CN112989508B - 基于深度学习算法的滤波器的优化设计方法 - Google Patents

基于深度学习算法的滤波器的优化设计方法 Download PDF

Info

Publication number
CN112989508B
CN112989508B CN202110138810.3A CN202110138810A CN112989508B CN 112989508 B CN112989508 B CN 112989508B CN 202110138810 A CN202110138810 A CN 202110138810A CN 112989508 B CN112989508 B CN 112989508B
Authority
CN
China
Prior art keywords
filter
neural network
layer
response curve
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110138810.3A
Other languages
English (en)
Other versions
CN112989508A (zh
Inventor
梁修业
黄浩
张喆
曾建平
关放
刘晓晗
资剑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fudan University
Original Assignee
Fudan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fudan University filed Critical Fudan University
Priority to CN202110138810.3A priority Critical patent/CN112989508B/zh
Publication of CN112989508A publication Critical patent/CN112989508A/zh
Application granted granted Critical
Publication of CN112989508B publication Critical patent/CN112989508B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Control Of Motors That Do Not Use Commutators (AREA)

Abstract

本发明属于滤波器技术领域,具体为一种基于深度学习算法的滤波器的优化设计方法。本发明优化设计方法，针对滤波器的结构参数进行，滤波器的结构参数由滤波器的滤波响应曲线来反映；设计中使用逆向神经网络、正向神经网络和遗传算法，进行深度学习：滤波器的滤波响应曲线由切比雪夫多项式综合得到；将目标滤波响应曲线作为逆向神经网络的输入，获得结构参数的初始值；把初值输入给遗传算法、正向神经网络，进行迭代优化；优化目标为正向神经网络输出的滤波响应曲线与依据的滤波响应曲线差距最小，最后输出优化的滤波响应曲线，并获得最终滤波器的结构参数。

