一种基于MLP神经网络的耦合微带线结构参数自动求解方法

本发明涉及微波工程领域，尤其涉及一种耦合微带线结构参数自动求解方法。

背景技术：

1、耦合线作为微波电路设计的基本单元，因其紧凑结构和宽带特性广泛应用于滤波器、功分器、天线和功率放大器等领域。根据双线宽是否相同，耦合线又分为对称耦合线和非对称耦合线两种。与对称耦合线相比，非对称耦合线增加了一个可调节变量，即多了一个自由度，在具有更好的设计灵活性同时也面临更高的设计难度。

2、对于对称耦合线器件设计，通常采用经验公式和ads linecalc等商用工具来确定耦合线初始结构参数值。然而，由于经验公式采用近似简化解，而商用工具提供的模型尺寸和材料参数与全波仿真平台模型的最优值偏差较大，后续设计仍面临较大的迭代优化负担。对于非对称耦合线器件设计，其理论分析更为复杂，缺乏经验公式和商用工具的支持，在一定程度上阻碍了非对称耦合线的推广与应用。

3、因此，为最大程度降低耦合线器件的设计难度和优化迭代次数，需要建立一种准确的耦合线结构参数初值求解方法。即直接由描述耦合线行为属性的电报方程出发，不进行近似简化，将方程解析解与耦合线结构参数之间建立准确的映射关系，以显著降低耦合微带线结构参数优化的迭代次数与难度。

技术实现思路

1、为了实现上述目的，本发明提供一种基于mlp神经网络的耦合微带线结构参数自动求解方法，包括步骤：

2、s1：通过仿真得到s参数集文件。其中，s参数是一个二维矩阵，其元素表示不同端口之间的信号传输情况，s参数集文件为多个s参数的集合。

3、s2：读取s参数集文件，计算形成“镜像阻抗-结构参数”样本对数据集；

4、s3：使用数据集训练mlp神经网络模型；

5、s4：设定目标镜像阻抗值，将目标镜像阻抗值输入训练好的mlp神经网络，输出耦合线结构参数。

6、进一步地，所述步骤s1中得到s参数集文件的方法为：编写matlab vbs脚本，调用hfss软件创建耦合微带线初始模型，利用vbs脚本自动更改hfss微带线模型，遍历所有参数组合并仿真求解得到s参数集文件。

7、进一步地，所述参数组合包括耦合微带线的线宽w1和w2、线间距s、线长l，介质基板的宽度d、厚度h以及金属导体的厚度t。

8、进一步地，所述步骤s2包括：使用matlab提取耦合线的分布式特征参数，包括单位长度电阻r、电感l、电抗g和电容c，计算耦合线的模式阻抗与模式电压比，得到镜像阻抗值，形成“镜像阻抗-结构参数”样本对数据集。

9、进一步地，所述步骤提取耦合线的分布式特征参数包括：

10、s51：读取s参数集文件数据，求解得到耦合微带线的z参数矩阵，其中，z0为由端口参考阻抗构成的4×4对角阵，i为4×4单位矩阵，s为4×4的s参数矩阵，zij(i，j＝1，2)为构成矩阵z的2×2子矩阵；

11、

12、s52：由z参数求解得到耦合微带线的abcd参数矩阵，其中，a、b、c、d分别为2×2子矩阵；

13、

14、s53：对矩阵a进行相似对角化分解，得到特征向量矩阵e和特征值对角阵λ，进而求解得到耦合微带线的传播常数矩阵γ和特征阻抗矩阵zc，其中，l为耦合线长，运算符cosh-1和sinh分别作用于矩阵λ和γl的各元素；

15、a＝eλe-1

16、γ＝e((cosh-1λ)/l)e-1

17、zc＝(sinh(γl))-1b

18、s54：获得耦合微带线的分布参数，其中，角频率ω＝2πf，r、l、g、c是2×2的矩阵。

19、

20、进一步地，所述计算耦合线的模式阻抗与模式电压比的方法为：非对称耦合微带线的模式阻抗zc1、zc2、zπ1、zπ2和线间模式电压比rc、rπ由分布式特征参数r、l、g、c求得，镜像阻抗zi1、zi2、zi3与zc1、zc2、zπ1、zπ2、rc、rπ的关系为：

