CN111680170B - 周期结构的物理特性预测方法、装置及相关产品 - Google Patents

Abstract

本申请实施例提供一种周期结构的物理特性预测方法、装置及相关产品，周期结构的物理特性预测方法包括：确定目标对象的n个子单元的性能特性，目标对象包括M个具有周期结构的子单元，M为大于1的正整数，n大于等于1且小于M；根据n个子单元的性能特性，构建目标对象对应的知识图谱；根据图神经网络，对知识图谱的节点进行训练，得到n个子单元的性能特性之间的关系；根据n个子单元的性能特性之间的关系，预测第n+i个子单元的性能特性以及具有周期结构的目标对象的整体工作性能，i大于等于1，且n+i小于等于M。本申请实施例无须重复计算整个目标对象的性能特性。

Description

周期结构的物理特性预测方法、装置及相关产品

技术领域

本申请计算机科学领域，尤其涉及一种周期结构的物理特性预测方法、装置及相关产品。

背景技术

自然界存在大量的周期结构，这种周期结构一般由大量的自相似单元构成，如左手材料、天线阵列、隐身材料等。周期结构的单元数量众多，结构复杂，在设计这种周期结构时，传统的数值计算方法需要耗费大量的时间等资源来计算其物理特性，比如完成计算并设计一个由几千个单元天线构成的天线阵列的物理特性，其计算过程就需要128颗处理器计算100个小时以上，计算效率低，成本高。

发明内容

有鉴于此，本申请解决的技术问题之一在于提供一种周期结构的物理特性预测方法、装置及相关产品，提高计算效率，降低成本。

第一方面，本申请实施例提供一种电子设备，其包括存储器以及处理器，所述存储器上存储于可执行程序，所述处理器运行所述可执行程序时执行如下步骤：

确定目标对象的n个子单元的性能特性，所述目标对象包括M个具有周期结构的子单元，M为大于1的正整数，n大于等于1且小于M；

根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱；

根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的关系；

根据所述n个子单元的性能特性之间的关系，预测第n+i个子单元的性能特性以及具有所述周期结构的所述目标对象的整体工作性能，i大于等于1，且n+i小于等于M。

可选地，在本申请第一方面的实施例中，所述处理器执行根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的关系之前，所述处理器执行如下步骤：根据特性样本对所述图神经网络进行训练。

可选地，在本申请第一方面的实施例中，所述处理器执行根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱的步骤，包括；

根据所述目标和所述n个子单元结构的关系，以及所述n个子单元的特性，构建所述知识图谱。

可选地，在本申请第一方面的实施例中，所述处理器执行所述根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱的步骤，包括：对所述n个子单元的性能特性分别进行编码得到对应的特性编码；根据所述n个子单元结构对应的特性编码，构建所述目标对象对应的知识图谱。

可选地，在本申请第一方面的实施例中，所述知识图谱包括n个节点，一个节点对应所述n个子单元结构中的一个子单元结构。

可选地，在本申请第一方面的实施例中，所述目标对象为天线阵列，所述子单元为所述天线阵列的天线单元，所述特性为电磁特性。

第二方面，本申请实施例提供了一种周期结构的物理特性预测方法，所述目标对象包括M个具有周期结构的子单元，M为大于1的正整数，所述方法包括：

确定所述目标对象中的n个子单元的性能特性，n大于等于1且小于M；

根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱；

根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的关系；

根据所述n个子单元的性能特性之间的关系，预测第n+i个子单元的性能特性以及具有所述周期结构的所述目标对象的整体工作性能，i大于等于1，且n+i小于等于M。

可选地，在本申请第二方面的实施例中，所述根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的关系之前，还包括：根据特性样本对所述图神经网络进行训练。

可选地，在本申请第二方面的实施例中，根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱，包括；

根据所述目标和所述n个子单元结构的关系，以及所述n个子单元的特性，构建所述知识图谱。

可选地，在本申请第二方面的实施例中，所述根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱，包括：对所述n个子单元的性能特性分别进行编码得到对应的特性编码；根据所述n个子单元结构对应的特性编码，构建所述目标对象对应的知识图谱。

