基于ADS的知识神经网络微带滤波器设计方法

摘要

本发明公开了一种基于ADS的知识神经网络微带滤波器设计方法，该方法在已有的知识神经网络的基础上，提出了一种将ADS作为先验知识的方法，以克服现有神经网络结构复杂和先验知识获取困难的问题。本发明采用将神经网络与仿真软件结合的方法，将ADS和HFSS仿真结果分别作为先验知识和教师信号并采用粒子群算法对神经网络进行训练，构建了相应的神经网络模型，有效地降低了神经网络结构的复杂度。利用该设计的网络对高低阻抗低通滤波器和微带发卡带通滤波器进行优化设计，所设计出来的滤波器满足设计指标，不仅避免大量繁杂公式的推导还简化了神经网络的结构，减少了隐层和隐层神经元的数目，有效地降低了成本。

说明书

技术领域

本发明涉及一种微带滤波器设计方法，特别涉及一种基于ADS的知识神经网络微带滤波器设计方法，属于微波电磁技术领域。

背景技术

微带滤波器具有体积小且便于集成等优点，在微波电路中得到了广泛的应用。神经网络作为一种快速和灵活的工具，近几年被广泛应用在微带滤波器的建模中，并且取得了较好的结果。但是为了保证神经网络模型的精确性，往往需要大批量的训练样本去描述在工作频率范围内微波电路结构中不同几何和结构参数的变化，训练样本往往是通过电磁场数值计算或者测量得到的，当需要的训练样本数量过多时，电磁场的计算工作量会增大，人力、物力的消耗会变得更大，使得神经网络模型的建立变得非常有难度。

减小输入输出映射关系的复杂程度是减少训练样本数目的一种切实有效的方法。按照这个想法，基于已有知识的神经网络模型即知识神经网络模型(knowledge-basedneuralnetwork,KBNN)被提出，这种先验知识大多是已有的经验公式，它们包含有微波电路结构的基本信息，但是在工作范围内无法达到所要求的精度。KBNN模型被多次证明在保证模型精度的同时，还能有效地降低训练样本的数量。虽然KBNN能有效降低样本数量，但是已有的方法中先验知识的获取均依靠经验公式或神经网络。而电磁问题中相关公式的推导过于复杂繁琐，神经网络的训练又需要大量样本，所以这两种方法都存在缺陷。本发明在现有的KBNN模型的基础上，提出了新的先验知识的构造方法，将ADS仿真结果作为先验知识构成隐层的知识神经元。

发明内容

本发明的目的在于提供一种基于ADS(AdvancedDesignsystem，先进设计系统)的知识神经网络微带滤波器设计方法，将其用于微带滤波器中，以克服现有神经网络结构复杂和先验知识获取困难的问题。

本发明的目的通过以下技术方案予以实现：

一种基于ADS的知识神经网络微带滤波器设计方法，包括以下步骤：

第一步：知识神经网络的建模

1)训练样本的获取

将ADS的仿真结果作为先验知识，构造知识神经网络，知识神经网络的教师信号由高频结构仿真(HighFrequencyStructureSimulator，HFSS)获得；

2)知识神经网络的构造

知识神经网络由输入层、隐层、输出层构成，所述隐层的神经元分为传统神经元和先验知识神经元，所述输入层与传统神经元连接，所述传统神经元与输出层连接，所述先验知识神经元与输出层连接，所述输入层与先验知识神经元无连接；

知识神经网络为n×m×1的结构，其输入为x_i(i＝1,2,…,n)；隐层的先验知识神经元的个数为p，输出为hk_j(j＝1,2,…,p)；隐层的传统神经元的个数为q(p+q＝m)，输出为h_k(k＝1,2,…,q)；知识神经网络设为一输出网络，输出为y；传统神经元其输入定义为：

