[发明专利]一种面向微波电路的优化设计方法

说明书

本发明公开了一种面向微波电路的优化设计方法，包括以下步骤：利用LHS获得样本模型设计参数，并利用Matlab‑HFSS联合仿真技术得到对应的样本响应；计算所有样本响应与目标响应的相关系数，选择相关系数最大的样本作为优化样本，其他样本作为训练样本；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；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。本发明提高了神经网络的训练和预测质量，降低所需的训练样本数量及优化设计微波电路所需时间，实现微波电路优化设计自动化，提高优化设计效率。

技术领域

本发明涉及无线通信技术领域，尤其涉及一种面向微波电路的优化设计方法。

背景技术

随着现代无线通信技术飞速发展，通信系统对微波电路的要求越来越高，为了满足通信系统的不同需求，需要不断对微波电路进行优化设计。为了提高微波电路的设计效率，降低设计的时间成本，利用算法对其进行设计已经成为一种必然趋势。

近年来随着计算机的发展，其计算能力有了极大的提高，人工神经网络(Artificial Neural Network，ANN)重新进入人们的视野，受到越来越多学者的关注，并使其得到了广泛的应用。ANN是一种模拟人类大脑实际神经网络的数学模型，它可以在网络的输入与输出之间建立某种映射关系，通过选用恰当的算法，利用人为给定的训练样本，寻找使每次迭代的网络输出与实际样本输出之间的误差最小的权重和阈值。当神经网络被训练好之后，给定网络的输入便可以通过映射得到网络的输出。

目前最常用的微波电路优化设计方法是空间映射算法、群智能优化算法和机器学习算法。

空间映射算法将微波电路用两个模型来表示，一个是仿真速度慢，但是仿真结果精确的细模型；另一个是仿真速度快，但是仿真结果不够精确的粗模型。首先通过在粗模型中进行优化得到理想粗模型参数，然后通过映射关系得到细模型参数，最终将细模型参数代入细模型中进行验证。利用空间映射算法，可以将繁琐耗时的优化工作在粗模型中进行，细模型仅进行简单的验证工作，从而避免直接对复杂细模型进行优化，进而缩短优化时间。然而，大多数微波电路的细模型无法用粗模型来表示，因此在利用空间映射算法进行优化设计时存在一定的局限性。

群智能优化算法一般先利用特定算法寻找问题的局部最优解，然后通过多次迭代确定全局最优解，在优化过程中通常采用变异思想增加算法的多样性，使算法在保证收敛性的同时能够准确搜索到全局最优解。该类算法在实际优化设计过程中，需要给出大量的候选解，进行大量次数的全波电磁仿真，并计算其适应度值，因此该类算法所需要的时间成本较高，并且随机性较强。

在机器学习算法中，ANN是一种建立映射关系最常用的方法之一，其主要包含两个过程。在训练过程中，利用一定数量的样本可以建立微波电路模型设计参数与其响应的映射关系；在预测过程中，将目标响应作为输入，通过网络输出可以得到理想的模型设计参数。

然而，利用传统的ANN方法进行优化设计时，需要运用梯度下降法进行大量迭代来优化其网络参数，普遍存在学习能力差、训练速度慢以及预测精度不高等问题，导致其在实际应用中时间复杂度较高，需要浪费大量的时间和人力成本。

发明内容

本发明针对上述技术问题，提供一种新型通用的面向微波电路的优化设计方法，以较低的时间和人力成本得到目标响应的模型设计参数。

为了实现上述目的，本发明提供如下技术方案：

一种面向微波电路的优化设计方法，包括以下步骤：

S1、根据设计指标设计理想的目标响应；

S2、利用拉丁超立方抽样(Latin hypercube sampling，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；