摘要 | 第4-5页 |
ABSTRACT | 第5页 |
第一章 绪论 | 第8-12页 |
1.1 研究背景 | 第8-9页 |
1.2 发展概述及研究现状 | 第9-10页 |
1.2.1 人工神经网络发展概述 | 第9页 |
1.2.2 神经网络微波器件建模研究现状 | 第9-10页 |
1.3 本课题的提出和研究意义 | 第10-11页 |
1.4 论文的主要工作 | 第11页 |
1.5 论文的主要内容及结构 | 第11-12页 |
第二章 微波器件建模技术和人工神经网络 | 第12-34页 |
2.1 微波器件建模技术 | 第12-15页 |
2.1.1 传统的微波器件及电路设计技术 | 第12-13页 |
2.1.2 基于 CAD 的微波器件及电路设计技术 | 第13-14页 |
2.1.3 基于知识型决策的微波器件及电路设计技术 | 第14-15页 |
2.2 人工神经网络 | 第15-22页 |
2.2.1 人工神经网络的概念 | 第15-16页 |
2.2.2 人工神经元模型 | 第16-17页 |
2.2.3 人工神经网络的学习 | 第17-19页 |
2.2.4 人工神经网络分类 | 第19-20页 |
2.2.5 多层感知器(MLP) | 第20-22页 |
2.3 基于人工神经网络的微波器件及电路建模 | 第22-33页 |
2.3.1 数据获取 | 第22-23页 |
2.3.2 数据缩放 | 第23-25页 |
2.3.3 过训练和欠训练 | 第25-26页 |
2.3.4 神经网络训练 | 第26-33页 |
2.3.4.1 反向传播技术(Back Propagation) | 第26-29页 |
2.3.4.2 共轭梯度技术(Conjugate Gradient) | 第29-30页 |
2.3.4.3 拟牛顿法(Quasi-Newton) | 第30页 |
2.3.4.4 拉凡格式演算法(Levenberg-Marquardt) | 第30-31页 |
2.3.4.5 简易算法(Simplex Method) | 第31-32页 |
2.3.4.6 遗传算法(GeneticAlgorithms) | 第32-33页 |
2.4 本章小结 | 第33-34页 |
第三章 已有的神经网络训练数据获取方法研究 | 第34-46页 |
3.1 数据分布技术 | 第34-37页 |
3.1.1 均匀分布 | 第34-35页 |
3.1.2 非均匀分布 | 第35页 |
3.1.3 中心复合分布 | 第35-36页 |
3.1.4 星型分布 | 第36-37页 |
3.1.5 随机分布 | 第37页 |
3.2 传统神经网络训练数据获取算法 | 第37-39页 |
3.3 改进的神经网络训练数据获取算法 | 第39-45页 |
3.3.1 基本说明 | 第39-40页 |
3.3.2 算法描述 | 第40-44页 |
3.3.3 实例验证 | 第44页 |
3.3.4 实验结果分析 | 第44-45页 |
3.4 本章小结 | 第45-46页 |
第四章 微波器件智能建模及新型神经网络训练数据获取算法 | 第46-61页 |
4.1 微波器件建模 | 第46-47页 |
4.1.1 神经网络模型输入输出的选择 | 第46页 |
4.1.2 神经网络训练数据的生成 | 第46-47页 |
4.1.3 误差测量 | 第47页 |
4.1.4 电磁仿真人工神经网络(EM-ANN)模型与电路仿真器的结合 | 第47页 |
4.2 微波器件神经网络智能建模 | 第47-56页 |
4.2.1 神经网络智能建模简介 | 第47-49页 |
4.2.2 微波器件智能建模系统 | 第49-56页 |
4.2.2.1 基本定义 | 第49页 |
4.2.2.2 新型神经网络训练数据获取算法 | 第49-51页 |
4.2.2.3 利用新型数据获取算法对场效应管进行建模 | 第51-53页 |
4.2.2.4 三种算法比较 | 第53-54页 |
4.2.2.5 智能建模系统 | 第54-56页 |
4.3 微波器件建模实例 | 第56-60页 |
4.3.1 功率放大器建模 | 第56-58页 |
4.3.2 四分一波长平行耦合微带滤波器建模 | 第58-60页 |
4.4 本章小结 | 第60-61页 |
第五章 总结与展望 | 第61-63页 |
5.1 论文内容总结 | 第61-62页 |
5.2 未来工作展望 | 第62-63页 |
参考文献 | 第63-67页 |
发表论文和参加科研情况说明 | 第67-68页 |
致谢 | 第68页 |