[發明專利]基于神經網絡的等效模型生成方法以及建模方法

在審

• 申請號: 201811268685.2
• 申請日: 2018-10-29
• 公開（公告）號: CN109447245A
• 公開（公告）日: 2019-03-08
• 發明（設計）人: 不公告發明人
• 申請（專利權）人: 石家莊創天電子科技有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 北京合智同創知識產權代理有限公司 11545
• 代理人: 李杰

本申請實施例提供了一種基于神經網絡的等效模型生成方法以及建模方法，其中，基于神經網絡的等效模型生成方法包括：確定目標對象對應的樣本數據，樣本數據包括目標對象的多組參數數據以及與每組參數數據對應的實測工作特性數據；根據樣本數據訓練神經網絡，使得神經網絡學習參數數據和工作特性數據之間的映射關系；根據訓練完成的神經網絡確定目標對象的等效模型。通過本申請實施例提供的方案生成的等效模型更加準確，且得到的等效模型可以適用于多種仿真軟件，即本申請得到的等效模型受仿真軟件的限制較低。

技術領域

本申請實施例涉及人工智能技術領域，尤其涉及一種基于神經網絡的等效模型生成方法以及建模方法。

背景技術

用于電磁波和機械波轉換的部件通常被稱為換能器，一般的換能器分為幾個類別，一類是將電磁波轉化為機械波的換能器(比如喇叭)，另一類是將機械波轉化為電磁波的換能器(比如麥克風)；除此之外，還包括可以進行電磁波-機械波-電磁波的轉換的換能器(例如SAW和FBAR)等等。

通常情況下，在設計換能器時，先使用相關儀器設備測試出換能器樣品的各項參數，然后依據測試出的各項參數建立等效模型來模擬換能器的各項參數，再由仿真設計工具進行計算，如果計算結果不滿足設計指標，則不斷的調整等效模型，直到計算結果滿足設計指標。以上是典型的設計流程，這個流程是零散的，并且是手動實現的。

然而，現有的等效模型并不足以滿足設計的需求。例如設計薄膜體聲波諧振器(film bulk acoustic resonator，FBAR)時，采用等效模型可以為等效電路模型、等效數學模型等，其中，FBAR的等效電路模型具體可以包括Mason模型、MBVD模型。但是，Mason模型主要采用材料參數和物理結構來描述薄膜體聲波諧振器，但是Mason模型與現有的電路仿真設計軟件并不兼容，MBVD模型使用36個集總參數元件來描述FBAR，但是其只能模擬諧振頻率附近的阻抗特性，并不能給出整個頻域的特性阻抗。

有鑒于此，亟需解決的技術問題是提供一種新的等效模型。

發明內容

有鑒于此，本發明的主要目的在于提供一種基于神經網絡的等效模型生成方法以及建模方法，已解決現有技術中的等效模型不足以滿足設計需求的問題。

第一方面，本申請實施例提供了一種基于神經網絡的等效模型生成方法，其包括：確定目標對象對應的樣本數據，所述樣本數據包括目標對象的多組參數數據以及與每組參數數據對應的實測工作特性數據；根據所述樣本數據訓練神經網絡，使得所述神經網絡學習所述參數數據和所述工作特性數據之間的映射關系；根據訓練完成的所述神經網絡確定所述目標對象的等效模型。

第二方面，本申請實施例提供了一種基于神經網絡的等效模型生成裝置，其包括：樣本確定模塊，用于確定目標對象對應的樣本數據，所述樣本數據包括目標對象的多組參數數據以及與每組參數數據對應的實測工作特性數據；訓練模塊，用于根據所述樣本數據訓練神經網絡，使得所述神經網絡學習所述參數數據和所述工作特性數據之間的映射關系；模型確定模塊，用于根據訓練完成的所述神經網絡確定所述目標對象的等效模型。

第三方面，本申請實施例提供了一種計算機可讀介質，其上存儲有等效模型，所述等效模型是根據訓練完成的神經網絡確定的，所述神經網絡用于學習目標對象的基本參數和所述目標對象的工作特性數據之間的映射關系。

第四方面，本申請實施例提供了一種建模方法，其包括：