HFSST形接頭即波導(dǎo)功分器

1、CST STUDIO SUITETM T T形接頭（優(yōu)化）形接頭（優(yōu)化） 波導(dǎo)功分器：波導(dǎo)功分器：T形接頭形接頭 工作頻率工作頻率912GHz HFSS中掃頻設(shè)置（三種掃頻方法） 掃頻求解設(shè)置 Add Sweep Discrete Sweep-離散掃頻 特點： 利用當前設(shè)置頻率剖分網(wǎng)格，逐點求解各個頻點的電磁場 求解時間與點數(shù)成正比 能夠得到各個頻點的場分布 Solution Frequency可設(shè)置掃頻范圍的最高點作為自適應(yīng)點 在一般工程應(yīng)用當中，為了節(jié)約一部分時間，也可設(shè)置為中間偏高1/3 處進行自適應(yīng)求解，能夠在精度/速度上獲得較好的均衡 適應(yīng)場合： 需要的頻點數(shù)不多，并關(guān)注各個頻點的場

2、分布時 Fast Sweep-快速掃頻 特點 通過求解傳輸函數(shù)零極點的方法，快速獲得結(jié)構(gòu)的頻率響應(yīng) 求解時間與掃頻點數(shù)不敏感，可以求解充分多的頻點數(shù)以便表征結(jié)構(gòu)的諧振特性 能夠得到各個頻點的場分布 Solution Frequency中設(shè)置掃頻范圍的中心點作為自適應(yīng)點 網(wǎng)格在求解頻率上生成 離開中心頻率越遠，求解誤差越大（不適合特別快的頻帶） Interpolating Sweep-插值掃頻 特點： 在給定的頻率范圍內(nèi)，由軟件利用當前網(wǎng)格，自動確定電磁 場求解的頻點，然后通過內(nèi)插，獲得整個掃頻范圍內(nèi)的頻率 響應(yīng) 插值掃描的精度可以通過Error Tolerance設(shè)置 Solution Fre

3、quency中設(shè)置整個掃頻范圍偏高的位置作為自適 應(yīng)點，可以在整個帶寬內(nèi)獲得較好的精確性 只能得到自適應(yīng)頻點的場分布 適合于超寬帶掃頻（如DC10GHz） 三種掃頻算法比較 求解頻率的設(shè)置 離散掃頻（Discrete）和插值掃頻（Interpolating Sweep） 自適應(yīng)求解頻率設(shè)置為掃頻范圍的偏高處，利用較高求解 頻率產(chǎn)生的較多網(wǎng)格確保求解精度 快速掃頻（Fast Sweep）的算法特點，使得離開求解頻率越遠 誤差越大，精度越低 自適應(yīng)求解頻率設(shè)置為掃頻范圍的中心點 適合頻帶情況 離散掃頻（Discrete）適合比較窄的少數(shù)幾個頻點 快速掃頻（Fast Sweep）適合不寬不窄的頻帶（

4、大多數(shù)應(yīng)用場 合） 插值掃頻（Interpolating Sweep）適合超寬帶 得到的場分布 離散掃頻（Discrete）能得到各個頻點的場分布 快速掃頻（Fast Sweep）能得到各個頻點的場分布 插值掃頻（Interpolating Sweep）只能得到自適應(yīng)頻點的場分 布 問題：問題： 反射大、功分損耗大？反射大、功分損耗大？ w Length 方法一：加金屬塊突起方法一：加金屬塊突起 r 10 50 2010 100 20 offset 工作頻率工作頻率912GHz 金屬銷釘半徑金屬銷釘半徑r=1mm，離開短路面距離，離開短路面距離offset=20mm 優(yōu)化優(yōu)化r和和offset

