CN112487713A - 基于多层pca高斯过程的微带天线物理尺寸提取方法 - Google Patents

基于多层pca高斯过程的微带天线物理尺寸提取方法 Download PDF

Info

Publication number
CN112487713A
CN112487713A CN202011343115.2A CN202011343115A CN112487713A CN 112487713 A CN112487713 A CN 112487713A CN 202011343115 A CN202011343115 A CN 202011343115A CN 112487713 A CN112487713 A CN 112487713A
Authority
CN
China
Prior art keywords
microstrip antenna
matrix
extraction layer
feature extraction
feature
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.)
Granted
Application number
CN202011343115.2A
Other languages
English (en)
Other versions
CN112487713B (zh
Inventor
陈学志
田雨波
高婧
张天亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN202011343115.2A priority Critical patent/CN112487713B/zh
Publication of CN112487713A publication Critical patent/CN112487713A/zh
Application granted granted Critical
Publication of CN112487713B publication Critical patent/CN112487713B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Variable-Direction Aerials And Aerial Arrays (AREA)

Abstract

本发明公开了一种基于多层PCA高斯过程的微带天线物理尺寸提取方法，包括：1、构建样本集；2、构建微带天线物理尺寸提取模型；3、采用样本集对微带天线物理尺寸提取模型进行训练；4、对待设计的微带天线的S曲线进行q点采样，构成q维S采样点向量Xd，将Xd与训练样本的S采样点向量组合为矩阵M′，将矩阵M′输入到训练好的微带天线物理尺寸提取模型中，得到待设计的微带天线的尺寸参数向量。该方法对微带天线进行逆建模，建立微带天线S曲线与物理尺寸参数之间的映射，从而能够根据微带天线的S曲线直接快速地预测出天线的物理尺寸参数。