xh_k＝ω_ikx_i+b_k,i＝1,2,…,n,k＝1,2,…,q

其中ω_ik为输入层和传统神经元的连接权值，b_k为阈值；

传统神经元的激励函数选用Sigmoid函数，输出为：

$>h_k=\frac{1}{1+e^{-{\mathrm{\lambda xh}}_k}},k=1,2,...,q$>

Sigmoid函数的增益λ＝1；

知识神经网络输出为各隐层加权之和，即：

y＝ω_jhk_j+ω_kh_k+b,j＝1,2,…,p,k＝1,2,…,q

其中ω_j为隐层的先验知识神经元与输出层的连接权值，ω_k为隐层的传统神经元与输出层的连接权值，b为阈值；

知识神经网络的输出为正向传输系数S₂₁，输入反射系数S₁₁和正向传输系数S₂₁存在如下关系：

S₁₁²+S₂₁²＝1

隐层的先验知识神经元的个数为2，分别取输入反射系数S₁₁和正向传输系数S₂₁；

3)知识神经网络的学习

知识神经网络构造好以后，采用粒子群算法对权值和阈值更新，当迭代达到最大次数或者均方误差达到预设值时停止更新，得到训练好的神经网络；

4)检测网络的可靠性

将测试样本对3)中的神经网络进行测试，验证网络输出与高频结构仿真HFSS的结果是否一致，并计算知识神经网络的相关系数来判断神经网络的可靠性；

第二步：优化设计

1)随机生成初始种群，作为知识神经网络的输入，通过知识神经网络得到相应的输出；

2)优化过程中，根据设计指标设定对应的适应度函数；假设设计指标在f_i(i＝1,2,…)处要求的S₂₁幅值分别为s_i(i＝1,2,…)，那么适应度函数为

Fit＝min(Σβ_i|y_i-s_i|)

其中，y_i为f_i(i＝1,2,…)处知识神经网络的输出，β_i为对应频率点处所选择的权重；

3)通过粒子群算法更新初始种群，找到满足适应度函数的最优解；

4)将3)中得到的最优解带入HFSS中验证是否满足设计指标。

本发明的目的还可以通过以下技术措施来进一步实现：

前述基于ADS的知识神经网络微带滤波器设计方法，对微带高低阻抗滤波器进行优化设计时，所构建的知识神经网络隐层神经元为7个。

前述基于ADS的知识神经网络微带滤波器设计方法，对微带发卡带通滤波器进行优化设计时，所构建的知识神经网络隐层神经元为5个。

前述基于ADS的知识神经网络微带滤波器设计方法，其中粒子群算法中，速度与位置的更新公式为：

$>v_{i,d}^{k+1}=v_{i,d}^k+c_{1}rand\left(\right)(p_{i,d}^k-x_{i,d}^k)+c_{2}rand\left(\right)(p_{g,d}^k-x_{i,d}^k)$>

$>x_{i,d}^{k+1}=x_{i,d}^k+v_{i,d}^{k+1}$>

式中，c₁和c₂为学习因子；rand()为介于(0,1)的随机数；和分别为粒子i在k次迭代中第d维的速度和位置；为粒子i在第d维的个体极值的位置；为群体在第d维的全局极值的位置。

前述基于ADS的知识神经网络微带滤波器设计方法，其中c₁＝2.8，c₂＝1.3。

与现有技术相比，本发明的有益效果是：本发明将ADS的仿真结果作为先验知识，构造知识神经网络，不仅避免大量繁杂公式的推导还简化了神经网络的结构，减少了隐层和隐层神经元的数目，有效地降低了成本。本发明可以快速得到构建知识神经网络所需的先验知识,以克服现有神经网络结构复杂和先验知识获取困难的问题。将仿真结果分别作为先验知识和教师信号对神经网络进行训练，网络训练完成以后，可以利用该模型对微带滤波器进行优化设计，得到满足指标的微带滤波器尺寸。无论是高低阻抗低通滤波器还是微带发卡带通滤波器，网络测试输出都较好得贴合了HFSS精确数值，可见本方法构造的知识神经网络确实有着较高的准确性。

