[发明专利]基于ADS的知识神经网络微带滤波器设计方法

摘要

本发明公开了一种基于ADS的知识神经网络微带滤波器设计方法，该方法在已有的知识神经网络的基础上，提出了一种将ADS作为先验知识的方法，以克服现有神经网络结构复杂和先验知识获取困难的问题。本发明采用将神经网络与仿真软件结合的方法，将ADS和HFSS仿真结果分别作为先验知识和教师信号并采用粒子群算法对神经网络进行训练，构建了相应的神经网络模型，有效地降低了神经网络结构的复杂度。利用该设计的网络对高低阻抗低通滤波器和微带发卡带通滤波器进行优化设计，所设计出来的滤波器满足设计指标，不仅避免大量繁杂公式的推导还简化了神经网络的结构，减少了隐层和隐层神经元的数目，有效地降低了成本。

主权项

1.一种基于ADS的知识神经网络微带滤波器设计方法，其特征在于，包括以下步骤：第一步：知识神经网络的建模1)训练样本的获取将ADS的仿真结果作为先验知识，构造知识神经网络，知识神经网络的教师信号由高频结构仿真HFSS获得；2)知识神经网络的构造知识神经网络由输入层、隐层、输出层构成，所述隐层的神经元分为传统神经元和先验知识神经元，所述输入层与传统神经元连接，所述传统神经元与输出层连接，所述先验知识神经元与输出层连接，所述输入层与先验知识神经元无连接；知识神经网络为n×m×1的结构，其输入为xi,i＝1,2,…,n；隐层的先验知识神经元的个数为p，输出为hkj,j＝1,2,…,p；隐层的传统神经元的个数为q,p+q＝m，输出为hk,k＝1,2,…,q；知识神经网络设为一输出网络，输出为y；传统神经元其输入定义为：xhk＝ωikxi+bk,i＝1,2,…,n,k＝1,2,…,q其中ωik为输入层和传统神经元的连接权值，bk为阈值；传统神经元的激励函数选用Sigmoid函数，输出为：Sigmoid函数的增益λ＝1；知识神经网络输出为各隐层加权之和，即：y＝ωjhkj+ωkhk+b,j＝1,2,…,p,k＝1,2,…,q其中ωj为隐层的先验知识神经元与输出层的连接权值，ωk为隐层的传统神经元与输出层的连接权值，b为阈值；知识神经网络的输出为正向传输系数S21，输入反射系数S11和正向传输系数S21存在如下关系：S112+S212＝1隐层的先验知识神经元的个数为2，分别取输入反射系数S11和正向传输系数S21；3)知识神经网络的学习知识神经网络构造好以后，采用粒子群算法对权值和阈值更新，当迭代达到最大次数或者均方误差达到预设值时停止更新，得到训练好的神经网络；4)检测网络的可靠性将测试样本对3)中的神经网络进行测试，验证网络输出与高频结构仿真HFSS的结果是否一致，并计算知识神经网络的相关系数来判断神经网络的可靠性；第二步：优化设计1)随机生成初始种群，作为知识神经网络的输入，通过知识神经网络得到相应的输出；2)优化过程中，根据设计指标设定对应的适应度函数；假设设计指标在fi处要求的S21幅值分别为si，i＝1,2,…，那么适应度函数为Fit＝min(∑βi|yi‑si|)其中，yi为fi处知识神经网络的输出，βi为对应频率点处所选择的权重；3)通过粒子群算法更新初始种群，找到满足适应度函数的最优解；4)将3)中得到的最优解带入HFSS中验证是否满足设计指标。