Description

基于多层PCA高斯过程的微带天线物理尺寸提取方法
技术领域
本发明属于微带天线设计技术领域，具体涉及一种快速提取符合S曲线要求的微带天线物理尺寸的方法。
背景技术
在天线的发展过程中，微带天线(MSA)由于其易于集成、剖面低、易于极化、体型小、重量轻等优点逐步发展壮大并且有了广泛的应用。微带天线的S曲线常被用于评价天线的性能，设计微带天线即计算天线的物理尺寸参数，使天线的S曲线满足设计要求。目前通常使用全波电磁仿真软件如HFSS、IE3D等对天线进行优化设计，这些仿真软件在使用中会进行复杂的数学与电磁计算，存在计算量大、计算成本高、耗时较长等问题。
发明内容
发明目的：本发明旨在提供一种微带天线物理尺寸提取方法，该方法能够根据微带天线的S曲线直接快速预测出天线的物理尺寸参数。
技术方案：本发明采用如下技术方案：
基于多层PCA高斯过程的微带天线物理尺寸提取方法，包括训练阶段和提取阶段；所述训练阶段包括：
步骤1、构建样本集TrainSet＝{s1,s2,...,sN1}，其中N1为训练样本总数，第n个样本表示为：sn＝[Xn,Yn]，Yn为p维尺寸参数向量，表示微带天线的p个尺寸参数，Xn为q维S曲线采样点向量，表示尺寸参数为Yn的微带天线S曲线上的q个采样点值；n＝1,2,…,N1；
步骤2、构建微带天线物理尺寸提取模型，所述模型包括：第一特征提取层、第二特征提取层、第三特征提取层和高斯过程回归器；
所述第一特征提取层的输入为多个微带天线S曲线上的q点采样向量构成的矩阵M，输出为提取的第一S特征矩阵；所述第二特征提取层的输入为第一特征矩阵，输出为提取的第二S特征矩阵；将第一特征矩阵和第二特征矩阵拼接为第三S特征矩阵；所述第三特征提取层的输入为第三特征矩阵，输出为最终提取的S曲线采样点特征矩阵；
所述高斯过程回归器的输入为S曲线采样点特征矩阵中的列向量，输出为与所述列向量对应的微带天线p维尺寸参数向量；
步骤3、采用样本集TrainSet对所述微带天线物理尺寸提取模型进行训练，将N1个训练样本的S采样点向量组成的矩阵作为M输入到所述微带天线物理尺寸提取模型中，经过第一特征提取层、第二特征提取层、第三特征提取层的提取，得到N1个提取的列向量；将所述N1个列向量作为高斯过程回归器的输入，对应训练样本的尺寸参数向量作为输出，优化高斯过程回归器中的参数，得到训练好的微带天线物理尺寸提取模型；
所述提取阶段包括：
步骤4、对待设计的微带天线的S曲线进行q点采样，构成q维S采样点向量Xd，将Xd与样本集中的N1个训练样本的S采样点向量组合为包括N1+1个微带天线S曲线上的q点采样向量的矩阵M′，将矩阵M′输入到训练好的微带天线物理尺寸提取模型中，经过第一特征提取层、第二特征提取层、第三特征提取层的提取，得到N1+1个提取的列向量，将所述N1+1个列向量中与Xd对应的列向量作为高斯过程回归器的输入，则所述高斯过程回归器的输出为待设计的微带天线的尺寸参数向量。
所述微带天线为理想应刷偶极子天线，尺寸参数为4维向量P＝[H W1 W2 W3]，其中H为介质层的厚度，W1为天线传输线的宽度，W2为偶极子天线臂宽度，W3为微波巴伦长方形部分的宽度。
所述第一特征提取层、第二特征提取层、第三特征提取层均包括级联的ZCA和PCA运算模块。
所述S曲线为回波损耗S11曲线。
所述S曲线采样点向量为1001维向量。
有益效果：本发明公开的微带天线物理尺寸提取方法，对微带天线进行逆建模，建立微带天线S曲线与物理尺寸参数之间的映射，从而能够根据微带天线的S曲线直接快速地预测出天线的物理尺寸参数。由于采用多层白化和PCA，该方法能够根据高维度小样本的训练集，得到预测精度较高的模型，并极大地减少了的运算量和运算时间。
附图说明
图1为本发明公开的微带天线物理尺寸提取方法的流程图；
图2为理想应刷偶极子天线结构示意图；
图3为微带天线物理尺寸提取模型结构示意图；
图4为实施例中测试样本天线尺寸参数真实值与预测值对比图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明。