5、，使得，使得1端口反射小于端口反射小于-20dB 尺寸單位：尺寸單位：mm 1端口端口 2端口端口 3端口端口 方法二：加金屬銷釘方法二：加金屬銷釘 優(yōu)化前可以先參掃參掃，可縮小優(yōu)化的范圍，提高優(yōu)化的效率 這里以參掃offset為例，計算中心頻點10.5GHz處的S11 HFSS 13.0 的優(yōu)化器 在HFSS優(yōu)化分析中有5種優(yōu)化器可供選擇。 連續(xù)非線性規(guī)劃（Sequential Nonlinear Programming (SNLP)）； 連續(xù)和整數(shù)非線性規(guī)劃（Sequential Mixed Integer NonLinear Programming (SMINLP) ）； 準牛頓（Qua

6、si Newton ）； 模式搜索（Pattern Search ）； 遺傳算法（Genetic Algorithm ）； 在大多數(shù)情況下，推薦使用連續(xù)非線性規(guī)劃 （Sequential Nonlinear Programming）， 該優(yōu)化器最好用，優(yōu)化的效果也最好。 優(yōu)化變量初值的選擇 優(yōu)化自變量的初值應(yīng)盡量接近最優(yōu)值-通過解析計算、參掃等手段獲 ?。?優(yōu)化自變量的范圍選擇，首先應(yīng)保證期望的最優(yōu)值是在指定的自變 量范圍之內(nèi)，其次自變量的范圍越窄越好； 需要設(shè)置最大優(yōu)化迭代次數(shù)； 所有的優(yōu)化器都可以對自變量添加約束。SNLP 和 SMINLP 優(yōu)化器 的約束條件可以是線性的也可以是非線性的，

7、而Quasi Newton、 Pattern Search和Genetic Algorithm的約束條件只能是線性的。 Cost function的定義 The cost function that the optimizer uses is built based on the norm setting as long as there are multiple goals. Thus, in this case the error associated with each individual goal (weighted) is combined in a way that is spe

8、cific for each norm type chosen. For L1 norm the actual cost function uses the sum of absolute weighted values of the individual goal errors: For L2 norm (the default) the actual cost function uses the weighted sum of absolute values of the individual goal errors: For the Maximum norm the cost funct

9、ion uses the maximum among all the weighted goal errors: 調(diào)出調(diào)出L1、L2和和Maximum 優(yōu)化器1：非線性規(guī)劃 非線性規(guī)劃是20世紀50年代才開始形成的一門學(xué)科。非 線性規(guī)劃在工程、管理、經(jīng)濟、科研、軍事等方面都有廣 泛的應(yīng)用，為最優(yōu)設(shè)計提供了有力的工具。 非線性規(guī)劃 是指具有非線性約束條件或目標函數(shù)的數(shù)學(xué)規(guī)劃，是運 籌學(xué)的一個分支。非線性規(guī)劃研究一個n元實函數(shù)在一組 等式或不等式的約束條件下的極值問題，目標函數(shù)和約束 條件至少有一個是未知量的非線性函數(shù)。若目標函數(shù)和約 束條件都是線性函數(shù)的情形則屬于線性規(guī)劃。 非線性規(guī)劃-數(shù)學(xué)模型

10、 對實際規(guī)劃問題作定量分析，必須建立數(shù)學(xué)模型。建 立數(shù)學(xué)模型首先要選定適當?shù)哪繕俗兞亢蜎Q策變量， 并建立起目標變量與決策變量之間的函數(shù)關(guān)系，稱之 為目標函數(shù)。然后將各種限制條件加以抽象，得出決 策變量應(yīng)滿足的一些等式或不等式，稱之為約束條件。 非線性規(guī)劃問題的一般數(shù)學(xué)模型可表述為求未知量x1， x2，xn，使?jié)M足約束條件： gi(x1，xn)0i1,m hj(x1，xn)0j1,p 并使目標函數(shù)f(x1，xn)達到最小值(或最大值)。 其中f，gi和hj都是定義在n維向量空間Rn的某子集 D(定義域)上的實值函數(shù)，且至少有一個是非線性函 數(shù)。 需要設(shè)置變量的最小最大聚焦區(qū) 中點 優(yōu)化器2：準牛

