[发明专利]一种适于高功率微波源的原型设计方法及相关装置

权利要求书

1.一种适于高功率微波源的原型设计方法，其特征在于，包括：

通过对高功率微波源器件结构特点进行分析，设定器件结构描述参数，并确定结构描述参数的取值范围及取值精度；

基于结构描述参数及器件性能参数的取值范围及取值精度，构建能够描述该类型高功率微波源器件性能特性的深度人工神经网络；基于结构描述参数的取值范围及取值精度构建训练样本数据集，用于训练该深度人工神经网络生成抽象网络模型；基于抽象网络模型和设计目标，构建原型鉴别网络模型；

基于结构描述参数的取值范围及取值精度，构建用于该类型高功率微波源原型生成的逆向设计网络；构建训练样本数据集，基于原型鉴别网络模型，训练该逆向设计网络生成原型生成网络模型；

基于原型生成网络模型和PIC数值模拟验证方法，实现器件原型的正确性验证，并以迭代方式生成符合设计目标的高功率微波源器件原型。

2.根据权利要求1所述的一种适于高功率微波源的原型设计方法，其特征在于，确定结构描述参数及其取值范围和取值精度：分析某种类型高功率微波源器件的结构特点，构建器件结构描述参数，实现利用器件结构描述参数对此种类型器件进行结构描述，并确定结构描述参数的取值范围及取值精度。

3.根据权利要求1所述的一种适于高功率微波源的原型设计方法，其特征在于，构建原型鉴别网络模型：

基于结构描述参数及器件性能参数的维度信息，构建n层全连接深度人工神经网络，用于描述高功率微波源的器件性能特性；该深度人工神经网络的输入参数为结构描述参数，输出为器件性能参数；

基于结构描述参数的取值范围和取值精度，利用正交试验设计方法或随机采样方法，生成器件结构样本数据集，利用PIC数值模拟方法、实验方法或理论分析方法获得所有器件结构样本数据集中描述器件的器件性能；将器件结构参数与器件性能参数相结合，构建训练样本数据集；利用训练样本数据集，采用Adam优化算法完成深度人工神经网络训练，得到抽象网络模型；基于抽象网络模型和设计目标，构建用于描述器件性能与设计目标匹配程度的原型鉴别网络模型；原型鉴别网络模型将基于抽象网络模型输出的器件性能R_pre和设计目标R_target，计算该器件与设计目标的匹配度R_pre/R_target，并作为原型鉴别网络模型的输出结果。

4.根据权利要求1所述的一种适于高功率微波源的原型设计方法，其特征在于，构建逆向设计网络：

基于结构描述参数的维度信息，构建n层全连接的逆向设计网络，用于实现高功率微波源的器件原型生成；该逆向设计网络的输入参数为利用均匀随机方法生成的维度与器件结构描述参数一致的种子参数，输出结果为器件结构描述参数。

5.根据权利要求1所述的一种适于高功率微波源的原型设计方法，其特征在于，生成原型生成网络模型：

构建用于逆向设计网络训练的训练样本集，包括输入参数和输出目标；其中，输入参数为基于结构描述参数维度信息，采用均匀随机方法生成的种子参数数据集，输出目标为维度与器件性能参数相同的单位向量；将输入参数传入逆向设计网络，生成器件结构；利用原型鉴别网络模型，得到该器件的性能参数与设计目标的匹配度；利用匹配度与输出目标计算损失度；采用不限于Adam的神经网络优化算法训练逆向设计网络，生成原型生成网络模型；即逆向设计网络的训练目标为令匹配度R_pre/R_target≈1。

6.根据权利要求1所述的一种适于高功率微波源的原型设计方法，其特征在于，基于原型生成网络模型和PIC数值模拟验证，以迭代方式实现该种类型的高功率微波源的原型设计：

采用均匀随机方法生成维度与器件结构描述参数一致的种子参数，并输入原型生成网络模型生成器件结构；利用PIC数值模拟方法对该器件进行数值模拟，得到器件性能的数值模拟结果；若PIC模拟验证结果表明该器件不满足设计要求，则重新生成新的器件结构，否则标记当前器件为满足设计要求的器件原型。