CN113889737A - 一种基于强化学习的基片集成波导参数优化方法及结构 - Google Patents
一种基于强化学习的基片集成波导参数优化方法及结构 Download PDFInfo
- Publication number
- CN113889737A CN113889737A CN202111165664.XA CN202111165664A CN113889737A CN 113889737 A CN113889737 A CN 113889737A CN 202111165664 A CN202111165664 A CN 202111165664A CN 113889737 A CN113889737 A CN 113889737A
- Authority
- CN
- China
- Prior art keywords
- integrated waveguide
- substrate integrated
- parameter
- parameters
- substrate
- 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.)
- Granted
Links
- 239000000758 substrate Substances 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 230000002787 reinforcement Effects 0.000 title claims abstract description 27
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 230000005672 electromagnetic field Effects 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 239000002184 metal Substances 0.000 claims description 60
- 229910052751 metal Inorganic materials 0.000 claims description 60
- 230000009471 action Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 14
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01P—WAVEGUIDES; RESONATORS, LINES, OR OTHER DEVICES OF THE WAVEGUIDE TYPE
- H01P11/00—Apparatus or processes specially adapted for manufacturing waveguides or resonators, lines, or other devices of the waveguide type
- H01P11/001—Manufacturing waveguides or transmission lines of the waveguide type
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01P—WAVEGUIDES; RESONATORS, LINES, OR OTHER DEVICES OF THE WAVEGUIDE TYPE
- H01P3/00—Waveguides; Transmission lines of the waveguide type
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2115/00—Details relating to the type of the circuit
- G06F2115/12—Printed circuit boards [PCB] or multi-chip modules [MCM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Optical Integrated Circuits (AREA)
Abstract
本发明提供了一种基于强化学习的基片集成波导参数优化方法及结构，方法包括如下步骤：对待优化基片集成波导进行参数提取：参数包括阻抗网络中阻抗单元的偏转角度θ，以及加载其上的结构参数L；根据Q‑learning算法，基于强化学习中的ε贪婪策略，以参数夹角θ和尺寸L做范围变化并代入三维电磁场仿真软件进行变量仿真测试，得到参数对应的奖励值或惩罚值；根据所述参数对应的奖励值或惩罚值，得到最优参数。本发明在线下利用深度学习算法学习到最优的基片集成波导优化参数，然后在线上优化时使用，以快速得到给定设计参数及设计目标下最优的优化参数，提高了基片集成波导设计效率。
Description
技术领域
本发明涉及基片集成波导设计技术领域，具体而言，涉及一种基于强化学习的基片集成波导参数优化方法及结构。
背景技术
