CN111967184B - 一种基于序列模型的多目标天线设计方法 - Google Patents
一种基于序列模型的多目标天线设计方法 Download PDFInfo
- Publication number
- CN111967184B CN111967184B CN202010792865.1A CN202010792865A CN111967184B CN 111967184 B CN111967184 B CN 111967184B CN 202010792865 A CN202010792865 A CN 202010792865A CN 111967184 B CN111967184 B CN 111967184B
- Authority
- CN
- China
- Prior art keywords
- antenna
- model
- algorithm
- variable
- design
- 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 45
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 11
- 239000003795 chemical substances by application Substances 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000002922 simulated annealing Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 239000002184 metal Substances 0.000 description 5
- 229910052751 metal Inorganic materials 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明公开了一种基于序列模型的多目标天线设计方法，该方法通过采用基于序列的神经网络模型结构作为代理模型，对代理模型的输入进行序列化，以天线参数指标作为输出，对代理模型进行训练，经代理模型计算给出天线设计的目标函数，采用寻优算法进行优化迭代，根据寻优算法迭代和代理模型得到的最符合实际设计需求的天线参数指标，完成天线设计。本发明使用基于序列的神经网络模型预测天线参数，同时对模型的输入向量作进制转化等相关处理，极大增强了代理模型预测的准确性。
Description
技术领域
本发明涉及天线设计领域，尤其涉及一种基于序列模型的多目标天线设计方法。
背景技术
天线设计者在得到一款天线的设计指标要求后，一般首先确定天线材料性质与天线形状结构；然后在电磁仿真软件中建立该天线的基本模型，其中天线结构变量的具体长度值按照经验随机给出；然后使用电磁仿真软件仿真得到目前结构下的天线参数；对比实际所需要的设计指标，如不满足设计目标，则设计者按照经验重新修改天线结构变量长度并仿真计算，直到满足所有设计指标为止。具体过程如图1所示。
该方法虽然仿真精度高，但每次仿真都需要等待计算机的仿真结果，该过程短则三五分钟，长则数个小时，且设计目标往往由于相互耦合而难以同时满足，设计时间多数都在反复地重设天线长度、等待仿真结果的循环中浪费。另一方面，在重设天线结构变量的长度时，天线结构变量变化的方向通常难以把控。
现有技术中，使用代理模型学习当前结构下的天线长度与参数指标间的具体关系，学习完毕后使用该代理模型替代电磁仿真软件对所需要评价的天线参数进行计算。所述代理模型可以是多项式拟合、径向基函数、支持向量回归或Kriging模型。在能够获得某一天线参数后，使用多目标寻优算法搜索合适的结构变量从而替代传统人工经验的搜索，最终完成多目标天线设计。但是现有技术的方法具有以下缺点：在对天线的参数指标进行预测时，现有方案直接将若干结构变量值作为模型训练的输入，而不考虑各结构之间的相关关系。事实上，天线参数变化的根本原因是各个天线结构在空间上的位置变化引起的。而每一段结构变量都将影响到以其终点作为起点的后续天线结构在空间上的位置，因此在对天线参数进行预测时应当充分考虑各个结构变量之间所存在的序列性。现有实现方案并没有考虑序列性这一问题，导致其预测性能较差。最终可能导致依赖于预测模型的多目标寻优算法在优化方向上出现错误。
本发明针对目前天线预测模型性能较差而导致天线优化方向错误的问题，提出一种基于序列模型的多目标天线设计方法，该方法在预测模型训练时充分学习结构变量的序列性，从而建立准确性更高的天线代理模型，最终较好地完成天线设计工作。
发明内容
本发明目的在于针对现有技术的不足，提出一种基于序列模型的多目标天线设计方法，能够使用序列模型预测电磁仿真结果，本方法减少电磁仿真时间消耗、降低计算成本的同时，相对于其他代理模型，能够显著提高模型预测准确度及模型训练时间，最终完成多目标天线设计。
