一种基于神经网络的微波窗设计方法

1.本发明涉及微波电真空器件中微波窗设计与优化领域，具体涉及一种基于神经网络的微波窗设计方法。


背景技术：

2.随着科技的进步，微波电真空器件不断向着大功率、高频率、高效率、低噪声和宽频带等方向发展，而微波窗作为微波电真空器件中的微波输能装置，其主要是为真空条件提供保障和传输功率，其性能直接影响着微波电真空器件频率、功率容量、可靠性和寿命等性能指标。因此，对微波窗的设计工作提出了带宽高、真空密闭性好、介质损耗小、能承受更大的功率容量等更多的设计要求。
3.目前微波窗的设计工作主要是借助hfss、cst、mtss等电磁仿真软件结合实际需求与设计者的经验反复调整结构参数，最终选择出最佳的设计方案。这种方式对设计人员的熟练度及实际操作经验具有很高要求，并且当优化设计微波窗参数过多时，会导致微波窗的设计过程冗长、消耗大量计算资源。
4.为提高微波窗设计效率，减少设计时间，需要一种更快捷、有效的微波窗仿真设计方法。


技术实现要素：

5.针对上述存在问题或不足，本发明提供了一种基于神经网络的微波窗设计方法，以降低微波窗的设计耗时，提高微波窗的设计效率。
6.一种基于神经网络的微波窗设计方法，具体步骤如下：
7.s1.根据微波窗的设计要求，构建微波窗初始仿真模型并确定微波窗结构设计参数范围。
8.s2.在s1确定的微波窗结构设计参数范围内随机选取n组微波窗结构设计参数，n≥100，通过软件驱动程序调用仿真软件的方式将微波窗结构设计参数输入到仿真软件中，通过电磁仿真得到微波窗结构设计参数对应的仿真响应数据(如s参数等)。
9.s3.将s2中选取的n组微波窗结构设计参数作为微波窗神经网络模型的输入数据，并将所选n组微波窗结构设计参数对应的仿真响应数据作为微波窗神经网络模型的输出数据，建立微波窗神经网络模型。
10.s4.在s1确定的微波窗结构设计参数范围内，另行选取m组微波窗结构设计参数，m≥20，将这m组微波窗结构设计参数输入到s3得到的微波窗神经网络模型，通过微波窗神经网络模型预测得到所述m组微波窗结构设计参数对应的m组预测结果。所述m组微波窗结构设计参数为s2中n组微波窗结构设计参数以外的数据。
11.s5.根据微波窗的设计要求，构造微波窗的优化目标函数。
12.s6.将s4中得到的m组微波窗神经网络模型的预测结果用于计算s5所构造的优化目标函数，得到m组优化目标函数值。
13.s7.将s6得到的m组优化目标函数值进行对比，完成基于微波窗神经网络模型的优化方法寻优，选出满足设计要求的最优解及对应的设计参数值，最终完成微波窗的设计。
14.进一步的，所述步骤s2中软件驱动程序为python、matlab或c 。
15.进一步的，所述步骤s2中仿真软件为hfss、cst或mtss。
16.进一步的，所述m≤n，以提高计算效率，避免m过大时求解s6中优化目标函数值耗时过多。
17.综上所述，本发明提出的基于神经网络的微波窗设计方法，相较于传统的结合经验的仿真设计方法，通过引入神经网络在保证精度的前提下，省去了微波窗电磁仿真的繁琐过程，降低了微波窗的设计耗时，提高了微波窗设计的效率，具有更高的灵活性。
附图说明
18.图1是本发明的方法流程示意图；
19.图2是本发明的实施例的微波窗模型示意图；
20.图3是本发明的实施例的微波窗神经网络模型预测结果与hfss仿真结果对比图；
具体实施方式
21.为便于本领域技术人员理解本发明的技术内容，下面以微波窗中应用广泛的盒型窗为例，结合附图对本发明内容进行详细阐述。
22.盒型窗实例结构由矩形波导、圆波导和介质窗片三部分组成，其结构如图2所示。本实施例选用盒型窗工作频率为140ghz。由理论可知，主要优化介质窗片半径r0、介质窗片厚度t、圆波导半径r1以及圆波导厚度l1四个结构参数。
