CN113420496A - 多频带天线的设计方法及装置、存储介质、电子设备 - Google Patents
多频带天线的设计方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN113420496A CN113420496A CN202110601358.XA CN202110601358A CN113420496A CN 113420496 A CN113420496 A CN 113420496A CN 202110601358 A CN202110601358 A CN 202110601358A CN 113420496 A CN113420496 A CN 113420496A
- Authority
- CN
- China
- Prior art keywords
- gaussian process
- parameters
- process model
- trained
- optimized
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 241
- 230000008569 process Effects 0.000 claims abstract description 182
- 239000002245 particle Substances 0.000 claims abstract description 114
- 238000013461 design Methods 0.000 claims abstract description 97
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 53
- 238000005457 optimization Methods 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 230000004044 response Effects 0.000 claims abstract description 17
- 238000012938 design process Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 72
- 210000002569 neuron Anatomy 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 13
- 230000001815 facial effect Effects 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 description 28
- 238000011176 pooling Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000005404 monopole Effects 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- 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
- G06N3/045—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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本公开是关于一种多频带天线的设计方法及装置、存储介质、电子设备,设计天线技术领域,该方法包括:根据卷积神经网络以及高斯过程构建待训练的深度高斯过程模型;将具有不同设计参数的多频带天线输入至待训练的深度高斯过程模型中,得到预测样本,并根据预测样本以及与预测样本对应的实际样本,构建适应度函数;利用预设的粒子群优化算法以及适应度函数对待优化参数进行优化,并根据从优化后的待优化参数对待训练的高斯过程模型进行更新,得到训练后的深度高斯过程模型;利用训练后的深度高斯过程模型对多频带天线设计过程中所涉及到的天线设计参数的响应进行模拟,以完成多频带天线的设计。本公开提高了多频带天线的设计效率。
Description
技术领域
本公开实施例涉及天线技术领域,具体而言,涉及一种多频带天线的设计方法、多频带天线的设计装置、计算机可读存储介质以及电子设备。
背景技术
近年来,LTE(Long Term Evolution,长期演进)的4G系统以及SA(Standalone,独立组网)/NSA(Non-Standalone,非独立组网)的5G系统已经在全球范围内开发和部署;同时,为了满足5G系统中的众多无线通信标准的要求,移动终端的天线也需要达到可以覆盖多个频带或宽带的要求。
