發(fā)布時間：2020-04-21 02:23

【摘要】：近年來,隨著人工智能的飛速發(fā)展,將機器學習引入電磁場仿真設(shè)計具有廣闊的前景。構(gòu)建計算機輔助設(shè)計(computer aided design,CAD)模型以代替電磁場全波仿真,在優(yōu)化算法的反復(fù)調(diào)用情況下能夠大幅提高器件的設(shè)計效率、節(jié)約設(shè)計成本。本學位論文將基于機器學習算法提出用于電磁場建模與設(shè)計的模型,進一步提升建模效率、節(jié)約設(shè)計成本,主要研究內(nèi)容如下:第一章主要從電磁場建模中的神經(jīng)網(wǎng)絡(luò)模型、基于先驗知識的神經(jīng)網(wǎng)絡(luò)模型、以及基于傳遞函數(shù)的神經(jīng)網(wǎng)絡(luò)模型三方面概述了基于機器學習的電磁場建模與設(shè)計的研究進展。第二章主要介紹了基于數(shù)據(jù)挖掘技術(shù)的神經(jīng)網(wǎng)絡(luò)模型的研究。在本章中,提出了基于數(shù)據(jù)挖掘技術(shù)的神經(jīng)網(wǎng)絡(luò)建模方法,通過使用相關(guān)性分析及數(shù)據(jù)分類技術(shù)從另一個角度解決輸入?yún)?shù)過多和傳遞函數(shù)階數(shù)變化影響訓(xùn)練精度的問題。通過U型槽貼片天線、單阻帶超寬帶天線和雙阻帶超寬帶天線三個參數(shù)化建模實例驗證了該模型的有效性。第三章主要介紹了基于多參數(shù)輸出的神經(jīng)網(wǎng)絡(luò)模型的研究。本章首先提出了一種新的人工神經(jīng)網(wǎng)絡(luò)模型以多參數(shù)輸出描述天線的性能。在這個模型中,三個并行且獨立的分支可以分別輸出三個不同的天線性能參數(shù)。Fabry-Perot天線驗證了該模型的有效性。同時,為了解決先驗知識對有限周期陣列神經(jīng)網(wǎng)絡(luò)建模的限制,還提出了一個多參數(shù)輸出的多級神經(jīng)網(wǎng)絡(luò)模型�？紤]到陣列中的單元互耦和單元排布,該模型包含兩類神經(jīng)網(wǎng)絡(luò):單元-神經(jīng)網(wǎng)絡(luò)和陣列-神經(jīng)網(wǎng)絡(luò)�；趲缀巫兞亢完嚵袉卧碾姶艌鲰憫�(yīng)間的關(guān)系,單元-神經(jīng)網(wǎng)絡(luò)被用于向陣列-神經(jīng)網(wǎng)絡(luò)提供先驗知識。然后,考慮整個陣列環(huán)境,建立陣列-神經(jīng)網(wǎng)絡(luò),通過單元響應(yīng)的非線性疊加得到整個陣列的電磁響應(yīng)。三個數(shù)值算例:一個線性相控陣、一個六元偶極子陣列及一個U型槽微帶陣驗證了該模型的有效性。第四章主要介紹了改進的極限學習機(extreme learning machine,ELM)的研究。論文第四章首先提出了基于傳遞函數(shù)的極限學習機模型。在該模型中,為了進一步節(jié)約訓(xùn)練成本以減少計算時間,應(yīng)用改進的花授粉算法(flower pollination algorithm,FPA)優(yōu)化ELM的權(quán)重和閾值的初值,從而減少ELM對初始權(quán)重和閾值的依賴。耦合線濾波器及四模腔體濾波器兩個參數(shù)化建模實例驗證了該模型的有效性。其次本章提出了用于微波器件參數(shù)化電磁場建模的結(jié)合傳遞函數(shù)的動態(tài)調(diào)整內(nèi)核極限學習模型(dynamic adjustment kernel extreme learning machine,DA-KELM)。該模型支持增加學習、減少學習和混合學習,在模型未獲得滿意精度的情況下,可以直接利用新舊訓(xùn)練數(shù)據(jù)集的重疊,以更快的再訓(xùn)練速度獲得準確的訓(xùn)練結(jié)果。微帶垂直過渡及四模腔體濾波器兩個參數(shù)化建模實例驗證了DA-KELM的有效性。最后,基于DA-KELM,本章提出了介于監(jiān)督學習和無監(jiān)督學習之間的半監(jiān)督學習模型以大幅減少訓(xùn)練所需的訓(xùn)練樣本數(shù)。所提出模型包含兩個訓(xùn)練過程,初始訓(xùn)練和自我訓(xùn)練。在初始訓(xùn)練中,來自全波仿真的較少的訓(xùn)練樣本使模型快速收斂。在接下來的自我學習中,模型產(chǎn)生非標記數(shù)據(jù)用于訓(xùn)練它自己,直到達到滿意精度。微帶垂直過渡及雙頻四極點腔體濾波器兩個參數(shù)化建模實例驗證了半監(jiān)督學習模型的有效性。第五章對全文作出了系統(tǒng)的概括與總結(jié),并指出了需要進一步進行研究的課題方向。
【圖文】：

