CN114692484B - 一种基于神经网络的微波窗设计方法 - Google Patents

一种基于神经网络的微波窗设计方法 Download PDF

Info

Publication number
CN114692484B
CN114692484B CN202210177431.XA CN202210177431A CN114692484B CN 114692484 B CN114692484 B CN 114692484B CN 202210177431 A CN202210177431 A CN 202210177431A CN 114692484 B CN114692484 B CN 114692484B
Authority
CN
China
Prior art keywords
microwave window
neural network
groups
microwave
structure design
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
CN202210177431.XA
Other languages
English (en)
Other versions
CN114692484A (zh
Inventor
黄桃
谭政
胡玉禄
高鸾凤
胡权
朱小芳
李斌
杨中海
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210177431.XA priority Critical patent/CN114692484B/zh
Publication of CN114692484A publication Critical patent/CN114692484A/zh
Application granted granted Critical
Publication of CN114692484B publication Critical patent/CN114692484B/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]
    • G06F30/20—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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Design And Manufacture Of Integrated Circuits (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及微波电真空器件中微波窗设计与优化领域，具体涉及一种基于神经网络的微波窗设计方法。本发明提出的基于神经网络的微波窗设计方法，通过引入神经网络利用其特性在保证精度的前提下，降低了微波窗的设计耗时，提高了微波窗设计的效率，具有更高的灵活性。相对目前微波窗设计时借助HFSS、CST、MTSS等电磁仿真软件结合实际需求与设计者的经验反复调整结构参数，有效避免了对设计人员的熟练度及实际操作经验的高要求，并且当优化设计微波窗参数过多时，会导致微波窗的设计过程冗长、消耗大量计算资源的问题。

