论文部分内容阅读
目前面对新一代微波器件、电路和系统日益增长的模型需求的挑战基于神经网络的微波器件建模技术已被认为是微波计算机辅助设计领域的一种重要工具。人工神经网络模型可以通过训练来学习微波器件和电路的电磁行为。经过训练的神经网络模型由于仿真和优化时运算速度快可以用于更高层级的微波电路和系统设计。本论文的目的是开发一种先进的神经网络建模方法和模型外推技术以高效地生成精度高、稳定性强的微波器件模型。本文所提出的技术利用了自动建模算法的高效率特性、基于知识型神经网络模型的低成本概念和外推技术的泛化能力,从而开发出应用于微波领域的高可靠性模型。
为进一步加速神经网络建模过程本论文首先提出了一种新型的自适应采样技术并开发了一种应用于微波领域的基于知识型神经网络的自动建模算法。这种新型的自动建模方法集成了基于知识型神经网络建模过程中涉及的所有子任务形成了更高效和全自动化的模型开发框架。该算法中的自适应采样技术结合了高效的插值算法自动确定建模中所需的额外训练样本及其在模型输入空间中的位置。该方法可以提高基于知识型神经网络模型的建模效率并降低模型开发成本。
对于不同的建模问题基于知识型神经网络中的映射结构也会有所不同。本论文提出了一个基于知识型神经网络建模的统一的模型结构自适应算法。该算法采用l1优化方法来自动确定基于知识型神经网络模型中的映射类型和拓扑结构。我们首先提出了一种新型的统一知识型神经网络模型结构来包含所有的映射类型然后采用l1优化特有的属性选择特性来自动区分是否需要某个映射以及某个映射是线性映射还是非线性映射。与现有技术相比该算法是一种更为灵活和系统化的技术能够进一步加速基于知识型神经网络模型的开发。
作为进一步的研究本论文还提出一种先进的多维外推技术。它主要用于微波领域的神经网络建模过程中使神经网络模型在训练范围之外也能更加可靠。该技术引入建模空间网格化的概念并基于这些网格来进行模型外推。我们将三次多项式外推公式应用于高维度微波建模问题并提出新的优化方法来获得网格点对应的模型外推值。该外推方法提高了神经网络模型的鲁棒性使得神经网络模型在训练范围之外使用时也十分可靠。
本论文通过对微波滤波器等无源器件和微波晶体管等有源器件进行建模和优化的例子验证了本文所提出的神经网络建模方法和外推技术的有效性。
为进一步加速神经网络建模过程本论文首先提出了一种新型的自适应采样技术并开发了一种应用于微波领域的基于知识型神经网络的自动建模算法。这种新型的自动建模方法集成了基于知识型神经网络建模过程中涉及的所有子任务形成了更高效和全自动化的模型开发框架。该算法中的自适应采样技术结合了高效的插值算法自动确定建模中所需的额外训练样本及其在模型输入空间中的位置。该方法可以提高基于知识型神经网络模型的建模效率并降低模型开发成本。
对于不同的建模问题基于知识型神经网络中的映射结构也会有所不同。本论文提出了一个基于知识型神经网络建模的统一的模型结构自适应算法。该算法采用l1优化方法来自动确定基于知识型神经网络模型中的映射类型和拓扑结构。我们首先提出了一种新型的统一知识型神经网络模型结构来包含所有的映射类型然后采用l1优化特有的属性选择特性来自动区分是否需要某个映射以及某个映射是线性映射还是非线性映射。与现有技术相比该算法是一种更为灵活和系统化的技术能够进一步加速基于知识型神经网络模型的开发。
作为进一步的研究本论文还提出一种先进的多维外推技术。它主要用于微波领域的神经网络建模过程中使神经网络模型在训练范围之外也能更加可靠。该技术引入建模空间网格化的概念并基于这些网格来进行模型外推。我们将三次多项式外推公式应用于高维度微波建模问题并提出新的优化方法来获得网格点对应的模型外推值。该外推方法提高了神经网络模型的鲁棒性使得神经网络模型在训练范围之外使用时也十分可靠。
本论文通过对微波滤波器等无源器件和微波晶体管等有源器件进行建模和优化的例子验证了本文所提出的神经网络建模方法和外推技术的有效性。