可选地，在本申请第二方面的实施例中，所述知识图谱包括n个节点，一个节点对应所述n个子单元结构中的一个子单元结构。

可选地，在本申请第二方面的实施例中，所述目标对象为天线阵列，所述子单元为所述天线阵列的天线单元，所述特性为电磁特性。

第三方面，本申请实施例提供一种周期结构的物理特性预测装置，所述目标对象包括M个具有周期结构的子单元，M为大于1的正整数，所述装置包括：

特性确定单元，用于确定目标对象的n个子单元的性能特性，n大于等于1且小于M；

知识图谱构建单元，用于根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱；

训练单元，用于根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的关系；

预测单元，用于根据所述n个子单元的性能特性之间的关系，预测第n+i个子单元的性能特性以及具有所述周期结构的所述目标对象的整体工作性能，i大于等于1，且n+i小于等于M。

第四方面，本申请实施例提供一种存储介质，所述存储介质上存储有可执行程序运行所述可执行程序以执行如下步骤：

确定目标对象的n个子单元结构的性能特性，所述目标对象包括M个具有周期结构的子单元，M为大于1的正整数，n大于等于1且小于M；

根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱；

根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的关系；

根据所述n个子单元的性能特性之间的关系，预测第n+i个子单元的性能特性以及具有所述周期结构的所述目标对象的整体工作性能，i大于等于1，且n+i小于等于M。

本申请实施例中，通过确定目标对象的n个子单元的性能特性，所述目标对象包括M个具有周期结构的子单元，M为大于1的正整数，n大于等于1且小于M；根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱；根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的关系；根据所述n个子单元的性能特性之间的关系，预测第n+i个子单元的性能特性以及具有所述周期结构的所述目标对象的整体工作性能，i大于等于1，且n+i小于等于M，通过部分子单元的性能特性，就能预测出其他子单元的性能特性，从而简化目标对象的设计，无须重复计算整个目标对象的性能特性，减少了计算量，提高了计算效率，降低了设计成本，进一步降低了测试过程所需要的工作量，提高了测试的效率，降低了测试成本。

附图说明

图1为本申请实施例一中本申请技术方案的应用场景示意图；

图2为本申请实施例二中应用到天线阵列中的示意图；

图3为本申请实施例三中周期结构的物理特性预测方法流程示意图；

图4为本申请实施例四中周期结构的物理特性预测装置结构示意图；

图5为本申请实施例五中电子设备的结构示意图。

具体实施方式

为了使本领域的人员更好地理解本申请实施例中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，所描述的实施例仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本申请实施例保护的范围。

下面结合本申请施例附图进一步说明本申请实施例具体实现。

图1为本申请实施例一中本申请技术方案的应用场景示意图；如图1所示，所述目标对象包括M个具有周期结构的子单元，M为大于1的正整数，该M个具有周期结构的子单元按照设定组织规则进行设置形成目标对象，本实施例中，通过确定目标对象的n个子单元的性能特性，n大于等于1且小于M；根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱；根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的关系；根据所述n个子单元的性能特性之间的关系，预测第n+i个子单元的性能特性以及具有所述周期结构的所述目标对象的整体工作性能，i大于等于1，且n+i小于等于M。

本是实施例中，所述目标对象可以为任一包括M个具有周期结构的子单元的产品，如左手材料，天线阵列、像素阵列等，其包含成百上千的重复的单元，当然，本实施例此处只是示例性的对本申请中的目标进行说明，并不代表本申请局限于此。

其中，可以通过与该单元的检测装置(例如传感器)或者仿真软件目标对象的n个子单元的性能特性。

本实施例中，通过知识图谱结构、材料、介电常数、电导率、位置、大小等等，直接明了地对n个子单元的性能特性进行了描述，再根据图神经网络(包括经典图神经网络、图卷积神经网络、图循环神经网络等等)，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的准确关系，从而可预测出第n+1个子单元的性能特性。