Description

一种基于神经网络的微波窗设计方法
技术领域
本发明涉及微波电真空器件中微波窗设计与优化领域，具体涉及一种基于神经网络的微波窗设计方法。
背景技术
随着科技的进步，微波电真空器件不断向着大功率、高频率、高效率、低噪声和宽频带等方向发展，而微波窗作为微波电真空器件中的微波输能装置，其主要是为真空条件提供保障和传输功率，其性能直接影响着微波电真空器件频率、功率容量、可靠性和寿命等性能指标。因此，对微波窗的设计工作提出了带宽高、真空密闭性好、介质损耗小、能承受更大的功率容量等更多的设计要求。
目前微波窗的设计工作主要是借助HFSS、CST、MTSS等电磁仿真软件结合实际需求与设计者的经验反复调整结构参数，最终选择出最佳的设计方案。这种方式对设计人员的熟练度及实际操作经验具有很高要求，并且当优化设计微波窗参数过多时，会导致微波窗的设计过程冗长、消耗大量计算资源。
为提高微波窗设计效率，减少设计时间，需要一种更快捷、有效的微波窗仿真设计方法。
发明内容
针对上述存在问题或不足，本发明提供了一种基于神经网络的微波窗设计方法，以降低微波窗的设计耗时，提高微波窗的设计效率。
一种基于神经网络的微波窗设计方法，具体步骤如下：
S1.根据微波窗的设计要求，构建微波窗初始仿真模型并确定微波窗结构设计参数范围。
S2.在S1确定的微波窗结构设计参数范围内随机选取N组微波窗结构设计参数，N≥100，通过软件驱动程序调用仿真软件的方式将微波窗结构设计参数输入到仿真软件中，通过电磁仿真得到微波窗结构设计参数对应的仿真响应数据(如S参数等)。
S3.将S2中选取的N组微波窗结构设计参数作为微波窗神经网络模型的输入数据，并将所选N组微波窗结构设计参数对应的仿真响应数据作为微波窗神经网络模型的输出数据，建立微波窗神经网络模型。
S4.在S1确定的微波窗结构设计参数范围内，另行选取M组微波窗结构设计参数，M≥20，将这M组微波窗结构设计参数输入到S3得到的微波窗神经网络模型，通过微波窗神经网络模型预测得到所述M组微波窗结构设计参数对应的M组预测结果。所述M组微波窗结构设计参数为S2中N组微波窗结构设计参数以外的数据。
S5.根据微波窗的设计要求，构造微波窗的优化目标函数。
S6.将S4中得到的M组微波窗神经网络模型的预测结果用于计算S5所构造的优化目标函数，得到M组优化目标函数值。
S7.将S6得到的M组优化目标函数值进行对比，完成基于微波窗神经网络模型的优化方法寻优，选出满足设计要求的最优解及对应的设计参数值，最终完成微波窗的设计。
进一步的，所述步骤S2中软件驱动程序为Python、Matlab或C++。
进一步的，所述步骤S2中仿真软件为HFSS、CST或MTSS。
进一步的，所述M≤N，以提高计算效率，避免M过大时求解S6中优化目标函数值耗时过多。
综上所述，本发明提出的基于神经网络的微波窗设计方法，相较于传统的结合经验的仿真设计方法，通过引入神经网络在保证精度的前提下，省去了微波窗电磁仿真的繁琐过程，降低了微波窗的设计耗时，提高了微波窗设计的效率，具有更高的灵活性。
附图说明
图1是本发明的方法流程示意图；
图2是本发明的实施例的微波窗模型示意图；
图3是本发明的实施例的微波窗神经网络模型预测结果与HFSS仿真结果对比图；
具体实施方式
为便于本领域技术人员理解本发明的技术内容，下面以微波窗中应用广泛的盒型窗为例，结合附图对本发明内容进行详细阐述。
盒型窗实例结构由矩形波导、圆波导和介质窗片三部分组成，其结构如图2所示。本实施例选用盒型窗工作频率为140GHz。由理论可知，主要优化介质窗片半径r0、介质窗片厚度t、圆波导半径r1以及圆波导厚度l1四个结构参数。
如图1所示为本发明的方法流程图，其具体步骤如下：
S1.根据工作频率为140GHz盒型窗，在HFSS中建立盒型窗仿真模型，确定盒型窗结构设计参数范围为r0∈[2.3,2.5]，t∈[0.16,0.2]，r1∈[1.3,1.6]，l1∈[0.6,0.8]。
S2.在S1的盒型窗结构设计参数范围内随机选择150组盒型窗的结构设计参数，通过Python脚本调用HFSS电磁仿真软件，将其输入到HFSS电磁仿真软件，并通过电磁仿真得到盒型窗结构设计参数对应的仿真响应数据即S参数。
S3.将S2中的盒型窗的结构设计参数，即X＝[r0,t,r1,l1]作为微波窗神经网络模型的输入数据，并将S2结构设计参数对应的仿真响应数据中S11参数的实部值与虚部值作为输出数据，即Y＝[Re(S11(f1)),Im(S11(f1)),...,Re(S11(fi)),Im(S11(fi))...,Re(S11(fn)),Im(S11(fn))]，其中fi是采样频率范围135-145GHz中的第i个采样点的频率，Re(S11(fi))和Im(S11(fi))则是在采样频率为fi时的S11的实部值以及虚部值，n为该采样频率范围的频点数。
该微波窗神经模型输入层神经元个数为4，中间的隐含层为三层，神经元数量分别为512,256,128。输出层神经元个数为两倍频点数，即2n。中间隐含层的激活函数均选择ReLU，输出层选择Tanh作为激活函数，以确保输出值均在(-1,1)。该神经网络模型优化器选择的是Adam，学习率lr为0.001，训练得到盒型窗神经网络模型。
S4.在S1的微波窗结构设计参数范围内另行选取30组盒型窗结构设计参数，将这30组微波窗结构设计参数输入到S3得到的盒型窗神经网络模型，通过盒型窗神经网络模型预测得到盒型窗结构设计参数对应的预测结果。
S5.根据盒型窗的设计要求，其要求工作频带内要求驻波系数ρ<1.1，反射系数|Γ|<-26.444dB，则构造盒型窗的优化目标函数为
Figure BDA0003520833870000031
Figure BDA0003520833870000032
其中fi是采样频率范围135-145GHz中的第i个采样点的频率，n则是该采样频率范围的频点数，S11(fi)则是在采样频率为fi时真模型的回波损耗值，RL(S11)＝-26.444dB为给定的目标反射系数值。当频点为fi对应回波损耗值S11(fi)大于给定的目标反射系数值RL(S11)，Q(fi)取值为|S11(fi)-(RL(S11))|；反之，Q(fi)取值为0。该优化目标可使得采样频率范围内回波损耗值均小于给定的目标反射系数值。
S6.将S4中得到的30组盒型窗神经网络模型的预测结果用于计算步骤S5所构造的优化目标函数，得到30组优化目标函数值。
S7.将S6得到的30组的优化目标函数值进行对比，完成基于微波窗神经网络模型的优化方法寻优，得出满足设计要求的最优解及对应的设计参数值，最终完成微波窗的仿真设计。
本实例优化后得到的盒型窗的结构设计参数为[2.472,0.187,1.408,0.649]，将该组盒型窗结构设计参数分别输入到盒型窗神经网络模型和HFSS电磁仿真软件，盒型窗神经网络模型预测该组结构设计参数耗时为0.2s，HFSS仿真计算该组结构设计参数耗时为41s。该组结构设计参数的对应的盒型窗神经网络模型预测结果与HFSS仿真结果对比图如图3所示，从图中可以看出盒型窗神经网络模型预测结果与HFSS仿真结果基本吻合，平均误差为4.414％。故本发明提供的基于神经网络的微波窗仿真设计方法，能够有效提高微波窗的设计效率、节省时间成本。

