CN111259603B - 电子设备、模型设计装置和计算机可读介质 - Google Patents
电子设备、模型设计装置和计算机可读介质 Download PDFInfo
- Publication number
- CN111259603B CN111259603B CN202010052510.9A CN202010052510A CN111259603B CN 111259603 B CN111259603 B CN 111259603B CN 202010052510 A CN202010052510 A CN 202010052510A CN 111259603 B CN111259603 B CN 111259603B
- Authority
- CN
- China
- Prior art keywords
- model
- design
- partial
- model data
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013461 design Methods 0.000 title claims abstract description 270
- 238000005457 optimization Methods 0.000 claims abstract description 130
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000004590 computer program Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 59
- 238000003062 neural network model Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000000547 structure data Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种电子设备、模型设计装置和计算机可读介质。该电子设备用于微波产品模型设计,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下步骤:输入待设计微波产品模型的部分模型数据和设计原理;基于预先建立的设计优化模型,根据所述部分模型数据和所述设计原理,生成所述待设计微波产品模型。该方法在生成待设计微波产品模型的过程中,由设计优化模型对待设计微波产品模型未完成的部分进行预测,加快了待设计微波产品模型的设计效率,在最短的时间内完成设计,提高设计效率。
Description
技术领域
本申请涉及智能设计技术领域,特别是涉及一种电子设备、模型设计装置和计算机可读介质。
背景技术
目前,微波产品模型的设计基本上依赖产品设计人员自身积累的经验,这需要投入大量的人力、物力,而且,在微波产品模型设计过程中,不可避免的会涉及到需要设计人员作出的重复决策,这浪费了设计人员的有效精力,使微波产品模型的设计效率不高,极大的延长了微波产品开发周期,增加了微波产品开发成本。
发明内容
基于上述问题,本申请提供了一种电子设备、模型设计装置和计算机可读介质,用以解决或缓解上述现有技术中存在的问题。
本申请实施例公开了如下技术方案:
本申请提供一种电子设备,用于进行微波产品模型设计,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下步骤:输入待设计微波产品模型的部分模型数据和设计原理;基于预先建立的设计优化模型,根据所述部分模型数据和所述设计原理,生成所述待设计微波产品模型。
可选地,在本申请的任一实施例中,所述处理器执行基于预先建立的设计优化模型,根据所述部分模型数据和所述设计原理,生成所述待设计微波产品模型的步骤,包括:基于所述设计优化模型中的第一设计优化子模型,根据所述部分模型数据,得到所述部分模型数据的特征向量;基于所述设计优化模型中的第二设计优化子模型,根据所述特征向量和所述设计原理,得到编码结果;基于所述设计优化模型中的第三设计优化子模型,根据编码结果,生成所述待设计微波产品模型。
可选地,在本申请的任一实施例中,所述处理器执行基于所述设计优化模型中的第一设计优化子模型,根据所述部分模型数据,得到所述部分模型数据的特征向量的步骤,包括:基于所述第一设计优化子模型,对所述部分模型数据进行特征抽取,得到所述部分模型数据的所述特征向量。
