人工神经网络技术在共形相控阵单元建模中的应用

论文摘要

对于当今高性能快速的电磁工程计算机辅助设计(CAD)来说，建立起精确可靠的元器件模型显得十分必要。近年来，人工神经网络(ANN)作为一种快速准确的建模工具在电磁场工程领域中引起了广大工程设计者的极大关注。本文对馈线巴伦、耦合器等分别建立了回传神经网络模型。在人工神经网络的基础上，引入了可用于复杂的电磁工程建模的知识人工神经网络，并对Schiffman移相器建立了知识人工神经网络模型。首先，对馈线巴伦、多层定向耦合器、超宽带天线及可重构天线建立BP神经网络模型。结果表明网络的性能很好，同时受训后的各神经网络模型还具有较强的推广能力。其次，在训练样本数据匮乏的情况下，应用知识人工神经网络模型建立起Schiffman移相器模型。结果表明该Schiffman移相器的知识人工神经网络模型在保持较高的建模精度下具有良好的外推性。另外，我们针对传统的Schiffman移相器所存在的缺点将其进行改进，设计了一种新型的Schiffman移相器结构，该结构实现了Schiffman移相器在低介电常数下较高的移相度数，并且简化了高介电常数下的加工工艺。总之，本文所建立的网络计算机模型不仅保持了电磁仿真的精度，而且还可以降低它们对CPU和内存等硬件的要求，同时还具有良好的外推性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 第二章 神经网络基础
• 2.1 引言
• 2.2 神经网络的基本概念
• 2.2.1 人工神经元
• 2.2.2 活化函数
• 2.3 神经网络的网络结构
• 2.3.1 单层人工神经网络
• 2.3.2 多层人工神经网络
• 2.4 人工神经网络的训练
• 2.4.1 样本数据
• 2.4.2 学习规则
• 2.5 知识人工神经网络的基本结构
• 第三章 人工神经网络在相控阵单元部件建模中的应用
• 3.1 引言
• 3.2 BP馈线巴伦的人工神经网络模型
• 3.2.1 神经元模型的基本结构
• 3.2.2 神经网络的学习与训练
• 3.2.3 神经网络输出结果和CST输出结果的比较
• 3.3 多层耦合器的人工神经网络模型
• 3.3.1 多层耦合器的基本结构
• 3.3.2 多层耦合器BP神经网络的学习与训练
• 3.3.3 神经网络输出结果和CST仿真结果比较
• 第四章 人工神经网络在天线单元部件建模中的应用
• 4.1 超宽带天线的人工神经网络模型
• 4.1.1 超宽带天线及其神经网络的基本结构
• 4.1.2 超宽带天线BP神经网络的学习与训练
• 4.1.3 神经网络的输出和CST仿真结果的比较
• 4.2 方向图可重构天线单元的人工神经网络模型
• 4.2.1 可重构天线的基本结构
• 4.2.2 可重构天线的BP神经网络
• 4.2.3 可重构天线的BP神经网络的学习与训练
• 第五章 知识人工神经网络及其在移相器建模中的应用
• 5.1 引言
• 5.1.1 SCHIFFMAN移相器的结构及原理
• 5.1.2 SCHIFFMAN移相器的人工神经网络模型
• 5.1.2.1 预处理网络的建立
• 5.1.2.2 粗糙模型的建立
• 5.1.2.3 知识人工神经网络的建立
• 5.2 改进的SCHIFFMAN移相器
• 5.2.1 新型SCHIFFMAN移相器的设计
• 5.2.2 仿真结果
• 5.2.3 总结
• 第六章 总结
• 致谢
• 参考文献
• 攻硕期间取得的研究成果