采用卷积神经网络的双频功分器有何优化？
功分器应用于阵列天线的馈电网络、功率放大器的功率合成、平衡放大器的设计等领域。
在如今通信系统快速发展的时代，设计出能够满足多频段应用、性能良好、损耗低、尺寸小且结构紧凑的功分器具有重要的研究价值。
本文首先设计了一种由耦合微带线和隔离电阻组成，双谐振频率在2.2ＧＨｚ和4.4ＧＨｚ的三端口双频功分器，以此作为优化设计的参考模型，运用一维卷积神经网络预测功分器在其他不同双谐振频率下的几何结构参数。
此方法可有效提高网络模型的训练速度，缩短训练时长，并在一定程度上提高预测的精确度，为实现多目标几何参数电磁器件的快速优化设计提供了一种新的思路。
双频功分器模型结构如图1所示。此功分器是三端口结构，存在一个输入端口（端口1）、两个输出端口（端口2，3）。
对于本文所设计的功分器而言，在输入端口的回波损耗接近或达到设计标准的基础上，两个输出端口的回波损耗和插入损耗同样能够达到设计标准。
SOM神经网络是一种基于神经网络的聚类算法，可对数据进行无监督学习聚类。SOM网络结构如图２所示。通过输入空间中的数据，生成一个低维、离散的映射，自动地将相似的数据聚拢。
CNN是一种多层堆叠的深度神经网络结构，包括输入层、隐藏层、全连接层和输出层。隐藏层由卷积层和池化层组成。
本文以原本用于图像处理的AlexNet模型为基础，提出改进后的DCNN模型。网络结构如图3所示，其包括输入层、隐藏层和输出层。隐藏层包含7个卷积层，３个最大池化层和４个全连接层。
网络模型其他各项参数设置的具体结果如表１所示。网络整体的训练流程如图４所示。
在原始7800条总样本和经过SOM网络选取的3515条样本中，分别随机划分出20条作为DCNN模型训练效果的验证集，不参与模型训练。
在迭代训练1000次之后，DCNN模型训练时长、模型的损失值和在验证集上表现的损失值情况如表２中所示。
对比分析使用两种样本训练的验证集表现情况，图5（ａ）为DCNN训练学习原始样本集后得到的预测结果与验证集的对比情况。
由图可见，大部分预测结果与验证集的样本点非常接近，但存在少部分样本点与验证集出现偏离；同时，由于原始样本集中包含大量的冗余样本，导致耗费较长的训练时间，神经网络训练效率较低。
图5（ｂ）为DCNN模型训练学习经过SOM神经网络选取的样本后得到的预测结果与验证集的对比情况。由图可以看出，预测结果与验证集出现偏离的样本点减少。
本文拟定3组双谐振频率未包含在训练样本内的参数曲线作为DCNN模型训练完成后的测试集。
以CNN代表DCNN模型训练学习原始样本集，以PRO代表DCNN模型训练学习经过SOM神经网络从原始样本集中选取的样本，如表３所示。
将表３中的预测结果放入电磁仿真软件进行验证，以此检验训练后DCNN模型的预测效果，对比结果如图６-８所示。
其结果说明功分器在该谐振频率处拥有较高的回波损耗和隔离度。从综合算法角度分析，训练效果好、泛化能力强的神经网络仍然存在预测结果精确度的问题，其存在误差。
本文提出了一种基于DCNN的深度学习方法，能够将已有固定频率的功分器进行几何结构参数的快速重新优化设计，以适用于任意实际所需工作频段。
运用DCNN学习功分器几何参数的映射关系，训练完成的神经网络模型在极短的时间内得到该功分器在其他任意不同的双谐振频率处拥有良好性能的结构尺寸。
SOM神经网络的训练样本选取方法有效地提高了DCNN模型训练学习的效率，并减小了预测误差。经过电磁仿真软件的验证，证明此方案能够实现多参数目标功分器的快速优化设计。
