基于神經網絡的微波均衡器建模與仿真
加入技術交流群
在建模過程中，如果要建立精確的神經網絡模型，通常需要提供大量的訓練樣本。而在課題開展過程中，針對微波均衡器的復雜特性提出了以海量數據庫為基礎的網絡子結構互聯分析方法。這一方法的提出為建立均衡器神經網絡模型提供了大量準確的訓練樣本。
文中采用加入LM算法進行網絡訓練的RBF網絡對均衡器進行建模，將均衡器的結構尺寸（諧振腔的腔長、探針插入主傳輸線的深度、吸收材料插入深度）和頻率作為神經網絡的輸入樣本，S參數作為輸出樣本，進行RBF網絡訓練。總共選取了100組樣點作為訓練數據，另外又選取了100組不同的樣點作為神經網絡模型性能的測試數據。頻率8.6GHz≤freq≤10.092 5GHz。模擬S參數與輸入樣本間的關系：Y=F(X)，其中：X是神經網絡的輸入變量；Y是輸出變量，Y=(|S11|,|S21|)。利用MATLAB軟件仿真輸出變量中|S21|的仿真和訓練結果如圖4～圖7所示。其中，圖4為RBF網絡的仿真曲線, 由此可見誤差非常小。圖5給出了達到預期的設計精度0.000 1所需的訓練步數為35步，此網絡很快即達到了設計精度。為了驗證訓練后的RBF網絡的性能，另選取100組樣點進行測試，其測試曲線如圖6所示，RBF網絡的測試性能可由圖7所示，測試絕對誤差的絕對值小于0.03，98%的測試相對誤差小于5%，在|S21|衰減最大的拐點位置相對誤差較大，這是因為測試樣點在拐點處的選取沒能滿足實驗設計（DOE）原則。仿真輸出再次說明RBF神經網絡建模的性能相當穩定。而且利用該神經網絡進行仿真設計的結果具有很好的可重復性，設計達到的效果令人滿意。
本文引用地址：http://www.104case.com/article/158055.htm
本文采用RBF神經網絡對微波均衡器進行了建模。仿真設計的結果與網絡分析儀的測試結果進行了比較，誤差較小。這表明本文提出的神經網絡模型設計方法使得微波均衡器的設計過程變得速度快、精度高，具有準確、省時、輔助設計等優點。對于微波器件的分析設計具有很好的應用價值。
帶通濾波器相關文章:帶通濾波器設計
評論