[發明專利]一種高效的基于貝葉斯理論的人工神經網絡微波器件建模方法

有效

• 申請號: 202011414317.1
• 申請日: 2020-12-03
• 公開（公告）號: CN112347704B
• 公開（公告）日: 2023-10-20
• 發明（設計）人: 那偉聰;劉可;張萬榮;謝紅云;金冬月
• 申請（專利權）人: 北京工業大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/17;G06N3/04;G06N3/08;G06F111/10
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 張慧

本發明涉及一種高效的基于貝葉斯理論的人工神經網絡微波器件建模方法，用于解決目前的微波器件神經網絡建模方法繁瑣耗時，難以滿足日益提高的縮短微波器件和電路設計周期要求的問題。本方法首先找到對應的神經網絡模型所需的最優的有效參數個數，然后通過這個最優的有效參數個數，計算得出所對應的神經網絡模型的最優的隱藏層神經元個數，從而得到每個微波器件的神經網絡模型的最優結構。此外，該方法可以直接嵌入到神經網絡自動模型生成算法中，無論初始設置的隱藏層神經元個數是否接近最優值，均可以非常快速地找到對于當前微波器件建模問題來說最優的神經網絡模型結構。該方法與現有技術相比，大大縮短了建模時間，提高了建模效率。

技術領域

本發明涉及微波器件建模領域，尤其涉及人工神經網絡技術在微波器件建模領域的應用。

背景技術

近些年，人工神經網絡技術已被公認為是微波器件建模和設計領域中的有效工具之一^[1]-[2]，被應用于各種微波器件及電路的建模設計中，如非線性器件建模^[3]、微波器件參數化建模^[4]、電磁優化^[5]和成品率優化^[6]等。神經網絡模型不但能精確表示微波器件的非線性輸入輸出關系，而且從輸入到輸出的計算速度極快，能大大縮短微波電路的仿真設計周期。

隨著微波技術的不斷發展，器件結構越來越復雜，性能指標要求越來越高，因此對微波器件模型的精度和設計周期等要求也不斷提高。微波器件的人工神經網絡建模過程主要包括數據采樣、生成數據、確定神經網絡結構、訓練神經網絡訓練模型和驗證神經網絡模型等環節。其中，調整與確定神經網絡模型的結構(即確定神經網絡模型中隱藏層神經元的數目)是一個十分關鍵的環節。一方面，過少的隱藏層神經元會導致神經網絡的學習能力不足，無法準確地表示微波器件的復雜且高度非線性的輸入輸出關系。另一方面，過多的隱藏層神經元則會使神經網絡處于過度學習狀態，導致最終的模型精度無法滿足用戶要求。而且，針對不同的微波器件建模問題，其模型中隱藏層神經元數目的定量決策是事先未知的。目前的微波器件神經網絡建模方法都是需要通過反復多次地訓練和驗證含有不同數目隱藏層神經元的神經網絡，來最終決定合適的模型結構^[3]。這種方法比較繁瑣耗時，難以滿足日益提高的縮短微波器件和電路設計周期的要求。因此，如何快速高效地調整與確定人工神經網絡模型的結構成為一個亟待解決的問題。

參考文獻：

[1]H.Kabir,L.Zhang,M.Yu,et al.Smart modeling of microwave devices[J].IEEE Microwave Magazine,2010,11(3):105-118.

[2]Q.J.Zhang,K.C.Kupta.Neural networks for RF and microwave design[M].Norwood,MA:Artech House,2000.

[3]W.Na,F.Feng,C.Zhang,et al.A unified automated parametric modelingalgorithm using knowledge-based neural network and l1 optimization[J].IEEETransactions on Microwave Theory and Techniques,2017,65(3):729-745.

[4]J.Jin,C.Zhang,F.Feng,et al.Deep neural network technique for high-dimensional microwave modeling and applications to parameter extraction ofmicrowave filters[J].IEEE Transactions on Microwave Theory and Techniques,2019,67(10):4140-4155.