可选地,在本申请的任一实施例中,所述处理器执行基于所述设计优化模型中的第二设计优化子模型,根据所述特征向量和所述设计原理,得到编码结果的步骤,包括:基于所述第二设计优化子模型,对所述设计原理和所述特征向量进行编码,或者对所述设计原理和所述特征向量进行融合,或者对所述设计原理和所述特征向量进行关系抽取,得到所述编码结果,所述编码结果用于表征所述设计原理与所述部分模型数据的映射关系。
可选地,在本申请的任一实施例中,所述处理器执行基于所述设计优化模型中的第三设计优化子模型,根据所述编码结果,生成所述待设计微波产品模型的步骤,包括:基于所述第三设计优化子模型,对所述编码结果进行解码,生成所述待设计微波产品模型。
可选地,在本申请的任一实施例中,所述设计优化模型为机器学习模型。
可选地,在本申请的任一实施例中,所述机器学习模型为深度神经网络模型。
本申请实施例还提供一种模型设计装置,用于进行微波产品模型设计,包括:输入单元,配置为输入待设计微波产品模型的部分模型数据和设计原理;设计单元,配置为基于预先建立的设计优化模型,根据所述部分模型数据和所述设计原理,生成所述待设计微波产品模型。
可选地,在本申请的任一实施例中,所述设计单元包括:向量子单元,配置为基于所述设计优化模型中的第一设计优化子模型,根据所述部分模型数据,得到所述部分模型数据的特征向量;编码子单元,配置为基于所述设计优化模型中的第二设计优化子模型,根据所述特征向量和所述设计原理,得到编码结构;预测子单元,配置为基于所述设计优化模型中的第三设计优化子模型,根据所述编码结果,生成所述待设计微波产品模型。
可选地,在本申请的任一实施例中,所述向量子单元进一步配置为,基于所述第一设计优化子模型,对所述部分模型数据进行特征抽取,得到所述部分模型数据的所述特征向量。
可选地,在本申请的任一实施例中,所述编码子单元进一步配置为,基于所述第二设计优化子模型,对所述设计原理和所述特征向量进行编码,或者对所述设计原理和所述特征向量进行融合,或者对所述设计原理和所述特征向量进行关系抽取,得到所述编码结果,所述编码结果用于表征所述设计原理与所述部分模型数据的关系。
可选地,在本申请的任一实施例中,所述预测子单元进一步配置为,基于所述第三设计优化子模型,对所述编码结果进行解码,生成所述待设计微波产品模型。
本申请实施例还提供一种计算机可读介质,其上存储有计算机程序,所述计算机程序为如上述任一所述的电子设备中存储的。
本申请实施例的技术方案中,通过输入待设计微波产品模型的部分模型数据和设计原理,基于预先建立的设计优化模型,根据输入的部分模型数据和设计原理,对待设计微波产品模型的其余部分进行预测,最终生成待设计微波产品模型。在此过程中,由设计优化模型对待设计微波产品模型未完成的部分进行预测,加快了待设计微波产品模型的设计效率,在最短的时间内完成设计,提高设计效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1A为根据本申请第一实施例所示的电子设备的处理器执行计算机程序所实现的微波产品模型设计方法的流程示意图;
图1B为根据本申请第一实施例所示的电子设备的处理器执行计算机程序所实现的微波产品模型设计方法中步骤S102的流程示意图;
图2A为根据本申请第二实施例所示的模型设计装置的结构示意图;
图2B为根据本申请第二实施例所示的模型设计装置中设计单元的结构示意图;
图3为根据本申请第三实施例所示的电子设备的结构示意图;
图4为根据本申请第四实施例所示的电子设备的硬件结构。
具体实施方式
实施本申请实施例的任一技术方案必不一定需要同时达到以上的所有优点。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
首先,需要说明的是,本申请实施例中的设计方法、设计装置可应用于微波产品设计,微波产品包括:微波滤波器(比如,无源滤波器、带通滤波器、低通滤波器、MMIC(Monolithic Microwave Integrated Circuit,即单片微波集成电路)高通滤波器等)、功分器(比如,MMIC功分器等)、衰减器(比如,MMIC固定衰减器、MMIC数控衰减器等)、均衡器、定向耦合器(比如,MMIC定向耦合器)、90°电桥、限幅器、数控移相器等。对应的微波产品模型包括微波滤波器(比如,无源滤波器、带通滤波器、低通滤波器、MMIC(MonolithicMicrowave Integrated Circuit,即单片微波集成电路)高通滤波器等)模型、功分器(比如,MMIC功分器等)模型、衰减器(比如,MMIC固定衰减器、MMIC数控衰减器等)模型、均衡器模型、定向耦合器(比如,MMIC定向耦合器)模型、90°电桥模型、限幅器模型、数控移相器模型等。
