[资料]基于深度学习的射频器件建模(PDF下载)

[post]
提出了一种基于深度学习技术的射频 (RF) 器件建模高级方法，用于准确预测 S 参数。全波电磁求解器计算出的射频器件的 S 参数以及结构的金属几何形状、射频器件的介电层的介电常数和厚度，部分用作深度学习结构的训练数据，部分用作测试数据。为了有效地实施训练过程，引入了一种新的考虑关键点的训练数据选择方法。为了快速准确地将射频器件的几何参数映射到 S 参数，使用深度神经网络来建立多重非线性变换。神经网络的隐藏层是根据射频器件的频率响应自适应选择的，以保证生成模型的准确性。 Adam优化算法用于加速训练。通过建立参数化设备的深度学习模型，可以在器件几何参数发生变化时高效获取S参数。与使用浅层神经网络的传统建模方法相比，所提出的方法可以获得更好的精度，尤其是在训练数据不均匀的情况下。三个射频器件，包括一个矩形电感、一个叉指电容和两条耦合传输线，用于构建和验证深度神经网络。结果表明，深度神经网络具有良好的鲁棒性和优异的泛化能力。即使对于非常宽的频带（0-100 GHz），使用所提出的 ..

未注册仅能浏览部分内容，查看全部内容及附件请先 登录 或 注册

感谢分享

学习一下，感谢分享！

学习一下，感谢

感谢您提供的资料，期待您继续分享！

感谢您提供的资料，期待您继续分享！

学习一下

优秀资料+RF币

优秀资料+RF币