21、

22、

23、

24、进一步地，所述步骤s3训练mlp神经网络模型的方式为：

25、s71：将样本对数据集随机划分数据至训练集和验证集中；

26、s72：构造mlp神经网络模型，设置训练参数；

27、s73：利用训练集训练mlp神经网络模型，建立镜像阻抗与结构参数间的映射关系，使用验证集的样本数据验证神经网络模型的预测结果。

28、进一步地，所述训练参数包括隐藏层层数、隐藏层神经元数、激活函数、最大训练轮次、训练目标误差以及学习率。

29、进一步地，所述构造神经网络模型的方式为：

30、s71：选取双曲正切sigmoid函数作为隐藏层的激活函数，将元素值压缩到区间[-1，1]，定义n为输入向量，则函数表达式为

31、

32、s72：权重初始化，使用标准正态分布中的随机数初始化权重矩阵；

33、s73：偏差初始化，使用标准正态分布中的随机数初始化偏差，并设置偏置矩阵；

34、s74：最大训练轮次epoch为1000，训练目标误差goal为10-5，学习率lr为0.1。

35、进一步地，所述步骤s3中，数据集的输入维度为3，目标维度为3，利用levenberg-marquardt算法训练mlp神经网络模型，优化更新权重和偏差值。

36、本发明的有益效果在于：

37、1)本发明自动实现了模型创建、参数调节和数据导出功能，解决了人工重复性操作耗时费力的问题

38、2)借助matlab强大的数值计算功能以及mlp神经网络准确的数据拟合功能，可快速提供逼近最优值的非对称及对称耦合微带线结构参数初始，显著降低了耦合微带线结构参数优化的迭代次数与难度。

39、3)利用levenberg-marquardt算法训练mlp神经网络模型提高训练效率和避免陷入局部极小点，从而得到更好的模型性能和泛化能力。

技术特征：

1.一种基于mlp神经网络的耦合微带线结构参数自动求解方法，其特征在于，包括以下步骤：

2.一种如权利要求1所述的方法，其特征在于，所述步骤s1中得到s参数集文件的方法为：编写matlab vbs脚本，调用hfss软件创建耦合微带线初始模型，利用vbs脚本自动更改hfss微带线模型，遍历所有参数组合并仿真求解得到s参数集文件。

3.一种如权利要求2所述的方法，其特征在于，所述参数组合包括耦合微带线的线宽w1和w2、线间距s、线长l，介质基板的宽度d、厚度h以及金属导体的厚度t。

4.一种如权利要求1所述的方法，其特征在于，所述步骤s2包括：使用matlab提取耦合线的分布式特征参数，包括单位长度电阻r、电感l、电抗g和电容c，计算耦合线的模式阻抗与模式电压比，得到镜像阻抗值，形成“镜像阻抗-结构参数”样本对数据集。

5.一种如权利要求4所述的方法，其特征在于，所述提取耦合线的分布式特征参数的步骤包括：

6.一种如权利要求4所述的方法，其特征在于，所述计算耦合线的模式阻抗与模式电压比的方法为：非对称耦合微带线的模式阻抗zc1、zc2、zπ1、zπ2和线间模式电压比rc、rπ由分布式特征参数r、l、g、c求得，镜像阻抗zi1、zi2、zi3与zc1、zc2、zπ1、zπ2、rc、rπ的关系为：

7.一种如权利要求1所述的方法，其特征在于，所述步骤s3训练mlp神经网络模型的方式为：

8.一种如权利要求7所述的方法，其特征在于，所述训练参数包括隐藏层层数、隐藏层神经元数、激活函数、最大训练轮次、训练目标误差以及学习率。

9.一种如权利要求8所述的方法，其特征在于，所述构造神经网络模型的方式为：

技术总结
本发明公开了一种基于MLP神经网络的耦合微带线结构参数自动求解方法，包括以下步骤：通过仿真得到S参数集文件，读取S参数集文件，计算形成“镜像阻抗‑结构参数”样本对数据集；使用数据集训练MLP神经网络模型；设定目标镜像阻抗值，将目标镜像阻抗值输入训练好的MLP神经网络，输出耦合线结构参数。本发明利用API接口自动实现了模型创建、参数调节和数据导出功能，解决了人工重复性操作耗时费力的问题；同时，借助MATLAB强大的数值计算功能以及MLP神经网络准确的数据拟合功能，可快速提供逼近最优值的非对称及对称耦合微带线结构参数初始值，显著降低了耦合微带线结构参数优化的迭代次数与难度。

技术研发人员：张妍,夏彬,毛军发
受保护的技术使用者：上海交通大学
技术研发日：
技术公布日：2024/3/27