[发明专利]基于神经网络的金属背敷非对称共面波导物理尺寸检测方法

摘要

本发明公开了一种基于神经网络的金属背敷非对称共面波导物理尺寸检测方法，该方法采用神经网络反演建模技术对金属背敷非对称共面波导的物理尺寸进行检测，由保角变换前向映射函数可知，金属背敷非对称共面波导的物理尺寸与电气参数(即特性阻抗和电长度)之间的关系是复杂的非线性关系，因此本发明建立物理尺寸与电气参数之间的反向映射关系，采用神经网络反演建模技术实现金属背敷非对称共面波导物理尺寸的计算。所采用的训练数据来源于前向映射函数计算所得；所采用的神经网络为多层感知器神经网络。

主权项

一种基于神经网络的金属背敷非对称共面波导物理尺寸检测方法，其特征在于：该方法采用神经网络反演建模技术对金属背敷非对称共面波导的物理尺寸进行检测，具体包括以下步骤：步骤1：采用保角映射理论对金属背敷非对称共面波导进行准静态分析，获取保角变换前向映射函数，设置需要训练数据的取值范围，所述训练数据包括金属背敷非对称共面波导的长度L、中心金属带条的宽度w、中心金属带条与左侧地板之间的缝隙宽度g1、中心金属带条与右侧地板之间的缝隙宽度g2、介质基片的厚度h、介质基片的介电常数εr、金属背敷非对称共面波导的电气参数，所述电气参数包括特性阻抗Z0、电长度θ和有效介电常数εeff，所述保角变换前向映射函数为：ϵeff=1+(ϵr-1)K(kb)/K(kb′)K(ki)/K(ki′)+K(kb)/K(kb′);]]>所述K(k)是以k为模的第一类完全椭圆积分，所述f是金属背敷非对称共面波导的工作频率，所述c是电磁波在真空中的传播速度，步骤2：将步骤1获得到的需要进行训练的数据分成两个矩阵，其中第一个矩阵包含εr，h，g1，g2，Z0，f和θ的数值大小，称为输入矩阵，第二个矩阵包含w和L的数值大小，称为输出矩阵，所述输入矩阵和输出矩阵都包含N列数据，所述输入矩阵的第j列称为第j个输入列矩阵，表示为[εr，h，g1，g2，Z0，f，θ]j，所述输出矩阵的第j列称为第j个输出列矩阵，表示为[w,L]j；步骤3：对所述输入矩阵和输出矩阵的每一行分别进行归一化处理，归一化处理后的输入矩阵和输出矩阵分别称为归一化输入矩阵和归一化输出矩阵，所述归一化输入矩阵的第j列与归一化输出矩阵的第j列相互对应，构成一组训练测试数据，总共N组训练测试数据，步骤4：从所述N组训练测试数据中随机选取N1组作为训练数据组，剩余的N‑N1组数据作为测试数据组；步骤5：设计神经网络隐含层的网络结构，设定为21×42×14，即第一个隐含层有21个神经元，第二个隐含层有42个神经元，第三个隐含层有14个神经元；步骤6：采用Levenberg‑Marquardt算法训练所述神经网络，将输入矩阵和输出矩阵中的数据信息导入至神经网络中进行数据训练；步骤7：训练完成后，将所述测试数据组应用于所述神经网络的输入和输出，从而计算出所述神经网络的输出误差；步骤8：评价所述输出误差是否满足要求：如果误差值大于设定阈值则返回步骤5，调整所述神经网络隐含层的网络结构，继续训练；如果误差值小于设定阈值，进入第9步；步骤9：储存神经网络隐含层的网络结构和网络系数，即神经网络模型建立完成；步骤10：根据上述建立完成的神经网络模型，输入已知量：介质基片的介电常数εr、介质基片的厚度h、中心金属带条与左侧地板之间的缝隙宽度g1、中心金属带条与右侧地板之间的缝隙宽度g2、金属背敷非对称共面波导的特性阻抗Z0、金属背敷非对称共面波导的工作频率f、金属背敷非对称共面波导的电长度θ从而输出金属背敷非对称共面波导的长度L和中心金属带条的宽度w。