Description

基于深度学习算法的滤波器的优化设计方法
技术领域
本发明属于滤波器技术领域，具体涉及滤波器的设计方法。
背景技术
在现代的射频收发系统中，在天线的后端往往需要滤波器来控制所需频段电磁波的收发。而当今各种便携设备、手持设备和可穿戴设备大量出现，尤其是5G“万物互联”概念的提出，多种多样的终端设备必定会大量出现，此时面对日渐拥挤的频谱和复杂的电磁环境，滤波器的作用越来越重要。而传统的滤波器设计往往需要根据性能指标，选择对应的滤波函数，用电路理论构建对应的电路模型，再用仿真软件提取耦合系数，建立起实际模型和电路模型之间的联系，最终进行整体优化。传统的设计方法十分繁琐，并且潜在的耦合也会影响参数的提取，因此需要有新的方法来快速并准确的设计滤波器。
伴随着计算机显卡性能的提升，人工智能迎来了发展热潮，在很多领域都得到了广泛的应用。由于神经网络训练完之后可以重复使用，因此很适合快速的进行不同指标下的器件设计。现有的基于粒子群优化算法等进化算法的设计对于初值的依赖性较强，并且在迭代过程中需要不断使用仿真软件，比较耗费时间，而训练好的神经网络可以在几秒钟内完成一次滤波器的设计，相较于传统的设计方法和优化算法有着明显的优势。
发明内容
本发明的目的在于提供一种快速准确的基于深度学习算法的滤波器的优化设计方法。
本发明提供的基于深度学习算法的滤波器的优化设计方法，以平行耦合微带滤波器设计为例给予说明，对其它类型滤波器结构设计同样适用，包括金属腔体滤波器、介质滤波器等的设计。
本发明提供的基于深度学习算法的滤波器的优化设计方法，所述优化设计主要针对滤波器的结构参数进行，而滤波器的结构参数由滤波器的滤波响应曲线来反映；设计中采用深度学习算法，具体使用逆向神经网络、正向神经网络和遗传算法，进行深度学习，最后得到滤波器的结构参数：
其中，滤波器的滤波响应曲线由切比雪夫多项式综合得到；具体是根据所需滤波器的插入损耗、中心频率和工作带宽，选取合适阶数的切比雪夫多项式，由此综合出在频带范围内的滤波响应曲线；
首先，将切比雪夫多项式综合出的目标滤波曲线作为逆向神经网络的输入，由逆向神经网络获得结构参数的初始值；把这个初值输入给遗传算法，由遗传算法产生此初值附近范围内的结构参数；再把该结构参数作为正向网络的输入，进行迭代优化；依据为切比雪夫多项式综合出的滤波响应曲线，优化目标为正向神经网络输出的滤波响应曲线与依据的滤波响应曲线差距最小，当损失函数达到阈值或算法达到所指定的最大迭代步数，优化停止，最后输出优化的滤波响应曲线，从而获得最终的结构参数。
下面以平行耦合微带滤波器设计为例，进一步具体说明本发明优化设计方法。
所述的平行耦合微带滤波器，可采用标准的印刷电路板工艺进行加工。其基本结构如下：上层为印刷金属滤波结构，包括输入、输出抽头2和3，三节耦合微带印刷枝节1，和介质板4；介质板4背面全部覆铜。滤波器的关键结构参数包括三节耦合枝节的长度(从左到右依次为第一节L1、第二节L2、第三节L1)、枝节间距g和抽头位置t；该结构左右对称，故三节耦合枝节两两间距相等，都为g，第一节和第三节枝节的长度相等，都为L1,输入输出抽头的位置一样，都为t；即滤波器需要优化的结构参数为L1、L2、g和t；
本发明设计方法中，滤波器的滤波响应曲线由切比雪夫多项式综合得到，具体是根据所需滤波器的插入损耗、中心频率和工作带宽，选取合适阶数的切比雪夫多项式，由此综合出在频带范围内的滤波响应曲线。例如，用到的二阶切比雪夫多项式为：
T2＝2x2-1；
三阶切比雪夫多项式为：
T3＝4x3-3x；
……；
由切比雪夫多项式可得目标滤波响应曲线：
Figure BDA0002927850150000021
式中Ti表示i阶切比雪夫多项式；k和δ为控制参数，k决定了所期望带宽内滤波器S11最大幅度，δ为一常数小量。
本发明设计方法中，首先将切比雪夫多项式综合出的目标滤波曲线输入逆向神经网络，获得结构参数的初始值；由于逆向神经网络的解空间不唯一，使用该初始结构参数的滤波器，往往并不能很好地得出期望的目标滤波响应。为此采用正向神经网络和逆向神经网络相结合的方式，将逆向神经网络的输出值作为正向神经网络和遗传算法的初值，进行迭代优化，目标曲线仍然为切比雪夫多项式综合出的滤波响应曲线，优化目标为正向神经网络输出的滤波响应曲线曲线与目标滤波响应曲线差距最小，当损失函数达到阈值或算法达到所指定的最大迭代步数，优化停止，从而获得最终的结构参数。
本发明设计方法中，所述逆向神经网络，其架构参见图3所示，具体包括：输入层、四个全连接层及相应的ReLU激活函数、输出层。其中，四个全连接层依次为第一全连接层(如有251个神经元)、第二全连接层(如有300个神经元)、第三全连接层(如300个神经元)、第四全连接层(如4个神经元)。损失函数为MSE均方误差函数，训练周期500个epoch，训练目标为预测的结构参数与真实结构参数的损失函数最小，通过考察训练集和测试集损失函数的收敛性以及网络在新数据集上的预测表现，来判断网络是否训练好。如果训练后的网络性能较差，需要调整数据集大小、训练周期、损失函数等超参数。