第一实施例
图1A为根据本申请第一实施例所示的电子设备的处理器执行计算机程序所实现的微波产品模型设计方法的流程示意图;如图1A所示,该微波产品模型设计方法包括:
步骤S101、输入待设计微波产品模型的部分模型数据和设计原理;
该步骤中,待设计微波产品模型根据任务需求而定,其部分模型数据可以通过设计人员根据任务需求生成,也可以通过建模软件根据任务需求生成。需要说明的是,部分模型数据是非完整的待设计微波产品模型的一部分,比如,待设计的二阶交指滤波器由多个抽头、多个谐振器以及多个谐振器上的接地孔组成,该步骤中,待设计的二阶交指滤波器的部分模型数据可以为一个(或多个)抽头、或者一个(或者多个)谐振器,或者一个(或者多个)谐振器上的接地孔的模型数据等,并非完整的二阶交指滤波器模型。
在本实施例中,待设计微波产品模型的设计原理由设计人员根据设计的实际需求确定,进而实时输入电子设备中;也可以是预先存储在电子设备中,在进行微波产品模型设计时,从电子设备中进行调用。
步骤S102、基于预先建立的设计优化模型,根据所述部分模型数据和所述设计原理,生成所述待设计微波产品模型。
该步骤中,在输入待设计微波产品模型的部分模型数据以及设计原理后,通过预先建立的设计优化模型在部分模型数据的基础上,预测待设计微波产品模型的其它部分,完成待设计微波产品模型的其余部分的设计,将原来由设计师完成的工作交由设计优化模型进行处理,减少设计师的工作量,加快待设计微波产品模型的设计效率,在最短的时间内完成设计,提高设计效率。
在本实施例中,设计优化模型根据部分模型数据和设计原理,完成设计过程中,需要对部分模型数据进行识别、特征抽取、解码等操作,以加快待设计微波产品模型的设计效率。图1B为根据本申请第一实施例所示的电子设备的处理器执行计算机程序所实现的微波产品模型设计方法中步骤S102的流程示意图;如图1B所示,所述基于预先建立的设计优化模型,根据所述部分模型数据和所述设计原理,生成所述待设计微波产品模型包括:
步骤S112、基于所述设计优化模型中的第一设计优化子模型,根据所述部分模型数据,得到所述部分模型数据的特征向量;
无论部分模型数据是由设计师根据任务需求生成的,还是由建模软件根据任务需求生成的,在输入设计优化模型中时,均需要对其进行处理,将部分模型数据转变为设计优化模型可以识别、利用的数据。
该步骤中,通过第一设计优化子模型对部分模型数据进行处理,生成部分模型数据的特征向量,具体的,基于所述第一设计优化子模型,对所述部分模型数据进行特征抽取,得到所述部分模型数据的特征向量。比如,通过第一设计优化子模型对部分模型数据进行降维,也就是将部分模型数据从高维到低纬进行映射,实现对部分模型数据的特征抽取,得到部分模型数据的特征向量。
在此,对第一设计优化子模型并不进行具体限定,能够实现对部分模型数据的特征抽取,得到部分模型数据的特征向量都可以作为第一设计优化子模型。比如,采用主成分分析法(Principal Component Analysis,简称PCA)的主成分分析模型、采用多维标度分析法(multidimensional scaling,简称MDS)的多维标度分析模型、采用线性判别分析法(Latent Dirichlet Allocation,简称LDA)的线性判别分析模型、采用等度量映射法(Isometric Feature Mapping,简称Isomap)的等度量映射模型、采用局部线性嵌入法(Locally Linear Embedding,简称LLE)的局部线性嵌入模型等均可作为第一设计优化子模型,实现对部分模型数据的特征抽取,得到所述部分模型数据的特征向量。
此外,第一设计优化子模型也可以为卷积层和池化层组成的卷积神经网络模型,卷积层有激活函数,池化层没有激活函数。通过卷积神经网络模型实现对部分模型数据的特征抽取,得到部分模型数据的特征向量。
在一应用场景中,第一设计优化子模型采用主成分分析模型,首先,将部分模型数据输入主成分分析模型,通过正交变换生成部分模型数据的变换矩阵;然后,将此变换矩阵与输入的部分模型数据相乘得到低维的数据,实现部分模型数据从高维到低维的映射,完成部分模型数据的降维,达到对部分模型数据进行特征抽取,得到部分模型数据的特征向量的目的。
