[发明专利]一种微波传感器谐振结构联合仿真优化方法及系统

说明书

本发明公开了一种微波传感器谐振结构联合仿真优化方法及系统，其中涉及的方法包括：S1.像素化优化区域为方形像素单元；S2.初始化状态集、动作集；S3.初始化参数；S4.当前策略网络输出动作集，当前状态集生成微波传感器模型脚本；S5.读取脚本并构建微波传感器模型并进行仿真；S6.根据仿真数据计算基于当前状态集被执行后得到的奖励值；S7.将数据存入经验池；S8.当前评价网络计算数学期望，目标评价网络计算数学期望；S9.计算数学期望之间的差异并更新当前网络的参数；S10.更新目标网络的参数；S11.当前神经网络的参数和目标神经网络收敛，得到智能集模型并输出谐振结构的优化策略，将原始谐振结构基于输出的优化策略进行调整，得到优化后的谐振结构。

技术领域

本发明涉及微波传感器技术领域，尤其涉及一种微波传感器谐振结构联合仿真优化方法及系统。

背景技术

微波传感器在各种工业传感应用中很有吸引力并且发展迅速，例如材料识别、位移检测和生物医学传感等，因为它们可以提供具有测量精度高、检测速度快、成本低、无创等特点。特别是谐振型微波微流控传感器具有极高的灵敏度，以及微流道中液体样品与电场之间的相互作用。

近年来，由微带线激励的互补分裂环谐振器由于其优异的性能而被广泛应用于传感器应用中。该谐振器的形状众多，比如方形、圆形等，而这些不同形状的互补分裂环谐振结构在应用于液体材料特性表征时展现出了不同的灵敏度，换句话说，谐振器的几何结构对微波信号的传播起到了重要的作用，被影响的信号质量导致了不同的传感器灵敏度，因此谐振器结构的优化设计就显得尤为重要。

因此，需要提供一种微波传感器谐振结构联合仿真优化方法及系统，针对该非线性高维优化问题，系统能够利用历史样本充分学习高维数据的有用特征，进而得到对初始谐振结构的优化策略，以解决现有技术对微波传感器谐振结构优化过程任务繁重、繁琐且耗时巨大的问题，另一方面也对促进微波传感器的产业化进程有着十分积极的作用。

发明内容

本发明的目的是针对现有技术的缺陷，提供了一种微波传感器谐振结构联合仿真优化方法及系统，能够较快、较可靠地自动得出性能优异的微波传感器谐振结构布局。

为了实现以上目的，本发明采用以下技术方案：

一种微波传感器谐振结构联合仿真优化方法，包括：

S1.像素化微波微流体传感器的原始谐振结构优化区域为方形像素单元；

S2.初始化谐振结构的状态集，初始化用于谐振结构调整的动作集；

S3.初始化当前神经网络的参数和目标神经网络的参数；其中，当前神经网络包括当前策略网络、当前评价网络，目标神经网络包括目标策略网络、目标评价网络；

S4.当前策略网络根据当前状态集输出动作集，并在输出的动作集中添加随机噪声；当前状态集根据动作集进行谐振结构调整后生成微波传感器模型脚本；

S5.基于全波电磁仿真软件读取微波传感器模型脚本并自动构建微波传感器模型，对构建的微波传感器模型进行仿真，得到仿真数据；

S6.根据得到的仿真数据计算当前动作集基于当前状态集被执行后得到的奖励值；

S7.将所需数据存入经验回放池；其中，所需数据包括当前状态集、当前动作集、下一状态集、下一动作集、奖励值；

S8.当前评价网络基于经验回放池中的当前状态集中的当前动作、当前动作集中的当前策略动作计算第一奖励值的数学期望，目标评价网络基于下一状态集中的下一动作、下一动作集中的下一策略动作计算第二奖励值的数学期望；

S9.计算第一奖励值的数学期望和第二奖励值的数学期望之间的差异，并基于计算得到的差异采用策略梯度方法更新当前策略网络、当前评价网络的参数；

S10.根据全波电磁仿真软件的更新方法更新目标策略网络、目标评价网络的参数；

S11.循环执行步骤S4-S10，直到当前神经网络的参数和目标神经网络收敛，得到智能集模型，所述智能机模型输出谐振结构的优化策略，将原始谐振结构基于输出的优化策略进行调整，得到优化后的谐振结构。

进一步的，所述步骤S2中谐振结构的状态集，表示为：