附图说明

图1为知识神经网络结构图；

图2为高低阻抗低通滤波器示意图；

图3为高低阻抗低通滤波器模型,其中图3(a)为ADS仿真模型，图3(b)为HFSS仿真模型；

图4为低通滤波器建立的知识神经网络测试输出与HFSS仿真结果对比图；

图5为低通滤波器优化尺寸的HFSS仿真图；

图6为微带发卡带通滤波器示意图；

图7为微带发卡带通滤波器模型，其中图7(a)ADS仿真模型，图7(b)为HFSS仿真模型；

图8为带通滤波器建立的知识神经网络测试输出与HFSS仿真结果对比图；

图9为带通滤波器优化尺寸的HFSS仿真图。

具体实施方式

在现有的知识神经网络中，先验知识的获取一般都是经验公式，少数采用神经网络训练生成，这些方法都比较繁杂。本发明将ADS的仿真结果作为先验知识，构造知识神经网络，将有效避免了复杂的计算，可以快速得到构建知识神经网络所需的先验知识。

本发明将神经网络与仿真软件结合的方法，利用ADS和高频结构仿真(HighFrequencyStructureSimulator，HFSS)得到微带滤波器的散射参数(S参数)，将仿真结果分别作为先验知识和教师信号对神经网络进行训练。网络训练完成以后，可以利用该模型对微带滤波器进行优化设计，得到满足指标的微带滤波器尺寸。因此本发明内容主要分为知识神经网络的建模和将模型用于优化设计两个部分。

一、知识神经网络的建模

1)训练样本的获取

训练数据主要分为先验知识和训练网络的教师信号，前者通过ADS获取，后者通过HFSS得到。知识神经网络虽然能减少样本数量，但是这种减少是相对的，数据若是采用手动输入以及手动导出的形式，非但没有减少工作量，反而更加使这个过程复杂化；而后续优化设计的过程，每次迭代尺寸参数是无法预知的，而训练所需的先验知识依靠尺寸参数才能得到，手动输入显得不切实际。基于上述两个原因，本发明中训练数据均采用编写脚本调用各仿真软件，在Matlab中生成尺寸参数，传递给各模型计算仿真结果，再传回Matlab进行处理。HFSS教师信号的获取只需要通过调用vbs程序文件就可以实现，对于同一模型不同参数，可以只修改文件中的有关参数再执行就可以了，这就为HFSS软件和Matlab的结合提供了接口；同样地，ADS先验知识的获取采用的方法类似，通过ADS本身特有的AEL(ApplicationExtensionLanguage)语言来对模型进行操作。

2)知识神经网络的构造

本发明所采用的知识神经网络模型如图1所示，其中一部分隐层神经元由先验知识构成，另一部分则与传统的隐层神经元相同。假设知识神经网络为n×m×1的结构，其输入为x_i(i＝1,2,…,n)；隐层知识神经元的个数为p，各知识神经元的输出为hk_j(j＝1,2,…，p)；隐层传统神经元的个数为q(p+q＝m)，各神经元的输出为h_k(k＝1,2,…,q)；为方便描述，网络设为一输出网络，输出为y。对于知识神经元，本发明没有采用经验公式计算，故网络的输入与知识神经元没有连接，进一步地简化了神经网络结构。传统的神经元其输入定义为：

xh_k＝ω_ikx_i+b_k,i＝1,2,…,n,k＝1,2,…,q(1)

其中ω_ik为输入层和隐层传统神经元的连接权值，b_k为阈值。

传统神经元的激励函数一般选用Sigmoid函数，输出为：

$>h_k=\frac{1}{1+e^{-{\mathrm{\lambda xh}}_k}},k=1,2,...,q---\left(2\right)$>

在本发明中，Sigmoid函数的增益λ＝1。

知识神经网络输出为各隐层加权之和，即：

y＝ω_jhk_j+ω_kh_k+b,j＝1,2,…,p,k＝1,2,…,q(3)

其中ω_j为隐层知识神经元与输出层的连接权值，ω_k为隐层传统神经元与输出层的连接权值，b为阈值。通过引入ADS先验知识神经元来建立知识神经网络，简化了神经网络的结构，减少了隐层神经元的数目，且仍能保证知识神经网络的优点。

在本发明中，知识神经网络的输出为正向传输系数S₂₁，由于输入反射系数S₁₁和正向传输系数S₂₁存在如下关系：

S₁₁²+S₂₁²＝1(4)

