优化算法在微波腔体滤波器结构参数中的应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-12页 |
| 1.1 课题研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 微波滤波器国内外研究现状 | 第9-10页 |
| 1.2.2 优化算法国内外研究现状 | 第10-11页 |
| 1.3 论文内容安排 | 第11-12页 |
| 第2章 带通滤波器的基础理论 | 第12-23页 |
| 2.1 带通滤波器主要参数及传输特性 | 第13-15页 |
| 2.1.1 带通滤波器的主要参数 | 第13页 |
| 2.1.2 带通滤波器的传输特性 | 第13-15页 |
| 2.2 低通原型滤波器 | 第15-16页 |
| 2.2.1 Chebyshev低通原型滤波器 | 第15-16页 |
| 2.2.2 广义切比雪夫滤波器 | 第16页 |
| 2.3 频率变换 | 第16-17页 |
| 2.3.1 低通原型与高通滤波器的频率变换 | 第16-17页 |
| 2.3.2 低通原型到带通滤波器的频率变换 | 第17页 |
| 2.4 腔体带通滤波器耦合结构的的设计 | 第17-22页 |
| 2.4.1 两谐振腔之间的耦合结构 | 第18-20页 |
| 2.4.2 耦合端口的设计 | 第20-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 基于神经网络的优化算法 | 第23-34页 |
| 3.1 BP神经网络 | 第23-27页 |
| 3.1.1 神经网络结构选择 | 第24-25页 |
| 3.1.2 BP算法的改进 | 第25-27页 |
| 3.2 遗传神经网络 | 第27-30页 |
| 3.2.1 神经网络与遗传算法的结合 | 第27-28页 |
| 3.2.2 遗传神经网络算法流程 | 第28-29页 |
| 3.2.3 遗传神经网络算法改进 | 第29-30页 |
| 3.3 并行拟牛顿神经网络 | 第30-33页 |
| 3.3.1 拟牛顿算法概述 | 第30-31页 |
| 3.3.2 拟牛顿算法实现步骤 | 第31页 |
| 3.3.3 并行拟牛顿神经网络原理及实现 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 基于极限学习机的优化算法 | 第34-41页 |
| 4.1 ELM基本理论 | 第34-36页 |
| 4.2 核极限学习机 | 第36-38页 |
| 4.2.1 核函数 | 第36页 |
| 4.2.2 小波核极限学习机 | 第36-38页 |
| 4.3 基于量子粒子群的核极限学习机 | 第38-40页 |
| 4.3.1 量子粒子群优化算法 | 第38-39页 |
| 4.3.2 QPSO-WKELM算法及改进 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第5章 微波腔体滤波器优化设计 | 第41-52页 |
| 5.1 七腔带通滤波器的设计实例 | 第41-42页 |
| 5.2 七腔带通滤波器的优化设计 | 第42-50页 |
| 5.2.1 GA-BP算法 | 第42-45页 |
| 5.2.2 PQN-BP算法 | 第45-46页 |
| 5.2.3 QPSO-WKELM算法 | 第46-50页 |
| 5.3 不同优化算法对比分析 | 第50-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 在学期间发表的学术论文和参加科研情况 | 第56-57页 |
| 致谢 | 第57页 |
