神经网络在缺陷接地结构最优化设计中的应用研究

摘要

缺陷接地结构(DGS)是通过在微波电路底面的金属接地板蚀刻“缺陷”，改变接地板上的电流分布，从而使整个微波电路在特定频段处表现出禁带特性的电路结构。对DGS的分析通常采用FDTD等方法，虽然这些电磁场数值分析方法具有计算严格、精度高的特点，但是计算过程复杂、耗时，难以满足日益增长的DGS分析和设计要求。 神经网络是模拟人脑的信息处理系统，经过对指定数据集进行训练，可以学会输入数据和输出数据之间的映射关系。完成训练的神经网络模型对学习范围内的输入可以迅速准确地得出的输出响应。这一特性使得神经网络在很多领域得到了广泛的应用。 DGS的传输系数取决于“缺陷”的尺寸和工作频率，并与之形成非线性映射，而符合特定条件的神经网络具有对任意非线性映射进行任意精度逼近的能力，故可建立DGS的神经网络模型，并将其嵌入优化设计程序中，实现DGS的最优化设计。 本文对一种新型组合式非周期性缺陷接地结构(CNPDGS)进行优化设计，优化过程是以该结构电路的神经网络模型为分析单元，以所要求的传输系数为期望目标，以使误差函数达到极小的“缺陷”结构尺寸为输出，优化过程经单纯形优化算法寻优实现。为了进一步满足优化设计中对神经网络泛化能力的要求，本文从神经网络模型的训练方式入手，按照不同尺寸CNPDGS在一定频率范围内表现出的频率特性相似性，将训练数据采用两种方法分组，并对各分组进行独立训练，最后将各分组神经网络输出的合成做为最终输出。与FDTD方法及实验测试结果的对比验证了分组神经网络模型具有较好的准确性；与原神经网络输出的对比显示出分组建模神经网络的泛化能力得到很大提高，极大地缩短了训练所需的时间，并且充分利用了训练数据。最后应用分组建模的神经网络模型实现了CNPDGS的优化设计，仿真结果与实际测试结果的一致性较好，表明了该设计方法的正确性和有效性。

目录

文摘

英文文摘

声明

第一章绪论

1.1神经网络发展及概述

1.2微波电路的计算机辅助设计

1.3缺陷接地结构简介

1.4本课题的意义

第二章神经网络模型的建立

2.1神经网络的结构

2.1.1神经元模型

2.1.2神经网络的分类

2.1.3多层前向神经网络

2.1.4 BP神经网络的结构

2.2神经网络的训练

2.2.1基本BP算法

2.2.2 Levenberg-Marquardt算法——BP算法的改进算法

2.2.3 Bayesian正则化方法

2.3神经网络泛化能力的其它影响因素

2.3.1神经网络的泛化能力

2.3.2神经网络的结构对泛化能力的影响

2.3.3训练样本数据对泛化能力的影响

2.3.4神经网络所学习系统的复杂性对泛化能力的影响

2.4神经网络的分组建模

第三章微波电路最优化设计的原理

3.1最优化设计的基本原理

3.2微波电路的分析

3.3目标函数的建立

3.3.1目标函数表达式

3.3.2目标函数的极小与最小

3.4最优化方法概述

3.4.1直接优化法——单纯形法

第四章基于神经网络的缺陷接地结构优化设计

4.1缺陷接地结构的发展

4.2具有双阻带特性的CNPDGS结构

4.3具有双阻带特性的CNPDGS结构的神经网络模型

4.3.1训练数据的选取

4.3.2训练算法的选取

4.3.3神经网络模型的建立

4.3.4实验结果对比及误差分析

4.4基于神经网络的CNPDGS结构优化设计

4.4.1目标函数的建立

4.4.2优化设计实现的流程

4.4.3针对训练集和测试集的优化设计结果

4.5具有双阻带特性CNPDGS分块神经网络模型的建立

4.5.1优化设计中对泛化能力的要求

4.5.2神经网络分组建模方法的构想

4.5.3神经网络模型分组建立的实现

4.6基于分组建模神经网络的CNPDGS优化设计

4.6.1优化设计的结果

4.6.2优化设计结果的对比

结束语

参考文献

发表论文和参加科研情况说明

致谢