本发明设计方法中，所述正向神经网络，其架构参见图4所示，具体包括：输入层、Batch Normalization层、三个由全连接层和Batch Normalization层和LeakyReLU激活函数层组成的学习层、输出层；其中，第一学习层中，全连接层为4个神经元，第二学习层中，全连接层为200个神经元，第二学习层重复此层8次；第三学习层中，全连接层为251个神经元；损失函数为MSE均方误差函数；训练周期1000个epoch。训练目标为预测的S11曲线与真实S11曲线的损失函数最小，通过考察训练集和测试集损失函数的收敛性以及网络在新数据集上的预测表现，来判断网络是否训练好。如果训练后的网络性能较差，需要调整数据集大小、训练周期、损失函数等超参数。
本发明设计方法中，逆向神经网络和正向神经网络均需要预先进行训练；所需数据集由全波电磁仿真软件计算获得，数据集的大小要根据问题的复杂度来调整，尽可能用较少的数据集得到较好的神经网络。获得的数据集分为训练集和测试集，以查看网络训练的收敛性。逆向神经网络的输入为滤波器的电磁响应，此处为滤波响应曲线S11(如选取共251个频点)，输出为滤波器四个关键结构参数(L1、L2、g和t)；正向神经网络与逆向神经网络相反，输入为滤波器结构参数，输出为滤波器的滤波响应曲线，正向神经网络训练完成可实现电磁仿真软件的功能，实现滤波器性能的快速预测。
本发明设计方法中，遗传算法采用的种群数量为100，迭代次数为100。目标函数为MAE平均绝对误差函数F：
Figure BDA0002927850150000031
其中，N为频率点总数，
Figure BDA0002927850150000041
为所设计的目标曲线上的第i个频率点处的S11值，
Figure BDA0002927850150000042
为正向神经网络预测的第i个频率点处的S11值。
本发明提出优化设计方法，相比于直接用逆向神经网络预测滤波器结构参数，可以解决逆问题求解时解不唯一的问题，进而避免所设计的滤波曲线频率偏移的问题；利用逆向神经网络生成结构参数初值，可以避免遗传算法陷入局部最优解或难以优化出较好结果的问题；利用正向神经网络来代替电磁仿真软件的功能，可以实现遗传算法的快速迭代，最终实现滤波器的快速准确设计。
附图说明
图1为平行耦合微带滤波器的基本结构。
图2为滤波器设计方法的整体架构。
图3为人工神经网络的逆向网络结构。
图4为人工神经网络的正向网络结构。
图5为滤波器A的设计结果。包含目标函数曲线，逆向神经网络的输出结果曲线和所设计算法的优化结果。
图6为滤波器B的设计结果。包含目标函数曲线，逆向神经网络的输出结果曲线和所设计算法的优化结果。
图中标号：1为三节平行印刷金属微带线，2、3为输入或输出抽头，4为介质板。
具体实施方式
如图1所示为所选取的三节微带型平行耦合滤波器，1为平行印刷金属微带线，2、3为输入或输出抽头，4为介质板，材质为Rogers RT5880。滤波器的四个关键结构参数为L1、L2、g和t。设置合适的结构参数的范围，在该范围内用电磁仿真软件生成1000条S11曲线，S11曲线的频率范围为2.5GHz到3.5GHz,在此频率范围内每条曲线有251个数据点。将这1000个样本制作成数据集，900个为训练集，100个为测试集，分别训练如图3所示的逆向神经网络和如图4所示正向神经网络，损失函数为MSE均方误差函数，逆向神经网络训练500个epoch后得到较好的结果，正向神经网络训练1000个epoch后得到较好的结果。
如图3所示，是逆向神经网络结构示意图，包含输入层、输出层和四个隐藏层，采用ReLU激活函数，输入的是目标滤波曲线，输出的是所需的滤波器结构参数。
如图4所示，是正向神经网络结构示意图，包含输入层、输出层和10个隐藏层，采用LeakyReLU函数，输入的是结构参数，输出的是滤波曲线。
如图5所示，为滤波器A的设计结果，横轴是频率，纵轴是S11参数，目标是在3.0-3.2GHz内使Mag(S11)<0.3。目标曲线由三阶切比雪夫多项式给出，δ设为0.0002，结果如图中实线所示，包含251个频点，将其输入到训练好的逆向神经网络，输出预测的滤波器结构参数(L1、L2、g和t)，基于该结构参数在仿真软件中模拟出S11曲线，如图中线状虚线所示，与目标曲线比对，可见逆向神经网络给出了近似目标的结果，然而与目标仍有差距，出现了频带偏移。把预测的滤波器结构参数输入给训练好的正向神经网络，让其预测出相应的S11曲线，与目标曲线构造出MAE平均绝对误差目标函数F，
Figure BDA0002927850150000051
接着让遗传算法优化此目标函数，阈值设置为0.05，通过100个种群，迭代100次，不断调用正向神经网络完成优化。最终优化结果如图中点状虚线所示，与目标曲线基本一致，达到设计目标。
如图6所示，为滤波器B的设计结果，横轴是频率，纵轴是S11参数，目标是在2.8–2.88GHz频段内使Mag(S11)<0.3，由于带宽较窄，目标曲线由二阶切比雪夫多项式给出，δ设为0.0002，技术流程同滤波器A，逆向神经网络的输出结果同样出现了频率偏移，而所设计方法的优化结果与目标曲线吻合良好，达到设计要求。
如图5和如图6所示两个设计实例验证了图2所述设计方法的有效性，所述设计方法对不同中心频率和不同带宽的滤波器设计都显示了有效性。