如图1所示，本发明公开了一种基于多层PCA高斯过程的微带天线物理尺寸提取方法，包括训练阶段和提取阶段；其中训练阶段包括：
步骤1、构建样本集TrainSet＝{s1,s2,...,sN1}，其中N1为训练样本总数，第n个样本表示为：sn＝[Xn,Yn]，Yn为p维尺寸参数向量，表示微带天线的p个尺寸参数，Xn为q维S曲线采样点向量，表示尺寸参数为Yn的微带天线S曲线上的q个采样点值；n＝1,2,…,N1；
本实施例以理想应刷偶极子天线为例，来说明其物理尺寸提取的步骤。该天线属于半波偶极子天线的变形，如图2所示，该微带天线所在的PCB板尺寸为40mmX60mm，整个天线结构可以分为5个部分，即介质层、偶极子天线臂、微带巴伦线、微带传输线和天线馈电面。选择4个物理尺寸作为尺寸参数，即尺寸参数向量为4维向量P＝[H W1 W2 W3]，其中H为介质层的厚度，W1为天线传输线的宽度，W2为偶极子天线臂宽度，W3为微波巴伦长方形部分的宽度，其余的参数L1-L4为固定参数。
通过正交实验的方式选取75组物理尺寸参数，再对这些数据进行全波电磁分析，计算每个样本的回波损耗S11曲线。对S11曲线进行1001个频率点采样，得到1001维S曲线采样点向量。每个样本由4维尺寸参数向量和1001维S曲线采样点向量。75个样本中的70个构成训练集，5个作为测试样本，即本实施例中，样本集中的样本数为70。
步骤2、构建微带天线物理尺寸提取模型，所述模型包括：第一特征提取层Layer1、第二特征提取层Layer2、第三特征提取层Layer3和高斯过程回归器GP，结构如图3所示。其中第一特征提取层、第二特征提取层、第三特征提取层均包括级联的ZCA和PCA运算模块。
所述第一特征提取层的输入为多个微带天线S曲线上的q点采样向量构成的矩阵M，输出为提取的第一S特征矩阵F1；所述第二特征提取层的输入为第一特征矩阵，输出为提取的第二S特征矩阵F2；将第一特征矩阵和第二特征矩阵拼接为第三S特征矩阵
Figure BDA0002799103200000041
所述第三特征提取层的输入为第三特征矩阵F3，输出为最终提取的S曲线采样点特征矩阵F。
ZCA白化的全称是Zero-phase Component Analysis Whitening，它是一种经典的图像预处理算法，进行白化是为了尽可能的降低原始图像的信息冗余，使得数据之间相关性较低，并且所有的数据具有相同的方差。ZCA白化首先需要利用PCA去除各个特征之间的相关性，并且使得输入特征具有单位方差，再把数据逆着原来的投影方向旋转回去，就可以得到ZCA白化以后的结果。在整个ZCA白化过程中不对数据进行降维，也就是要保留数据的全部维度，经过白化以后，数据之间的相关性就会降低，数据方差变成1，冗余降低。
主成分分析(PCA)是一种常用的无监督学习方法，它的主要做法是求得一个d维特征的投影矩阵，这个投影矩阵可以将数据的高维特征由高到低进行降维。投影矩阵也称之为变换矩阵，新的低维特征必须要每个维度正交，特征向量也都是正交的。通过样本计算得到协方差矩阵，然后再求出协方差矩阵的特征向量，这些特征向量就可以构成新的投影矩阵。
假设第一特征提取层的输入为N个微带天线S曲线上的q点采样向量构成的矩阵M，即矩阵M为包括N个列向量的矩阵，每个列向量为q维向量；即M为q×N维矩阵。经过第一特征提前层中ZCA和PCA的处理，输出F1为包括N个列向量的矩阵，每个列向量为q′维向量，且q′<q，即对输入进行了第一次白化和降维。将F1输入第二特征提取层，经过其中ZCA和PCA的处理，输出F2为包括N个列向量的矩阵，每个列向量为q″维向量，且q″<q′<q，即对输入进行了第二次白化和降维。为了使得最终提取结果不会遗漏浅层信息，通常的做法是将第一S特征矩阵F1与第二S特征矩阵F2相级联起来，但是这又导致了一个新的问题，最终特征提取结果F的维度相比于仅考虑深层信息要大很多，并且其中有很多冗余信息，这必然导致对数据的降维处理效果不够明显，甚至在建模过程中使得冗余信息激增。越深的模型结构会导致更多的特征维度，这样对天线逆替代模型的建立来说是一个巨大的挑战。为了解决这一问题，确保参数提取结果维度足够低，本发明采用如下特征级联方式，即将第一S特征矩阵F1与第二S特征矩阵F2级联后再经过一层ZCA与PCA处理，将F1与F2之间的重叠信息过滤掉，只留下那些真实需要的部分，把这部分信息记为F。通过这种方法，无论是多少层的特征提取结构，都不会出现最终提取结果维度过高的情况。具体步骤为：
