近年来,随着人工智能的飞速发展,将机器学习引入电磁场仿真设计具有广阔的前景。构建计算机辅助设计(computer aided design,CAD)模型以代替电磁场全波仿真,在优化算法的反复调用情况下能够大幅提高器件的设计效率、节约设计成本。本学位论文将基于机器学习算法提出用于电磁场建模与设计的模型,进一步提升建模效率、节约设计成本,主要研究内容如下:第一章主要从电磁场建模中的神经网络模型、基于先验知识的神经网络模型、以及基于传递函数的神经网络模型三方面概述了基于机器学习的电磁场建模与设计的研究进展。第二章主要介绍了基于数据挖掘技术的神经网络模型的研究。在本章中,提出了基于数据挖掘技术的神经网络建模方法,通过使用相关性分析及数据分类技术从另一个角度解决输入参数过多和传递函数阶数变化影响训练精度的问题。通过U型槽贴片天线、单阻带超宽带天线和双阻带超宽带天线三个参数化建模实例验证了该模型的有效性。第三章主要介绍了基于多参数输出的神经网络模型的研究。本章首先提出了一种新的人工神经网络模型以多参数输出描述天线的性能。在这个模型中,三个并行且独立的分支可以分别输出三个不同的天线性能参数。Fabry-Perot天线验证了该模型的有效性。同时,为了解决先验知识对有限周期阵列神经网络建模的限制,还提出了一个多参数输出的多级神经网络模型。考虑到阵列中的单元互耦和单元排布,该模型包含两类神经网络:单元-神经网络和阵列-神经网络。基于几何变量和阵列单元的电磁场响应间的关系,单元-神经网络被用于向阵列-神经网络提供先验知识。然后,考虑整个阵列环境,建立阵列-神经网络,通过单元响应的非线性叠加得到整个阵列的电磁响应。三个数值算例:一个线性相控阵、一个六元偶极子阵列及一个U型槽微带阵验证了该模型的有效性。第四章主要介绍了改进的极限学习机(extreme learning machine,ELM)的研究。论文第四章首先提出了基于传递函数的极限学习机模型。在该模型中,为了进一步节约训练成本以减少计算时间,应用改进的花授粉算法(flower pollination algorithm,FPA)优化ELM的权重和阈值的初值,从而减少ELM对初始权重和阈值的依赖。耦合线滤波器及四模腔体滤波器两个参数化建模实例验证了该模型的有效性。其次本章提出了用于微波器件参数化电磁场建模的结合传递函数的动态调整内核极限学习模型(dynamic adjustment kernel extreme learning machine,DA-KELM)。该模型支持增加学习、减少学习和混合学习,在模型未获得满意精度的情况下,可以直接利用新旧训练数据集的重叠,以更快的再训练速度获得准确的训练结果。微带垂直过渡及四模腔体滤波器两个参数化建模实例验证了DA-KELM的有效性。最后,基于DA-KELM,本章提出了介于监督学习和无监督学习之间的半监督学习模型以大幅减少训练所需的训练样本数。所提出模型包含两个训练过程,初始训练和自我训练。在初始训练中,来自全波仿真的较少的训练样本使模型快速收敛。在接下来的自我学习中,模型产生非标记数据用于训练它自己,直到达到满意精度。微带垂直过渡及双频四极点腔体滤波器两个参数化建模实例验证了半监督学习模型的有效性。第五章对全文作出了系统的概括与总结,并指出了需要进一步进行研究的课题方向。