在另一应用场景中,第一设计优化子模型为采用流形学习方法的模型,将部分模型数据输入第一设计优化子模型,找到部分模型数据的低维描述,分析部分模型数据中低维流形排列的规律,基于这种规律对部分模型数据进行降维,实现对部分模型数据的特征抽取,得到部分模型数据的特征向量。
步骤S122、基于所述设计优化模型中的第二设计优化子模型,根据所述特征向量和所述设计原理,得到编码结果;
此步骤中,通过将设计原理输入第二设计优化子模型,由第二设计优化子模型根据设计原理和部分模型数据的特征向量,对设计原理和特征向量进行融合、对比、关系抽取等操作,得到编码结果。具体的,步骤S121包括:基于所述第二设计优化子模型,对所述设计原理和所述特征向量进行编码,或者对所述设计原理和所述特征向量进行融合,或者对所述设计原理和所述特征向量进行关系抽取,得到所述编码结果,所述编码结果用于表征所述设计原理与所述部分模型数据的映射关系。
在一应用场景中,第二设计优化子模型采用反卷积神经网络模型,对设计原理和特征向量进行编码,得到编码结果。在此场景中,将特征向量输入反卷积神经网络模型,反卷积神经网络模型通过学习设计原理与部分模型数据之间的非线性映射关系,完成对部分模型数据的重构,得到部分模型数据的有效预测结果作为编码结果。
在另一应用场景中,第二设计优化子模型采用主成分分析模型、多维标度分析模型、线性判别分析模型、等度量映射模型、局部线性嵌入模型、卷积层和池化层组成的卷积神经网络模型等,对设计原理和特征向量进行融合,得到编码结果。在此场景中,通过上述模型对微波产品模型进行特征抽取,得到微波产品模型的特征向量;同时,可利用相同的方法,对设计原理进行特征抽取,得到设计原理的特征向量;之后,将微波产品模型的特征向量和设计原理的特征向量通过相加、相乘等方法融合在一起,得到编码结果。
在另一应用场景中,第二设计优化子模型采用有监督的学习方法,和/或半监督的学习方法,和/或无监督的学习方法,对待设计产品的设计原理和特征向量进行关系抽取,得到编码结果。在此场景中,将设计原理制作为图结构数据,其中,图结构数据包含节点、边、全局属性;通过第二设计优化子模型学习特征向量与图结构数据之间的映射关系,将第一设计优化子模型得到的特征向量编码到设计原理图上,得到编码结果。
步骤S132、基于所述设计优化模型中的第三设计优化子模型,根据所述编码结果,生成所述待设计微波产品模型。
在一些可选实施例中,在基于所述设计优化模型中的第三设计优化子模型,根据所述编码结果,生成所述待设计微波产品模型时,通过所述第三设计优化子模型,对所述编码结果进行解码,生成所述待设计微波产品模型。
在一应用场景中,第三设计优化子模型可以为神经网络模型,通过该神经网络模型,对编码结果的升维处理,实现对编码结果的解码,完成待设计微波产品模型的数据重构,生成待设计微波产品模型。
在另一应用场景中,第三设计优化子模型还可以为采用插值方法的模型,比如,采用双线性插值方法的双线性差值模型、采用拉格朗日插值方法的拉格朗日插值模型、采用牛顿插值方法的牛顿插值模型、采用分段差值方法的分段插值模型等,对编码结果的升维处理,实现对编码结果的解码,完成待设计微波产品模型的数据重构,生成待设计微波产品模型。
本实施例中,设计优化模型可以为机器学习模型。具体可以为采用机器学习算法(比如Logistic回归算法和SVM(Support Vector Machine)算法)的模型,也可以为采用深度学习算法(比如TextCNN算法和Attention-Based Bi-LSTM算法)的模型。具体的,所述设计优化模型包括第一设计优化子模型、第二设计优化子模型和第三设计优化子模型;所述第一设计优化子模型可以为神经网络模型、主成分分析模型、多维标度分析模型、线性判别分析模型、等度量映射模型、局部线性嵌入模型等;所述第二设计优化子模型可以为有监督的学习方法、半监督的学习方法、无监督的学习方法等;所述第三设计优化子模型可以为神经网络模型、双线性差值模型、拉格朗日插值模型、牛顿插值模型、分段插值模型、反池化模型等。
在本实施例的微波产品模型设计方法中,基于预先建立的设计优化模型,根据输入的部分模型数据和设计原理,对待设计微波产品模型的其余部分进行预测,最终生成待设计微波产品模型。在此过程中,由设计优化模型对待设计微波产品模型未完成的部分进行预测,将待设计微波产品模型的反复设计、修改的工作由设计优化模型完成,加快了待设计微波产品模型的设计效率,在最短的时间内完成设计,提高设计效率。比如:完整的二阶交指滤波器是有第一抽头、第一谐振器、第一谐振器上的接地孔、第二抽头、第二谐振器以及第二谐振器上的接地孔组成。在设计二阶交指滤波器时,设计师画了第一抽头后,此时,第一抽头就可以作为部分模型数据,将第一抽头和二阶交指滤波器对应的设计原理输入设计优化模型;设计优化模型根据第一抽头和二阶交指滤波器对应的设计原理,输出第一谐振器;然后,再将第一抽头和第一谐振器作为待设计的二阶交指滤波器的部分模型数据,输入设计优化模型,由设计优化模型根据第一抽头和第一谐振器,以及设计原理输出其它部分(可以为第一谐振器上的接地孔、第二抽头、第二谐振器以及第二谐振器上的接地孔中的某一项),循环往复,直至全部设计完成,生成二阶交指滤波器为止。