比如，如果目标对象为阵列天线，则知识图谱用于描述天线，描述天线单元的结构、材料、介电常数、电导率、位置、大小等等。

如前所述，本实施例中，以目标对象为阵列天线为例进行说明，其知识图谱：阵列天线的知识图谱包含节点和边(边是指节点间的关系，即节点间的连通性和相关性构成)即G(V,E)，其中节点V可以提取阵列天线中的独立天线单元作为节点，独立天线单元的尺寸、材料等作为其属性，边E可以是阵列天线中的独立天线单元之间的连接线，连接线的尺寸、材料等作为其属性；

其中节点V可以提取阵列天线中的独立天线单元作为节点，边E可以由神经网络学习得到；

其中节点可以将阵列天线按照其工作性能分解为几个相同的子阵，将这些子阵作为节点V，边E是这些子阵间的连接，可以由神经网络学习得到。

阵列天线的知识图谱包含节点V、边E(边是指节点间的关系)、全局信息u(可以表征阵列天线整体性能的信息即G(u,V,E)，例如：阵列天线的总方向图)，其中节点可以提取阵列天线中的独立天线单元作为节点，关系可以是阵列天线中的独立天线单元之间的连接。全局信息可以根据节点和节点间建立的关系，计算得到，例如：通过计算依靠阵列天线中的独立天线单元之间的连接(关系)到一起的独立天线单元(节点)得到阵列天线的总方向图(全局信息)。

本实施例中，通过图神经网络学习阵列天线的知识图谱的节点、边、全局信息相互间的关系，从而生成能够充分表征阵列天线工作性能的隐图，以对所述知识图谱进行训练。比如，如果两个节点有相互作用，且相互作用强，那么学习到的隐图的节点间的边的值就会较大，这样使得这两个节点信息传递尽可能大。

具体地，可以通过图神经网络中的消息传递器学习阵列天线的知识图谱的节点、边、全局信息相互间的关系，从而生成能够充分表征阵列天线工作性能的隐图，以对所述知识图谱进行训练。消息传递器比如是神经网络例如：CNN,MLP等。

本实施例中，根据所述n个子单元的性能特性之间的关系，预测第n+i个子单元的性能特性及具有周期结构的产品的整体工作性能具体包括：

基于第一图神经网络，根据所述n个子单元的性能特性之间的关系，预测第n+i个子单元的性能特性；

基于第二图神经网络，根据所述n个子单元的性能特性之间的关系，预测具有周期结构的产品的整体工作性能。

在基于第一图神经网络，根据所述n个子单元的性能特性之间的关系，预测第n+i个子单元的性能特性时，通过第一图神经网络中的解码器从反应所述n个子单元的性能特性之间的关系的阵列天线工作性能的隐图中提取待预测第n+i个子单元的性能特性。解码器是神经网络例如：CNN,MLP等。

基于第二图神经网络，根据所述n个子单元的性能特性之间的关系，预测具有周期结构的产品的整体工作性能时，通过第二图神经网络中的解码器从反应所述n个子单元的性能特性之间的关系的阵列天线工作性能的隐图中提取具有周期结构的产品的整体工作性能。解码器是神经网络例如：CNN,MLP等。

图2为本申请实施例二中应用到天线阵列中的示意图；如图2所示，通过确定天线阵列的n个天线单元的电磁特性，n大于等于1且小于M；根据所述n个天线单元的电磁特性，构建所述天线阵列对应的知识图谱；根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个天线单元的电磁特性之间的关系；根据所述n个天线单元的电磁特性之间的关系，预测第n+1个天线单元的电磁特性。

可选地，在本申请第二方面的实施例中，所述根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个天线单元的电磁特性之间的关系之前，还包括：根据特性样本对所述图神经网络进行训练。