因此，隐层知识神经元的个数为2，分别取输入反射系数S11和正向传输系数S21。

一般来说，神经网络的隐层神经元的最佳个数m的选取遵循下式：

$>m=\sqrt{n+t}+\alpha ---\left(5\right)$>

其中t为神经网络输出的个数，本发明中神经网络输出个数t＝1，α为[1,10]之间的常数。在本发明中，对于高低阻抗低通滤波器隐层神经元取7，而微带发卡带通滤波器隐层神经元取5，得到的效果最佳。

3)知识神经网络的学习

当知识神经网络框架搭建好以后，便对神经网络进行训练。本发明中，选取粒子群算法更新网络的权值和阈值，该方法能够有效避免陷入局部最优的问题。粒子群算法中，速度与位置的更新公式为：

$>v_{i,d}^{k+1}=v_{i,d}^k+c_{1}rand\left(\right)(p_{i,d}^k-x_{i,d}^k)+c_{2}rand\left(\right)(p_{g,d}^k-x_{i,d}^k)---\left(6\right)$>

$>x_{i,d}^{k+1}=x_{i,d}^k+v_{i,d}^{k+1}---\left(7\right)$>

式中，c₁和c₂被称为学习因子或加速常数，在本发明中取c₁＝2.8，c₂＝1.3；rand()为介于(0,1)的随机数；和分别为粒子i在k次迭代中第d维的速度和位置；为粒子i在第d维的个体极值的位置；为群体在第d维的全局极值的位置。训练过程中，位置x为要更新的权值和阈值，将网络输出y与教师信号的均方误差作为粒子群算法的适应度函数，在每次迭代中更新它们的值。当满足设定的误差条件或最大迭代次数时算法停止更新，此时的全局最优即为网络的权值与阈值。

4)检测网络的可靠性

在参数范围内随机选取样本，对构造好的知识神经网络进行测试，检验测试样本的输出和HFSS的仿真结果是否一致。同时计算网络的相关系数来判断网络的准确性，计算公式如(8)所示。

$>r=\frac{\Sigma (z_i-\bar{z})(y_i-\bar{y})}{\sqrt{\Sigma {(z_i-\bar{z})}^2{(y_i-\bar{y})}^2}}---\left(8\right)$>

其中，z_i是电磁仿真计算值，y_i是神经网络模型计算值，是电磁仿真计算值的均值，是神经网络模型计算值的均值。相关系数越接近1，说明神经网络模型计算值越接近样本值，模型建立得越合理。若相关系数较低，则重新训练网络。

二、优化设计微带滤波器

1)随机生成初始种群(对应微带滤波器中的尺寸参数)，作为知识神经网络的输入，通过知识神经网络得到相应的输出；

2)优化过程中，根据设计指标设定对应的适应度函数。假设设计指标在f_i(i＝1,2,…)处要求的S₂₁幅值分别为s_i(i＝1,2,…)，那么适应度函数为

Fit＝min(Σβ_i|y_i-s_i|)(9)

其中，y_i为f_i(i＝1,2,…)处知识神经网络的输出，β_i为对应频率点处所选择的权重。

3)通过粒子群算法更新初始种群，找到满足适应度函数的最优解；

4)将3)中得到的最优解带入HFSS中验证是否满足设计指标，若满足则说明本发明的发明具有切实可行性。

将本发明基于ADS的知识神经网络用于优化设计微带滤波器，采用该神经网络方法分别对高低阻抗低通滤波器和微带发卡带通滤波器进行设计。下面具体实施例是对本发明的进一步说明，而不是限制发明的范围：

实施例1：

设计一高低阻抗滤波器如图2所示，优化设计指标为：1.截止频率为3GHz左右；2.带通内波纹大于-1dB；3.在4GHz处衰减不大于-20dB。本例中选择优化W_i(i＝1,2,…,5)来达到设计指标，各参数取值见表1。

表1高低阻抗低通滤波器各尺寸参数表

具体步骤如下：

(1)建立ADS、HFSS的模型，如图3所示，介质基板均为1mm，且相对介电常数为2.7。通过Matlab调用得到各尺寸所对应的仿真结果，其中选取ADS的仿真结果S₁₁及S₂₁作为先验知识；选取HFSS的仿真结果S₂₁作为教师信号。