在本实施例中,设计优化模型包括第一设计优化子模型、第二设计优化子模型和第三设计优化子模型,但需要说明的是,并非对此进行限制。设计优化模型也可以是一个深度神经网络模型,由一个深度神经网络模型完成第一设计优化子模型、第二设计优化子模型和第三设计优化子模型的功能。
在一具体的例子中,深度神经网络模型用来学习部分模型数据、设计原理和待设计微波产品模型之间的映射关系。该深度神经网络模型输入的是部分模型数据和设计原理,输出为待设计微波产品模型。
在该具体的例子中,通过训练样本对该深度神经网络模型进行训练。训练样本是通过标注部分模型数据、设计原理对应的微波产品模型作为样本。其中,训练样本在进行标注的时候,可以通过删除完整的微波产品模型的部分设计(如部分元器件)得到部分模型数据,这样就可以制作出部分模型数据、设计原理及其对应的微波产品模型作为样本。
通过把部分模型数据和设计原理输入设计优化模型,由设计优化模型输出预测的待设计微波产品模型,将预测的待设计微波产品模型与微波产品模型对比,得到损失函数值,然后通过反向传播来更新权重。循环往复,直至损失函数值下降到设定的阈值,深度神经网络模型的训练结束。
第二实施例
图2A为根据本申请第二实施例所示的模型设计装置的结构示意图;如图2A所示,该模型设计装置,用于微波产品模型设计,包括:输入单元201,配置为输入待设计微波产品模型的部分模型数据和设计原理;设计单元202,配置为基于预先建立的设计优化模型,根据所述部分模型数据和所述设计原理,生成所述待设计微波产品模型。
图2B为根据本申请第二实施例所示的模型设计装置中设计单元的结构示意图;如图2B所示,所述设计单元202包括:向量子单元212,配置为基于所述设计优化模型中的第一设计优化子模型,根据所述部分模型数据,得到所述部分模型数据的特征向量;编码子单元222,配置为基于所述设计优化模型中的第二设计优化子模型,根据所述特征向量和所述待设计微波产品模型的设计原理,得到编码结果;预测子单元232,配置为基于所述设计优化模型中的第三设计优化子模型,根据所述编码结果,生成所述待设计微波产品模型。
具体的,所述向量子单元212进一步配置为,基于所述第一设计优化子模型,对所述部分模型数据进行特征抽取,得到所述部分模型数据的所述特征向量。
所述编码子单元222进一步配置为,基于所述第二设计优化子模型,对所述设计原理和所述特征向量进行编码,或者对所述设计原理和所述特征向量进行融合,或者对所述设计原理和所述特征向量进行关系抽取,得到所述编码结果,所述编码结果用于表征所述设计原理与所述部分模型数据的关系。
所述预测子单元232进一步配置为,基于所述设计优化模型中的第三设计优化子模型,对所述编码结果进行升维处理,生成所述待设计微波产品模型。
在本实施例的微波产品模型设计系统中,通过输入单元201输入待设计微波产品模型的部分模型数据和设计原理,而后由设计单元基于预先建立的设计优化模型,根据部分模型数据和设计原理,对待设计微波产品模型的其余部分进行预测,最终生成待设计微波产品模型。在此过程中,由设计单元对待设计微波产品模型未完成的部分进行预测,将待设计微波产品模型的反复设计、修改的工作由设计优化模型完成,加快了待设计微波产品模型的设计效率,在最短的时间内完成设计,提高设计效率。
第三实施例
图3为根据本申请第三实施例所示的电子设备的结构示意图;如图3所示,该电子设备可以包括:
一个或多个处理器301;
存储器302,所述存储器302为计算机可读介质,可以配置为存储一个或多个程序,
当一个或多个程序被所述一个或多个处理器301执行,使得所述一个或多个处理器301实现如上述任一实施例中所述的微波产品模型设计方法。
第四实施例
图4为根据本申请第四实施例所示的电子设备的硬件结构;如图4所示,该电子设备的硬件结构可以包括:处理器401和计算机可读介质403;
可选的,还包括:通讯接口420,通信接口402可以为通信模块的接口,如GSM模块的接口;
其中,处理器401、通讯接口420、计算机可读介质403通过通信总线404完成相互间的通信;
