时域有限差分法 (高本庆)
时域有限差分学习书籍，有研究FDTD方法的可以学习学习国防科技图书出版基金第二届评审委员会组成人员名誉主任委员怀国模主任委员黄宁副主任娄员殷鹤龄高景德陈芳允曾铎员尤子平朱森无朵英贤按姓氏笔划为序)刘仁何庆芝何因伟何新贵宋家树张汝果范学虹胡万忱柯有安侯迁候正明莫梧生崔尔东秘书长刘琯德时域有限差分法(Fnte- Differerce Time-Domain Method简称FDTD Method)是求解电磁问题的种数值技术,它是在1966年由K.S.Yee第一次提出的。fDTD法直接将有限差分式代替麦克斯韦时域场旋度方程中的微分式,得到关子场分量的有限差分式,用具有相同电参量的空间网格去模拟被研究体,选取合适的场初始值和计算室间的边界条件,可以得到包括时间变量的麦克斯韦方程的四维数值解。通过傅里叶变换可求得三维空间的频域解20多年来FDTD法历经了一个蓬勃发展的过程。最初是用它来求解金属体上的散射问题,用的是笛卡尔坐标系,使空间单元网格呈直角六面体。鉴于当时的计算机容量水平,特别是FDTD技术本身尚有若重要问题未很好解决,使得早期的数值精度不够高,应用范围也不很广,这种局面大约延续到70年代末期。随着FDTD技术的发展,首先需要解决的是有限计算空间的无反射截断问题,早期采用的一种方法是加大边界与散射体间距离,以在边界上构成外向行波,这种方法精度不高、计算空问亦大。直到将波方程的二阶近似用以处理边界上的场值,得到了较好近似的吸收边界条件,才将这个间题的解决向前推进了一大步在直角坐标系中用FDTD技术进行模拟时,光滑曲线形媒质表面将呈锯齿形状这可能产生沿面的表面波,加大了数值色散误差,解决这个问题的有效方法是“共形”技术的提出,这包括:或是使用曲线坐标系使媒质表面与坐标曲线共形,或是在直角坐标系中改变媒质介面上的网格形状,使二者共形,利用共形网格明显提高了计算精度。在类电磁问题中,当媒质结构尺寸比网格尺寸小时(如细线、窄槽或薄介质层等),将使FDTD模拟变得很困难。近来相继出现以麦克斯韦方程的国路积分形式建立相应FDTD算法式,FDTD与其他方法(如积分方程法或矩量法)的混合技术,以及媒质参数竹网格平均技术等,均提供了解决这类特殊问题的途径。FDTD法的特点是很易得到被研究体的近场,但不易一次直接得到远场值。80年代初期提出的利用等效原理将频城近场变换为远场是解决这个问题的好方法,近几年又将此技术发展到时域这二种路径给求解散射间题和天线问题提供了强有力的工具。值得提出的是,早期fTD方法中没有计及媒质的色散特性,即假定被研究媒质的电参数是与频率无关的。实际上自然界中有很多媒质的电参数具有很强的色散特性,近几年已开始注意研究色散媒质中的FDTD算法,为解决这电磁领域内难题铺平了道路。上述几方面问题的进展有力推动了FDTD技术的发展和应用,使它在解决复杂形体结构和多种媒质并存的一类呵题中占有重要的一席之地。今天,它不仅在电磁散射、电磁兼容预测、生物电磁学中得到卓有成效的应用,而且在天线做波技术、光电子学等的应用中意益受到重视。本书内容包括三部分:第一部分论述了FDTD法基本知识和各种FDTD算法,包括各种坐标系和特殊结构媒质的算法,以及FDTD与其他方法相结合的混合法等;第二部分介绍了FDTD法在电磁学各领域中的应用情况,内容涉及电磁散射微波传输线、天线、电磁榘容预測及生物电磁学范畴;第三部分讨论近期发展的色散媒质的FDTD算祛原理及其应用情况。本书在给出各种应用实例时,多将FDID法数据与理论值或实验数据或其他数值解数据(如矩量法等)进行比较。除早期发表的少数例子误差稍大外,大多数均与相比较的数据吻合很好。