基于机器学习的电磁场建模与设计研究

论文摘要

近年来,随着人工智能的飞速发展,将机器学习引入电磁场仿真设计具有广阔的前景。构建计算机辅助设计（computer aided design,CAD）模型以代替电磁场全波仿真,在优化算法的反复调用情况下能够大幅提高器件的设计效率、节约设计成本。本学位论文将基于机器学习算法提出用于电磁场建模与设计的模型,进一步提升建模效率、节约设计成本,主要研究内容如下:第一章主要从电磁场建模中的神经网络模型、基于先验知识的神经网络模型、以及基于传递函数的神经网络模型三方面概述了基于机器学习的电磁场建模与设计的研究进展。第二章主要介绍了基于数据挖掘技术的神经网络模型的研究。在本章中,提出了基于数据挖掘技术的神经网络建模方法,通过使用相关性分析及数据分类技术从另一个角度解决输入参数过多和传递函数阶数变化影响训练精度的问题。通过U型槽贴片天线、单阻带超宽带天线和双阻带超宽带天线三个参数化建模实例验证了该模型的有效性。第三章主要介绍了基于多参数输出的神经网络模型的研究。本章首先提出了一种新的人工神经网络模型以多参数输出描述天线的性能。在这个模型中,三个并行且独立的分支可以分别输出三个不同的天线性能参数。Fabry-Perot天线验证了该模型的有效性。同时,为了解决先验知识对有限周期阵列神经网络建模的限制,还提出了一个多参数输出的多级神经网络模型。考虑到阵列中的单元互耦和单元排布,该模型包含两类神经网络:单元-神经网络和阵列-神经网络。基于几何变量和阵列单元的电磁场响应间的关系,单元-神经网络被用于向阵列-神经网络提供先验知识。然后,考虑整个阵列环境,建立阵列-神经网络,通过单元响应的非线性叠加得到整个阵列的电磁响应。三个数值算例:一个线性相控阵、一个六元偶极子阵列及一个U型槽微带阵验证了该模型的有效性。第四章主要介绍了改进的极限学习机（extreme learning machine,ELM）的研究。论文第四章首先提出了基于传递函数的极限学习机模型。在该模型中,为了进一步节约训练成本以减少计算时间,应用改进的花授粉算法（flower pollination algorithm,FPA）优化ELM的权重和阈值的初值,从而减少ELM对初始权重和阈值的依赖。耦合线滤波器及四模腔体滤波器两个参数化建模实例验证了该模型的有效性。其次本章提出了用于微波器件参数化电磁场建模的结合传递函数的动态调整内核极限学习模型（dynamic adjustment kernel extreme learning machine,DA-KELM）。该模型支持增加学习、减少学习和混合学习,在模型未获得满意精度的情况下,可以直接利用新旧训练数据集的重叠,以更快的再训练速度获得准确的训练结果。微带垂直过渡及四模腔体滤波器两个参数化建模实例验证了DA-KELM的有效性。最后,基于DA-KELM,本章提出了介于监督学习和无监督学习之间的半监督学习模型以大幅减少训练所需的训练样本数。所提出模型包含两个训练过程,初始训练和自我训练。在初始训练中,来自全波仿真的较少的训练样本使模型快速收敛。在接下来的自我学习中,模型产生非标记数据用于训练它自己,直到达到满意精度。微带垂直过渡及双频四极点腔体滤波器两个参数化建模实例验证了半监督学习模型的有效性。第五章对全文作出了系统的概括与总结,并指出了需要进一步进行研究的课题方向。

论文目录

摘要

abstract

第一章绪论

1.1 研究意义和背景

1.2 基于机器学习的电磁场建模与设计研究进展

1.2.1 神经网络模型的研究进展

1.2.2 基于先验知识的神经网络模型的研究进展

1.2.3 基于传递函数的神经网络模型的研究进展

1.3 本文创新点和主要贡献

第二章基于数据挖掘技术的神经网络模型研究

2.1 神经网络简介

2.2 用于电磁场建模与设计的相关数据挖掘技术

2.2.1 相关性分析

2.2.2 数据分类

2.3 基于数据挖掘技术的神经网络模型

2.4 验证算例

2.4.1 U型槽贴片天线的验证算例

2.4.2 单阻带超宽带天线的验证算例

2.4.3 双阻带超宽带天线的验证算例

2.5 本章小结

第三章基于多参数输出的神经网络模型研究

3.1 多参数输出的神经网络模型

3.1.1 多参数输出的神经网络模型原理

3.1.1.1 多参数输出的神经网络模型的结构

3.1.1.2 多参数输出的神经网络模型的训练过程

3.1.2 Fabry-Perot天线的验证算例

3.1.2.1 Fabry-Perot天线的综合验证

3.1.2.2 综合验证及优化应用

3.2 多参数输出的多级神经网络模型

3.2.1 多参数输出的多级神经网络模型的原理

3.2.1.1 基于阵列单元的神经网络模型的训练

3.2.1.2 基于阵列的神经网络模型的训练

3.2.2 天线阵列的验证算例

3.2.2.1 线型相控阵的验证算例

3.2.2.2 六元偶极子阵列的验证算例

3.2.2.3 U型槽微带阵的验证算例

3.3 本章小结

第四章改进极限学习机的研究

4.1 极限学习机简介

4.2 基于改进花授粉优化算法的极限学习机模型

4.2.1 基于最速下降法的花粉传播优化算法

4.2.2 基于改进花授粉优化算法的极限学习机模型原理

4.2.3 耦合线滤波器的验证算例

4.2.4 四模腔体滤波器的验证算例

4.3 基于动态内核的极限学习机模型

4.3.1 动态内核极限学习机原理

4.3.1.1 增加学习训练模式

4.3.1.2 减少学习训练模式

4.3.1.3 混合学习训练模式

4.3.1.4 性能测试

4.3.2 动态内核极限学习机模型

4.3.3 微波器件的验证算例

4.3.3.1 微带垂直过渡的验证算例

4.3.3.2 四模腔体滤波器的验证算例

4.4 基于半监督学习的极限学习机模型研究

4.4.1 半监督学习模型

4.4.1.1 半监督学习模型的训练过程

4.4.1.2 性能评估

4.4.2 微波器件的验证算例

4.4.2.1 微带垂直过渡的验证算例

4.4.2.2 双频四极点腔体滤波器的验证算例

4.5 本章小结

第五章结论与展望

5.1 本文的工作总结

5.2 下一步工作展望

致谢

参考文献

攻读博士学位期间取得的成果

文章来源

类型: 博士论文

作者: 肖理业

导师: 邵维

关键词: 神经网络,电磁场建模与设计,机器学习,传递函数

来源: 电子科技大学

年度: 2019

分类: 基础科学,信息科技

专业: 物理学,无线电电子学,自动化技术

单位: 电子科技大学

分类号: O441.4;TP181

总页数: 116

文件大小: 4446K

下载量: 409

基于机器学习的电磁场建模与设计研究

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