可选地，在本申请第二方面的实施例中，根据所述n个天线单元的电磁特性，构建所述天线阵列对应的知识图谱，包括；

根据所述目标和所述n个天线单元结构的关系，以及所述n个天线单元的特性，构建所述知识图谱。

可选地，在本申请第二方面的实施例中，所述根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个天线单元的电磁特性之间的关系之后，还包括：根据所述n个天线单元的电磁特性之间的关系，预测所述天线阵列的电磁特性。

可选地，在本申请第二方面的实施例中，所述根据所述n个天线单元的电磁特性，构建所述天线阵列对应的知识图谱，包括：对所述n个天线单元的电磁特性分别进行编码得到对应的特性编码；根据所述n个天线单元结构对应的特性编码，构建所述天线阵列对应的知识图谱。

可选地，在本申请第二方面的实施例中，所述知识图谱包括n个节点，一个节点对应所述n个天线单元结构中的一个天线单元结构。

本实施例中，天线阵列的体积庞大，结构复杂，涉及到大量的重复的天线单元，如果每调整一个天线单元，都会导致需要重复计算整个天线阵列的电磁特性，导致计算量巨大，效率低，成本高，必然会导致测试过程所需要的工作量非常巨大，测试的效率低，成本高，通过部分天线单元的电磁特性，就能预测出天线阵列的电磁特性，从而简化天线阵列的设计，无须重复计算整个天线阵列的电磁特性，减少了计算量，提高了效率，降低了设计成本，进一步降低了测试过程所需要的工作量，提高了测试的效率，降低了测试成本。

图3为本申请实施例三中周期结构的物理特性预测方法流程示意图；如图3所示，所述目标对象包括M个具有周期结构的子单元，M为大于1的正整数，所述方法包括：

S301、确定所述目标对象中的n个子单元的性能特性，n大于等于1且小于M；

S302、根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱；

S303、根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的关系；

S304、根据所述n个子单元的性能特性之间的关系，预测第n+i个子单元的性能特性以及具有所述周期结构的所述目标对象的整体工作性能，i大于等于1，且n+i小于等于M。

可选地，在本申请第二方面的实施例中，所述根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的关系之前，还包括：根据特性样本对所述图神经网络进行训练。

可选地，在本申请第二方面的实施例中，根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱，包括；

根据所述目标和所述n个子单元结构的关系，以及所述n个子单元的特性，构建所述知识图谱。

可选地，在本申请第二方面的实施例中，所述根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的关系之后，还包括：根据所述n个子单元的性能特性之间的关系，预测所述目标对象的特性。

可选地，在本申请第二方面的实施例中，所述根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱，包括：对所述n个子单元的性能特性分别进行编码得到对应的特性编码；根据所述n个子单元结构对应的特性编码，构建所述目标对象对应的知识图谱。

可选地，在本申请第二方面的实施例中，所述知识图谱包括n个节点，一个节点对应所述n个子单元结构中的一个子单元结构。

可选地，在本申请第二方面的实施例中，所述目标对象为天线阵列，所述子单元为所述天线阵列的天线单元，所述特性为电磁特性。

图4为本申请实施例四中周期结构的物理特性预测装置结构示意图；如图4所示，所述目标对象包括M个具有周期结构的子单元，M为大于1的正整数，所述装置包括：

确定单元401，用于确定目标对象的n个子单元的性能特性，n大于等于1且小于M；

构建单元402，用于根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱；

训练单元403，用于根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的关系；

预测单元404，用于根据所述n个子单元的性能特性之间的关系，预测第n+i个子单元的性能特性以及具有所述周期结构的所述目标对象的整体工作性能，i大于等于1，且n+i小于等于M。

图5为本申请实施例五中电子设备的结构示意图；如图5所示，所述电子设备包括存储器501以及处理器502，所述存储器上存储于可执行程序，所述处理器运行所述可执行程序时执行如下步骤：