本发明的目的是通过以下技术方案来实现的：一种基于序列模型的多目标天线设计方法，该方法具体步骤如下：
(1)根据设计需求确定天线材料性质以及形状，并初始化m个天线的结构变量的长度范围，按照天线设计目标设置寻优算法的目标函数形式；
(2)在步骤(1)初始化的每个结构变量的长度范围内随机生成一组共m个结构变量数据并重复q次，收集q组天线数据，并使用电磁仿真工具求解各组天线的天线参数指标；
(3)从天线馈电端口开始，沿着天线延伸的方向依次遍历m个天线结构变量，并对每个结构变量长度定义符号；创建一个由m个列向量构成的天线结构向量，将m个结构变量长度按照对应符号的遍历顺序依次放入天线结构向量的列向量中，此时每一列向量均表示所对应天线的结构变量长度。
(4)将步骤(3)中的天线结构向量的列向量依次输入基于序列的神经网络模型中作为模型训练的输入，将电磁仿真求解的天线参数指标作为模型训练的输出，训练得到代理模型。
(5)随机生成T组天线的结构变量，并输入至步骤(4)中得到的代理模型，输出T组天线参数指标；并根据步骤(1)的目标函数形式，以天线参数指标作为输入计算目标函数值；
(6)对目标函数值是否满足天线设计目标进行判断，若不满足，则根据寻优算法迭代出新一代天线的结构变量，并返回步骤(5)，将迭代得到的新一代天线结构变量代替随机生成的结构变量输入至代理模型；若满足，则进入下一步。
(7)根据寻优算法迭代和代理模型得到的最符合实际设计需求的天线参数指标，完成天线设计。
进一步地，步骤(3)中，所述结构变量长度可以是长度值，也可以是长度值采用进制转换后的数值，该数值按需求放入对应列向量中，形成n×1维的列向量。n为长度值或者所述数值经过转换后的位数。
进一步地，步骤(4)中，所述基于序列的神经网络模型包括循环神经网络(Recurrent Neural Network，RNN)模型，长短期记忆(Long Short-Term Memory，LSTM)模型与GRU(Gated Recurrent Unit)模型及上述模型的改进模型。
进一步地，步骤(5)中，寻优算法包括进化算法和启发算法，进化算法包括NSGA算法、NSGA-2算法、遗传算法和粒子群算法；启发算法为模拟退火算法。本发明的有益效果：天线设计中的结构变量具有一定的序列性，本发明使用基于序列的神经网络模型预测天线参数，同时对模型的输入向量作进制转化等相关处理，显著提高了模型训练速度，极大增强了代理模型预测的准确性，较高的预测准确性有助于多目标寻优算法确定合适的优化方向，更好地完成天线设计工作。
附图说明
图1为传统天线设计过程流程图；
图2为基于序列模型的多目标天线设计方法流程图；
图3为本发明天线结构示意图；
图4为满足设计目标的天线回波损耗图。
具体实施方式
以下结合附图对本发明具体实施方式作进一步详细说明。
如图2所示，本发明提供的一种基于序列模型的多目标天线设计方法，该方法具体步骤如下：
(1)根据设计需求确定天线材料性质以及形状，初始化m个天线的结构变量的长度范围，按照天线设计目标设置寻优算法的目标函数形式；天线的结构变量用于描述天线金属导体的形状，将天线金属导体分割为若干个能够使用长、宽等结构变量描述的金属片；不同结构变量的取值所产生的不同的金属片就是天线结构，若干天线结构构成一个天线。
(2)在步骤(1)初始化的每个结构变量的长度范围内随机生成一组共m个数据并重复q次，收集q组天线数据，并使用电磁仿真工具求解各组天线的天线参数指标；天线参数指天线设计过程中设计者所追求的某一天线的性能，如果天线参数不满足设计目标，则需要重新改变结构变量进而获得新的天线参数。
(3)从天线馈电端口开始，沿着天线延伸的方向依次遍历m个天线结构变量，并对每个结构变量长度定义符号；创建一个由m个列向量构成的天线结构向量，将m个结构变量长度按照对应符号的遍历顺序依次放入天线结构向量的列向量中，此时每一列向量均表示所对应天线的结构变量长度。所述结构变量长度可以是长度值，也可以是长度值进行进制转换后的数值，例如采用二进制进行转换后的二进制数，或者是采用其他编码方法得到的数值，该数值按需求放入对应列向量中，形成n×1维的列向量。n为长度值或转换后数值的位数。
(4)将步骤(3)中的天线结构向量的列向量依次输入序列模型中作为模型训练的输入，将电磁仿真求解的天线参数指标作为模型训练的输出，训练得到代理模型。所述序列模型使用基于序列的神经网络模型结构，包括循环神经网络(Recurrent Neural Network，RNN)模型，长短期记忆(Long Short-Term Memory，LSTM)模型与GRU(Gated RecurrentUnit)模型及上述模型的改进模型。
(5)随机生成T组天线的结构变量，并输入至步骤(4)中得到的代理模型，输出T组天线参数指标；并根据步骤(1)的目标函数形式，以天线参数指标作为输入计算目标函数值；