(2)网络输入样本为W_i(i＝1,2,…,5)以及工作频率f，其中，工作频率f的范围为0.1～5GHz，步长为0.2GHz。训练样本采用部分组合正交实验设计获得，共450组样本。知识神经网络的隐层数目为7，其中2个为知识神经元，其余5个为传统神经元。

(3)采用粒子群算法训练神经网络，并用测试样本测试知识神经网络的可靠性，计算该网络的相关系数。

(4)将训练好的神经网络替代HFSS模型，采用粒子群算法进行优化设计，得到尺寸参数并用HFSS加以验证。

通过粒子群算法对网络进行训练，最终所得的知识神经网络的相关系数为0.9936，并用测试样本对网络进行测试，结果如图4所示，其纵坐标为S₂₁的幅度值，平均绝对误差为1.1％。将该网络用于优化设计，最终得到的尺寸参数分别为[110.252211.45310.24811]。在HFSS模型中输入该尺寸得到S₂₁参数，如图5所示，经验证该尺寸满足设计指标，证明本发明切实可行。

实施例2：

设计一微带发卡带通滤波器，如图6所示，优化设计指标为：1.带通范围为2.3GHz～2.8GHz；2.带通内波纹大于-2dB；3.在1.95GHz和3.1GHz处衰减小于-40dB；本例中选择优化来L₀、L₁、L₂、L₅、S₁、S₂达到设计指标，各参数取值见表2。

具体步骤如下：

(1)建立ADS、HFSS的模型，如图7所示，介质基板均为1mm，且相对介电常数为4.4。通过Matlab调用得到各尺寸所对应的仿真结果，其中选取ADS的仿真结果S₁₁及S₂₁作为先验知识；选取HFSS的仿真结果S₂₁作为教师信号。

(2)网络输入样本为L₀,L₁,L₂,L₅,S₁,S₂以及工作频率f其中，工作频率f的范围为1.85～3.20GHz，步长为50MHz。训练样本采用部分组合正交实验设计获得，共1400组样本。知识神经网络的隐层数目为5，其中2个为知识神经元，其余3个为传统神经元。

表2微带发卡带通滤波器各尺寸参数表

(3)采用粒子群算法训练神经网络，并用测试样本测试知识神经网络的可靠性，计算该网络的相关系数。

(4)将训练好的神经网络替代HFSS模型，采用粒子群算法进行优化设计，得到尺寸参数并用HFSS加以验证。

通过粒子群算法对网络进行训练，最终所得的知识神经网络的相关系数为0.9962，并用测试样本对网络进行测试，结果如图8所示，其纵坐标为S₂₁幅度的分贝值，平均相对误差为0.7807。将该网络用于优化设计，最终得到的尺寸参数分别为[5.99.97991.22.65260.28620.4838]。在HFSS模型中输入该尺寸得到S₂₁参数，如图9所示，经验证该尺寸满足设计指标，证明本发明切实可行。

如图4和8所示，为本方法构造的网络测试输出与HFSS精确数值的比较。从图中可以看出，无论是高低阻抗低通滤波器还是微带发卡带通滤波器，网络测试输出都较好得贴合了HFSS精确数值，可见本方法构造的知识神经网络确实有着较高的准确性。先验知识的选取采用ADS获取，不仅避免大量繁杂公式的推导还简化了神经网络的结构，减少了隐层和隐层神经元的数目，有效地降低了成本。而在优化设计中，图5为优化后高低阻抗低通滤波器的尺寸用HFSS计算所得的值。从图5中可以看出，在波纹内最低值在0.9GHz处为-0.8729dB，3dB带宽对应的截止频率为2.9458GHz，在4GHz处衰减为-21.2754dB，满足设计指标。从图9可以看出，该尺寸的微带发卡滤波器对应的3dB截止频率带宽为2.3084GHz～2.8176GHz与设定的2.3GHz～2.8GHz基本一致。通带内波纹最小处m₁纵坐标为-1.7802dB，大于-2dB。在1.95GHz和3.1GHz处衰减分别为-41.1832dB和-40.7268dB，都小于-40dB，满足设计指标。