关键词:
电磁智能设计
神经网络
图像域
样条插值
摘要:
近年来,神经网络被广泛地应用于微波器件的电磁建模中,用来构建器件结构和电磁响应间的映射关系。训练后的神经网络模型能快速而准确地预测器件的电磁响应,并替代电磁全波仿真,加速器件设计。对复杂和电大尺寸的电磁器件设计而言,效率提升的效果尤为明显。然而,传统的基于神经网络的器件建模方法仍存在诸多问题留待解决。首先,传统模型多为参数化建模模型,其仅构建起器件几何尺寸和电磁响应间的映射关系,不涉及器件的形状轮廓变化和拓扑结构变化。其次,计算机视觉中的神经网络多采用端到端的模式,模型中不涉及电磁学知识。其自行从样本中生成合适的特征,学习所需构建的映射关系。最后,为满足日益严苛的性能指标精度要求,样本常需由繁复而耗时的电磁全波仿真产生。因此,高效地利用好有限的样本显得至关重要。本论文的主要工作如下所述:针对器件的形状建模,提出了基于卷积神经网络(convolutional neural network,CNN)的形状建模模型。模型输入是器件的截面图,而非器件几何尺寸。为了生成形状各异的训练样本,提出了基于三次样条插值技术的形状变化方法,并建立了节点位置(以及插值曲线在端点处的斜率)和器件形状轮廓间的映射关系。在该模型中,CNN构建起了器件截面图到电磁响应间的映射关系。多款滤波器和天线被作为算例,以检验模型性能。该建模方法拓宽了模型的解域,且能实现一些参数化建模难以(甚至无法)寻优到的性能指标。针对模型缺乏电磁知识的问题,提出了两种基于知识神经网络(knowledge based neural network,KBNN)的模型。一种方法借鉴知识注入型KBNN,将器件的初始结构作为先验知识;另一种方法借鉴空间映射型KBNN,将器件的参数化建模模型作为粗糙模型。因为先验知识的融入,神经网络学习的映射关系得以简化。一款微带-共面波导滤波器被作为算例,以检验两种模型的有效性。与基于CNN的形状建模和基于人工神经网络的类参数化建模(模型输入是节点位置,模型输出是器件的电磁响应)相比,基于KBNN的模型使用了更少的训练样本,且模型精度相当。针对微波器件样本的有效利用,提出了一种基于支持向量机(support vector machine,SVM)和梯度方向直方图的建模方法。该模型从器件图像中提取梯度方向直方图特征,以表征器件的形状轮廓。模型先使用SVM和传递函数初步建立起梯度方向直方图特征和电磁响应间的映射关系,再使用径向基函数网络进行误差校正。与基于CNN的形状建模相比,由CNN自行从图像中学习的特征被梯度方向直方图特征替代,超参数较多的CNN被超参数少且易实施的SVM替代。一款三通带槽天线和一款四分之一波长短路枝节带通滤波器被作为算例,以检验模型有效性。基于SVM和梯度方向直方图的建模方法与CNN模型精度相当,且减少了神经网络的训练时间,加速了模型的建立。