(6)对目标函数值是否满足天线设计目标进行判断，若不满足，则根据寻优算法迭代出新一代天线的结构变量，并返回步骤(5)，将迭代得到的新一代天线结构变量代替随机生成的结构变量输入至代理模型；若满足，则进入下一步。所述寻优算法包括进化算法和启发算法，进化算法包括NSGA算法、NSGA-2算法、遗传算法和粒子群算法；启发算法为模拟退火算法。天线设计目标是指天线设计开始前所给出的各项天线性能(如回波损耗、增益、方向性等)的最低可接受值。在设计天线设计过程中往往同时需要满足多项相互矛盾的天线性能最低要求，即多目标天线设计。
(7)根据寻优算法迭代和代理模型得到的最符合实际设计需求的天线参数指标，完成天线设计。
具体实施方式：
1.设置材料性质、天线结构及各结构变量范围并设置目标函数：天线蚀刻在尺寸为76mm×20mm×1mm、介电常数为4.4的PCB板上，由宽度为1mm的金属铜走线首尾相连形成。天线结构如图3所示，图3中各结构长度范围如表1所示。
表1天线结构变量取值范围
| 参数 | a2(mm) | a3(mm) | a4(mm) | a5(mm) | b1(mm) | b2(mm) |
| 范围 | [2.45,2.85] | [2.45,2.85] | [2.45,2.85] | [2.45,2.85] | [13,15] | [11,13] |
| 参数 | b3(mm) | b4(mm) | c1(mm) | c2(mm) | c3(mm) | d1(mm) |
| 范围 | [11,13] | [11,13] | [13,15] | [1.5,2.5] | [4,6] | [1,2.5] |
| 参数 | d2(mm) | e1(mm) | α | β(mm) | ||
| 范围 | [6.5,7.5] | [8,10] | [0.1,0.6] | [3,5] |
其中，e2＝α·e1，a1＝(e1-e2)+1+β，其余各项为对应天线结构变量的长度。
本实例将目标函数设置为：
其中，
freqi为860MHz-960MHz上第i个采样点的频率，S11(freqi)为对应频点下的回波损耗，即代理模型的对应输出，特别的，freq7为920MHz。R、S为图3中所示天线走线的最大长度与最大宽度，X为天线的结构变量。为防止代理模型存在的预测误差误导种群进化方向，本实例为代理模型设置输出下限-30。
2.随机产生1500组结构变量数据并仿真计算其参数指标。
3.根据天线结构特点构造16个列向量组成的天线结构向量，
X＝[e1 d2 e2 d1 a1 b1 a2 b2 a3 b3 a4 b4 a5 c1 c2 c3]T (3)
其中，构成X的各列向量是与其相对应的结构长度转换而来，例如c1取2.33，则相对应的列向量c1＝[0 2 3 3]T。
4.使用1500组天线结构向量及其所对应的参数指标对BiLSTM模型进行训练调试，获得天线代理模型。
5.本实例采用NSGA-2算法作为多目标寻优算法，对天线结构进行优化迭代，经过3000次优化迭代，最终得到满足设计目标的4组天线结构，其结构变量取值情况如表2所示；4种天线结构所对应的目标函数值由表3给出，各天线在860MHz-960MHz上的回波损耗随频率变化的情况如图4所示，各个回波损耗都符合目前主流应用要求。
表2满足设计目标的天线结构
表3满足设计目标的天线目标函数值
| 设计目标 | X(1) | X(2) | X(3) | X(4) |
| f1 | -30.00 | -28.83 | -28.00 | -29.84 |
| f2 | -293.35 | -260.71 | -269.19 | -276.41 |
| f3 | 906.91 | 870.00 | 867.68 | 875.98 |
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。
Claims (4)
1.一种基于序列模型的多目标天线设计方法，其特征在于，该方法具体步骤如下：
（1）根据设计需求确定天线材料性质以及形状，初始化m个天线的结构变量的长度范围，按照天线设计目标设置寻优算法的目标函数形式；
（2）在步骤（1）初始化的每个结构变量的长度范围内随机生成一组共m个结构变量数据并重复q次，收集q组天线数据，并使用电磁仿真工具求解各组天线的天线参数指标；
（3）从天线馈电端口开始，沿着天线延伸的方向依次遍历m个天线结构变量，并对每个结构变量长度定义符号；创建一个由m个列向量构成的天线结构向量，将m个结构变量长度按照对应符号的遍历顺序依次放入天线结构向量的列向量中，此时每一列向量均表示所对应天线的结构变量长度；
（4）将步骤（3）中的天线结构向量的列向量依次输入基于序列的神经网络模型中作为模型训练的输入，将电磁仿真求解的天线参数指标作为模型训练的输出，训练得到代理模型；
