基于修正差分进化算法确定周期内多载波微放电等效功率

微放电是空间微波部件设计所必须考虑的失效效应之一,随着空间宽带多载波模式的广泛采用,多载波条件下微波部件微放电问题引起广泛关注。针对周期内多载波微放电等效功率计算所采用传统经验公式的不足,提出了一种基于修正差分进化算法的确定周期内多载波微放电等效功率的全局优化方法。该方法通过对多载波合成信号功率特性进行分析,推导获得了 20个电子渡越时间内信号能量的表达式,采用二次插值法进行局部搜索,采用修正差分进化算法进行全局优化,从而高效、准确获得全局最优解。以幅度相等、频率间隔相等的多载波信号为例,进行了等效功率的确定,与经验公式的预测结果相当,验证了所提出方法的有效性;同时,对幅度不同、频率间隔不等的多载波信号进行了处理,获得了能够指导微波部件微放电设计的最坏状态及其等效功率。所提出方法不仅适用于幅度不同、频率间隔不等的多载波信号情况,并且能够提供微放电最坏状态时的相位分布,为多载波微放电实验验证提供相位输入。所提出方法相比传统的基于经验公式的方法具有明显优势,为空间宽带多载波工作微波部件微放电设计提供有效依据,在卫星转发器多载波微放电分析及设计中具有价值。     

基于机器学习的二次电子发射唯象模型

基于机器学习和深度人工神经网络（artificial neural network，ANN）提出一种二次电子发射唯象模型。利用Vaughan模型生成先验数据集，用于训练生成描述二次电子发射一般规律的先验知识ANN模型，并在不同参数条件下验证了先验知识ANN模型的正确性。然后，分别利用银和铝合金材料的二次电子发射系数实验数据修正先验知识ANN模型，分别得到了描述两种材料的特异ANN模型。测试结果表明，特异ANN模型计算结果与实验结果相比的平均绝对误差较Vaughan模型和Furman模型降低了30%以上，与复合唯象模型精度相当或更高。在小样本条件下测试了二次电子发射ANN模型的正确性，验证了分步训练方式的有效性和二次电子发射ANN模型对于小样本集的适应性。提出的基于机器学习的二次电子发射唯象模型能够避免复杂的参数修正过程，能够基于先验知识提升模型对于小样本的适应性，能够实现二次电子发射系数的连续插值，适于在数值模拟软件中使用。