Claims (5)

1.一种基于神经网络的微波窗设计方法，其特征在于，具体步骤如下：
S1.根据微波窗的设计要求，构建微波窗初始仿真模型并确定微波窗结构设计参数范围；
S2.在S1确定的微波窗结构设计参数范围内随机选取N组微波窗结构设计参数，N≥100，通过软件驱动程序调用仿真软件的方式将微波窗结构设计参数输入到仿真软件中，通过电磁仿真得到微波窗结构设计参数对应的仿真响应数据；
S3.将S2中选取的N组微波窗结构设计参数作为微波窗神经网络模型的输入数据，并将所选N组微波窗结构设计参数对应的仿真响应数据作为微波窗神经网络模型的输出数据，建立微波窗神经网络模型；
S4.在S1确定的微波窗结构设计参数范围内，另行选取M组微波窗结构设计参数，M≥20，将这M组微波窗结构设计参数输入到S3得到的微波窗神经网络模型，通过微波窗神经网络模型预测得到对应的M组预测结果；所述M组微波窗结构设计参数为S2中N组微波窗结构设计参数以外的数据；
S5.根据微波窗的设计要求，构造微波窗的优化目标函数；
S6.将S4中得到的M组预测结果用于计算S5所构造的优化目标函数，得到M组优化目标函数值；
S7.将S6得到的M组优化目标函数值进行对比寻优，选出满足设计要求的最优解及对应的设计参数值，最终完成微波窗的设计。
2.如权利要求1所述基于神经网络的微波窗设计方法，其特征在于：所述步骤S2中软件驱动程序为Python、Matlab或C++。
3.如权利要求1所述基于神经网络的微波窗设计方法，其特征在于：所述步骤S2中仿真软件为HFSS、CST或MTSS。
4.如权利要求1所述基于神经网络的微波窗设计方法，其特征在于：所述步骤S1中仿真响应数据为S参数。
5.如权利要求1所述基于神经网络的微波窗设计方法，其特征在于：所述M和N满足M≤N。
CN202210177431.XA 2022-02-25 2022-02-25 一种基于神经网络的微波窗设计方法 Active CN114692484B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210177431.XA CN114692484B (zh) 2022-02-25 2022-02-25 一种基于神经网络的微波窗设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210177431.XA CN114692484B (zh) 2022-02-25 2022-02-25 一种基于神经网络的微波窗设计方法

Publications (2)

Publication Number Publication Date
CN114692484A CN114692484A (zh) 2022-07-01
CN114692484B true CN114692484B (zh) 2023-04-07

Family

ID=82138139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210177431.XA Active CN114692484B (zh) 2022-02-25 2022-02-25 一种基于神经网络的微波窗设计方法

Country Status (1)