11、頓法 n準牛頓（ Quasi Newton ） q準牛頓法是一種通過求梯度的“下山”搜索，與最速下降法類似 。但區(qū)別是：在發(fā)現(xiàn)有希望的搜索方向時，準牛頓法使用了近似 的二階導(dǎo)數(shù)，這樣做就避免了最速下降法由于Z字形搜索路徑產(chǎn)生 的慢收斂速率，提高了優(yōu)化速度。它從設(shè)計空間的一個點開始搜 索，并反復(fù)地嘗試發(fā)現(xiàn)較好的設(shè)計點。 n準牛頓優(yōu)化器允許你確定成本函數(shù)噪聲。 nIn order to use the Quasi-Newton optimizer effectively, the cost function should be based on parameters that exhibit a

12、smooth characteristic (little numerical noise) and a starting point of the optimization should be chosen somewhat close to the expected minimum being optimized. This becomes increasingly difficult, however, when multiple parameters are being optimized. The computational burden of multivariate optimi

13、zation with Quasi-Newton increases geometrically with the number of variables being optimized. As a result, this method should only be attempted when 1 or 2 variables are being optimized as a time. 準牛頓法的局限性 準牛頓法獲得最優(yōu)點與初值有關(guān)。 數(shù)字噪聲大時，不能使用準牛頓法 準牛頓法最大步長和最小步長變量設(shè)置 n準牛頓法的最大步長設(shè)置： q你應(yīng)該為所有的優(yōu)化變量確定最大步長，這個參數(shù)確定了一個

14、圍繞對應(yīng)設(shè)計空間坐標系統(tǒng)的圓，沿搜索方向的搜索步長應(yīng)小 于最大步長，即搜索步矢量的端點在這個圓內(nèi)。這個參數(shù)限制 了搜索一步的“半徑”。 n準牛頓法的最小步長設(shè)置： q這個優(yōu)化參數(shù)的設(shè)定也定義了一個與上面敘述類似的圓。當在 給定方向搜索方向的搜索得到了一個小于最小步長的步長時， 搜索算法將中止。所以，它真正是搜索停止的標準。 -噪聲噪聲 可接受誤差噪聲 優(yōu)化器3：模式搜索 n模式搜索（ Pattern Search ） q若噪聲大可使用模式搜索，這種模式被 定在網(wǎng)格上，是基于網(wǎng)格的單純形搜尋 ，而且網(wǎng)格根據(jù)搜索成功率來細分或粗 化。與準牛頓法類似，這種搜索也是反 復(fù)搜索。首先，計算模式，即計算單

15、純 形點的成本函數(shù)，然后不斷被鏡像構(gòu)成 模式搜索。如果在這個搜索過程中有比 較好的點，這個點被設(shè)定做第二次迭代 ；如果沒發(fā)現(xiàn)較好的點，網(wǎng)格被細分且 算法再次開始計算模式，希望第二次能 發(fā)現(xiàn)一個較好的點。 “單純形單純形”不斷被鏡像構(gòu)成模式圖不斷被鏡像構(gòu)成模式圖 Generally, Pattern Search algorithms are not used when more than three variables are used in the optimization. 模式搜索法最大步長和最小步長變量設(shè) 置 模式搜索法的最大步長設(shè)置： 如前所述，這個算法使用常規(guī)網(wǎng)格。對每個優(yōu)化變 量

16、網(wǎng)格的初始間隔由最大步長參數(shù)確定。 模式搜索法的最小步長設(shè)置： 和準牛頓搜索的情況一樣，這個參數(shù)觸發(fā)搜索停止。 隨著迭代接近最佳值，模式搜索算法自然地細分網(wǎng) 格。當網(wǎng)格被細分到間隔小于最小設(shè)定步長時，則 算法停止進一步的搜索。 優(yōu)化器4：遺傳算法 遺傳算法（Genetic Algorithm）是根據(jù)達爾文生物進化論中的 自然選擇和遺傳學(xué)原理構(gòu)建的優(yōu)化算法，通過模擬自然進化過 程從而搜索最優(yōu)解的方法，它最初由美國Michigan大學(xué) J.Holland教授于1975年首先提出來的，并出版了頗有影響的專 著Adaptation in Natural and Artificial Systems，G

17、A這個名 稱才逐漸為人所知。 遺傳算法定義 遺傳算法的計算過程是，在一開始需 要實現(xiàn)從表現(xiàn)型到基因型的映射工作 (即編碼)，由于仿照基因編碼的工作 很復(fù)雜，往往進行簡化，如二進制編 碼。初代種群產(chǎn)生之后，按照適者生 存和優(yōu)勝劣汰的原理，逐代 （generation）演化，產(chǎn)生出越來越 好的近似解。在每一代，根據(jù)問題域 中個體的適應(yīng)度（fitness）大小選擇 （selection）個體，并借助于自然遺 傳學(xué)的遺傳算子（genetic operators） 進行組合交叉（crossover）和變異 （mutation），產(chǎn)生出代表新的解集 的種群。這個過程將導(dǎo)致種群像自然 進化一樣，后代種群比前

18、代更加適應(yīng) 于環(huán)境，末代種群中的最優(yōu)個體經(jīng)過 解碼（decoding），即作為問題近似 最優(yōu)解。 優(yōu)化：優(yōu)化： r=1,范圍范圍0.51.5 offset=9，范圍，范圍711 是否忽略前面在design property里的設(shè)置 勾上就是忽略掉，以本窗口的設(shè)置為準 否則，將以design property里的設(shè)置為準 進design property里 設(shè)置 優(yōu)化結(jié)果優(yōu)化結(jié)果 使用連續(xù)非線性規(guī)劃 Sequential Nonlinear Programming (SNLP). 優(yōu)化結(jié)果優(yōu)化結(jié)果 優(yōu)化結(jié)果優(yōu)化結(jié)果 優(yōu)化結(jié)果優(yōu)化結(jié)果 練習(xí)： 微帶功分器：wilkinson 3dB功分 器 要求：

19、在3GHz處 實現(xiàn)最佳工作 先調(diào)用宏，計算微帶 線的寬度、長度 7 30 7.2 3+0.77+7.2+3 50歐姆線寬歐姆線寬1.51mm，線長，線長3mm 70.7歐姆線寬歐姆線寬0.77mm，線長，線長14.2mm 空氣寬空氣寬30mm，高，高8mm 端口端口10mm寬寬 10 性能若不滿足要求，可以在此基礎(chǔ)上進一步優(yōu)化。性能若不滿足要求，可以在此基礎(chǔ)上進一步優(yōu)化。 波導(dǎo)功分器：波導(dǎo)功分器：T形接頭形接頭 工作頻率工作頻率912GHz Discrete Sweep-離散掃頻 特點： 利用當前設(shè)置頻率剖分網(wǎng)格，逐點求解各個頻點的電磁場 求解時間與點數(shù)成正比 能夠得到各個頻點的場分布 Sol

20、ution Frequency可設(shè)置掃頻范圍的最高點作為自適應(yīng)點 在一般工程應(yīng)用當中，為了節(jié)約一部分時間，也可設(shè)置為中間偏高1/3 處進行自適應(yīng)求解，能夠在精度/速度上獲得較好的均衡 適應(yīng)場合： 需要的頻點數(shù)不多，并關(guān)注各個頻點的場分布時 優(yōu)化器2：準牛頓法 n準牛頓（ Quasi Newton ） q準牛頓法是一種通過求梯度的“下山”搜索，與最速下降法類似 。但區(qū)別是：在發(fā)現(xiàn)有希望的搜索方向時，準牛頓法使用了近似 的二階導(dǎo)數(shù)，這樣做就避免了最速下降法由于Z字形搜索路徑產(chǎn)生 的慢收斂速率，提高了優(yōu)化速度。它從設(shè)計空間的一個點開始搜 索，并反復(fù)地嘗試發(fā)現(xiàn)較好的設(shè)計點。 n準牛頓優(yōu)化器允許你確定成本函數(shù)噪聲。 nIn order to use the Quasi-Newton optimizer effectively, the cost function should be based on parameters that exhibit a smooth characteristic (little numerical noise) and a starting point of the optimization should be chosen somewhat close to the expected minim