[發明專利]基于ADS的知識神經網絡微帶濾波器設計方法

有效

• 申請號: 201610222264.0
• 申請日: 2016-04-11
• 公開（公告）號: CN105787558B
• 公開（公告）日: 2018-07-06
• 發明（設計）人: 田雨波;陳藝
• 申請（專利權）人: 江蘇科技大學
• 主分類號: G06N3/06
• 分類號: G06N3/06;G06N3/08;G06F17/50
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 樓高潮

本發明公開了一種基于ADS的知識神經網絡微帶濾波器設計方法，該方法在已有的知識神經網絡的基礎上，提出了一種將ADS作為先驗知識的方法，以克服現有神經網絡結構復雜和先驗知識獲取困難的問題。本發明采用將神經網絡與仿真軟件結合的方法，將ADS和HFSS仿真結果分別作為先驗知識和教師信號并采用粒子群算法對神經網絡進行訓練，構建了相應的神經網絡模型，有效地降低了神經網絡結構的復雜度。利用該設計的網絡對高低阻抗低通濾波器和微帶發卡帶通濾波器進行優化設計，所設計出來的濾波器滿足設計指標，不僅避免大量繁雜公式的推導還簡化了神經網絡的結構，減少了隱層和隱層神經元的數目，有效地降低了成本。

技術領域

本發明涉及一種微帶濾波器設計方法，特別涉及一種基于ADS的知識神經網絡微帶濾波器設計方法，屬于微波電磁技術領域。

背景技術

微帶濾波器具有體積小且便于集成等優點，在微波電路中得到了廣泛的應用。神經網絡作為一種快速和靈活的工具，近幾年被廣泛應用在微帶濾波器的建模中，并且取得了較好的結果。但是為了保證神經網絡模型的精確性，往往需要大批量的訓練樣本去描述在工作頻率范圍內微波電路結構中不同幾何和結構參數的變化，訓練樣本往往是通過電磁場數值計算或者測量得到的，當需要的訓練樣本數量過多時，電磁場的計算工作量會增大，人力、物力的消耗會變得更大，使得神經網絡模型的建立變得非常有難度。

減小輸入輸出映射關系的復雜程度是減少訓練樣本數目的一種切實有效的方法。按照這個想法，基于已有知識的神經網絡模型即知識神經網絡模型(knowledge-basedneural network,KBNN)被提出，這種先驗知識大多是已有的經驗公式，它們包含有微波電路結構的基本信息，但是在工作范圍內無法達到所要求的精度。KBNN模型被多次證明在保證模型精度的同時，還能有效地降低訓練樣本的數量。雖然KBNN能有效降低樣本數量，但是已有的方法中先驗知識的獲取均依靠經驗公式或神經網絡。而電磁問題中相關公式的推導過于復雜繁瑣，神經網絡的訓練又需要大量樣本，所以這兩種方法都存在缺陷。本發明在現有的KBNN模型的基礎上，提出了新的先驗知識的構造方法，將ADS仿真結果作為先驗知識構成隱層的知識神經元。

發明內容

本發明的目的在于提供一種基于ADS(Advanced Design system，先進設計系統)的知識神經網絡微帶濾波器設計方法，將其用于微帶濾波器中，以克服現有神經網絡結構復雜和先驗知識獲取困難的問題。

本發明的目的通過以下技術方案予以實現：

一種基于ADS的知識神經網絡微帶濾波器設計方法，包括以下步驟：

第一步：知識神經網絡的建模

1)訓練樣本的獲取

將ADS的仿真結果作為先驗知識，構造知識神經網絡，知識神經網絡的教師信號由高頻結構仿真(High Frequency Structure Simulator，HFSS)獲得；

2)知識神經網絡的構造

知識神經網絡由輸入層、隱層、輸出層構成，所述隱層的神經元分為傳統神經元和先驗知識神經元，所述輸入層與傳統神經元連接，所述傳統神經元與輸出層連接，所述先驗知識神經元與輸出層連接，所述輸入層與先驗知識神經元無連接；

知識神經網絡為n×m×1的結構，其輸入為x_i(i＝1,2,…,n)；隱層的先驗知識神經元的個數為p，輸出為hk_j(j＝1,2,…,p)；隱層的傳統神經元的個數為q(p+q＝m)，輸出為h_k(k＝1,2,…,q)；知識神經網絡設為一輸出網絡，輸出為y；傳統神經元其輸入定義為：

xh_k＝ω_ikx_i+b_k,i＝1,2,…,n,k＝1,2,…,q