第一章 緒論1]提出了一種基于徑向基神經(jīng)網(wǎng)絡(luò)的模型，并用于放大器的動態(tài)建神經(jīng)網(wǎng)絡(luò)，文獻[21]所提出的模型可以用較少的訓(xùn)練數(shù)據(jù)即可達到所度。作為卷積神經(jīng)網(wǎng)絡(luò)的前身，時延遲神經(jīng)網(wǎng)絡(luò)（time-delayneuraln）同樣應(yīng)用于仿真射頻放大器的非線性動態(tài)性能[22]。文獻[23]基于低器等效電路及其幾種轉(zhuǎn)換電路提出了一種雙隱含層的神經(jīng)網(wǎng)絡(luò)，應(yīng)射頻放大器的非線性響應(yīng)。文獻[24]提出了一種實值時延神經(jīng)網(wǎng)絡(luò)通信系統(tǒng)基站放大器的動態(tài)建模。

3圖 1-2 徑向基神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)[17]經(jīng)網(wǎng)絡(luò)被用于螺旋電感建模。其中螺旋外徑、經(jīng)網(wǎng)絡(luò)的輸入，，電感、品質(zhì)因數(shù)和自諧振頻率仿真相比，該模型具有較高的精度，并且在優(yōu)網(wǎng)絡(luò)同樣也被用于晶體管的建模仿真[26-27]。
【學位授予單位】：電子科技大學
【學位級別】：博士
【學位授予年份】：2019
【分類號】：O441.4;TP181

【相似文獻】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點預(yù)測法[J];金融經(jīng)濟;2017年18期

2 劉高宇;;深度神經(jīng)網(wǎng)絡(luò)在煤質(zhì)數(shù)據(jù)分析與預(yù)測中的應(yīng)用[J];電腦知識與技術(shù);2019年28期

3 馮偉業(yè);廖可非;歐陽繕;牛耀;;基于膠囊神經(jīng)網(wǎng)絡(luò)的合成孔徑雷達圖像分類方法[J];科學技術(shù)與工程;2019年28期

4 溫贊揚;;基于群智優(yōu)化神經(jīng)網(wǎng)絡(luò)的音樂風格分類模型研究[J];現(xiàn)代電子技術(shù);2019年21期

5 鄭麗;;建筑設(shè)計中神經(jīng)網(wǎng)絡(luò)技術(shù)與遺傳算法探究[J];湖北農(nóng)機化;2019年21期

6 易煒;何嘉;鄒茂揚;;基于循環(huán)神經(jīng)網(wǎng)絡(luò)的對話系統(tǒng)記憶機制[J];計算機工程與設(shè)計;2019年11期

7 黃為;李永剛;胡上成;汪毅;;基于循環(huán)神經(jīng)網(wǎng)絡(luò)的船搖數(shù)據(jù)實時預(yù)測[J];科學技術(shù)與工程;2019年31期

8 賴策;魏小琴;;卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方式研究[J];信息與電腦(理論版);2019年22期

9 周濟民;;基于神經(jīng)網(wǎng)絡(luò)改進的元胞自動機分析——美國阿片類藥物濫用情況[J];信息系統(tǒng)工程;2019年11期

10 馬猛;王明紅;;基于進化神經(jīng)網(wǎng)絡(luò)的304不銹鋼車削加工表面粗糙度預(yù)測[J];輕工機械;2019年06期

相關(guān)會議論文 前10條

1 孫軍田;張U

本文編號：2635245