从目前水平看,在分析…般散射问题中,数值误差约在L%~3%附近(RCS的误差略大些),而在求谐振器本征值问题中,FDTD数值解与理论值误差低于百分之,某些情况能小于千分之一,这个精度是很喜人的。可以无夸张地说,FDTD法与其他数值解从精度上讲是可以媲美的,有的则有胜过。加之FDTD法得到的是时域解,通过傅氏变换可得到频域解。即它具有次时域计算代替频域上逐点计算的潜力。这些均L表示FDTD法具有较明显的优势。本书是作者尝试将已发表在不同场合不同时间的有关资料经整理推演、加工编写成专著。内容取材上亦包括作者及同事们近几年在这方面开展的工作结果。编写本书的目的是希望能起到抛砖引玉的效果。希给初学者提供…个入门途径,给从事这方面工作的同行们提供较系统的参考资料,以便更好地促进FDTD技术的发展和更进一步拓宽它的应用。由于作者才疏学浅,加上时间关系,错误和不足在所难免,上述目的恣难如愿敬请各位专家学者和读者多提供宝贵意见。在本书确立大纲的过程中,得到北京理工大学张德齐教授和楼仁海教授、西安交通大学汪文秉教授的帮助,汪文秉教授对内容安排提出了贵意见。要特别提到的是,在本书编写过程中得到中国科学技术大学旅美陈金元博士的大力支持和帮助陈博士及时寄来最新研究资料(见§7.6以充实本书内容。书稿完稿后,张德齐教授通阅了全稿,并提出宝贵意见国防工业出版社在本书出版过程中给予很多帮助,作者在此对他们表示衷心的感谢作者t993年8月于北京内容简介本书重点介绍」时域有限差分(FDTD)法的基本知识及其在电磁学各个领域内的应用。全书包括二部分(共八章),第一部分论述了FDTD法的基本知识(第…章)和各种FDTD算法,包括各种坐标和特殊结构媒质中FDTD算法及混合算法等(第二章);第二部分介绍FDTD法的爷种应用,内容涉及电磁散射(第三章〉微波传输线和谐振腔(第四章)、天线(第五章)、电磁兼容预测第六章)生物电磁学(第七章)等领域;第三部分介绍近期发展的色散媒质屮FDTD算法原及其应用情祝等(第八章〕。木书可供从事时域计算电磁学理论和应用妍究的人员参考,亦可供有关专业教师、研究生及商年级大学生作选修和参考用书目·录第一章时域有根差分法基本知识1.1支克斯韦方程1)].2FTD基本方程■h吾早4中■暑h音h鲁↓ψ中4山■■骨日◆p4白(生)1.3解的稳定性“……““〔l1)1.4边界条件…(13)1.5激励派的类型和设置……………………………(22)816误差分析………*………(29)§1.7近场一远场变换山中■冒↓d4白■■■e40)氵1.8FDTD数值解步骤…………(45〕参考文献■··■跏■·幽自嚞ψ■■·自·■甲血幽b中■●鲁歌●■甲晉『甲●■目■■46第二章FDTD算法变异48)82.1一般曲线坐标系的FDTD算法4甲●鲁ψψ■“ψ晕P山血曾■■■省口_P■口(48)§2.2正交曲线坐标系的PDTD算法(58}2.3非均匀网格尺寸的FDTD算法…(69)2.4细薄结构媒质的FTD算法……………*………(80)2.5FDTD瞬态积分方程的混合算法:(95§2.6FDTD矩量法时混合算法…………………*………(101)参考文献…………………………………………(105)第三章在电磁散射问题中的应用聊司自■电■■悬■■··ψb■■t最聊10883.1二维散射体■■画■·■唱口■■』烟·■口甲■唱■■即■■■口·吾■昌■■■■即■■■晶』h画p■■■昌〔108§3.2三维敢射体……………(114)3.3RCS计算……〔121)§3.4散射体的时域综合……………………**……(134)参考文献(143)第阿章在徽波传输线和谐振腔中的应用…………………(141徵带和共面传输线咖自b·山山山啬■■山■■ψ·;跏·■■“■士鲁■b■口■■■动●咖【41§4.2徼带不均匀性和徼带元件●日日鲁■日聊聊昏目申聊■与;自语↓ψ■ψ口一·↓c自ψb53)氵4.3波导传贛线元件……………………………………(63)8.4谐振腔的本征值……4…(j72)4.5谐振腔的e值(I名1参考文献…………………………………………(185第五章在天线问题中的应用·……(!8?)