智能算法在天线设计中的应用已经非常成熟;并且,天线的优化设计依赖于给定或确定的天线初始布局的几何优化。在传统的优化方法中,可以通过如下方式实现:首先,确定天线结构的设计参数;然后,通过遗传算法以及PSO(Particle Swarm Optimization,粒子群优化)等算法对参数取值进行优化。
然而,上述智能算法对于复杂天线来说,存在如下缺陷:一方面,优化参数数量过多,训练输入数据维数过大,从而导致计算难度变大,进而使得天线设计效率较低;另一方面,虽然上述智能算法也能解决高维度离散数据的拟合,但是运算成本过高,使得系统的计算负担较重。
因此需要研究出一种新的多频带天线的设计方法及装置。
需要说明的是,在上述背景技术部分发明的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种多频带天线的设计方法、多频带天线的设计装置、计算机可读存储介质以及电子设备,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的天线设计效率较低的问题。
根据本公开的一个方面,提供一种多频带天线的设计方法,包括:
根据卷积神经网络以及高斯过程构建待训练的深度高斯过程模型,并对待训练的深度高斯过程模型进行初始化,得到所述待训练的深度高斯过程模型中所包括的待优化参数;
将具有不同设计参数的多频带天线输入至所述待训练的深度高斯过程模型中,得到预测样本,并根据所述预测样本以及与所述预测样本对应的实际样本,构建适应度函数;
利用预设的粒子群优化算法以及所述适应度函数对所述待优化参数进行优化,并根据从优化后的待优化参数对所述待训练的高斯过程模型进行更新,得到训练后的深度高斯过程模型;
利用所述训练后的深度高斯过程模型对多频带天线设计过程中所涉及到的天线设计参数的响应进行模拟,以完成多频带天线的设计。
在本公开的一种示例性实施例中,将具有不同设计参数的多频带天线输入至所述待训练的深度高斯过程模型中,得到预测样本,包括:
利用所述待训练的深度高斯过程模型中的卷积神经网络提取所述具有不同设计参数的多频带天线的特征向量;
利用所述待训练的深度高斯过程模型中的高斯过程计算所述特征向量的均值函数以及协方差函数;
根据所述均值函数以及协方差函数计算所述特征向量的高斯分布,并根据所述高斯分布确定所述预测样本。
在本公开的一种示例性实施例中,其中,所述卷积神经网络的卷积层中所包括的参数的数量与根据所述具有不同设计参数的多频带天线得到的输入特征面神经元数量、输出特征面神经元数量以及卷积核的尺寸大小关联;
所述输出特征面神经元数量与所述输入特征面神经元数量、所述卷积核的尺寸大小以及所述卷积核的滑动平移步长关联。
在本公开的一种示例性实施例中,根据所述预测样本以及与所述预测样本对应的实际样本,构建适应度函数,包括:
计算所述预测样本以及与所述预测样本对应的实际样本之间的均方误差,以根据所述均方误差得到所述适应度函数。
在本公开的一种示例性实施例中,利用预设的粒子群优化算法以及所述适应度函数对所述待优化参数进行优化,包括:
根据所述待优化参数生成粒子种群,并随机设置所述粒子种群中各粒子的起始位置以及起始速度;其中,每一个待优化参数分别对应一个粒子;
根据所述适应度函数计算各所述粒子的适应度,并对各所述粒子在当前位置的适应度以及其在最好位置的适应度进行比较,如果所述粒子在当前位置的适应度优于其在最好位置的适应度,则将当前位置作为个体最好位置,若否,则不变;
对各所述粒子在当前位置的适应度以及种群最好位置的适应度进行比较,如果所述粒子在当前位置的适应度优于种群最好位置的适应度,则将当前位置作为全局最好位置,若否,则不变;
根据所述个体最好位置、全局最好位置以及所述粒子速度,对所述粒子种群中的粒子的速度以及位置进行更新,以实现粒子优化。
在本公开的一种示例性实施例中,根据从优化后的待优化参数对所述待训练的高斯过程模型进行更新,得到训练后的深度高斯过程模型,包括:
根据所述待优化参数在所述待训练的高斯过程模型中出现的顺序,对所述与所述待优化参数对应的优化后的粒子进行粒子解码,得到目标参数;
利用所述目标参数对所述待优化参数进行更新,得到训练后的深度高斯过程模型。
在本公开的一种示例性实施例中,在所述深度高斯过程模型中,所述高斯过程用于对所述卷积神经网络的全连接层进行替代;
所述待优化参数包括所述卷积神经网络中包括的网络参数以及所述高斯过程中所包括的超参数。
根据本公开的一个方面,提供一种多频带天线的设计装置,包括:
深度高斯过程模型构建模块,用于根据卷积神经网络以及高斯过程构建待训练的深度高斯过程模型,并对待训练的深度高斯过程模型进行初始化,得到所述待训练的深度高斯过程模型中所包括的待优化参数;