基片集成波导(Substrate Integrated Waveguide,SIW)技术作为一种新型导波结构，它既保持了传统金属波导的高Q值、低损耗、高功率容量等优点，又易于与微带线、共面波导等各种平面结构相集成。因此，SIW已广泛地运用于微波毫米波电路系统及微波元器件的设计，如滤波器、定向耦合器、移相器、功率分配/合成器等。对于微波低频段的应用来说，由于SIW固有截止频率的限制，其占电路面积仍然过大，这制约着其在紧凑型微波系统中的应用。2014年，首次提出慢波基片集成波导(Slow-Wave Substrate IntegratedWaveguide,SW-SIW)的概念。对于SIW小型化技术来说，SW-SIW具有十分重要的工程意义和科研价值。
强化学习(Reinforcement Learning,RL)，又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。其灵感来源于心理学中的行为主义理论，即有机体如何在环境给予的奖励或惩罚的刺激下，逐步形成对刺激的预期，产生能获得最大利益的习惯性行为。这个方法具有普适性，在其他许多领域都有研究，例如博弈论、控制论、运筹学、信息论、仿真优化、多主体系统学习、群体智能、统计学以及遗传算法，然而鲜有人把强化学习运用在微波器件的参数优化上。
基片集成波导的宽度以及加载其上的结构尺寸等参数都是影响性能的因素，多数人都是在仿真软件上手动调参数仿真，非常的耗时耗力且不一定能提升性能，因此如何更好的设计基片集成波导的参数是一个需要研究的问题。而机器学习中的强化学习可以在不耗费人力的情况下让基片集成波导参数在不断试错的过程中达到更好的仿真效果。
发明内容
本发明的目的在于提供一种基于强化学习的基片集成波导参数优化方法，以解决背景技术中所指出的问题。
本发明的实施例通过以下技术方案实现：一种基于强化学习的基片集成波导参数优化方法，包括如下步骤：
步骤一、对待优化基片集成波导进行参数提取：基片集成波导的上表面金属层上设有由N个直接连接的阻抗单元构成的阻抗网络，阻抗单元的延伸方向与横向方向呈θ的夹角，阻抗单元为椭圆形金属贴片及其纵向连接的微带线的组合，椭圆形金属贴片上开设有椭圆形缺口，其尺寸参数为L，包括椭圆形金属贴片的短轴长度L1、长轴长度L2、微带线长度L3以及微带线间距离L4；
步骤二、根据Q-learning算法，基于强化学习中的ε贪婪策略，以待优化基片集成波导的参数夹角θ和尺寸L做范围变化并代入三维电磁场仿真软件进行变量仿真测试，得到参数对应的奖励值或惩罚值，其中，所述参数夹角θ的取值范围为0°～90°；
步骤三、根据所述参数对应的奖励值或惩罚值，得到最优参数。
根据一种优选实施方式，所述步骤二具体包括：
对待优化基片集成波导的参数夹角θ和尺寸L进行初始化并建模，其中，对待优化的参数取随机数，通过三维电磁场仿真软件仿真得到仿真增益并将仿真增益设为初始状态s；
以待优化基片集成波导的参数夹角θ和尺寸L做范围变化，构建动作集A，以及设置奖惩函数R；
基于强化学习中的ε贪婪策略，根据初始状态s从动作集A中选择动作，将初始状态s和动作输入Q-learning强化学习模型进行计算，得到奖励值或惩罚值，并对Q表进行更新，状态由s转移到s'。
根据一种优选实施方式，所述步骤二中，选取仿真增益在指定频率内的最大值作为初始状态s。
本发明还提供一种基片集成波导结构，由上述所述的基于强化学习的基片集成波导参数优化方法所得。
根据一种优选实施方式，包括：介质基片，所述介质基片的横向两侧设有金属化通孔阵列，连接上、下表面金属层；
所述介质基片的上表面金属层上设置有与其连接的阻抗网络，所述阻抗网络由N个阻抗单元构成，N为大于等于1的正整数，每个阻抗单元为金属层加工蚀刻成横向金属贴片及其纵向连接的微带线的组合，所述横向金属贴片上开设有缺口，相邻阻抗单元的金属贴片之间由所述微带线连接。
根据一种优选实施方式，所述金属贴片为椭圆形金属贴片，所述缺口设置为椭圆形缺口，所述微带线连接于椭圆形金属贴片的短轴，每个阻抗单元的椭圆形金属贴片的长轴依次连接。
根据一种优选实施方式，所述椭圆形金属贴片的长轴方向与横向方向平行。
根据一种优选实施方式，所述椭圆形金属贴片的短轴长度L1/2为0.45mm，长轴长度L2/2为0.9mm、微带线长度L3为0.3mm以及微带线间距离L4为1.5mm。
本发明实施例的技术方案至少具有如下优点和有益效果：本发明在线下利用深度学习算法学习到最优的基片集成波导优化参数，然后在线上优化时使用，以快速得到给定设计参数及设计目标下最优的优化参数，提高了基片集成波导设计效率；此外，本发明所提供的基片集成波导结构可获得更强烈的慢波效应，获得更良好的小型化效果。
附图说明
图1为本发明实施例1提供的参数优化方法的流程示意图；
图2为本发明实施例1提供的基片集成波导θ为0°时的结构示意图；
图3为本发明实施例1提供的基片集成波导θ为45°时的结构示意图；
图4为本发明实施例1提供的基片集成波导θ为90°时的结构示意图；
图5为本发明实施例1提供的阻抗单元的结构示意图；
图6为本发明实施例1提供的椭圆形金属贴片的结构示意图；
图7为本发明实施例1提供的参数优化数据结果示意图；
图标：1-金属层，2-介质基片，3-金属化通孔阵列，4-阻抗网络，5-梯形过渡段。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
实施例1
参阅图1所示，图1示出了本发明实施例提供的参数优化方法的流程示意图。
经申请人研究发现，基片集成波导的宽度以及加载其上的结构尺寸等参数都是影响性能的因素，多数人都是在仿真软件上手动调参数仿真，非常的耗时耗力且不一定能提升性能，因此如何更好的设计基片集成波导的参数是一个需要研究的问题。而机器学习中的强化学习可以在不耗费人力的情况下让基片集成波导参数在不断试错的过程中达到更好的仿真效果。
