隨著無(wú)線通信技術(shù)的飛速發(fā)展,微波射頻器件的市場(chǎng)需求將持續(xù)快速增長(zhǎng)。對(duì)射頻器件進(jìn)行建模與等效電路參數(shù)提取設(shè)計(jì),目前通�；跍�(zhǔn)確的全波電磁場(chǎng)計(jì)算。然而,全波電磁仿真算法計(jì)算量大,所以需要大量的計(jì)算開銷。部分研究使用遺傳優(yōu)化算法,但是仍然需依據(jù)仿真算法或工具,若遺傳種群過(guò)大,非常耗時(shí)。而隨著人工智能（AI）算法的快速發(fā)展,深度學(xué)習(xí)框架可以方便的使用它設(shè)計(jì)封裝的接口,性能和效率很高。由于深度神經(jīng)網(wǎng)絡(luò)有模擬高度復(fù)雜非線性映射的能力,這也使得基于人工智能的電路建模與優(yōu)化設(shè)計(jì)成為可能。本論文采用基于深度學(xué)習(xí)的方法對(duì)射頻器件進(jìn)行建模與優(yōu)化設(shè)計(jì)。由于結(jié)合了深度學(xué)習(xí)快速預(yù)測(cè)能力、遺傳算法的全局搜素以及鮑威爾算法的快速局部收斂性能,使得電路的建模與優(yōu)化變得非常高效。本文的研究工作及創(chuàng)新點(diǎn)如下:我們基于全波仿真工具對(duì)射頻器件進(jìn)行電磁仿真,并把一系列結(jié)果作為訓(xùn)練數(shù)據(jù),并建立相應(yīng)的AI模型。使用該模型分析一系列適用于該模型的射頻器件,就能直接獲得器件的電磁仿真結(jié)果,而不需要再進(jìn)行耗時(shí)的全波電磁場(chǎng)計(jì)算。同時(shí),利用該AI模型與電路拓?fù)?通過(guò)優(yōu)化算法還可以快速而準(zhǔn)確地獲得等效電路的參數(shù)。但是利用優(yōu)化算法對(duì)等效電路做參數(shù)... 

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究的背景及意義
    1.2 論文結(jié)構(gòu)與安排
2 深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)
    2.1 深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)
        2.1.1 深度學(xué)習(xí)相比傳統(tǒng)機(jī)器學(xué)習(xí)的優(yōu)勢(shì)
        2.1.2 監(jiān)督式學(xué)習(xí),非監(jiān)督式學(xué)習(xí),強(qiáng)化學(xué)習(xí)
        2.1.3 神經(jīng)網(wǎng)絡(luò)
    2.2 全連接神經(jīng)網(wǎng)絡(luò)
        2.2.1 神經(jīng)網(wǎng)絡(luò)前向傳播
        2.2.2 誤差函數(shù)
        2.2.3 反向傳播過(guò)程
    2.3 神經(jīng)網(wǎng)絡(luò)優(yōu)化算法
        2.3.1 梯度下降法
        2.3.2 動(dòng)量法
        2.3.3 Nesterov梯度加速法(Nesterov accelerated gradient NAG)
        2.3.4 Adagrad優(yōu)化算法
        2.3.5 Adadelta優(yōu)化算法
        2.3.6 RMSprop優(yōu)化算法
        2.3.7 Adam(Adaptive Moment Estimation)優(yōu)化算法
    2.4 本章小結(jié)
3 構(gòu)建參數(shù)化AI模型
    3.1 深度學(xué)習(xí)框架Tensorflow
    3.2 待訓(xùn)練的射頻器件
        3.2.1 矩形螺旋電感
        3.2.2 插指電容
    3.3 數(shù)據(jù)集和數(shù)據(jù)歸一化
        3.3.1 數(shù)據(jù)集的準(zhǔn)備
        3.3.2 數(shù)據(jù)歸一化
    3.4 訓(xùn)練AI模型
        3.4.1 均勻采樣
        3.4.2 非均勻采樣
        3.4.3 插指電容
        3.4.4 微帶線在S參數(shù)綜合上的應(yīng)用
    3.5 本章小結(jié)
4 創(chuàng)新性的混合遺傳算法
    4.1 全局搜索及遺傳算法
        4.1.1 選擇算子
        4.1.2 交叉算子
        4.1.3 變異算子
    4.2 局部?jī)?yōu)化及鮑威爾算法
        4.2.1 局部?jī)?yōu)化起始點(diǎn)的選取
        4.2.2 鮑威爾算法(Powell’s method)
    4.3 本章小結(jié)
5 基于深度學(xué)習(xí)的射頻器件參數(shù)提取
    5.1 建立頻率AI模型
    5.2 射頻器件等效電路建模
        5.2.1 矩形螺旋電感
        5.2.2 插指電容
    5.3 更多討論
        5.3.1 全局優(yōu)化和局部?jī)?yōu)化轉(zhuǎn)折點(diǎn)的選取
        5.3.2 適用的頻段寬度
    5.4 本章小結(jié)
6 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
致謝
參考文獻(xiàn)
附錄 作者在讀研期間發(fā)表的學(xué)術(shù)論文及參加的科研項(xiàng)目
    一、發(fā)表的學(xué)術(shù)論文
    二、申請(qǐng)的專利
    三、參與的科研項(xiàng)目



本文編號(hào)：3709031