将F1和F2拼接为矩阵F3，F3包括N个列向量的矩阵，每个列向量为q′+q″维向量。将F3作为第三特征提取层的输入，再次进行ZCA和PCA处理，输出为最终提取的S曲线采样点特征矩阵F。矩阵F为包括N个列向量的矩阵，每个列向量为q″′维向量，且q″′<q′+q″。
高斯过程回归器GP的输入为S曲线采样点特征矩阵中的列向量，即矩阵F的列向量，输出为与所述列向量对应的微带天线p维尺寸参数向量；
步骤3、采用样本集TrainSet对所述微带天线物理尺寸提取模型进行训练，将N1个训练样本的S采样点向量组成的矩阵作为M输入到所述微带天线物理尺寸提取模型中，经过第一特征提取层、第二特征提取层、第三特征提取层的提取，得到N1个提取的列向量；将所述N1个列向量作为高斯过程回归器的输入，对应训练样本的尺寸参数向量作为输出，优化高斯过程回归器中的参数，得到训练好的微带天线物理尺寸提取模型；
所述提取阶段包括：
步骤4、对待设计的微带天线的S曲线进行q点采样，构成q维S采样点向量Xd，将Xd与样本集中的N1个训练样本的S采样点向量组合为包括N1+1个微带天线S曲线上的q点采样向量的矩阵M′，将矩阵M′输入到训练好的微带天线物理尺寸提取模型中，经过第一特征提取层、第二特征提取层、第三特征提取层的提取，得到N1+1个提取的列向量，将所述N1+1个列向量中与Xd对应的列向量作为高斯过程回归器的输入，则所述高斯过程回归器的输出为待设计的微带天线的尺寸参数向量。
本实施例中采用5个测试样本对本发明公开的方法进行了测试，采用平均百分比误差(MAPE)作为评价准则，其计算式如下所示。
Figure BDA0002799103200000061
其中，N为测试样本个数，observed为测试样本实际的尺寸参数，predicted为采用本发明公开的方法提取出的天线尺寸参数。
本实施例将本发明公开的方法，与基于传统高斯过程回归器建立的S曲线采样点向量与天线尺寸参数映射模型进行了对比，如表1所示。其中多次PCA GP为本发明公开的方法，由于有Layer1-Layer3的ZCA和PCA处理，将1001维的向量降维至22维，且MAPE为1.1186％；传统GP为基于传统高斯过程回归器建立的S曲线采样点向量与天线尺寸参数映射模型，没有白化和降维的步骤，其MAPE为3.197％，可以看出本发明公开的方法预测精度提高了2.011％。
表1
Figure BDA0002799103200000062
表2
Figure BDA0002799103200000063
表2为一个测试样本采用本发明公开的方法提取出的天线尺寸参数(预测值)与其实际尺寸参数(真实值)对比。图4(a)为预测值(图中“+”)与真实值(图中
Figure BDA0002799103200000064
)的拟合图，横坐标为1处所代表的参数为H，横坐标为2处所代表的参数为W1，横坐标为3处所代表的参数为W2，横坐标为4处所代表的参数为W3。图4(b)为采用全波电磁分析软件对尺寸参数为预测值和真实值的微带天线S11仿真的曲线图；其中横坐标为频率范围(2GHz～3GHz)，纵坐标为每个频率对应的S11的dB值，其中实线为尺寸参数为预测值的微带天线S11仿真的曲线图，虚线为尺寸参数为真实值的微带天线S11仿真的曲线图，可以看出这两条曲线非常接近。
根据表2和图4可以看出，实际天线的物理参数与多层PCA GP逆模型提取到的参数非常接近，并且他们的S参数响应几乎一致。再结合图4，可以发现所提出的多层PCA GP模型对印刷偶极子天线有着很好的逆代理模型建模能力。对于样本量不足、数据维度较高的天线设计问题，使用多层PCA GP可以在低信息损耗的情况下得到很好的设计结果，并且可以减少计算量以及设计时间。