因此，本实施例提供一种基于强化学习的基片集成波导参数优化方法，以解决背景技术中所指出的问题，具体包括如下步骤：
步骤一、对待优化基片集成波导进行参数提取：基片集成波导的上表面金属层上设有由N个直接连接的阻抗单元构成的阻抗网络，阻抗单元的延伸方向与横向方向呈θ的夹角，阻抗单元为椭圆形金属贴片及其纵向连接的微带线的组合，其尺寸参数为L，包括椭圆形金属贴片的短轴长度L1、长轴长度L2、微带线长度L3以及微带线间距离L4。
需要说明的是，在所提出的基片集成波导优化参数中，阻抗单元偏转角度θ和尺寸参数L等参数都是影响仿真结果的重要指标；在获取到关键待优化参数后，进一步执行步骤二。
步骤二、根据Q-learning算法，基于强化学习中的ε贪婪策略，以待优化基片集成波导的参数夹角θ和尺寸L做范围变化并代入三维电磁场仿真软件进行变量仿真测试，得到参数对应的奖励值或惩罚值，其中，所述参数夹角θ的取值范围为0°～90°。在本发明的一种实施方式中，所述步骤二具体包括：
对待优化基片集成波导的参数夹角θ和尺寸L进行初始化并建模，其中，对待优化的参数取随机数，通过三维电磁场仿真软件仿真得到仿真增益并将仿真增益在指定频率内的最大值作为设为初始状态s；
以待优化基片集成波导的参数夹角θ和尺寸L做范围变化，构建动作集A，例如动作1为阻抗单元偏转角度增加5°，动作2为阻抗单元偏转角度减少5°；设置奖惩函数R；需要说明的是，本发明实施例python联合CST(三维电磁场仿真软件)编成的环境模块，其中设定了基片集成波导初始参数、行为动作以及奖惩函数等，进而可以调用CST建模并仿真得到数据，在整个优化过程中和智能体交互并给予反馈推进程序运行，因此无需在仿真软件上手动调参数仿真。
进一步的，基于强化学习中的ε贪婪策略，根据初始状态s从动作集A中选择动作以改变需要优化的参数，将初始状态s和动作输入Q-learning强化学习模型进行计算，直到得到的数据达到要求，得到奖励值或惩罚值结束一回合，以及将Q-learning强化学习模型得到的数据更新进Q表，状态由s转移到s'；然后再一次进行初始化模型参数开始下个回合，对以上步骤进行重复迭代。
需要说明的是，上述Q-learning更新Q表的方法为：
Q(s,a)←Q(s,a)+α[r+γmaxa′Q(s′,a′)-Q(s,a)]
上式中，α∈(0,1)为设置好的学习速率，γ∈(0,1)为设置好的衰减系数，maxa′Q(s′,a′)为在状态s'下选择行为的最大价值。
步骤三、根据所述参数对应的奖励值或惩罚值，得到最优参数。
例如，参见图7所示的数据结果，从中可以看出，随着阻抗单元偏转角度由0°偏转至90°，基片集成波导的截止频率会减小，慢波效应增强。
本发明实施例还提供一种基片集成波导结构，由上述所述的基于强化学习的基片集成波导参数优化方法所得。
参考图2至图4所示，分别示出了θ为0°、45°以及90°时的基片集成波导，本实施例以最终优化所得的最优参数90°为例进行具体说明。
参考图3所示，包括：介质基片2，所述介质基片2的横向两侧设有金属化通孔阵列3，连接上、下表面金属层1；
所述介质基片2的上表面金属层1采用标准PCB工艺加工蚀刻成中空矩形与阻抗网络4的组合，二者共同构成矩形加载区域。矩形加载区域的纵向两侧分别通过一梯形过渡段5与输入端和输出端微带线相连；其中，所述输入端和输出端微带线的特性阻抗均为50Ω。所述阻抗网络4由N个阻抗单元构成，N为大于等于1的正整数，每个阻抗单元为金属层1加工蚀刻成横向金属贴片及其纵向连接的微带线的组合，所述横向金属贴片上开设有缺口，相邻阻抗单元的金属贴片之间由所述微带线连接，使得介质基片2上表面金属层1整体达到电气连接。此外，需要说明的是，设计中，介质基板采用Rogers Kappa 438，相对介电常数为4.38，介质损耗角正切为0.005，厚度为1.016，上下表面金属层1均为铜，厚度为0.035mm。
参考图5和图6所示，在本实施例的一种实施方式中，所述金属贴片为椭圆形金属贴片，所述缺口设置为椭圆形缺口，所述微带线连接于椭圆形金属贴片的短轴，每个阻抗单元的椭圆形金属贴片的长轴依次连接。
根据上述参数优化方法所得参数优化结果，本实施例的所述椭圆形金属贴片的长轴方向与横向方向平行，即阻抗单元偏转角度为90°；相关参数L中：所述椭圆形金属贴片的短轴长度L1/2为0.45mm，长轴长度L2/2为0.9mm、微带线长度L3为0.3mm以及微带线间距离L4为1.5mm；阻抗网络中微带线宽度Wn为0.1mm。
综上所述，本发明在线下利用深度学习算法学习到最优的基片集成波导优化参数，然后在线上优化时使用，以快速得到给定设计参数及设计目标下最优的优化参数，提高了基片集成波导设计效率；此外，本发明所提供的基片集成波导结构可获得更强烈的慢波效应，获得更良好的小型化效果。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于强化学习的基片集成波导参数优化方法，其特征在于，包括如下步骤：
步骤一、对待优化基片集成波导进行参数提取：基片集成波导的上表面金属层上设有由N个直接连接的阻抗单元构成的阻抗网络，阻抗单元的延伸方向与横向方向呈θ的夹角，阻抗单元为椭圆形金属贴片及其纵向连接的微带线的组合，金属贴片上开设有椭圆形缺口，其尺寸参数为L，包括椭圆形金属贴片的短轴长度L1、长轴长度L2、微带线长度L3以及微带线间距离L4；
