论文部分内容阅读
本文对馈线巴伦、耦合器等分别建立了回传神经网络模型。在人工神经网络的基础上，引入了可用于复杂的电磁工程建模的知识人工神经网络，并对Schiffman移相器建立了知识人工神经网络模型。
首先，对馈线巴伦、多层定向耦合器、超宽带天线及可重构天线建立BP神经网络模型。结果表明网络的性能很好，同时受训后的各神经网络模型还具有较强的推广能力。
其次，在训练样本数据匮乏的情况下，应用知识人工神经网络模型建立起Schiffman移相器模型。结果表明该Schiffman移相器的知识人工神经网络模型在保持较高的建模精度下具有良好的外推性。
另外，我们针对传统的Schiffman移相器所存在的缺点将其进行改进，设计了一种新型的Schiffman移相器结构，该结构实现了Schiffman移相器在低介电常数下较高的移相度数，并且简化了高介电常数下的加工工艺。
总之，本文所建立的网络计算机模型不仅保持了电磁仿真的精度，而且还可以降低它们对CPU和内存等硬件的要求，同时还具有良好的外推性。