[發明專利]一種用于微波無源器件的神經網絡空間映射多物理建模方法

有效

• 申請號: 201911402424.X
• 申請日: 2019-12-31
• 公開（公告）號: CN111695230B
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 閆淑霞;張垚芊;張爽
• 申請（專利權）人: 天津工業大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F111/10
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明屬于微波電路與器件建模領域，提供了一種用于微波無源器件的神經網絡空間映射多物理建模方法。該方法在經驗模型的輸入端和輸出端加入映射網絡，無源器件的多物理域輸入變量經過輸入神經網絡后映射到電磁域粗模型，電磁域粗模型的輸出經過輸出映射進一步優化后與器件建模數據匹配。本發明提高了建模精度，減少了建模數據量，縮短了設計周期，提供對器件多物理特性高效準確的預測。

技術領域

本發明屬于微波電路與器件建模領域，涉及一種用于微波無源器件的神經網絡空間映射多物理建模方法。

背景技術

目前市場對無源器件性能要求越來越高，應用場合也越來越復雜，無源器件性能除受自身結構、材料參數影響外，還會受到溫度、濕度、應力變化等多物理參數的影響。這些多物理參數變化將引起器件的電磁參數漂移，出現偏差，導致器件工作效率降低，工作穩定性變差，影響器件的性能表現。多個物理域之間的交互對于準確的系統分析至關重要。無源器件設計涉及到電磁分析以及熱力學、靜電場等多物理域的影響，在對器件性能建模時引入多物理參數，建立器件多物理模型，可以準確描述微波器件的多物理性能。

神經網絡空間映射技術是知識型神經網絡的一種，該技術可以提高已有經驗分析模型的精度。神經網絡空間映射模型不但有粗模型運算速度快、兼容性好的優點，而且提高了粗模型的精度。目前針對微波無源器件的多物理建模方法取得的研究成果對器件多物理特性復雜或者粗模型精度不夠的情況存在應用局限性。這些成果不能直接應用到包含多物理特性的無源器件建模中。雖然現有的器件建模技術比較成熟，但是較多建模方法還不能同時達到高精度利高速度的要求，且設計的模型與實際測量值仍有一定的差距，對無源器件多物理建模方法的研究仍然有待研究。

因此，本發明的目的是通過提出一種用于微波無源器件的神經網絡空間映射多物理建模方法，提高建模精度，減少建模數據量，進而縮短設計周期，提供對器件多物理特性高效準確的預測。

發明內容

本發明的目的是克服現有技術的不足，提出一種用于微波無源器件的神經網絡空間映射多物理建模方法。該方法在粗模型的輸入端和輸出端加入映射網絡，無源器件的多物理域輸入變量經過輸入映射后作用到電磁域粗模型上，電磁域粗模型的輸出經過輸出映射進一步優化后與器件多物理輸出匹配。

一種用于微波無源器件的神經網絡空間映射多物理建模方法，包括下列步驟：

步驟1：選取并定義多物理模型的幾何參數x_g，多物理模型的多物理參數x_m和多物理模型的頻率f的數據范圍，執行多物理仿真生成多物理模型的訓練和測試樣本；

步驟2：根據步驟1確定并定義電磁域粗模型的幾何參數x_gc和電磁域粗模型頻率f_c的數據范圍，并執行電磁仿真生成粗模型的訓練和測試樣本。為了保證整體多物理模型的準確性，電磁域粗模型的幾何參數x_gc范圍應略大于整體多物理模型中的幾何參數x_g；

步驟3：建立粗模型，使用神經網絡技術用步驟2所得訓練數據訓練粗模型，并用步驟2所得測試數據測試粗模型，直至粗模型訓練誤差與測試精度達到要求，粗模型內部權重值w^*固定；

步驟4：對輸入映射網絡和輸出映射網絡進行初始化訓練，優化輸入映射的內部權重變量w₁至優化輸出映射的內部權重變量w₂至實現x_gc＝x_g、f_c＝f和y＝y_c，保證加入映射網絡后不降低整個模型的精度；

步驟5：用步驟2所得的粗模型和步驟4所得的輸入映射單位映射搭建初步神經網絡空間映射多物理模型，用步驟1所得的多物理訓練數據訓練初步神經網絡空間映射模型，優化輸入映射模塊的權重參數至實現多物理域輸入信號和電磁域輸入信號之間的映射；