步骤二、根据Q-learning算法，基于强化学习中的ε贪婪策略，以待优化基片集成波导的参数夹角θ和尺寸L做范围变化并代入三维电磁场仿真软件进行变量仿真测试，得到参数对应的奖励值或惩罚值，其中，所述参数夹角θ的取值范围为0°～90°；
步骤三、根据所述参数对应的奖励值或惩罚值，得到最优参数。
2.如权利要求1所述的基于强化学习的基片集成波导参数优化方法，其特征在于，所述步骤二具体包括：
对待优化基片集成波导的参数夹角θ和尺寸L进行初始化并建模，其中，对待优化的参数取随机数，通过三维电磁场仿真软件仿真得到仿真增益并将仿真增益设为初始状态s；
以待优化基片集成波导的参数夹角θ和尺寸L做范围变化，构建动作集A，以及设置奖惩函数R；
基于强化学习中的ε贪婪策略，根据初始状态s从动作集A中选择动作，将初始状态s和动作输入Q-learning强化学习模型进行计算，得到奖励值或惩罚值，并对Q表进行更新，状态由s转移到s'。
3.如权利要求2所述的基于强化学习的基片集成波导参数优化方法，其特征在于，所述步骤二中，选取仿真增益在指定频率内的最大值作为初始状态s。
4.一种基片集成波导结构，其特征在于，由上述权利要求1-3任一项所述的基于强化学习的基片集成波导参数优化方法所得。
5.如权利要求4所述的基片集成波导结构，其特征在于，包括：介质基片(2)，所述介质基片(2)的横向两侧设有金属化通孔阵列(3)，连接上、下表面金属层(1)；
所述介质基片(2)的上表面金属层(1)上设置有与其连接的阻抗网络(4)，所述阻抗网络(4)由N个阻抗单元构成，N为大于等于1的正整数，每个阻抗单元为金属层(1)加工蚀刻成横向金属贴片及其纵向连接的微带线的组合，所述横向金属贴片上开设有缺口，相邻阻抗单元的金属贴片之间由所述微带线连接。
6.如权利要求5所述的基片集成波导结构，其特征在于，所述金属贴片为椭圆形金属贴片，所述缺口设置为椭圆形缺口，所述微带线连接于椭圆形金属贴片的短轴，每个阻抗单元的椭圆形金属贴片的长轴依次连接。
7.如权利要求6所述的基片集成波导结构，其特征在于，所述椭圆形金属贴片的长轴方向与横向方向平行。
8.如权利要求6所述的基片集成波导结构，其特征在于，所述椭圆形金属贴片的短轴长度L1/2为0.45mm，长轴长度L2/2为0.9mm、微带线长度L3为0.3mm以及微带线间距离L4为1.5mm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111165664.XA CN113889737B (zh) | 2021-09-30 | 2021-09-30 | 一种基于强化学习的基片集成波导参数优化方法及结构 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111165664.XA CN113889737B (zh) | 2021-09-30 | 2021-09-30 | 一种基于强化学习的基片集成波导参数优化方法及结构 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113889737A true CN113889737A (zh) | 2022-01-04 |
| CN113889737B CN113889737B (zh) | 2022-04-08 |
Family
ID=79005180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111165664.XA Active CN113889737B (zh) | 2021-09-30 | 2021-09-30 | 一种基于强化学习的基片集成波导参数优化方法及结构 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113889737B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106887661A (zh) * | 2017-03-15 | 2017-06-23 | 电子科技大学 | 基于集总参数电感加载的慢波基片集成波导 |
| CN110162847A (zh) * | 2019-05-05 | 2019-08-23 | 东南大学 | 基于添加特征策略的机器学习辅助天线设计方法 |
| CN112072249A (zh) * | 2020-07-20 | 2020-12-11 | 西安电子科技大学 | 一种具有高慢波系数的宽带慢波基片集成波导 |
| CN113285197A (zh) * | 2021-05-20 | 2021-08-20 | 西华大学 | 三维阻抗网络双面加载的慢波基片集成波导及其设计方法 |
-
2021
- 2021-09-30 CN CN202111165664.XA patent/CN113889737B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106887661A (zh) * | 2017-03-15 | 2017-06-23 | 电子科技大学 | 基于集总参数电感加载的慢波基片集成波导 |
| CN110162847A (zh) * | 2019-05-05 | 2019-08-23 | 东南大学 | 基于添加特征策略的机器学习辅助天线设计方法 |