Claims (4)

1.一种基于深度学习算法的滤波器的优化设计方法，其特征在于，所述优化设计针对滤波器的结构参数进行，而滤波器的结构参数由滤波器的滤波响应曲线来反映；设计中采用深度学习算法，具体使用逆向神经网络、正向神经网络和遗传算法，进行深度学习，最后得到滤波器的结构参数：
其中，滤波器的滤波响应曲线由切比雪夫多项式综合得到；具体是根据所需滤波器的插入损耗、中心频率和工作带宽，选取合适阶数的切比雪夫多项式，由此综合出在频带范围内的滤波响应曲线；
首先，将切比雪夫多项式综合出的目标滤波曲线作为逆向神经网络的输入，由逆向神经网络获得结构参数的初始值；把这个初值输入给遗传算法，由遗传算法产生此初值附近范围内的结构参数；再把该结构参数作为正向网络的输入，进行迭代优化；依据为切比雪夫多项式综合出的滤波响应曲线，优化目标为正向神经网络输出的滤波响应曲线与依据的滤波响应曲线差距最小，当损失函数达到阈值或算法达到所指定的最大迭代步数，优化停止，最后输出优化的滤波响应曲线，并获得最终的结构参数；
对于平行耦合微带滤波器，其基本结构如下：上层为印刷金属滤波结构，包括输入、输出抽头，三节耦合微带印刷枝节，和介质板；介质板背面全部覆铜；滤波器的关键结构参数包括：三节耦合枝节的长度，从左到右依次为第一节L1、第二节L2、第三节L1，枝节间距g，抽头位置t；该结构左右对称，故三节耦合枝节两两间距相等，都为g，第一节和第三节枝节的长度相等，都为L1,输入输出抽头的位置一样，都为t；即滤波器需要优化的结构参数为L1、L2、g和t；
对此，选取合适阶数的切比雪夫多项式，由此综合出在频带范围内的目标滤波响应曲线为：
Figure 683113DEST_PATH_IMAGE002
；
其中，T i 为i阶切比雪夫多项式；k和
Figure 682424DEST_PATH_IMAGE004
为控制参数，k决定了所期望带宽内滤波器S11最大幅度，
Figure 546475DEST_PATH_IMAGE004
为一常数小量；
所述遗传算法采用的种群数量为100，迭代次数为100；目标函数为MAE平均绝对误差函数F：
Figure 829688DEST_PATH_IMAGE006
，
其中，N为频率点总数，
Figure 120993DEST_PATH_IMAGE008
为所设计的目标曲线上的第i个频率点处的S11值，
Figure 371714DEST_PATH_IMAGE010
为正向神经网络预测的第i个频率点处的S11值。
2.根据权利要求1所述的优化设计方法，其特征在于，所述逆向神经网络，具体包括：输入层、四个全连接层及相应的ReLU激活函数、输出层；其中，四个全连接层依次为：第一全连接层，有251个神经元；第二全连接层，有300个神经元；第三全连接层，有300个神经元；第四全连接层，有4个神经元；损失函数为MSE均方误差函数，训练周期500个epoch，训练目标为预测的结构参数与真实结构参数的损失函数最小；通过考察训练集和测试集损失函数的收敛性以及网络在新数据集上的预测表现，来判断网络是否训练好；如果训练后的网络性能较差，需要调整数据集大小、训练周期、损失函数。
3. 根据权利要求1所述的优化设计方法，其特征在于，所述正向神经网络，具体包括：输入层、Batch Normalization层、三个由全连接层和Batch Normalization层和LeakyReLU激活函数层组成的学习层、输出层；其中，第一学习层中，全连接层为4个神经元，第二学习层中，全连接层为200个神经元，第二学习层重复8次；第三学习层中，全连接层为251个神经元；损失函数为MSE均方误差函数；训练周期1000个epoch；训练目标为预测的S11曲线与真实S11曲线的损失函数最小，通过考察训练集和测试集损失函数的收敛性以及网络在新数据集上的预测表现，来判断网络是否训练好；如果训练后的网络性能较差，需要调整数据集大小、训练周期、损失函数。
4.根据权利要求1所述的优化设计方法，其特征在于，所述逆向神经网络和正向神经网络训练所需的数据集由全波电磁仿真软件计算获得，数据集的大小要根据问题的复杂度来调整；获得的数据集分为训练集和测试集，以查看网络训练的收敛性；逆向神经网络的输入为滤波器的电磁响应，此处为滤波响应曲线S11，共有若干个频点，输出为滤波器四个关键结构参数：L1、L2、g和t；正向神经网络的输入为滤波器结构参数，输出为滤波器的滤波响应曲线，正向神经网络训练完成可实现电磁仿真软件的功能，用于对滤波器性能的快速预测。
CN202110138810.3A 2021-02-01 2021-02-01 基于深度学习算法的滤波器的优化设计方法 Active CN112989508B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110138810.3A CN112989508B (zh) 2021-02-01 2021-02-01 基于深度学习算法的滤波器的优化设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110138810.3A CN112989508B (zh) 2021-02-01 2021-02-01 基于深度学习算法的滤波器的优化设计方法

Publications (2)

Publication Number Publication Date
CN112989508A CN112989508A (zh) 2021-06-18
CN112989508B true CN112989508B (zh) 2022-05-20

