[发明专利]一种结合先进自适应采样和人工神经网络的微波器件自动建模方法

说明书

本发明提出一种结合先进自适应采样和人工神经网络的微波器件自动建模方法，用于解决微波建模过程中训练数据/验证数据的采样问题。本发明提出的增强型自动建模方法(AMG)方法分阶段执行数据采样，该采样过程为一种新型的自适应采样。在数据采样的每一阶段中，AMG不必沿着建模空间的所有维度进行均匀采样，而是识别当前阶段对模型输出行为非线性影响最大的输入维度，然后在输入空间的这个维度上进行采样，生成额外的训练数据。该AMG方法能够自动执行训练/验证数据的自适应采样和神经网络的自动训练，以用最少的数据样本获得用户所需精度的能够代表微波器件行为特征的神经网络模型。

技术领域

本发明涉及微波器件建模领域，尤其涉及人工神经网络技术在微波器件建模 领域的应用。

背景技术

近些年，人工神经网络技术已被公认为是微波器件建模和设计领域中的有效 工具之一^[1]-[3]，被应用于各种微波器件及电路的建模设计中，如非线性器件建模 ^[4]、微波器件参数化建模^[5]和电磁优化^[6]等。神经网络模型不但能精确表示微波 器件的非线性输入输出关系，而且从输入到输出的计算速度极快，能大大缩短微 波电路或系统的仿真周期。

随着微波技术的不断发展，器件结构越来越复杂，性能指标要求越来越高， 因此对微波器件模型的精度和设计周期等要求也不断提高。传统的手动逐步神经 网络建模方法需要耗费大量的人力，难以满足日益提高的缩短设计周期的要求， 而且由于器件建模只是微波计算机辅助设计中的一个方面，微波电路工程师往往 希望，即使在他们没有足够精通人工神经网络技术的情况下，也能在短时间内得 到精确的神经网络模型。因此，神经网络自动模型生成(Automated Model Generation,AMG)技术应运而生^[7]。该AMG方法能够将人工神经网络建模所涉 及的所有子任务(包括数据采样、数据生成、神经网络结构选择、神经网络训练、 神经网络验证等)通过算法整合成一个统一的可自动运行的计算机程序，最终自 动得到一个能够满足用户要求精度的神经网络模型，从而实现基于神经网络的微 波器件建模自动化。在此基础上，结合插值技术的神经网络自动建模方法^[8][9]能 够避免中间神经网络在各阶段的训练，进一步加快了神经网络的自动建模速度。

在神经网络建模过程中，训练数据的采样是一个十分关键的环节，虽然太多 的数据样本采集成本昂贵(如三维电磁仿真)，但数据样本太少会导致神经网络 的过度学习。由于微波建模问题通常是高度非线性和多维的，建立满足精度的神 经网络模型所需的数据样本数及其在输入空间中的分布并不明显。因此，如果确 定自动建模算法中的数据采样方法成为一个亟待解决的问题。

本发明是对现有的神经网络自动建模方法^[7]的进一步改进。在数据采样阶段， 我们提出AMG算法不必沿着建模空间的所有维度进行均匀采样，而是自动检测 模型输出在空间中非线性程度最高的区域及维度，并沿该维度添加新样本。该发 明能够内在地区分模型输出与每个模型输入之间的非线性程度，从而进一步减少 数据样本的数量并缩短建模时间，提高建模效率。

参考文献：

[1]H.Kabir,L.Zhang,M.Yu,et al.Smart modeling of microwave devices[J].IEEE Microwave Magazine,2010,11(3):105-118.

[2]M.B.Steer,J.W.Bandler,C.M.Snowden.Computer-aided design of RF andmicrowave circuits and systems[J].IEEE Transactions on Microwave Theory andTechniques,2002, 50(3):996-1005.