| CN112072249A (zh) * | 2020-07-20 | 2020-12-11 | 西安电子科技大学 | 一种具有高慢波系数的宽带慢波基片集成波导 |
| CN113285197A (zh) * | 2021-05-20 | 2021-08-20 | 西华大学 | 三维阻抗网络双面加载的慢波基片集成波导及其设计方法 |
Non-Patent Citations (2)
| Title |
|---|
| ANIL KUMAR ET AL.: "Design of Substrate IntegratedWaveguide Power Divider and Parameter optimization using Neural Network", 《IOSR JOURNAL OF ELECTRONICS AND COMMUNICATION ENGINEERING》 * |
| HAIYAN JIN ET AL.: "Slow-Wave Propagation Properties of Substrate Integrated Waveguide Based on Anisotropic Artificial Material", 《IEEE TRANSACTIONS ON ANTENNAS AND PROPAGATION》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113889737B (zh) | 2022-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106654497B (zh) | 小型化宽带慢波半模基片集成波导耦合器及其设计方法 | |
| CN113013642B (zh) | 一种阵列天线及通信设备 | |
| CN114069184B (zh) | 一种具有任意功分比的毫米波滤波功分器 | |
| CN111370834A (zh) | 宽带非对称多节定向耦合器 | |
| CN104810616A (zh) | 一种频率和极化可编程贴片天线 | |
| CN111463578A (zh) | 一种基片集成波导漏波天线 | |
| EP1194978A1 (en) | Electrical transmission arrangement | |
| CN113889737B (zh) | 一种基于强化学习的基片集成波导参数优化方法及结构 | |
| CN206758625U (zh) | 一种基于电磁诱导透明的群时延调控器 | |
| CN113285197B (zh) | 三维阻抗网络双面加载的慢波基片集成波导及其设计方法 | |
| CN118333002A (zh) | 布线密度的确定方法及装置 | |
| CN109921187A (zh) | 毫米波双极化天线和阵列天线 | |
| CN104716408A (zh) | 一种连续可变型基片集成波导模拟移相器 | |
| CN114883766B (zh) | 一种基于慢波结构的双模基片集成波导滤波器 | |
| Kim et al. | Wide‐stopband and high selectivity step impedance resonator bandpass filter using T‐network and antiparallel coupled line | |
| KR20210032113A (ko) | 마이크로스트립-빈 공간 기판 집적 도파관의 천이 구조 | |
| CN101325273A (zh) | 多模基片集成波导波束成形网络 | |
| CN107369869A (zh) | 一种基于封装微带的低插入损耗滤波器 | |
| CN113904088B (zh) | 一种基于垂直安装基板的超宽带功分器的设计方法 | |
| CN112165175B (zh) | 一种具有高传输效率的互补型人工阻抗界面电磁波传输线 | |
| CN209747702U (zh) | 一种耦合器 | |
| CN110854483A (zh) | 一种宽带小型化90°移相器及其设计方法 | |
| CN116014403B (zh) | 一种功率分配比和频率可调的微带混合环 | |
| CN113659354B (zh) | 一种基于横跨定向耦合线的3×3诺伦矩阵 | |
| CN114256569B (zh) | 一种矩形波导模式转换器与功率分配合成器 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20241009 Address after: 230000 B-1015, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui. Patentee after: HEFEI MINGLONG ELECTRONIC TECHNOLOGY Co.,Ltd. Country or region after: China Address before: 610039, No. 999, Jin Zhou road, Jinniu District, Sichuan, Chengdu Patentee before: XIHUA University Country or region before: China |