[发明专利]一种面向微波电路的优化设计方法

权利要求书

1.一种面向微波电路的优化设计方法，其特征在于，包括以下步骤：

S1、根据设计指标设计理想的目标响应；

S2、利用LHS获得一定数量的样本模型设计参数，并利用Matlab-HFSS联合仿真技术得到对应的样本响应；

S3、计算所有样本响应与目标响应的相关系数，并选择相关系数最大的响应及其设计参数作为优化样本，其他响应及设计参数作为训练样本；

S4、利用训练样本对ELM进行训练，预测优化样本响应的设计参数，并采用BSO优化ELM的输入权重和阈值；

S5、利用优化输入权重和阈值后的ELM建立微波电路模型设计参数与响应之间的映射关系，在训练过程中利用包含优化样本在内的所有训练样本进行训练，在预测过程中预测目标响应对应的模型设计参数；

S6、将预测的设计参数代入微波电路中进行仿真验证，如果响应不符合设计指标，则将该设计参数和响应添加到原训练样本集中，转至步骤S3，直到得到满足设计指标的响应和设计参数。

2.根据权利要求1所述的面向微波电路的优化设计方法，其特征在于，ELM网络结构包括输入层、隐含层和输出层，输入层、隐含层和输出层均设有多个神经元。

3.根据权利要求1所述的面向微波电路的优化设计方法，其特征在于，步骤S4中ELM的训练过程为：

设有N个任意的训练样本(X_i,Y_i)，其中输入X_i为n维，即X_i＝[x_i1,x_i2,…,x_in]^T，输出Y_i为m维，即Y_i＝[y_i1,y_i2,…,y_im]^T，隐含层为L个神经元的极限学习机的输出表示为：

其中g(x)为激活函数，W_j＝[w_j1,w_j2,…,w_jn]^T为输入权重，θ_j为隐含层第j个神经元的阈值，β_j＝[β_j1,β_j2,…,β_jm]^T为输出权重，“·”表示内积；

网络学习的目标是使网络的输出与样本的输出误差最小，表示为：

即存在W_j、θ_j和β_j，使得

上式用矩阵表示为：

Hβ＝Y                           (4)

其中H为隐含层神经元的输出，β为输出权重，Y为样本输出，且

通过给定网络输入X，得到和使得

等价于最小化损失函数：

4.根据权利要求3所述的面向微波电路的优化设计方法，其特征在于，如果输入权重W_j和阈值θ_j被随机或人为设定，则输出权重β通过下式计算得到：

β＝H⁺Y                         (10)

其中H⁺为矩阵H的广义逆。

5.根据权利要求3所述的面向微波电路的优化设计方法，其特征在于，步骤S4中ELM的预测过程为：已知输入权重ω、阈值θ和输出权重β，给定预测样本输入X，根据式(4)-(7)求得预测样本输出Y。

6.根据权利要求1所述的面向微波电路的优化设计方法，其特征在于，步骤S4中参数优化过程采用基于反向学习初始化策略的BSO算法进行，反向学习流程为：随机生成初始种群，根据初始种群生成反向种群，计算初始种群和反向种群的适应度值，最终选择所有种群中适应度值最优解作为最终的初始种群。