§5.1圆柱形单极天线………4■·↓■自·h■■■■■■■■甲4■■■▲187)5.2波导口和喇明线………………………………………(196)§5.3徽带贻片天线200)§5.4天线互朝的计算…ra……(210)参考文献1■幽昏p■■◆(215第六章在电磁兼容预测中的应用…(218§6·]瞬变电驚环境下飞机表面效应………“(216)§6.2EMP对连接有尾气焰导弹体的效应…(22)s63EM场透入导弹导引头的预浏■■■非十(230)6.4飞行体上微带贴片天线的EMP效应……a(233)6.5TEM传导胞腔中不均匀性影响的预测…-4…*4(239参考文献昏■■·聊■●■■■·ψ■山幽■如卓■■ψ卩■■中斷鲁晋■■口自■■导画晋■b山1〔241第七章在生物电磁学中的应用……246§7.1生物组织的电磁特性及人体电磁模型……………"……(246)72平面波照射下人体内的电磁效应号昌◆+卓b4即u(z56)7.3工业加热器对人体的作用…………………………(263)7.4动力电的人体效应…sa…(2687.5高压EMP的生物效.…·…(273)N7.6虾篾电话的人体效应…■■■■■↓鲁号↓個山山……(280)参考文………………………………………(2865第八章色教媒质的FDTD算法日■■d十■T■一一會■■『■■■血288)N8.1离散时域卷积建立FDTD方程……〔288N8.2由德拜方程和频域场到吋域的直接变换建立FDTD方程"sr…:…(295)氵8.3由z变换建立FDTD方程日ψ号■自卓自甲ψ吾■■■日■■■道语晶画『4b即44■(298)4色散媒质的吸收边界条件…………………"………(303)8.5(FD)TD法应用举例……(3058.6表面阻抗概念在fDTD法中的应用……(314)s8.了表面阻抗FDT法应用举例………■·■■b■324)参考文献(召30
- 2021-05-06下载
- 积分：1
RBM 算法理解
RBM 算法理解 这份笔记参考了很多网上的资源，也加入很多自己的理解和详细推导， 非常适合初学者使用， 这篇笔记属于复合型产物，感谢那些网上无私奉献自己心得的人们。RBM能量模型这里说一下RBM的能量模型,这里关系到RBM的理解能量模型是个什么样的东西呢?直观上的理解就是,把一个表面粗糙又不太圆的小球,敚到一个表面也匕较粗糙的碗里,就随便往里面一扔,看看小球停在硫的哪个地方。一般来说停在碗底的可能性比较大,停在靠近碗底的其他地方也可能,甚至运气好还会停在碗口附近(这个碗是比较浅的一个碗):能量模型把小球停在哪个地方定义为一种状态,每种状态都对应着个能量,这个能量由能量函数来定义,小球处在某和状态的概率(如停在碗底的概率跟停在碗口的慨率当然不一样)可以通过这种状态下小球具有的能量来定义(换个说法,如小球停在了碗∏附近,这是·种状态,这个状态对应着一个能量,而发生“小球停在碗口附近”这种状态的概率,可以用来表小,表小成,其中是能量函数),其实还有一个简单的理解,球在碗底的能量一般小于在碗边缘的,比如重力势能这,显然碗底的状态稳定些,并且概率大些,就是我认为的能量模型。1.概率分布函数。各个节点的取值状态是概率的、随机的,这里用了3种概率分布来描述整个RBM网络,有联合概率密度,条件概率密度和边缘概率密度2.