基于ADS的KBNN在带通滤波器优化设计中的应用

现有的知识神经网络的先验知识大部分是由经验公式推导得到的,而电磁问题中公式的推导比较繁杂,且对于复杂的电磁问题,推导出相应的公式几无可能.因此,提出了一种将仿真软件ADS仿真结果作为先验知识的方法,以解决现有先验知识获取困难的问题.采用神经网络与仿真软件相结合的方法,将ADS和三维电磁仿真软件HFSS仿真结果分别作为先验知识和教师信号,并运用粒子群算法对神经网络进行训练,构建了相应的知识神经网络(knowledge-based neural network,KBNN)模型,有效地降低了神经网络结构的复杂度.利用该方法设计的网络对微带抽头型发卡带通滤波器进行优化设计,该滤波器满足设计指标,表明该方法的有效性和优越性.

用于EBG优化设计的基于粗网格的KBNN

在采用知识神经网络对微波器件进行建模优化时,先验知识大部分源于经验公式,而经验公式的推导十分繁杂,为避免先验知识获取困难,提出了一种将电磁仿真计算中精确网格剖分的计算模型作为教师信号,将粗糙网格剖分计算模型作为先验知识并运用粒子群算法对神经网络进行训练的方法,构建了相应的知识神经网络模型。对双层电磁带隙结构建模并进行优化设计,建模结果和优化效果均十分理想。说明了知识神经网络可以替代优化过程中的精确模型,减少优化所需的时间,证明所述方法的可行性与优越性。

使用不同置信级训练样本的神经网络学习方法

针对含不同置信级样本的模型拟合问题,该文提出了一种基于神经网络的二次学习方法。文中指出真实模型是实验模型的一种变异,提出逼近真实模型期望值的神经网络,是融合先验样本和真实样本的最佳网络。首先,以先验样本为训练样本进行第1次神经网络学习,并计算取决于硬点信息的软点误差容量区间;然后,同时将先验样本和真实样本作为训练样本,利用软点误差容量区间和硬点误差敏感系数,对神经网络训练过程中输入/目标对的误差进行修改,通过第2次学习得到既能精确拟合真实样本,又能最大化利用先验样本信息的综合网络。与基于知识的神经网络(KBNN)相比,该方法更加简单,可操控性更强并具有更加明确的逻辑意义。

利用智能方法进行LTCC电路的建模与优化

建模分析和优化综合是目前叠层LTCC滤波器设计的关键。建模方法一直是LTCC电路计算机辅助设计技术的主要瓶颈。利用智能方法对叠层LTCC滤波器的建模与优化的现状进行分析和讨论,即人工神经网络(ANN)、基因算法(GA)、遗传神经网络、神经网络空间映射(NSM)和知识自动模型生成(KAMG)等几种主要方法。并对以后的研究方向和发展趋势作了预测性阐述。

基于决策树构造神经网络的方法及应用

基于知识的神经网络KBNN(Knowledge-BasedNeuralNetwork)在提高神经计算性能方面效果显著,其构造方法基于已得的规则.利用决策树对数值数据的分割能力和神经网络准确的逼近收敛能力,提出了一种利用C4.5决策树从数据中自动提取规则生成神经网络的构造方法.该方法易于构造、收敛速度快、精度较高,在高速公路路面破损智能识别系统中使用效果良好.