适应度函数构建模块,用于将具有不同设计参数的多频带天线输入至所述待训练的深度高斯过程模型中,得到预测样本,并根据所述预测样本以及与所述预测样本对应的实际样本,构建适应度函数;
参数优化模块,用于利用预设的粒子群优化算法以及所述适应度函数对所述待优化参数进行优化,并根据从优化后的待优化参数对所述待训练的高斯过程模型进行更新,得到训练后的深度高斯过程模型;
多频带天线设计模块,用于利用所述训练后的深度高斯过程模型对多频带天线设计过程中所涉及到的天线设计参数的响应进行模拟,以完成多频带天线的设计。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的多频带天线的设计方法。
根据本公开的一个方面,提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的多频带天线的设计方法。
本公开实施例提供的一种多频带天线的设计方法,一方面,由于深度高斯过程模型中的卷积神经网络的卷积层以及池化层可以对具有不同设计参数的多频带天线进行特征提取以及维度的降低,进而解决了现有技术中由于优化参数数量过多,训练输入数据维数过大,从而导致计算难度变大,进而使得天线设计效率较低的问题,提高了天线的设计效率;另一方面,由于高斯过程可以进行输入和输出直接非线性映射的建立,进而减少了传统高斯过程在非线性数据拟合的运算量,解决了现有技术中由于运算成本过高,使得系统的计算负担较重的问题;另一方面,由于可以利用粒子群优化算法对卷积神经网络的参数进行全局优化,进而解决了传统卷积神经网络训练在利用反向传播算法进行优化时,容易陷入局部最优从而导致的模型的精确度较低的问题。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性示出根据本公开示例实施例的一种多频带天线的设计方法的流程图。
图2示意性示出根据本公开示例实施例的一种深度高斯过程模型的结构示例图。
图3(a)、图3(b)示意性示出根据本公开示例实施例的一种多频带天线及其对应的参数的示例图。
图4示意性示出根据本公开示例实施例的一种利用深度高斯过程模型对多频带天线进行预测的场景示例图。
图5示意性示出根据本公开示例实施例的一种利用预设的粒子群优化算法以及所述适应度函数对所述待优化参数进行优化的方法流程图。
图6示意性示出根据本公开示例实施例的一种利用训练好的深度高斯过程模型对多频带天线进行模拟响应的结果与利用传统电磁软件模拟软件对多频带天线进行仿真获得的结果的比对图。
图7示意性示出根据本公开示例实施例的一种利用训练好的深度高斯过程模型设计出的多频带天线频率点的辐射方向图。
图8示意性示出根据本公开示例实施例的另一种多频带天线的设计方法的流程图。
图9示意性示出根据本公开示例实施例的一种多频带天线的设计装置的框图。
图10示意性示出根据本公开示例实施例的一种用于实现上述多频带天线的设计方法的电子设备。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了一种多频带天线的设计方法,该方法可以运行于服务器、服务器集群或云服务器等;当然,本领域技术人员也可以根据需求在其他平台运行本公开的方法,本示例性实施例中对此不做特殊限定。参考图1所示,该多频带天线的设计方法可以包括以下步骤:
步骤S110.根据卷积神经网络以及高斯过程构建待训练的深度高斯过程模型,并对待训练的深度高斯过程模型进行初始化,得到所述待训练的深度高斯过程模型中所包括的待优化参数;
步骤S120.将具有不同设计参数的多频带天线输入至所述待训练的深度高斯过程模型中,得到预测样本,并根据所述预测样本以及与所述预测样本对应的实际样本,构建适应度函数;
步骤S130.利用预设的粒子群优化算法以及所述适应度函数对所述待优化参数进行优化,并根据从优化后的待优化参数对所述待训练的高斯过程模型进行更新,得到训练后的深度高斯过程模型;
步骤S140.利用所述训练后的深度高斯过程模型对多频带天线设计过程中所涉及到的天线设计参数的响应进行模拟,以完成多频带天线的设计。
上述多频带天线的设计方法中,一方面,由于深度高斯过程模型中的卷积神经网络的卷积层以及池化层可以对具有不同设计参数的多频带天线进行特征提取以及维度的降低,进而解决了现有技术中由于优化参数数量过多,训练输入数据维数过大,从而导致计算难度变大,进而使得天线设计效率较低的问题,提高了天线的设计效率;另一方面,由于高斯过程可以进行输入和输出直接非线性映射的建立,进而减少了传统高斯过程在非线性数据拟合的运算量,解决了现有技术中由于运算成本过高,使得系统的计算负担较重的问题;另一方面,由于可以利用粒子群优化算法对卷积神经网络的参数进行全局优化,进而解决了传统卷积神经网络训练在利用反向传播算法进行优化时,容易陷入局部最优从而导致的模型的精确度较低的问题。