其中,处理器401具体可以配置为:输入待设计微波产品模型的部分模型数据和设计原理;基于预先建立的设计优化模型,根据所述部分模型数据和所述设计原理,生成所述待设计微波产品模型。
处理器401可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请实施例的电子设备以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备,服务器的构成包括处理器810、硬盘、内存、系统总线等,服务器和通用的计算机架构类似,但是由于需要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备及系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元提示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本申请的一种具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种电子设备,用于进行微波产品模型设计,其特征在于,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下步骤:
输入待设计微波产品模型的部分模型数据和设计原理;
基于预先建立的设计优化模型,根据所述部分模型数据和所述设计原理,生成所述待设计微波产品模型;
所述根据所述部分模型数据和所述设计原理,生成所述待设计微波产品模型的步骤,包括:
基于所述设计优化模型中的第一设计优化子模型,对部分模型数据进行降维,将部分模型数据从高维到低纬进行映射,实现对部分模型数据的特征抽取,得到部分模型数据的特征向量,或者,将部分模型数据输入主成分分析模型,通过正交变换生成部分模型数据的变换矩阵;然后,将此变换矩阵与输入的部分模型数据相乘得到低维的数据,实现部分模型数据从高维到低维的映射,完成部分模型数据的降维,达到对部分模型数据进行特征抽取,得到部分模型数据的特征向量;
基于所述设计优化模型中的第二设计优化子模型,将微波产品模型的特征向量和设计原理的特征向量通过相加、相乘方法融合在一起,得到编码结果;或者,将特征向量输入反卷积神经网络模型,反卷积神经网络模型通过学习设计原理与部分模型数据之间的非线性映射关系,完成对部分模型数据的重构,得到部分模型数据的有效预测结果作为编码结果;
基于所述设计优化模型中的第三设计优化子模型,对编码结果的升维处理,实现对编码结果的解码,完成待设计微波产品模型的数据重构,生成待设计微波产品模型;
其中,在设计二阶交指滤波器时,画了第一抽头后,第一抽头作为部分模型数据,将第一抽头和二阶交指滤波器对应的设计原理输入所述设计优化模型;所述设计优化模型根据第一抽头和二阶交指滤波器对应的设计原理,输出第一谐振器;然后,再将第一抽头和第一谐振器作为待设计的二阶交指滤波器的所述部分模型数据,输入所述设计优化模型,由所述设计优化模型根据第一抽头和第一谐振器,以及设计原理输出其它部分,循环往复,直至全部设计完成,生成所述二阶交指滤波器为止,所述其它部分包括第一谐振器上的接地孔、第二抽头、第二谐振器以及第二谐振器上的接地孔中的至少一项。
2.根据权利要求1所述的电子设备,其特征在于,所述设计优化模型为机器学习模型。
3.根据权利要求2所述的电子设备,其特征在于,所述机器学习模型为深度神经网络模型。
4.一种模型设计装置,用于进行微波产品模型设计,其特征在于,包括:
输入单元,配置为输入待设计微波产品模型的部分模型数据和设计原理;
设计单元,配置为基于预先建立的设计优化模型,根据所述部分模型数据和所述设计原理,生成所述待设计微波产品模型;
所述根据所述部分模型数据和所述设计原理,生成所述待设计微波产品模型的步骤,包括:
基于所述设计优化模型中的第一设计优化子模型,对部分模型数据进行降维,将部分模型数据从高维到低纬进行映射,实现对部分模型数据的特征抽取,得到部分模型数据的特征向量,或者,将部分模型数据输入主成分分析模型,通过正交变换生成部分模型数据的变换矩阵;然后,将此变换矩阵与输入的部分模型数据相乘得到低维的数据,实现部分模型数据从高维到低维的映射,完成部分模型数据的降维,达到对部分模型数据进行特征抽取,得到部分模型数据的特征向量;
基于所述设计优化模型中的第二设计优化子模型,将微波产品模型的特征向量和设计原理的特征向量通过相加、相乘方法融合在一起,得到编码结果;或者,将特征向量输入反卷积神经网络模型,反卷积神经网络模型通过学习设计原理与部分模型数据之间的非线性映射关系,完成对部分模型数据的重构,得到部分模型数据的有效预测结果作为编码结果;