Family

ID=76346015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110138810.3A Active CN112989508B (zh) 2021-02-01 2021-02-01 基于深度学习算法的滤波器的优化设计方法

Country Status (1)

Country Link
CN (1) CN112989508B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114611443A (zh) * 2022-02-21 2022-06-10 浙江大学 一种基于等效电路空间映射的片上滤波器逆向设计方法
CN114692484B (zh) * 2022-02-25 2023-04-07 电子科技大学 一种基于神经网络的微波窗设计方法
CN116300075B (zh) * 2023-05-23 2023-08-11 华南师范大学 基于多头串联神经网络的层状纳米光子学器件设计方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109846471A (zh) * 2019-01-30 2019-06-07 郑州大学 一种基于BiGRU深度神经网络的心肌梗死检测方法
CN110310209A (zh) * 2018-05-14 2019-10-08 桂林远望智能通信科技有限公司 一种基于切比雪夫滤波器的团体分布检测方法
CN112215335A (zh) * 2020-09-25 2021-01-12 湖南理工学院 一种基于深度学习的系统检测方法
WO2021007812A1 (zh) * 2019-07-17 2021-01-21 深圳大学 一种深度神经网络超参数优化方法、电子设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110310209A (zh) * 2018-05-14 2019-10-08 桂林远望智能通信科技有限公司 一种基于切比雪夫滤波器的团体分布检测方法
CN109846471A (zh) * 2019-01-30 2019-06-07 郑州大学 一种基于BiGRU深度神经网络的心肌梗死检测方法
WO2021007812A1 (zh) * 2019-07-17 2021-01-21 深圳大学 一种深度神经网络超参数优化方法、电子设备及存储介质
CN112215335A (zh) * 2020-09-25 2021-01-12 湖南理工学院 一种基于深度学习的系统检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《Homotopy Optimization of Microwave and Millimeter-Wave Filters Based on Neural Network Model》;Zhao Ping Etal;《IEEE TRANSACTIONS ON MICROWAVE THEORY AND TECHNIQUES》;20200430;全文 *

Also Published As

Publication number Publication date
CN112989508A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN112989508B (zh) 基于深度学习算法的滤波器的优化设计方法
CN113128119B (zh) 基于深度学习的滤波器逆向设计和优化方法
Mruk et al. Micro-coaxial V-/W-band filters and contiguous diplexers
CN102722613A (zh) 采用遗传-模拟退火组合对天线宽带匹配网络中电子元件参数的优化方法
Chen et al. Differential evolution based manifold Gaussian process machine learning for microwave Filter’s parameter extraction
CN114611443A (zh) 一种基于等效电路空间映射的片上滤波器逆向设计方法
CN113922900A (zh) 一种考虑天线尺寸与天线互耦的无线电信道建模方法
Koziel et al. Improved-efficacy optimization of compact microwave passives by means of frequency-related regularization
Wang et al. Effective design of cross-coupled filter using neural networks and coupling matrix
Sarkar et al. Multi-parametric synthesis modeling of slotted UWB antennas using artificial neural network
Liu et al. Microwave integrated circuits design with relational induction neural network
Shibata et al. A Novel Convolutional-Autoencoder Based Surrogate Model for Fast S-parameter Calculation of Planar BPFs
Gu et al. Intelligent design of arbitrary bandstop FSS through deep learning and genetic algorithm
Wittwer et al. The effect of dielectric loss in FDTD simulations of microstrip structures
Pal et al. Computation of Resonant Frequency and Gain from Inset Fed Rectangular Shaped Microstrip Patch Antenna Using Deep Neural Network
Choocadee et al. Design and implementation of band pass filters in waveguide using simulation tools
CN111695302A (zh) 一种短阶梯同轴功分器设计方法
Koziel et al. Local response surface approximations and variable-fidelity electromagnetic simulations for computationally efficient microwave design optimisation
Li et al. Bandpass filter design by artificial neural network modeling
Kashyap et al. Toward Hyper-Compact Rotman Lenses: Meta-Transmission Line Design and Characterization
CN117688901B (zh) 高频分立滤波器的电路设计方法、系统、设备和存储介质
CN113076699B (zh) 一种基于多输出高斯过程贝叶斯优化的天线优化方法
Li et al. Design of a Substrate Integrated Waveguide power divider that uses a neural network
Wang et al. Asymmetrical two λ/2 resonators bandpass filter design by artificial neural network modeling
Zhou et al. Efficient Reflection Coefficient Prediction and Optimization for Printed Inverted F Antenna Based on Graph Neural Networks Patch Antenna Design and Optimisation by GNN

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant