《基于混波室的介电常数测量方法.pdf》由会员分享，可在线阅读，更多相关《基于混波室的介电常数测量方法.pdf（5页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 102944751 A (43)申请公布日 2013.02.27 CN 102944751 A *CN102944751A* (21)申请号 201210448363.2 (22)申请日 2012.11.12 G01R 27/26(2006.01) G06N 3/08(2006.01) (71)申请人 中国传媒大学 地址 100024 北京市朝阳区定福庄东街 1 号 申请人 北京飞卡科技有限公司 (72)发明人 张莉 逯贵祯 (54) 发明名称 基于混波室的介电常数测量方法 (57) 摘要 本发明涉及一种测量介电常数的新方法， 采 用混波室测试环境与神经网络算法相结合。
2、的方法 来测量介电常数。 利用混波室内扇叶角度的变化， 等效于得到不同谐振频率 f、 不同场分布的矩形 谐振腔。 在不同扇叶角度分别测试不同材料样本， 将相应计算结果作为训练序列对神经网络进行训 练。 当神经网络经过充分训练后， 可得到品质因数 Q值与相对介电常数r的函数对应关系。 通过输 入测量 Q 值， 可预测得到扇叶某个角度对应的被 测材料相对介电常数 r值。多个扇叶角度将对 应有多组r数值， 最后通过加权平均计算减小测 量的随机误差。 (51)Int.Cl. 权利要求书 1 页 说明书 3 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书 1 页 说明书 3 。
3、页 1/1 页 2 1. 一种用于测量材料介电常数的方法， 采用混波室测试环境与神经网络算法相结合的 方法来测量介电常数， 利用混波室内扇叶角度的变化改变腔体的谐振频率， 等效于得到不 同场分布的矩形谐振腔， 将相应计算结果作为训练序列对神经网络进行训练。包括如下步 骤 ： 第一步， 扇叶转动到不同角度分别测试不同材料样本， 计算不同介电常数引起的腔体 品质因数Q值变化， 每个计算样本反映了材料介电常数与品质因数Q值之间的关系， 进一步 该函数关系可以用已知材料进行验证 ； 第二步， 在完成大量样本计算以后， 用这些样本数据对神经网络进行训练。 当神经网络 经过充分训练以后， 可以得到品质Q值。
4、与相对介电常数r的函数对应关系， 训练后的神经 网络可以根据测量的 Q 值来获得材料的相对介电常数 r 数值。 2.根据权利要求1所述的方法， 通过输入测量Q值， 计算得到扇叶某个角度对应的被测 材料的相对介电常数r数值， 多个扇叶角度将对应有多组r数值， 通过加权平均计算减 小测量的随机误差。 权 利 要 求 书 CN 102944751 A 2 1/3 页 3 基于混波室的介电常数测量方法 技术领域 0001 本发明涉及介电常数测量方法的领域。更具体地， 本发明致力于一种利用混波室 结合神经网络算法研究介电常数的测量方法。 背景技术 0002 目前， 在微波波段国内外对介电常数的测量方法很。
5、多， 主要分为两大类 ： 一类是时 域测量法， 测量在时域中进行， 它所用的探测信号源是脉冲电磁波， 研究被测信号的瞬态响 应 ； 一类是频域测量法， 测量在频域中进行， 它用连续周期电磁波作为探测信号源， 研究的 是被测信号的稳态响应。频域测量法包括三种， 传输线法、 谐振腔法和空间波法。 0003 其中谐振腔法是在微波谐振腔中放入介质材料进行填充， 由于介质材料的介电常 数与空气有所差异， 将导致谐振腔在加载介质前后的谐振频率f和品质因数Q有所变化， 因 此可根据加载前后谐振腔的谐振频率和 Q 值计算出相对介电常数。 0004 谐振腔微扰法是将体积较小的介质样品加载进谐振腔的特定位置， 对。
6、谐振腔内部 的场分布进行微小的扰动， 通过对微扰前后的谐振频率f和Q值进行测量， 根据微扰理论近 似公式计算得到介质的相对介电常数。 0005 目前所有利用谐振腔微扰法测量介电常数的方法中存在以下问题 ： 0006 第一， 该方法均为选择某一个尺寸固定、 边界条件固定因而场分布固定的谐振腔 进行测量。根据测量理论得知， 由测量系统会引起重复性和再现性误差， 即随机误差， 其产 生原因主要有以下几个方面 ： 0007 1) 仪器误差 ： 测量中用到的仪器设备， 如信号源， 网络分析仪等 ； 0008 2) 环境误差 ： 测量时外界条件及测试人员引起的振动对测试结果影响很大 ； 0009 3) 方。
7、法误差 ： 由于测量方法不完善引起的误差， 如近似的数据处理引起的误差 等 ； 0010 4) 人员误差 ： 测量者不同引起的误差。 0011 第二， 微扰理论为近似理论， 即相对介电常数与 Q 值、 谐振频率 f 之间的函数关系 为近似处理结果， 因此计算得出的介电常数数值与真实值之间有误差。 0012 为减小随机误差对测量结果的影响， 需要选择一种新的既便捷操作、 又能减小误 差的测量方法。混波室作为一种新型电磁兼容测试场地， 是电大 ( 尺寸与波长可比拟 )、 时 变、 高传导率、 高 Q 值的屏蔽小室。混波室可用于各种电子设备的电磁兼容测试。构成混波 室的形式有多种， 本发明涉及的是机。