Claims (5)

1.基于多层PCA高斯过程的微带天线物理尺寸提取方法，其特征在于，包括训练阶段和提取阶段；所述训练阶段包括：
步骤1、构建样本集TrainSet＝{s1,s2,...,sN1}，其中N1为训练样本总数，第n个样本表示为：sn＝[Xn,Yn]，Yn为p维尺寸参数向量，表示微带天线的p个尺寸参数，Xn为q维S曲线采样点向量，表示尺寸参数为Yn的微带天线S曲线上的q个采样点值；n＝1,2,…,N1；
步骤2、构建微带天线物理尺寸提取模型，所述模型包括：第一特征提取层、第二特征提取层、第三特征提取层和高斯过程回归器；
所述第一特征提取层的输入为多个微带天线S曲线上的q点采样向量构成的矩阵M，输出为提取的第一S特征矩阵；所述第二特征提取层的输入为第一特征矩阵，输出为提取的第二S特征矩阵；将第一特征矩阵和第二特征矩阵拼接为第三S特征矩阵；所述第三特征提取层的输入为第三特征矩阵，输出为最终提取的S曲线采样点特征矩阵；
所述高斯过程回归器的输入为S曲线采样点特征矩阵中的列向量，输出为与所述列向量对应的微带天线p维尺寸参数向量；
步骤3、采用样本集TrainSet对所述微带天线物理尺寸提取模型进行训练，将N1个训练样本的S采样点向量组成的矩阵作为M输入到所述微带天线物理尺寸提取模型中，经过第一特征提取层、第二特征提取层、第三特征提取层的提取，得到N1个提取的列向量；将所述N1个列向量作为高斯过程回归器的输入，对应训练样本的尺寸参数向量作为输出，优化高斯过程回归器中的参数，得到训练好的微带天线物理尺寸提取模型；
所述提取阶段包括：
步骤4、对待设计的微带天线的S曲线进行q点采样，构成q维S采样点向量Xd，将Xd与样本集中的N1个训练样本的S采样点向量组合为包括N1+1个微带天线S曲线上的q点采样向量的矩阵M′，将矩阵M′输入到训练好的微带天线物理尺寸提取模型中，经过第一特征提取层、第二特征提取层、第三特征提取层的提取，得到N1+1个提取的列向量，将所述N1+1个列向量中与Xd对应的列向量作为高斯过程回归器的输入，则所述高斯过程回归器的输出为待设计的微带天线的尺寸参数向量。
2.根据权利要求1所述的微带天线物理尺寸提取方法，其特征在于，所述微带天线为理想应刷偶极子天线，尺寸参数为4维向量P＝[H W1 W2 W3]，其中H为介质层的厚度，W1为天线传输线的宽度，W2为偶极子天线臂宽度，W3为微波巴伦长方形部分的宽度。
3.根据权利要求1所述的微带天线物理尺寸提取方法，其特征在于，所述第一特征提取层、第二特征提取层、第三特征提取层均包括级联的ZCA和PCA运算模块。
4.根据权利要求1所述的微带天线物理尺寸提取方法，其特征在于，所述S曲线为回波损耗S11曲线。
5.根据权利要求1所述的微带天线物理尺寸提取方法，其特征在于，所述S曲线采样点向量为1001维向量。
CN202011343115.2A 2020-11-26 2020-11-26 基于多层pca高斯过程的微带天线物理尺寸提取方法 Active CN112487713B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011343115.2A CN112487713B (zh) 2020-11-26 2020-11-26 基于多层pca高斯过程的微带天线物理尺寸提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011343115.2A CN112487713B (zh) 2020-11-26 2020-11-26 基于多层pca高斯过程的微带天线物理尺寸提取方法

Publications (2)

Publication Number Publication Date
CN112487713A true CN112487713A (zh) 2021-03-12
CN112487713B CN112487713B (zh) 2022-05-17

Family

ID=74934669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011343115.2A Active CN112487713B (zh) 2020-11-26 2020-11-26 基于多层pca高斯过程的微带天线物理尺寸提取方法

Country Status (1)