（5）随机生成T组天线的结构变量，并输入至步骤（4）中得到的代理模型，输出T组天线参数指标；并根据步骤（1）的目标函数形式，以天线参数指标作为输入计算目标函数值；
（6）对目标函数值是否满足天线设计目标进行判断，若不满足，则根据寻优算法迭代出新一代天线的结构变量，并返回步骤（5），将迭代得到的新一代天线结构变量代替随机生成的结构变量输入至代理模型；若满足，则进入下一步；
（7）根据寻优算法迭代和代理模型得到的最符合实际设计需求的天线参数指标，完成天线设计。
2.根据权利要求1所述的一种基于序列模型的多目标天线设计方法，其特征在于，步骤（3）中，所述结构变量长度是长度值，或是长度值采用进制转换后的数值，该数值按需求放入对应列向量中，形成n×1维的列向量；n为长度值或者所述数值经过转换后的位数。
3.根据权利要求1所述的一种基于序列模型的多目标天线设计方法，其特征在于，步骤（4）中，所述基于序列的神经网络模型包括循环神经网络模型，长短期记忆模型与GRU模型及上述模型的改进模型。
4.根据权利要求1所述的一种基于序列模型的多目标天线设计方法，其特征在于，步骤（5）中，寻优算法包括进化算法和启发算法，进化算法包括NSGA算法、NSGA-2算法、遗传算法和粒子群算法；启发算法为模拟退火算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010792865.1A CN111967184B (zh) | 2020-08-06 | 2020-08-06 | 一种基于序列模型的多目标天线设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010792865.1A CN111967184B (zh) | 2020-08-06 | 2020-08-06 | 一种基于序列模型的多目标天线设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111967184A CN111967184A (zh) | 2020-11-20 |
| CN111967184B true CN111967184B (zh) | 2024-02-09 |
Family
ID=73364883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010792865.1A Active CN111967184B (zh) | 2020-08-06 | 2020-08-06 | 一种基于序列模型的多目标天线设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111967184B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116151096B (zh) * | 2022-12-08 | 2023-10-13 | 中国科学院国家空间科学中心 | 面向多目标优化的圆极化微带天线参数优化方法及系统 |
| CN115718956B (zh) * | 2023-01-10 | 2023-05-05 | 中国电子科技集团公司第三十研究所 | 天线布局方法、设备、介质及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104573216A (zh) * | 2014-12-31 | 2015-04-29 | 深圳职业技术学院 | 一种天线性能的优化方法及装置 |
| CN109271695A (zh) * | 2018-09-07 | 2019-01-25 | 中南大学 | 基于神经网络的多目标天线设计方法 |
| CN109635343A (zh) * | 2018-11-14 | 2019-04-16 | 江苏科技大学 | 一种天线快速优化设计方法 |
| WO2020014490A1 (en) * | 2018-07-11 | 2020-01-16 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for generative models for design |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6677898B2 (en) * | 2001-12-19 | 2004-01-13 | Advanced Telecommunications Research Institute International | Method for controlling array antenna equipped with single radiating element and a plurality of parasitic elements |