8、械搅拌形式， 室内装有一个或者两个搅拌器， 通过转动 扇叶搅动混波室内的合成多模电磁环境， 得到不同的腔体场分布。因此混波室可以提供一 个新的测试介电常数环境。 0013 为减小介电常数计算值与真实值之间的误差， 需要提供另选的更有效的描述介电 常数与谐振频率 f、 Q 值函数关系的方法。 发明内容 说 明 书 CN 102944751 A 3 2/3 页 4 0014 本发明致力于解决如下问题， 即选择一种新的测试介电常数环境来减小随机误 差， 同时选择一种更有效的分析测量数据的方法。 0015 本发明采用混波室测试环境与神经网络算法相结合的方法来测量介电常数。 利用 混波室内扇叶角度的变化。
9、改变腔体的品质因数 Q 值， 等效于得到不同谐振频率 f、 不同场分 布的矩形谐振腔。扇叶转动到不同角度分别测试不同材料样本， 相应计算结果作为训练序 列对神经网络进行训练。 当神经网络经过充分训练以后， 可以得到Q值与r的函数对应关 系。通过输入测量 Q 值， 计算得到扇叶某个角度对应的被测材料相对介电常数 r值。多 个扇叶角度将对应有多个 r值， 通过加权平均计算减小测量的随机误差。 0016 因此本发明内容分为混波室搅拌测量和神经网络训练两部分。 0017 第一部分 ： 0018 混波室是工作于过模状态的装有一个或多个搅拌器的屏蔽小室。 搅拌器的尺寸与 混波室的尺寸及最低使用频率的波长相。
10、比相当大。通过转动搅拌器 “搅动” 混波室内的合 成多模电磁环境。混波室的 Q 值用于描述混波室存储能量的能力， 它决定于混波室的损耗。 空混波室的主要损耗来自混波室的四壁。搅拌器实际上就是旋转散射体， 由于搅拌器的旋 转， 混波室的边界条件不断改变， 矩形腔内的谐振频率、 Q 值也不断发生改变。因此仅通过 选择不同扇叶角度， 就可得到不同场分布的矩形谐振腔。 对于测试介电常数来说， 无需更改 测试腔体尺寸， 即可得到多组测量值， 达到减小随机误差的目的。 0019 利用混波室内扇叶角度的改变， 在不同场分布的腔体环境下计算不同材料参数样 本引起的腔体 Q 值变化。每个计算样本反映了材料介电常。
11、数与 Q 值之间的关系 ； 进一步该 函数关系可以用已知材料进行验证。在完成大量样本的计算以后， 用这些样本数据对神经 网络进行训练， 训练后的神经网络可以用于材料介电常数的提取。 0020 第二部分 ： 0021 神经网络是一种由大量神经单元相互连接构成网络结构， 它能模拟人类的部分神 经功能， 具有一定的智能特征。 通过对输入输出变量进行大量的训练， 神经网络可以对于新 的输入信息给出正确的判断。 0022 利用混波室测量得到介电常数与 Q 值， 对神经网络进行训练。经过充分训练的神 经网络， 将可以根据测量的腔体 Q 值变化计算加载材料的介电常数。微扰法理论提供了介 电常数与 Q 值、 。
12、谐振频率之间的近似非线性关系式， 神经网络则提供了另一种有效、 高效的 演算方法。 0023 神经网络的训练需要大量的训练输入输出序列， 采用混波室内某个扇叶角度下， 对各种已知材料的参数进行计算， 获得所需要的大量的用于神经网络训练的输入输出序 列， 经过训练后的神经网络可以根据某个扇叶角度下新的测量数据得到对应的介电常数。 具体实施方式 0024 第一方面 ： 混波室测量 0025 1. 构建混波室三维测量模型和计算模型 ； 0026 2. 根据计算模型， 将扇叶角度调整为 0， 计算加载样品介质前空腔时的谐振频 率 f0 值 ； 0027 3. 将样品介质放入混波室内的测试区域， 计算加。
13、载样品介质后腔体的谐振频率 说 明 书 CN 102944751 A 4 3/3 页 5 f1 值， 从而得到品质因数 Q 值 ； 0028 4. 在以上工作基础上， 针对测试材料参数的特性， 选取具有代表特性参数的材料 样本重复步骤 2 和 3， 从而得到第一组大量用于神经网络训练的输入输出序列。 0029 5.顺时针转动扇叶， 角度调整为(可任意取值)， 重复步骤2至4， 得到第 二组用于神经网络训练的输入输出序列 ； 0030 6.继续顺时针转动扇叶， 角度调整为2， 重复步骤2至4， 得到第三组用于神经 网络训练的输入输出序列 ； 0031 7. 依此类推， 直到扇叶角度变为 2， 共能得到 n 2/ 组用于神经网络训 练的输入输出序列。 0032 第二方面 ： 神经网络训练 0033 利用上述得到的 n 组输入输出序列分别训练 n 个神经网络 ； 0034 第三方面 ： 用神经网络进行材料参数提取 0035 利用得到的神经网络模型对新的测量数据， 预测被测材料的介电常数。 说 明 书 CN 102944751 A 5 。