确定目标对象的n个子单元的性能特性，所述目标对象包括M个具有周期结构的子单元，M为大于1的正整数，n大于等于1且小于M；

根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱；

根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的关系；

根据所述n个子单元的性能特性之间的关系，预测第n+i个子单元的性能特性以及具有所述周期结构的所述目标对象的整体工作性能，i大于等于1，且n+i小于等于M。

可选地，在本申请第一方面的实施例中，所述处理器执行根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的关系之前，所述处理器执行如下步骤：根据特性样本对所述图神经网络进行训练。

可选地，在本申请第一方面的实施例中，所述处理器执行根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱的步骤，包括；

根据所述目标和所述n个子单元结构的关系，以及所述n个子单元的特性，构建所述知识图谱。

可选地，在本申请第一方面的实施例中，所述处理器执行所述根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的关系之后，还包括所述处理器执行如下步骤：根据所述n个子单元的性能特性之间的关系，预测所述目标对象的特性。

可选地，在本申请第一方面的实施例中，所述处理器执行所述根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱的步骤，包括：对所述n个子单元的性能特性分别进行编码得到对应的特性编码；根据所述n个子单元结构对应的特性编码，构建所述目标对象对应的知识图谱。

可选地，在本申请第一方面的实施例中，所述知识图谱包括n个节点，一个节点对应所述n个子单元结构中的一个子单元结构。

可选地，在本申请第一方面的实施例中，所述目标对象为天线阵列，所述子单元为所述天线阵列的天线单元，所述特性为电磁特性。

第四方面，本申请实施例提供一种存储介质，所述存储介质上存储有可执行程序运行所述可执行程序以执行如下步骤：

确定目标对象的n个子单元结构的性能特性，所述目标对象包括M个具有周期结构的子单元，M为大于1的正整数，n大于等于1且小于M；

根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱；

根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的关系；

根据所述n个子单元的性能特性之间的关系，预测第n+i个子单元的性能特性以及具有所述周期结构的所述目标对象的整体工作性能，i大于等于1，且n+i小于等于M。

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)其他具有数据交互功能的电子设备。

至此，已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或节点实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

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，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (14)

1.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器上存储于可执行程序，所述处理器运行所述可执行程序时执行如下步骤：

确定目标对象的n个子单元的性能特性，所述目标对象包括M个具有周期结构的子单元，M为大于1的正整数，n大于等于1且小于M；

根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱；

根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的关系；

根据所述n个子单元的性能特性之间的关系，预测第n+i个子单元的性能特性及具有周期结构的产品的整体工作性能，i大于等于1，且n+i小于等于M；

其中，所述根据所述n个子单元的性能特性之间的关系，预测第n+i个子单元的性能特性及具有周期结构的产品的整体工作性能，包括：基于第一图神经网络，根据所述n个子单元的性能特性之间的关系，预测所述第n+i个子单元的性能特性；基于第二图神经网络，根据所述n个子单元的性能特性之间的关系，预测具有周期结构的产品的整体工作性能。

2.根据权利要求1所述的电子设备，其特征在于，所述处理器执行根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的关系之前，所述处理器执行如下步骤：根据特性样本对所述图神经网络进行训练。

3.根据权利要求1所述的电子设备，其特征在于，所述处理器执行根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱的步骤，包括；

根据所述目标和所述n个子单元结构的关系，以及所述n个子单元的特性，构建所述知识图谱。

4.根据权利要求1所述的电子设备，其特征在于，所述处理器执行所述根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱的步骤，包括：对所述n个子单元的性能特性分别进行编码得到对应的特性编码；根据所述n个子单元结构对应的特性编码，构建所述目标对象对应的知识图谱。

