有效误差，找出最大有效误差并和标准误差值比较，如果较小，说明得到足够的训练数据，结束，否则，选取具有最大有效误差的子空间，比较该子空间中各个输入参数的维度误差值，确定具有最大维度误差的输入参数；在具有最大有效误差的子空间内，取具有最大维度误差的输入参数维度上的所有中本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：马永涛，张齐军，林珲，朱琳，
申请(专利权)人：天津大学，
类型：发明
国别省市：