基于所述设计优化模型中的第三设计优化子模型,对编码结果的升维处理,实现对编码结果的解码,完成待设计微波产品模型的数据重构,生成待设计微波产品模型;
其中,在设计二阶交指滤波器时,画了第一抽头后,第一抽头作为部分模型数据,将第一抽头和二阶交指滤波器对应的设计原理输入所述设计优化模型;所述设计优化模型根据第一抽头和二阶交指滤波器对应的设计原理,输出第一谐振器;然后,再将第一抽头和第一谐振器作为待设计的二阶交指滤波器的所述部分模型数据,输入所述设计优化模型,由所述设计优化模型根据第一抽头和第一谐振器,以及设计原理输出其它部分,循环往复,直至全部设计完成,生成所述二阶交指滤波器为止,所述其它部分包括第一谐振器上的接地孔、第二抽头、第二谐振器以及第二谐振器上的接地孔中的至少一项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010052510.9A CN111259603B (zh) | 2020-01-17 | 2020-01-17 | 电子设备、模型设计装置和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010052510.9A CN111259603B (zh) | 2020-01-17 | 2020-01-17 | 电子设备、模型设计装置和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111259603A CN111259603A (zh) | 2020-06-09 |
CN111259603B true CN111259603B (zh) | 2024-01-30 |
Family
ID=70950706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010052510.9A Active CN111259603B (zh) | 2020-01-17 | 2020-01-17 | 电子设备、模型设计装置和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111259603B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613538B (zh) * | 2020-12-09 | 2022-07-05 | 华中科技大学 | 一种基于加权主成分分析的非线性均衡方法 |
CN113938198B (zh) * | 2021-11-08 | 2024-04-02 | 杭州电子科技大学 | 光纤传输系统、基于lda简化非线性均衡器的方法及模块 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545277A (zh) * | 2017-08-11 | 2018-01-05 | 腾讯科技(上海)有限公司 | 模型训练、身份验证方法、装置、存储介质和计算机设备 |
CN108319744A (zh) * | 2017-12-14 | 2018-07-24 | 上海东润换热设备制造有限公司 | 产品参数化设计开发平台及方法 |
CN109101712A (zh) * | 2018-07-27 | 2018-12-28 | 石家庄创天电子科技有限公司 | 基于图网络的产品模型设计系统及方法 |
CN109255148A (zh) * | 2018-07-27 | 2019-01-22 | 石家庄创天电子科技有限公司 | 力学产品设计方法及其系统 |
CN110046712A (zh) * | 2019-04-04 | 2019-07-23 | 天津科技大学 | 基于生成模型的隐空间模型化策略搜索学习方法 |
CN110210654A (zh) * | 2019-05-20 | 2019-09-06 | 南京星火技术有限公司 | 产品模型设计系统及方法 |
CN110532859A (zh) * | 2019-07-18 | 2019-12-03 | 西安电子科技大学 | 基于深度进化剪枝卷积网的遥感图像目标检测方法 |
-
2020
