基于深度学习的射频电路建模优化

发布时间：2022-12-04 21:35

　　随着无线通信技术的飞速发展,微波射频器件的市场需求将持续快速增长。对射频器件进行建模与等效电路参数提取设计,目前通常基于准确的全波电磁场计算。然而,全波电磁仿真算法计算量大,所以需要大量的计算开销。部分研究使用遗传优化算法,但是仍然需依据仿真算法或工具,若遗传种群过大,非常耗时。而随着人工智能（AI）算法的快速发展,深度学习框架可以方便的使用它设计封装的接口,性能和效率很高。由于深度神经网络有模拟高度复杂非线性映射的能力,这也使得基于人工智能的电路建模与优化设计成为可能。本论文采用基于深度学习的方法对射频器件进行建模与优化设计。由于结合了深度学习快速预测能力、遗传算法的全局搜素以及鲍威尔算法的快速局部收敛性能,使得电路的建模与优化变得非常高效。本文的研究工作及创新点如下:我们基于全波仿真工具对射频器件进行电磁仿真,并把一系列结果作为训练数据,并建立相应的AI模型。使用该模型分析一系列适用于该模型的射频器件,就能直接获得器件的电磁仿真结果,而不需要再进行耗时的全波电磁场计算。同时,利用该AI模型与电路拓扑,通过优化算法还可以快速而准确地获得等效电路的参数。但是利用优化算法对等效电路做参数... 

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究的背景及意义
    1.2 论文结构与安排
2 深度学习与神经网络
    2.1 深度学习与神经网络
        2.1.1 深度学习相比传统机器学习的优势
        2.1.2 监督式学习,非监督式学习,强化学习
        2.1.3 神经网络
    2.2 全连接神经网络
        2.2.1 神经网络前向传播
        2.2.2 误差函数
        2.2.3 反向传播过程
    2.3 神经网络优化算法
        2.3.1 梯度下降法
        2.3.2 动量法
        2.3.3 Nesterov梯度加速法(Nesterov accelerated gradient NAG)
        2.3.4 Adagrad优化算法
        2.3.5 Adadelta优化算法
        2.3.6 RMSprop优化算法
        2.3.7 Adam(Adaptive Moment Estimation)优化算法
    2.4 本章小结
3 构建参数化AI模型
    3.1 深度学习框架Tensorflow
    3.2 待训练的射频器件
        3.2.1 矩形螺旋电感
        3.2.2 插指电容
    3.3 数据集和数据归一化
        3.3.1 数据集的准备
        3.3.2 数据归一化
    3.4 训练AI模型
        3.4.1 均匀采样
        3.4.2 非均匀采样
        3.4.3 插指电容
        3.4.4 微带线在S参数综合上的应用
    3.5 本章小结
4 创新性的混合遗传算法
    4.1 全局搜索及遗传算法
        4.1.1 选择算子
        4.1.2 交叉算子
        4.1.3 变异算子
    4.2 局部优化及鲍威尔算法
        4.2.1 局部优化起始点的选取
        4.2.2 鲍威尔算法(Powell’s method)
    4.3 本章小结
5 基于深度学习的射频器件参数提取
    5.1 建立频率AI模型
    5.2 射频器件等效电路建模
        5.2.1 矩形螺旋电感
        5.2.2 插指电容
    5.3 更多讨论
        5.3.1 全局优化和局部优化转折点的选取
        5.3.2 适用的频段宽度
    5.4 本章小结
6 结论与展望
    6.1 结论
    6.2 展望
致谢
参考文献
附录 作者在读研期间发表的学术论文及参加的科研项目
    一、发表的学术论文
    二、申请的专利
    三、参与的科研项目



本文编号：3709031