使用结合神经网络和传递函数的建模方法对微波器件的电磁行为进行参数化建模

摘要

现阶段电磁行为的参数化建模对于微波器件的电磁优化设计已经变得非常重要。由于电磁优化设计需要改变几何参数，而改变了几何参数就需要重复进行电磁仿真，所以电磁优化设计需要花费大量时间。我们可以使用不同几何参数所对应的电磁响应信息来开发设计一种参数化模型。得到的参数化模型可以根据不同几何参数进行快速的电磁仿真和优化。这种参数化模型可以应用于更高的电路级甚至系统级的优化设计中。 本论文提出了一种新型的对于微波器件电磁响应进行参数化建模的建模法。该建模法结合极点留数传递函数和神经网络来对微波器件的电磁响应进行建模。本文使用神经网络来学习传递函数的极点留数与模型输入几何参数之间的关系。随着几何参数的变化，其对应的传递函数的阶数会随之变化。我们开发一种极点留数跟踪技术来解决传递函数阶数变化的问题。在完成了本文提出的整体模型训练之后，得到的模型可以对微波器件的电磁响应进行准确快速的预测。 本文还提出了一种先进的结合了灵敏度分析的极点留数跟踪技术，来解决当训练数据过少或数据样本之间的几何步长过大时如何使用极点留数跟踪技术的问题。本文所提出的技术利用灵敏度的信息将一个极点分成两个独立的新的极点，以达到增加传递函数阶数的目的，最终使所有数据的传递函数具有相同的阶数。本文所提出的技术解决了训练数据有限时如何有效改进极点跟踪技术的问题。 作为进一步的研究，我们将电磁灵敏度分析引入到基于神经网络传递函数的建模技术中。引入电磁灵敏度分析到建模中的目的是利用电磁灵敏度信息增加模型精度，并通过减少模型开发所需要的训练数据来加速模型建立过程。本文所提出基于灵敏度分析的参数模型包含原始神经网络传递函数模型和伴随神经网络传递函数模型。本文推导出了用于训练伴随神经网络传递函数模型的二阶导数。本文所提出的建模技术通过将灵敏度信息引入到建模过程中来进一步提高建模速度。

目录

声明

List of Symbols

Chapter 1 Introduction

1.1 Introduction and Motivation

1.2 List of Contributions

1.3 Thesis Organization

Chapter 2 Literature Review

2.1 Artificial Neural Network

2.2 Knowledge-Based Neural Network

2.3 Space Mapping

2.4 Overview of Parametric Modeling and Optimization with No Avail-able Coarse Model

2.5 Conclusion

Chapter 3 Parametric Modeling Using Pole-Residue-Based Neuro-Transfer Functions

3.1 Introduction

3.2 Proposed Technique for Developing a Pole-Residue-Based Neuro-TF Model

3.3 Application Examples

3.4 Conclusion

Chapter 4 Advanced Pole-Residue Tracking Technique Using EM Sensitivity Analysis

4.1 Introduction

4.2 Advanced Pole-Residue Tracking Technique Using EM Sensitivity

4.3 Application Example

4.4 Conclusion

Chapter 5 Parametric Modeling Using Neuo-Transfer Func-tions with EM Sensitivity Analysis

5.1 Introduction

5.2 Proposed Sensitivity-Analysis-Based Neuro-TF Modeling Tech-nique

5.3 Application Examples

5.4 Conclusion

Chapter 6 Conclusions and Future Research

6.1 Conclusions

6.2 Future Research

参考文献

List of Publications

致谢