Country Link
CN (1) CN112487713B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114078230A (zh) * 2021-11-19 2022-02-22 西南交通大学 一种自适应特征融合冗余优化的小目标检测方法
CN115035282A (zh) * 2022-08-12 2022-09-09 南通华豪巨电子科技有限公司 基于轨道相机高质量光伏电池板正射图像采集方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897511A (zh) * 2017-02-17 2017-06-27 江苏科技大学 圆环微带天线谐振频率预测方法
CN108245155A (zh) * 2017-11-09 2018-07-06 中国人民解放军第三军医大学 一种多通道微波天线阵列的脑卒中类型鉴别系统
CN108984985A (zh) * 2018-09-07 2018-12-11 中南大学 基于神经网络的天线结构设计方法
CN109901110A (zh) * 2019-02-25 2019-06-18 西安电子科技大学 基于主成分分析的支持向量机近场声源定位方法
CN110750898A (zh) * 2019-10-17 2020-02-04 江苏科技大学 一种siw背腔缝隙天线谐振频率设计方法
CN110941896A (zh) * 2019-11-08 2020-03-31 江苏科技大学 一种基于pgp的超宽带天线的设计方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897511A (zh) * 2017-02-17 2017-06-27 江苏科技大学 圆环微带天线谐振频率预测方法
CN108245155A (zh) * 2017-11-09 2018-07-06 中国人民解放军第三军医大学 一种多通道微波天线阵列的脑卒中类型鉴别系统
CN108984985A (zh) * 2018-09-07 2018-12-11 中南大学 基于神经网络的天线结构设计方法
CN109901110A (zh) * 2019-02-25 2019-06-18 西安电子科技大学 基于主成分分析的支持向量机近场声源定位方法
CN110750898A (zh) * 2019-10-17 2020-02-04 江苏科技大学 一种siw背腔缝隙天线谐振频率设计方法
CN110941896A (zh) * 2019-11-08 2020-03-31 江苏科技大学 一种基于pgp的超宽带天线的设计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JING GAO 等: "Resonant Frequency Modeling of Microwave Antennas Using Gaussian Process Based on Semisupervised Learning", 《HTTPS://IDEAS.REPEC.ORG/A/HIN/COMPLX/3485469.HTML》 *
强哲 等: "基于粒子群算法的高斯过程建模对", 《江苏科技大学学报( 自然科学版)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114078230A (zh) * 2021-11-19 2022-02-22 西南交通大学 一种自适应特征融合冗余优化的小目标检测方法
CN114078230B (zh) * 2021-11-19 2023-08-25 西南交通大学 一种自适应特征融合冗余优化的小目标检测方法
CN115035282A (zh) * 2022-08-12 2022-09-09 南通华豪巨电子科技有限公司 基于轨道相机高质量光伏电池板正射图像采集方法及系统

Also Published As

Publication number Publication date
CN112487713B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
Naseri et al. A generative machine learning-based approach for inverse design of multilayer metasurfaces
Feng et al. Multifeature-assisted neuro-transfer function surrogate-based EM optimization exploiting trust-region algorithms for microwave filter design
CN112487713B (zh) 基于多层pca高斯过程的微带天线物理尺寸提取方法
Burrascano et al. A review of artificial neural networks applications in microwave computer‐aided design (invited article)
Rao et al. Dynamic spatial sparsification for efficient vision transformers and convolutional neural networks
CN115965864A (zh) 一种用于农作物病害识别的轻量级注意力机制网络
Wu et al. Dcanet: Dual convolutional neural network with attention for image blind denoising
Fang et al. Learning decomposed spatial relations for multi-variate time-series modeling
Xia et al. Combination of multi‐scale and residual learning in deep CNN for image denoising
CN116701681B (zh) 一种用于语义分割的多查询网络
CN113537306A (zh) 一种基于渐进式成长元学习的图像分类方法
Cai et al. EPC-DARTS: Efficient partial channel connection for differentiable architecture search
Liu et al. Single‐image super‐resolution using lightweight transformer‐convolutional neural network hybrid model
Zhou et al. Support‐vector modeling of electromechanical coupling for microwave filter tuning
CN116306849A (zh) 逆向神经网络模型的训练、光学处理器的确定方法及装置
Yang et al. Remote sensing image super‐resolution based on convolutional blind denoising adaptive dense connection
Liu et al. Microwave integrated circuits design with relational induction neural network
García-Esteban et al. Generative adversarial networks for data-scarce spectral applications
CN110112571B (zh) 一种基于神经网络逆建模的天线设计方法
Su et al. Automatic Machine Learning Method for Hyper-parameter Search
Horváth et al. Maestro: Uncovering Low-Rank Structures via Trainable Decomposition
Sallam et al. Deep-learning-based neural network for design of a dual-band coupled-line trans-directional coupler
Patro et al. Spectral Convolutional Transformer: Harmonizing Real vs. Complex Multi-View Spectral Operators for Vision Transformer
CN111709192A (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
Lin et al. Feature fusion for inverse synthetic aperture radar image classification via learning shared hidden space

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