Country Link
CN (1) CN114692484B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503359A (zh) * 2016-10-26 2017-03-15 电子科技大学 一种基于nsga‑ⅱ的微波窗快速优化设计方法
CN107230815A (zh) * 2017-05-27 2017-10-03 电子科技大学 一种带冷却层的宽带高平均功率介质微波窗的设计方法
CN109802207A (zh) * 2019-02-26 2019-05-24 中国电子科技集团公司第十六研究所 一种低回波损耗的微波窗口
CN112989508A (zh) * 2021-02-01 2021-06-18 复旦大学 基于深度学习算法的滤波器的优化设计方法
CN113809490A (zh) * 2021-09-27 2021-12-17 中国科学院空天信息创新研究院 一种用于微波窗的封装组件、焊接方法及微波窗

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6965287B2 (en) * 2004-03-31 2005-11-15 Tokyo Electron Limited Low reflection microwave window

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503359A (zh) * 2016-10-26 2017-03-15 电子科技大学 一种基于nsga‑ⅱ的微波窗快速优化设计方法
CN107230815A (zh) * 2017-05-27 2017-10-03 电子科技大学 一种带冷却层的宽带高平均功率介质微波窗的设计方法
CN109802207A (zh) * 2019-02-26 2019-05-24 中国电子科技集团公司第十六研究所 一种低回波损耗的微波窗口
CN112989508A (zh) * 2021-02-01 2021-06-18 复旦大学 基于深度学习算法的滤波器的优化设计方法
CN113809490A (zh) * 2021-09-27 2021-12-17 中国科学院空天信息创新研究院 一种用于微波窗的封装组件、焊接方法及微波窗

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Fast Full-wave Microwave Imaging With Physics Embedded Deep Neural Network;Rui Guo等;《2021 IEEE International Symposium on Antennas and Propagation and USNC-URSI Radio Science Meeting (APS/URSI)》;第1683 - 1684页 *
人工智能在电真空器件仿真设计中的应用研究;谭政;《cnki优秀硕士学位论文全文库 信息科技辑》;第1-71页 *
模式匹配法及其在微波谐振腔中的应用;巩进杰;《cnki优秀硕士学位论文全文库 信息科技辑》(第09期);第I135-32页 *

Also Published As

Publication number Publication date
CN114692484A (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN112446491A (zh) 神经网络模型实时自动量化方法及实时自动量化系统
Yang et al. A coupling optimization method of production scheduling and computation offloading for intelligent workshops with cloud-edge-terminal architecture
CN113962163A (zh) 一种实现无源微波器件高效设计的优化方法、装置和设备
CN114692484B (zh) 一种基于神经网络的微波窗设计方法
CN111651936A (zh) 一种基于foa-grnn的双陷波特性超宽带天线建模设计方法
CN117633184A (zh) 一种模型构建和智能回复方法、设备及介质
CN111241700B (zh) 一种微波宽带超表面吸收器的智能设计方法
CN112241295A (zh) 一种基于深度强化学习的云边端协同计算卸载方法及系统
CN116709409A (zh) 基于知识蒸馏的轻量化频谱预测方法
US20230206084A1 (en) Method, device, and program product for managing knowledge graphs
CN115906303A (zh) 一种基于机器学习的平面微波滤波器设计方法及装置
CN116341360A (zh) 一种采用机器学习辅助优化的天线拓扑像素优化设计方法
Hu et al. A novel construction and inference methodology of belief rule base
CN115086992A (zh) 一种分布式语义通信系统以及带宽资源分配方法及装置
Tang et al. Analysis of quadruple-ridged square waveguide by multilayer perceptron neural network model
CN115065605B (zh) 一种云制造资源节点重要性评估方法及系统
Yao et al. Performance Optimization in Serverless Edge Computing Environment using DRL-Based Function Offloading
CN117809773A (zh) 基于空间映射网络的超材料吸波体优化设计方法及吸波体
CN112464104B (zh) 一种基于网络自协作的隐式推荐方法和系统
CN112437460B (zh) Ip地址黑灰名单分析方法、服务器、终端及存储介质
CN115174566B (zh) 一种基于深度强化学习的边缘计算任务卸载方法
CN114492253B (zh) 一种联合高斯过程的微带电路半空间映射快速优化方法
CN112270158B (zh) 一种基于深度强化学习的封装地过孔打孔分布优化方法
CN116709478A (zh) 一种基于博弈激励机制的节能联邦学习无线算力网络模型设计方法
CN117875184A (zh) 一种ResNet结构对超宽带天线建模优化方法

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