Inverse Modellierung mit Neuronalen Netzwerken und Anwendungen im Entwurf von Mikrowellenfiltern

In diesem Papier werden systematische Techniken zur Modellierung neuronaler Netzwerke für Mikrowellenmodellierung und -design unter Verwendung des Konzepts der inversen Modellierung vorgestellt, wobei die Eingaben an das inverse Modell elektrische Parameter und die Ausgaben geometrische Parameter sind. Das Training des inversen neuronalen Netzmodells kann aufgrund der Nicht-Eindeutigkeit der Eingabe-Ausgabe-Beziehung im inversen Modell schwierig werden. Wir schlagen eine neue Methode zur Lösung eines solchen Problems vor, indem wir mehrwertige Lösungen in den Trainingsdaten erkennen. Die Daten mit mehrwertigen Lösungen werden entsprechend der Ableitungsinformationen unter Verwendung eines vorwärtsgerichteten neuronalen Netzmodells in Gruppen unterteilt, sodass die einzelnen Gruppen nicht mit dem Problem der mehrwertigen Lösungen konfrontiert werden. Mehrere inverse Modelle werden basierend auf den geteilten Datengruppen erstellt und dann kombiniert, um ein vollständiges Modell zu bilden. Eine umfassende Modellierungsmethodik wird vorgeschlagen, die direkte inverse Modellierung, Segmentierung, Ableitungsdivision und Techniken zur Modellkombination umfasst. Die Methodik wird auf die Modellierung von Wellenleitungsfiltern angewendet und erzielt genauere Ergebnisse im Vergleich zur direkten Methode der inversen neuronalen Netzmodellierung. Vollständige elektromagnetische Simulations- und Messergebnisse von Ku-Band zirkularen Wellenleitungs-Dualmodus-pseudoeliptischen Bandpassfiltern werden präsentiert, um die Effizienz der vorgeschlagenen Methodik der inversen neuronalen Netzmodellierung zu demonstrieren.