新颖的神经网络逆建模方法及其应用

使用神经网络设计微波器件时,经常用到神经网络逆向模型。对于复杂的器件输入输出关系,直接逆向建模方法无法满足精度的要求,而其他精度可以满足要求的逆建模方法又具有结构复杂、计算量大等缺点,提出一种新颖的设计微波器件的逆建模方法。该方法只需建立神经网络正向模型,并在保持其权值不变的基础上,通过自适应调节最速下降法学习速率更新正模型的输入参数,使模型输出与理想输出误差达到最小,实现逆模型的功能。此方法没有单独建立逆模型,却能实现逆模型的功能,因此比其他方法简单很多。自适应学习速率的引入进一步改善了模型的速度和精度,将该方法应用到阻抗变换器的设计中,结果表明,相对于直接逆模型,此模型的运行时间减少了7.49%,所求变换器长度和频率的均方误差分别改善了99.95%和98.81%,可以解决多解的问题并用于实际微波器件的设计。

基于高频结构仿真器和神经网络的双面双频宽带偶极子天线设计

为了快速地设计一款应用于无线局域网络（WLAN）的双面结构的具有双频段、宽频带、小型化特性的偶极子天线，将偶极子贴片分别放置于介质基板的两侧，并采用微带巴伦线馈电的方式，以实现更好的宽带匹配。在偶极子的两臂分别开槽，实现小型双频特性，以满足WLAN的2．45GHz和5．49GHz的双频要求。整个天线的尺寸为28mm×44mm×1．6mm。并且利用电磁仿真软件高频结构仿真器（HFSS）和神经网络（NN）联合优化天线的尺寸，加快设计过程。仿真结果表明，当sll小于-10dB时，天线在低频和高频的带宽分别可以达到470MHz（2．29～2．76GHz）和3650MHz（4．96～8．61GHz）；当S11小于－14dB时，天线在低频和高频的带宽分别可以达到210MHz（2．36～2．57GHz）和770MHz（5．13～5．9GHz）。而且该天线的方向图具有良好的全向性，实物测量与仿真结果的一致性良好．可以满足WLAN的需要。

一种BP逆模型离线训练自适应预失真方法

为了进一步改善非线性功率放大器系统的线性度,提出了一种基于BP神经网络逆向建模的离线训练自适应预失真方法。利用BP神经网络对功放逆向建模,并将建立好的逆模型参数作为预失真器模型初值。为了提高在初始预失真系统中预失真器的线性化效果及系统自适应进程的速度,在建立自适应预失真系统之前,利用BP逆向模型对预失真器进行离线训练。最后采用直接结构和最小均方(LMS)算法调节神经网络预失真器的权值,以消除放大器非线性的扰动。仿真结果显示,此方案可使邻道互调功率降低约18 dB,而经典的直接—非直接结构只降低了8 dB,表明此预失真方案能够更好地改善功率放大器的线性度。