能量函数。随机神经网络的基础是统计力学,差不多思想是热力学米的,能量函数是描述整个系统状态的一种测度。系统越有序或者概率分布越集中(比如小球在碗底的情况),系统的能量越小,反之,系统越无序并且概率分布发散(比如平均分布),则系统的能量越大,能量函数的最小值,对应着整个系统最稳定的状态RBM能量模型的作用是什么呢?为什么要弄清楚能量模型的作用呢?第一、RBM网终是一种无监督学习的方法,无监督学习的目的自然就是最大限度的拟合输入数据和输出数据。第二、对于组输入数据来说,如果不知道它的分布,那是非常难对这个数据进行学习的。例如:如果我们实现写出了高斯函数,就可以写出似然睬数,那么就可以进行求解,就知道大致的参数,所以实现如果不知道分布是非常痛苫的·件事情,但是,没关系啊,统计力学的一项硏究成果表明,任何概率分布都可以转变成基于能量的模型,即使这个概率分布是未知的。我们仍然可以将这个分布改写成能量函数第三、能量函数能够为无监督学习方法提供个特殊的东两)日标函数b)标解换句话说,使用能量模型使得学丬一个数据的变得容易叮行了。能否把最优解的求解嵌入能量模型中至关重要,决定着我们具体问题求解的好坏。能量模型要捕获变量(这里我理解的是各个分量之间的关系)之间的相关性,变量之间的相关程度决定了能量的高低。把变量的相关关系用图表是一个图,以概率为测度,所以是概率图)模型的能量模型。由上面所说,RBM是一种概率图模型,既然引入了概率,那么就可以通过采样技术来求解,在CD( contrastive diⅳ vergence)算法中采栟部分扮演着模拟求解梯度的角色。能量模型需要定义一个能量函数,RBM能量函数如下:()=∑∑∑∑这个式子的含义非常明显,每个节点有一个能量, hidden和wsbe之间的连接也有个能量,如何求解呢?如果ⅵ isible有组取值(1,0,1),对应的 hidden取值是(1,0,1,01,0,分别带入上面的公式,最后得到的结果就是能量,这里要注意到()里面的地位是相等的,不存在先后顺序,这是一个结构整体的能量值为什么要搞能量函数?前面指出未知分布不好求解但是可以通过能量函数米表示,那么能量函数的概率模型很大程度上可以得到未知分布的概率模型,这样大致就知道了未知分布的分布既然知道了—个RBM网络 hidden和 visible整个框架的能量函数,那么可以定义这个能量函数(能量)出现的概率,很显然这个能量的出现与 hidden和sbe的每个节点的取值都有关系,那么这个能量出现的概率就是和的联合概率密度里可以将能量函数理解成小球在碗里面具体的一个位置所具有的一个能量,那么联合概率密度就是能量也就是这个状态出现的概率)这个概率不是随便定义的,是有统计热力学解释的定义了联合概率密度,那么我就可以得到一个分布,现在再回来前面的知识,可以得到1最初是未知分布的数据,求解参数,完全无从下手2.将未知分布的数据与能量函数联合在起3定义这个能量函数出现的概率,其实也就是对应着未知分布数据一个函数出现的概率4我们可以得到能量函数的概率分布,这个分布就叫 Gibbs分布,这里不是一个标准的Gibs分布,而是一个特殊的 Gibbs分布,这个分布有一组参数,其实就是能量函数中的那儿个前面知道∫下面可以得到边缘概率密度和()∑∑也可以得到条件概率密度和∑∑从概率到极大似然上面的内容已经得到了Gb分布的各种概率密度函数,现在回到最初的目的,即求解让RBM网络表示的Gibs分布最大可能的拟合输入数据,或者换一种说法,求解的目标可以认为是让RBM网终表示的 Gibbs分布与输入样本的分布尽可能的接近现在的小问题是“最大可能的拟合输入数据"这句话怎么定义:假设表小样本空间,即里面含有很多个不同的,是输入样本的分布,()表示训练样本的概率,再假设是RBM网络表示的 Gibbs分布的的边缘分布,即可以理解成每种不同情况的都对应着一个概率。