[发明专利]一种用于微波无源器件的神经网络空间映射多物理建模方法

说明书

本发明属于微波电路与器件建模领域，提供了一种用于微波无源器件的神经网络空间映射多物理建模方法。该方法在经验模型的输入端和输出端加入映射网络，无源器件的多物理域输入变量经过输入神经网络后映射到电磁域粗模型，电磁域粗模型的输出经过输出映射进一步优化后与器件建模数据匹配。本发明提高了建模精度，减少了建模数据量，缩短了设计周期，提供对器件多物理特性高效准确的预测。

技术领域

本发明属于微波电路与器件建模领域，涉及一种用于微波无源器件的神经网络空间映射多物理建模方法。

背景技术

目前市场对无源器件性能要求越来越高，应用场合也越来越复杂，无源器件性能除受自身结构、材料参数影响外，还会受到温度、湿度、应力变化等多物理参数的影响。这些多物理参数变化将引起器件的电磁参数漂移，出现偏差，导致器件工作效率降低，工作稳定性变差，影响器件的性能表现。多个物理域之间的交互对于准确的系统分析至关重要。无源器件设计涉及到电磁分析以及热力学、静电场等多物理域的影响，在对器件性能建模时引入多物理参数，建立器件多物理模型，可以准确描述微波器件的多物理性能。

神经网络空间映射技术是知识型神经网络的一种，该技术可以提高已有经验分析模型的精度。神经网络空间映射模型不但有粗模型运算速度快、兼容性好的优点，而且提高了粗模型的精度。目前针对微波无源器件的多物理建模方法取得的研究成果对器件多物理特性复杂或者粗模型精度不够的情况存在应用局限性。这些成果不能直接应用到包含多物理特性的无源器件建模中。虽然现有的器件建模技术比较成熟，但是较多建模方法还不能同时达到高精度利高速度的要求，且设计的模型与实际测量值仍有一定的差距，对无源器件多物理建模方法的研究仍然有待研究。

因此，本发明的目的是通过提出一种用于微波无源器件的神经网络空间映射多物理建模方法，提高建模精度，减少建模数据量，进而缩短设计周期，提供对器件多物理特性高效准确的预测。

发明内容

本发明的目的是克服现有技术的不足，提出一种用于微波无源器件的神经网络空间映射多物理建模方法。该方法在粗模型的输入端和输出端加入映射网络，无源器件的多物理域输入变量经过输入映射后作用到电磁域粗模型上，电磁域粗模型的输出经过输出映射进一步优化后与器件多物理输出匹配。

一种用于微波无源器件的神经网络空间映射多物理建模方法，包括下列步骤：

步骤1：选取并定义多物理模型的几何参数x_g，多物理模型的多物理参数x_m和多物理模型的频率f的数据范围，执行多物理仿真生成多物理模型的训练和测试样本；

步骤2：根据步骤1确定并定义电磁域粗模型的几何参数x_gc和电磁域粗模型频率f_c的数据范围，并执行电磁仿真生成粗模型的训练和测试样本。为了保证整体多物理模型的准确性，电磁域粗模型的几何参数x_gc范围应略大于整体多物理模型中的几何参数x_g；

步骤3：建立粗模型，使用神经网络技术用步骤2所得训练数据训练粗模型，并用步骤2所得测试数据测试粗模型，直至粗模型训练误差与测试精度达到要求，粗模型内部权重值w^*固定；

步骤4：对输入映射网络和输出映射网络进行初始化训练，优化输入映射的内部权重变量w₁至优化输出映射的内部权重变量w₂至实现x_gc＝x_g、f_c＝f和y＝y_c，保证加入映射网络后不降低整个模型的精度；

步骤5：用步骤2所得的粗模型和步骤4所得的输入映射单位映射搭建初步神经网络空间映射多物理模型，用步骤1所得的多物理训练数据训练初步神经网络空间映射模型，优化输入映射模块的权重参数至实现多物理域输入信号和电磁域输入信号之间的映射；