以下,将结合附图对本公开示例实施例多频带天线的设计方法进行进一步的解释以及说明。
首先,对本公开示例实施例的发明目的进行解释以及说明。具体的,本公开示例实施例所涉及的多频带天线的快速优化设计方法,尤其可以适用于参数较多的多频带天线。具体的,可以采用高斯过程(Gauss Process,GP)和卷积神经网络(Convolutional NeuralNetworks,CNN)以及粒子群优化算法(Particle Swarm Optimization,PSO)相结合,创造出深度高斯模型(Deep Gauss Process,DGP);同时,利用CNN来进行训练参数特征的提取,同时减少数据维度,用GP来进行输出的拟合训练以及预测,用PSO来进行整个模型的参数优化。
进一步的,利用DGP模型对多频带天线进行优化设计,可以代替传统的电磁仿真软件,进而减少电磁仿真次数,以达到而减少设计时间以及提高天线设计时的效率的目的。同时,本公开实例设计出了满足在S11小于-6dB时可覆盖的阻抗带宽为270MHz(0.69-0.96GHz)和1.06GHz(1.7-2.76GHz)的多频带天线,这样可以涵盖无线通讯的LTE 700,GSM850,GSM 900,DCS 1800,PCS1900,UMTS 2100,LTE 2300和LTE 2500频段。达到设计要求的天线由于覆盖频段多和尺寸小的优点,可用于如手机、无人机、客户前置设备(CustomerPremise Equipment,CPE)等移动终端,同时在5G通讯建设阶段,能提供一种效率更加高的5G天线设计方法来满足不同5G频段的天线。
更进一步的,为了达到上述目标,本公开示例实施例公开了一种结合了CNN和GP模型的深度高斯过程建模方法,PSO算法用于优化该模型的参数,并将其应用于多频带天线的优化设计。具体的可以包括:构建多频带天线初始模型;初始化CNN、GP和PSO算法参数;选取若干组多频带天线设计参数值输入天线初始模型得到对应的天线模型响应;计算PSO算法的适应度函数值及最优值;得到最优的深度高斯过程模型参数;对最优化的深度高斯过程模型进行测试和优化;利用优化后的深度高斯过程模型作为天线代理模型模拟天线设计参数响应,完成天线的设计。本公开在深度学习的框架下,利用卷积神经网络与高斯过程的优势,创新的将两者相结合,利用卷积神经网络的优势在保证不丢失数据价值的前提下将输入数据维度降低,利用高斯过程对非线性问题的适应性来进行天线优化设计,因此,在保证预测精度的同时,也减少了计算时间,从而提高了效率。
其次,在本公开示例实施例的一种多频带天线的设计方法中:
在步骤S110中,根据卷积神经网络以及高斯过程构建待训练的深度高斯过程模型,并对待训练的深度高斯过程模型进行初始化,得到所述待训练的深度高斯过程模型中所包括的待优化参数;其中,在所述深度高斯过程模型中,所述高斯过程用于对所述卷积神经网络的全连接层进行替代;所述待优化参数包括所述卷积神经网络中包括的网络参数以及所述高斯过程中所包括的超参数。
在本示例实施例中,首先,对上述深度高斯过程模型进行解释以及说明。具体的,参考图2所示,该深度高斯过程模型可以包括输入层201、第一卷积层202、第二卷积层203、第一池化层204、第三卷积层205、第二池化层206、高斯过程207以及输出层208。其中,输入层201、第一卷积层202、第二卷积层203、第一池化层204、第三卷积层205、第二池化层206、高斯过程207以及输出层208依次通信连接。也就是说,深度高斯过程网络模型是CNN和GP的组合,高斯过程代替了卷积神经网络的全连接层,同时保留了CNN的输入层、输出层、卷积层和池化层;同时,卷积层用于保留输入数据的特征量,池化层用于降低数据维数,GP用于预测对象的输出;并且,模型结构总体由LeNet-5(卷积神经网络的常见常规结构)进化而来,但比LeNet-5更加灵活,它的总体结构有所改进,具有两层卷积层和池化层,但是可以根据数据的尺寸大小进行多次卷积或者改变卷积池化的顺序。此处需要补充说明的是,卷积层以及池化层的数量可以根据数据的尺寸大小进行多次卷积或者改变卷积池化的顺序,本示例对此不做特殊限制。
其次,当得到深度高斯过程模型以后,可以对该待训练的深度高斯过程模型中所包括的可优化参数进行初始化(也即将CNN和GP的参数进行初始化),以得到待优化参数。
在步骤S120中,将具有不同设计参数的多频带天线输入至所述待训练的深度高斯过程模型中,得到预测样本,并根据所述预测样本以及与所述预测样本对应的实际样本,构建适应度函数。