输入样本的集合定义为,那么样木真实的分布和RBM网络表示的边缘分布的KL距离就是2者之间的差异性(KL的详细讲解见附录),样本的真实分布(什么是样本的分布?见附录)与RBM网络表示的边缘分布的KL距离如下所示()20)-0=2()0)2()(如果输入样本表小的分布与RBM表小的Gbbs分布完全符合,这个KL距离就是0,否则是一个大于0的数山附录对熵的定义(在KL讲解里面)可知,上面)的第一项是输入样本的熵,这个是·个固定的数,输入样本固定了,熵就固定了,第二项明显无法直接求。由KL的性质可知,KL是一定大于0的,那么当第二项最大的时候,整个KL最小,我们本来的日的也是求KL最小。注意到第二项-∑()()中的()当样木固定的时候,是固定的而函数是递增的,即当∑()最大即可。在实际应用中,我们采用的是∑(),其中是样本的个数。这里的-∑()就是极大似然估计(这里大家可以∈代替了∈Ω,这是为什么呢?拿一个2维向量来说,(1,0),(1,1),(0,0)这3个的概率和是1,(0,1)出现的概率是0,那么样本空间是(1,0),(1,1),(0,0),但是我们采样的时候只采样到∫(1,0),(1,1),那么这次的输入样本的集合就是(1,0)(1,1))。结论就是求解输入样本的极大似然,就能让RBM网络表示的 Gibbs分布和样本本身表示的分布最接近。求解极大似然这里对似然的定义参考我的另一篇笔记EM算法这个样本从所有样本被取到的概率为0)=∏(b)b∈6()=(0)=∑(0)c⊙在RBM模型中,上面的似然函数写成(上面的式子中是样本,也可以理解为一个isbe节点):(O)-(0)-l()O∈()=∏(b)=∑()0∈对这个函数进行求导02(066∈⊙66我们由能量模型应该也知道了()的概率∑,那么下面开始求导∑06∑c8上面这个式子一定要注意一个问题,即第一项的和第二项的00是不一样的。第一项的是固定的里面的取多少它就取多少而第二项里面的是所有可能的,其实这个细节也可以从∑和∑中发现出来()注意到()和,上面的式子可以写成∑0606∑()∑x((2m0)2x(2m0606第一项和第二项分别是和的期望,这2个是不同的,第一060个求在下的期望,第二项求的是这个函数在概率()下的期望。将O和()由最前面的东西代换,可得到以下3个式了∑∑∑∑∑∑()∑∑()∑()∑∑(这里用到了一个技巧∑这里∑是指hden中第个向量为0,其他分量的值任取的一组向量。?岁∑()∑()∑()∑()∑∑∑∑)-∑()-∑∑()()-∑()∑()∑∑=∑()-∑∑()()=∑()-∑()∑())-∑()(可以发现和的第二项都含有∑,这意味着要对进行遍历,这明显不可能,但是算梯度需要怎么小呢?这时就可以通过 markov采样来算,只要抽取一堆样本,这些样本符合RBM网络表示的Gibs分布,就可以把上面3个偏导数算出来。具体的处理过程是对于每个训练样本,都用某种抽样方法抽取一个对应的,这个是符合RBM网络所表示的Gbs分布的。那么对于整个训练集{米说,就得到一组对应的符合RBM网络表示的Gibs分布的样本集{然后拿这个样本去估算第二项∑,那么梯度就可以用以下的式了来近似了:()(=)-∑()(=)-∑()上面的式子中表小第个训练样木,是所对应的符合RBM网络表小的Gs分布的样本,在式子中用表示。梯度求出来了,就可以求解了,最后不断迭代就可以得到
- 2020-12-11下载
- 积分：1
