| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-11页 |
| 1 绪论 | 第11-24页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 SIW器件的研究现状 | 第12-16页 |
| 1.3 基于神经网络的微波器件优化研究现状 | 第16-20页 |
| 1.4 本文的主要研究工作 | 第20-22页 |
| 1.5 本文的组织结构 | 第22-24页 |
| 2 SIW器件的结构与特性 | 第24-36页 |
| 2.1 Floquet定理 | 第24-26页 |
| 2.2 周期导电壁的电磁波透射 | 第26-30页 |
| 2.3 SIW的传输特性和矩形波导等效 | 第30-33页 |
| 2.4 SIW器件的分析优化方法 | 第33-34页 |
| 2.5 本章小结 | 第34-36页 |
| 3 基于神经网络的SIW器件优化方法 | 第36-52页 |
| 3.1 神经网络的基本原理和功能 | 第36-40页 |
| 3.2 BP神经网络 | 第40-46页 |
| 3.3 基于神经网络的SIW器件优化方法 | 第46-51页 |
| 3.4 本章小结 | 第51-52页 |
| 4 基于神经网络的SIW器件优化关键技术 | 第52-119页 |
| 4.1 概述 | 第52-55页 |
| 4.2 样本的获取和数据预处理技术 | 第55-60页 |
| 4.2.1 样本的获取 | 第55-59页 |
| 4.2.2 样本数据的预处理方法 | 第59-60页 |
| 4.3 泛化能力的提高—振动重力场训练算法 | 第60-86页 |
| 4.3.1 标准振动重力场训练算法 | 第61-66页 |
| 4.3.2 振动重力场训练算法中的训练控制 | 第66-73页 |
| 4.3.3 振动参量的影响及选择 | 第73-77页 |
| 4.3.4 回溯振动重力场训练算法 | 第77-82页 |
| 4.3.5 退火振动重力场训练算法 | 第82-83页 |
| 4.3.6 实验与比较 | 第83-86页 |
| 4.4 基于自然常数的随机数产生 | 第86-107页 |
| 4.4.1 随机数及其对于神经网络训练的意义 | 第86-89页 |
| 4.4.2 现有随机数发生器的特点与不足 | 第89页 |
| 4.4.3 基于π的随机数产生方法及其在神经网络训练中的应用 | 第89-107页 |
| 4.5 基于艾宾浩斯遗忘曲线的神经网络训练方法 | 第107-117页 |
| 4.5.1 艾宾浩斯遗忘曲线 | 第108-109页 |
| 4.5.2 基于艾宾浩斯遗忘曲线的神经网络训练方法 | 第109-112页 |
| 4.5.3 应用与比较 | 第112-117页 |
| 4.5.4 分析与结论 | 第117页 |
| 4.6 集成的SIW器件优化与优化环境 | 第117-118页 |
| 4.7 本章小结 | 第118-119页 |
| 5 基于神经网络的SIW器件优化 | 第119-145页 |
| 5.1 10GHz SIW功分器优化研究 | 第119-129页 |
| 5.1.1 优化问题的提出 | 第119-121页 |
| 5.1.2 基于神经网络的金属柱半径及位置优化 | 第121-127页 |
| 5.1.3 与基于设计曲线优化结果的比较 | 第127-129页 |
| 5.2 X波段滤波器优化研究 | 第129-137页 |
| 5.2.1 优化问题的提出 | 第129-132页 |
| 5.2.2 基于神经网络的金属柱半径优化 | 第132-135页 |
| 5.2.3 与HFSS优化的比较 | 第135-137页 |
| 5.3 缝隙阵天线优化研究 | 第137-144页 |
| 5.3.1 优化问题的提出 | 第138-141页 |
| 5.3.2 基于神经网络的缝隙槽长度优化 | 第141-144页 |
| 5.4 本章小结 | 第144-145页 |
| 6 结语 | 第145-146页 |
| 致谢 | 第146-147页 |
| 参考文献 | 第147-155页 |
| 附录Ⅰ.攻读博士学位期间发表论文目录 | 第155-156页 |
| 附录Ⅱ：基于BBP算法的均匀随机数发生器 | 第156-161页 |
| 附录Ⅲ：基于改进BBP算法的均匀随机数发生器 | 第161-172页 |
| 附录Ⅳ：基于π展开文件的均匀随机数发生器 | 第172-174页 |
| 附录Ⅴ：π与LCG组合随机数发生器 | 第174-180页 |