-
2020
- 2020-08-06 CN CN202010792865.1A patent/CN111967184B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104573216A (zh) * | 2014-12-31 | 2015-04-29 | 深圳职业技术学院 | 一种天线性能的优化方法及装置 |
| WO2020014490A1 (en) * | 2018-07-11 | 2020-01-16 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for generative models for design |
| CN109271695A (zh) * | 2018-09-07 | 2019-01-25 | 中南大学 | 基于神经网络的多目标天线设计方法 |
| CN109635343A (zh) * | 2018-11-14 | 2019-04-16 | 江苏科技大学 | 一种天线快速优化设计方法 |
Non-Patent Citations (2)
| Title |
|---|
| PCB集成化RFID标签天线的优化设计;张慧磊;贺则昊;;中国标准化(第06期);全文 * |
| 基于改进反向传播神经网络代理模型的快速多目标天线设计;董健;钦文雯;李莹娟;李茜茜;邓联文;电子与信息学报(第011期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111967184A (zh) | 2020-11-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN111967184B (zh) | 一种基于序列模型的多目标天线设计方法 | |
| CN113094980B (zh) | 一种基于iga-dnn的焊膏印刷质量预测方法及系统 | |
| CN106021813B (zh) | 一种基于动态更新代理模型的快速多目标天线设计方法 | |
| CN115809624B (zh) | 一种集成电路微带线传输线自动化分析设计方法 | |
| CN111461445B (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
| CN108984985B (zh) | 基于神经网络的天线结构设计方法 | |
| CN113033786B (zh) | 基于时间卷积网络的故障诊断模型构建方法及装置 | |
| CN117236278B (zh) | 一种基于数字孪生技术的芯片生产仿真方法及系统 | |
| CN115358178B (zh) | 一种基于融合神经网络的电路良率分析方法 | |
| CN114429090A (zh) | 一种基于数据驱动的压气机叶片鲁棒性设计方法 | |
| CN114897274A (zh) | 一种提升时间序列预测效果的方法和系统 | |
| CN114564787A (zh) | 用于目标相关翼型设计的贝叶斯优化方法、装置及存储介质 | |
| CN112257373B (zh) | 基于三体训练算法的蛇形pcb天线回波损耗预测方法 | |
| CN111709192B (zh) | 一种基于半监督学习的平面倒f型天线谐振频率预测方法 | |
| CN109117545B (zh) | 基于神经网络的天线快速设计方法 | |
| CN112529328A (zh) | 一种产品性能预测方法及系统 | |
| CN116865255A (zh) | 基于改进熵权法和seceemd的短期风电功率预测方法 | |
| KR20210060147A (ko) | 구조물 성능기반 재료의 역설계 방법 | |
| CN113987962B (zh) | 基于学生t过程的微带天线优化方法和优化系统 | |
| US6807652B2 (en) | Method of robust semiconductor circuit products design using rational robust optimization | |
| CN115114836A (zh) | 一种基于pso-ga的数据分类预测方法及设备 | |
| CN113722951A (zh) | 基于神经网络的散射体三维有限元网格优化方法 | |
| CN112488248A (zh) | 一种基于卷积神经网络的代理模型的构建方法 | |
| CN117272778B (zh) | 微波无源器件的设计方法和装置 |
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 |