5.根据权利要求1所述的电子设备，其特征在于，所述知识图谱包括n个节点，一个节点对应所述n个子单元结构中的一个子单元结构。

6.根据权利要求1-5任一项所述的电子设备，其特征在于，所述目标对象为天线阵列，所述子单元为所述天线阵列的天线单元，所述特性为电磁特性。

7.一种周期结构的物理特性预测方法，其特征在于，目标对象包括M个具有周期结构的子单元，M为大于1的正整数，所述方法包括：

确定所述目标对象中的n个子单元的性能特性，n大于等于1且小于M；

根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱；

根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的关系；

根据所述n个子单元的性能特性之间的关系，预测第n+i个子单元的性能特性以及具有所述周期结构的所述目标对象的整体工作性能，i大于等于1，且n+i小于等于M；

其中，所述根据所述n个子单元的性能特性之间的关系，预测第n+i个子单元的性能特性及具有周期结构的产品的整体工作性能，包括：基于第一图神经网络，根据所述n个子单元的性能特性之间的关系，预测所述第n+i个子单元的性能特性；基于第二图神经网络，根据所述n个子单元的性能特性之间的关系，预测具有周期结构的产品的整体工作性能。

8.根据权利要求7所述的周期结构的物理特性预测方法，其特征在于，所述根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的关系之前，还包括：根据特性样本对所述图神经网络进行训练。

9.根据权利要求7所述的周期结构的物理特性预测方法，其特征在于，根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱，包括；

根据所述目标和所述n个子单元结构的关系，以及所述n个子单元的特性，构建所述知识图谱。

10.根据权利要求7所述的周期结构的物理特性预测方法，其特征在于，所述根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱，包括：对所述n个子单元的性能特性分别进行编码得到对应的特性编码；根据所述n个子单元结构对应的特性编码，构建所述目标对象对应的知识图谱。

11.根据权利要求7所述的周期结构的物理特性预测方法，其特征在于，所述知识图谱包括n个节点，一个节点对应所述n个子单元结构中的一个子单元结构。

12.根据权利要求7-11任一项所述的周期结构的物理特性预测方法，其特征在于，所述目标对象为天线阵列，所述子单元为所述天线阵列的天线单元，所述特性为电磁特性。

13.一种周期结构的物理特性预测装置，其特征在于，目标对象包括M个具有周期结构的子单元，M为大于1的正整数，所述装置包括：

特性确定单元，用于确定所述目标对象的n个子单元的性能特性，n大于等于1且小于M；

知识图谱构建单元，用于根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱；

训练单元，用于根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的关系；

预测单元，用于根据所述n个子单元的性能特性之间的关系，预测第n+i个子单元的性能特性以及具有所述周期结构的所述目标对象的整体工作性能，i大于等于1，且n+i小于等于M；

其中，所述根据所述n个子单元的性能特性之间的关系，预测第n+i个子单元的性能特性及具有周期结构的产品的整体工作性能，包括：基于第一图神经网络，根据所述n个子单元的性能特性之间的关系，预测所述第n+i个子单元的性能特性；基于第二图神经网络，根据所述n个子单元的性能特性之间的关系，预测具有周期结构的产品的整体工作性能。

14.一种存储介质，其特征在于，所述存储介质上存储有可执行程序，所述可执行程序被处理器执行时实现如下步骤：

确定目标对象的n个子单元结构的性能特性，所述目标对象包括M个具有周期结构的子单元，M为大于1的正整数，n大于等于1且小于M；

根据所述n个子单元的性能特性，构建所述目标对象对应的知识图谱；

根据图神经网络，对所述知识图谱的节点进行训练，得到所述n个子单元的性能特性之间的关系；

根据所述n个子单元的性能特性之间的关系，预测第n+i个子单元的性能特性以及具有所述周期结构的所述目标对象的整体工作性能，i大于等于1，且n+i小于等于M；

其中，所述根据所述n个子单元的性能特性之间的关系，预测第n+i个子单元的性能特性及具有周期结构的产品的整体工作性能，包括：基于第一图神经网络，根据所述n个子单元的性能特性之间的关系，预测所述第n+i个子单元的性能特性；基于第二图神经网络，根据所述n个子单元的性能特性之间的关系，预测具有周期结构的产品的整体工作性能。

Images