- 2020-01-17 CN CN202010052510.9A patent/CN111259603B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545277A (zh) * | 2017-08-11 | 2018-01-05 | 腾讯科技(上海)有限公司 | 模型训练、身份验证方法、装置、存储介质和计算机设备 |
CN108319744A (zh) * | 2017-12-14 | 2018-07-24 | 上海东润换热设备制造有限公司 | 产品参数化设计开发平台及方法 |
CN109101712A (zh) * | 2018-07-27 | 2018-12-28 | 石家庄创天电子科技有限公司 | 基于图网络的产品模型设计系统及方法 |
CN109255148A (zh) * | 2018-07-27 | 2019-01-22 | 石家庄创天电子科技有限公司 | 力学产品设计方法及其系统 |
CN110046712A (zh) * | 2019-04-04 | 2019-07-23 | 天津科技大学 | 基于生成模型的隐空间模型化策略搜索学习方法 |
CN110210654A (zh) * | 2019-05-20 | 2019-09-06 | 南京星火技术有限公司 | 产品模型设计系统及方法 |
CN110532859A (zh) * | 2019-07-18 | 2019-12-03 | 西安电子科技大学 | 基于深度进化剪枝卷积网的遥感图像目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111259603A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108885713B (zh) | 图像分类神经网络 | |
WO2017177661A1 (zh) | 基于卷积神经网络的视频检索方法及系统 | |
WO2018011842A1 (ja) | 階層ネットワークを用いた演算処理システム | |
CN111259603B (zh) | 电子设备、模型设计装置和计算机可读介质 | |
CN111260079B (zh) | 电子设备和智能体自训练装置 | |
CN113705515B (zh) | 语义分割模型的训练和高精地图车道线的生成方法和设备 | |
CN113132723A (zh) | 一种图像压缩方法及装置 | |
CN111274727B (zh) | 电子设备、微波产品模型设计装置和计算机可读介质 | |
CN111859835A (zh) | 一种电路互连网络模型的降阶方法、降阶装置及降阶设备 | |
Hu et al. | Design of recurrent neural networks for solving constrained least absolute deviation problems | |
CN110109646A (zh) | 数据处理方法、装置和乘加器及存储介质 | |
CN112686031A (zh) | 文本特征提取模型的量化方法、装置、设备及存储介质 | |
CN106227881A (zh) | 一种信息处理方法及服务器 | |
CN115205736A (zh) | 视频数据的识别方法和装置、电子设备和存储介质 | |
WO2022246986A1 (zh) | 数据处理方法、装置、设备及计算机可读存储介质 | |
CN112632254B (zh) | 对话状态确定方法、终端设备及存储介质 | |
CN116645668B (zh) | 图像生成方法、装置、设备以及存储介质 | |
CN113850890A (zh) | 动物形象的生成方法、装置、设备及存储介质 | |
CN110909179B (zh) | 文本生成模型的优化方法及系统 | |
CN117079645A (zh) | 语音模型优化方法、装置、设备及介质 | |
CN112801053B (zh) | 视频数据处理方法、装置 | |
CN111582456A (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
CN115661238B (zh) | 可行驶区域生成方法、装置、电子设备和计算机可读介质 | |
CN112215789B (zh) | 图像去雾方法、装置、设备和计算机可读介质 | |
CN117475995A (zh) | 一种语音识别方法及装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |