基于混波室的介電常數測量方法技術

本發明專利技術涉及一種測量介電常數的新方法，采用混波室測試環境與神經網絡算法相結合的方法來測量介電常數。利用混波室內扇葉角度的變化，等效于得到不同諧振頻率f、不同場分布的矩形諧振腔。在不同扇葉角度分別測試不同材料樣本，將相應計算結果作為訓練序列對神經網絡進行訓練。當神經網絡經過充分訓練后，可得到品質因數Q值與相對介電常數εr的函數對應關系。通過輸入測量Q值，可預測得到扇葉某個角度對應的被測材料相對介電常數εr值。多個扇葉角度將對應有多組εr數值，最后通過加權平均計算減小測量的隨機誤差。

【技術實現步驟摘要】

本專利技術涉及介電常數測量方法的領域。更具體地，本專利技術致力于一種利用混波室結合神經網絡算法研究介電常數的測量方法。
技術介紹
目前，在微波波段國內外對介電常數的測量方法很多，主要分為兩大類一類是時域測量法，測量在時域中進行，它所用的探測信號源是脈沖電磁波，研究被測信號的瞬態響應；一類是頻域測量法，測量在頻域中進行，它用連續周期電磁波作為探測信號源，研究的是被測信號的穩態響應。頻域測量法包括三種，傳輸線法、諧振腔法和空間波法。其中諧振腔法是在微波諧振腔中放入介質材料進行填充，由于介質材料的介電常數與空氣有所差異，將導致諧振腔在加載介質前后的諧振頻率f和品質因數Q有所變化，因此可根據加載前后諧振腔的諧振頻率和Q值計算出相對介電常數。諧振腔微擾法是將體積較小的介質樣品加載進諧振腔的特定位置，對諧振腔內部的場分布進行微小的擾動，通過對微擾前后的諧振頻率f和Q值進行測量，根據微擾理論近似公式計算得到介質的相對介電常數。目前所有利用諧振腔微擾法測量介電常數的方法中存在以下問題第一，該方法均為選擇某一個尺寸固定、邊界條件固定因而場分布固定的諧振腔進行測量。根據測量理論得知，由測量系統會引起重復性和再現性誤差，即隨機誤差，其產生原因主要有以下幾個方面I)儀器誤差測量中用到的儀器設備，如信號源，網絡分析儀等；2)環境誤差測量時外界條件及測試人員引起的振動對測試結果影響很大；3)方法誤差由于測量方法不完善引起的誤差，如近似的數據處理引起的誤差等;4)人員誤差測量者不同引起的誤差。第二，微擾理論為近似理論，即相對介電常數與Q值、諧振頻率f之間的函數關系為近似處理結果，因此計算得出的介電常數數值與真實值之間有誤差。為減小隨機誤差對測量結果的影響，需要選擇一種新的既便捷操作、又能減小誤差的測量方法。混波室作為一種新型電磁兼容測試場地，是電大(尺寸與波長可比擬)、時變、高傳導率、高Q值的屏蔽小室。混波室可用于各種電子設備的電磁兼容測試。構成混波室的形式有多種，本專利技術涉及的是機械攪拌形式，室內裝有一個或者兩個攪拌器，通過轉動扇葉攪動混波室內的合成多模電磁環境，得到不同的腔體場分布。因此混波室可以提供一個新的測試介電常數環境。為減小介電常數計算值與真實值之間的誤差，需要提供另選的更有效的描述介電常數與諧振頻率f、Q值函數關系的方法
技術實現思路
本專利技術致力于解決如下問題，即選擇一種新的測試介電常數環境來減小隨機誤差，同時選擇一種更有效的分析測量數據的方法。本專利技術采用混波室測試環境與神經網絡算法相結合的方法來測量介電常數。利用混波室內扇葉角度的變化改變腔體的品質因數Q值，等效于得到不同諧振頻率f、不同場分布的矩形諧振腔。扇葉轉動到不同角度分別測試不同材料樣本，相應計算結果作為訓練序列對神經網絡進行訓練。當神經網絡經過充分訓練以后，可以得到Q值與ε J勺函數對應關系。通過輸入測量Q值，計算得到扇葉某個角度對應的被測材料相對介電常數值。多個扇葉角度將對應有多個^值，通過加權平均計算減小測量的隨機誤差。因此本
技術實現思路
分為混波室攪拌測量和神經網絡訓練兩部分。第一部分混波室是工作于過模狀態的裝有一個或多個攪拌器的屏蔽小室。攪拌器的尺寸與 混波室的尺寸及最低使用頻率的波長相比相當大。通過轉動攪拌器“攪動”混波室內的合成多模電磁環境。混波室的Q值用于描述混波室存儲能量的能力，它決定于混波室的損耗。空混波室的主要損耗來自混波室的四壁。攪拌器實際上就是旋轉散射體，由于攪拌器的旋轉，混波室的邊界條件不斷改變，矩形腔內的諧振頻率、Q值也不斷發生改變。因此僅通過選擇不同扇葉角度，就可得到不同場分布的矩形諧振腔。對于測試介電常數來說，無需更改測試腔體尺寸，即可得到多組測量值，達到減小隨機誤差的目的。利用混波室內扇葉角度的改變，在不同場分布的腔體環境下計算不同材料參數樣本引起的腔體Q值變化。每個計算樣本反映了材料介電常數與Q值之間的關系；進一步該函數關系可以用已知材料進行驗證。在完成大量樣本的計算以后，用這些樣本數據對神經網絡進行訓練，訓練后的神經網絡可以用于材料介電常數的提取。第二部分神經網絡是一種由大量神經單元相互連接構成網絡結構，它能模擬人類的部分神經功能，具有一定的智能特征。通過對輸入輸出變量進行大量的訓練，神經網絡可以對于新的輸入信息給出正確的判斷。利用混波室測量得到介電常數與Q值，對神經網絡進行訓練。經過充分訓練的神經網絡，將可以根據測量的腔體Q值變化計算加載材料的介電常數。微擾法理論提供了介電常數與Q值、諧振頻率之間的近似非線性關系式，神經網絡則提供了另一種有效、高效的演算方法。神經網絡的訓練需要大量的訓練輸入輸出序列，采用混波室內某個扇葉角度下，對各種已知材料的參數進行計算，獲得所需要的大量的用于神經網絡訓練的輸入輸出序列，經過訓練后的神經網絡可以根據某個扇葉角度下新的測量數據得到對應的介電常數。具體實施例方式第一方面混波室測量I.構建混波室三維測量模型和計算模型；2.根據計算模型，將扇葉角度調整為0°，計算加載樣品介質前空腔時的諧振頻率fO值；3.將樣品介質放入混波室內的測試區域，計算加載樣品介質后腔體的諧振頻率fI值，從而得到品質因數Q值；4.在以上工作基礎上，針對測試材料參數的特性，選取具有代表特性參數的材料樣本重復步驟2和3，從而得到第一組大量用于神經網絡訓練的輸入輸出序列。5.順時針轉動扇葉，角度調整為Λ θ (Λ Θ可任意取值)，重復步驟2至4，得到第二組用于神經網絡訓練的輸入輸出序列；6.繼續順時針轉動扇葉，角度調整為2 Λ Θ，重復步驟2至4，得到第三組用于神經網絡訓練的輸入輸出序列；7.依此類推，直到扇葉角度變為2π，共能得到η = 2π/Λ Θ組用于神經網絡訓練的輸入輸出序列。第二方面神經網絡訓練·利用上述得到的η組輸入輸出序列分別訓練η個神經網絡；第三方面用神經網絡進行材料參數提取利用得到的神經網絡模型對新的測量數據，預測被測材料的介電常數。權利要求1.一種用于測量材料介電常數的方法，采用混波室測試環境與神經網絡算法相結合的方法來測量介電常數，利用混波室內扇葉角度的變化改變腔體的諧振頻率，等效于得到不同場分布的矩形諧振腔，將相應計算結果作為訓練序列對神經網絡進行訓練。包括如下步驟 第一步，扇葉轉動到不同角度分別測試不同材料樣本，計算不同介電常數引起的腔體品質因數Q值變化，每個計算樣本反映了材料介電常數與品質因數Q值之間的關系，進一步該函數關系可以用已知材料進行驗證； 第二步，在完成大量樣本計算以后，用這些樣本數據對神經網絡進行訓練。當神經網絡經過充分訓練以后，可以得到品質Q值與相對介電常數的函數對應關系，訓練后的神經網絡可以根據測量的Q值來獲得材料的相對介電常數ε r數值。2.根據權利要求I所述的方法，通過輸入測量Q值，計算得到扇葉某個角度對應的被測材料的相對介電常數數值，多個扇葉角度將對應有多組數值，通過加權平均計算減小測量的隨機誤差。全文摘要本專利技術涉及一種測量介電常數的新方法，采用混波室測試環境與神經網絡算法相結合的方法來測量介電常數。利用混波室內扇葉角度的變化，等效于得到不同諧振頻率f、不同場分布的矩形諧振腔。在不同扇葉角度分別測試不同材料樣本，將相應計算結果作為訓練序列對神經網絡進行訓練。當神經網絡經過充本文檔來自技高網...

【技術保護點】
一種用于測量材料介電常數的方法，采用混波室測試環境與神經網絡算法相結合的方法來測量介電常數，利用混波室內扇葉角度的變化改變腔體的諧振頻率，等效于得到不同場分布的矩形諧振腔，將相應計算結果作為訓練序列對神經網絡進行訓練。包括如下步驟：第一步，扇葉轉動到不同角度分別測試不同材料樣本，計算不同介電常數引起的腔體品質因數Q值變化，每個計算樣本反映了材料介電常數與品質因數Q值之間的關系，進一步該函數關系可以用已知材料進行驗證；第二步，在完成大量樣本計算以后，用這些樣本數據對神經網絡進行訓練。當神經網絡經過充分訓練以后，可以得到品質Q值與相對介電常數εr的函數對應關系，訓練后的神經網絡可以根據測量的Q值來獲得材料的相對介電常數εr數值。

【技術特征摘要】

【專利技術屬性】
技術研發人員：張莉，逯貴禎，
申請(專利權)人：中國傳媒大學，北京飛卡科技有限公司，
類型：發明
國別省市：