23.如图1所示为本发明的方法流程图，其具体步骤如下：
24.s1.根据工作频率为140ghz盒型窗，在hfss中建立盒型窗仿真模型，确定盒型窗结构设计参数范围为r0∈[2.3,2.5]，t∈[0.16,0.2]，r1∈[1.3,1.6]，l1∈[0.6,0.8]。
[0025]
s2.在s1的盒型窗结构设计参数范围内随机选择150组盒型窗的结构设计参数，通过python脚本调用hfss电磁仿真软件，将其输入到hfss电磁仿真软件，并通过电磁仿真得到盒型窗结构设计参数对应的仿真响应数据即s参数。
[0026]
s3.将s2中的盒型窗的结构设计参数，即x＝[r0,t,r1,l1]作为微波窗神经网络模型的输入数据，并将s2结构设计参数对应的仿真响应数据中s11参数的实部值与虚部值作为输出数据，即y＝[re(s11(f1)),im(s11(f1)),...,re(s11(fi)),im(s11(fi))...,re(s11(fn)),im(s11(fn))]，其中fi是采样频率范围135-145ghz中的第i个采样点的频率，re(s11(fi))和im(s11(fi))则是在采样频率为fi时的s11的实部值以及虚部值，n为该采样频率范围的频点数。
[0027]
该微波窗神经模型输入层神经元个数为4，中间的隐含层为三层，神经元数量分别为512,256,128。输出层神经元个数为两倍频点数，即2n。中间隐含层的激活函数均选择relu，输出层选择tanh作为激活函数，以确保输出值均在(-1,1)。该神经网络模型优化器选择的是adam，学习率lr为0.001，训练得到盒型窗神经网络模型。
[0028]
s4.在s1的微波窗结构设计参数范围内另行选取30组盒型窗结构设计参数，将这30组微波窗结构设计参数输入到s3得到的盒型窗神经网络模型，通过盒型窗神经网络模型
预测得到盒型窗结构设计参数对应的预测结果。
[0029]
s5.根据盒型窗的设计要求，其要求工作频带内要求驻波系数ρ《1.1，反射系数|γ|《-26.444db，则构造盒型窗的优化目标函数为
[0030][0031][0032]
其中fi是采样频率范围135-145ghz中的第i个采样点的频率，n则是该采样频率范围的频点数，s
11
(fi)则是在采样频率为fi时真模型的回波损耗值，rl(s
11
)＝-26.444db为给定的目标反射系数值。当频点为fi对应回波损耗值s
11
(fi)大于给定的目标反射系数值rl(s
11
)，q(fi)取值为|s
11
(fi)-(rl(s
11
))|；反之，q(fi)取值为0。该优化目标可使得采样频率范围内回波损耗值均小于给定的目标反射系数值。
[0033]
s6.将s4中得到的30组盒型窗神经网络模型的预测结果用于计算步骤s5所构造的优化目标函数，得到30组优化目标函数值。
[0034]
s7.将s6得到的30组的优化目标函数值进行对比，完成基于微波窗神经网络模型的优化方法寻优，得出满足设计要求的最优解及对应的设计参数值，最终完成微波窗的仿真设计。
[0035]
本实例优化后得到的盒型窗的结构设计参数为[2.472,0.187,1.408,0.649]，将该组盒型窗结构设计参数分别输入到盒型窗神经网络模型和hfss电磁仿真软件，盒型窗神经网络模型预测该组结构设计参数耗时为0.2s，hfss仿真计算该组结构设计参数耗时为41s。该组结构设计参数的对应的盒型窗神经网络模型预测结果与hfss仿真结果对比图如图3所示，从图中可以看出盒型窗神经网络模型预测结果与hfss仿真结果基本吻合，平均误差为4.414％。故本发明提供的基于神经网络的微波窗仿真设计方法，能够有效提高微波窗的设计效率、节省时间成本。