在本示例实施例中,首先,根据需要设计的多频带天线构建初始天线模型,并利用该初始天线模型随机生成具有不同设计参数的多频带天线,其中,不同的设计参数会导致多频带天线的性能以及频率响应点的不同;然后利用电磁仿真软件对该具有不同设计参数的多频带天线进行仿真,得到实际样本。
举例来说,参考图3所示,本公开示例实施例所涉及到的多频带天线,是由T形单极子天线变化而来,FR4基板的尺寸为75(宽)mm×120(长)mm×0.8(厚)mm;其中,在T形天线的右边是一个寄生的开放式条带,左边是地面上蚀刻的一个开槽;经过HFSS电磁软件的仿真,该天线具有4个谐振频率点,受尺寸参数的影响,谐振频率点范围分别为0.7GHz-1GHz、1.5GHz-2GHz、2GHz-2.5GHz和2.5GHz-3GHz,本文优化的目标为使该天线在S11小于-6dB时可覆盖的阻抗带宽为270MHz(0.69-0.96GHz)和1.06GHz(1.7-2.76GHz),这样可以涵盖无线通讯的LTE 700,GSM 850,GSM 900,DCS 1800,PCS1900,UMTS 2100,LTE 2300和LTE 2500频段。
其次,继续参考图3所示,本公开示例实施例采用多频带天线的20个尺寸参数作为变量,随机组合作为深度高斯过程模型的输入数据,具体参数如下表1所示:
表1
基于上述表1,可以随机组合成200组不同的天线参数调用HFSS进行仿真,得到的仿真结果作为训练输出,每组20个天线尺寸参数作为训练输入,从而训练深度高斯过程模型。此处需要补充说明的是,图3(b)是对图3(a)的局部放大图,因此基板下侧边线以及右侧边线未示出。
进一步的,当得到上述输入数据以后,可以将具有不同设计参数的多频带天线(输入数据)输入至待训练的深度高斯过程模型中,得到预测样本。具体的,可以包括:首先,利用所述待训练的深度高斯过程模型中的卷积神经网络提取所述具有不同设计参数的多频带天线的特征向量;其中,所述卷积神经网络的卷积层中所包括的参数的数量与根据所述具有不同设计参数的多频带天线得到的输入特征面神经元数量、输出特征面神经元数量以及卷积核的尺寸大小关联;所述输出特征面神经元数量与所述输入特征面神经元数量、所述卷积核的尺寸大小以及所述卷积核的滑动平移步长关联;其次,利用所述待训练的深度高斯过程模型中的高斯过程计算所述特征向量的均值函数以及协方差函数;最后,根据所述均值函数以及协方差函数计算所述特征向量的高斯分布,并根据所述高斯分布确定所述预测样本。
具体的,在预测样本的计算过程中,参考图4所示,针对多频带天线的深度高斯模型而言,有3层卷积层和2层池化层,每层卷积层的卷积核大小为1×2,第一卷积层202的通道数量为3,第二卷积层203的通道数量为1,第三卷积层205的通道数为3,每层池化层的大小为1×2。具体的,在1×20的输入数据进入模型后,在进入GP之前其维度大小变成1×4,这样可以大大减小GP的训练时间,提高GP的训练效率;同时,多频带天线的深度高斯过程模型的具体结构,在经过一系列卷积池化的过程后,对于高斯过程而言,此时的输入训练数据大小为1×12,输出数据为1×63,其中输出数据实际表示为在0.5GHz-3GHz每间隔0.04GHz的频率响应值的大小,单位为dB,每组63个。
进一步的,卷积神经网络的网络参数是指卷积神经网络结构中的参数,包括权值阈值以及偏置量;并且,模型的输入数据经过卷积运算后,卷积层的特征面中神经元的个数或者称为特征面的尺寸大小满足下面公式(1):
其中,OutSize表示输出特征面神经元个数;InSize表示输入特征面神经元个数;CSize为卷积核的尺寸,CInterval表示卷积核的滑动平移步长。一般情况下,要保证上式的除法项运算结果是整数,这样有利于后续网络的计算。否则还需对网络进行额外的处理。因此,卷积层可训练参数数目可以如下式(2)所示:
CPN=(InSize×CSize+1)×OutSize; 公式(2)
其中,CPN为训练参数的数量,InSize为输入特征面神经元数量,;CSize为卷积核的尺寸,1表示阈值的数量,通常每一层只设置一个共享的阈值,OutSize表示输出特征面神经元个数。
更进一步的,高斯过程的超参数是高斯过程本身可训练参数。高斯过程是无限多的随机变量组成的集合,该集合中任意子集都服从联合高斯分布。GP的性质由均值函数和协方差函数共同决定,数学表达式如下公式(3)所示:
其中,x,x'∈Rd为任意d维矢量,m(x)表示均值函数,k(x,x')为协方差函数。因此,高斯过程可以用以下公式(4)表示:
f(x)~GP(m(x),k(x,x')); 公式(4)
高斯过程的参数是由高斯过程核函数的性质所决定的,不同的核函数会导致不同的超参数数目。常见GP的核函数在满足Mercer条件下通常为指数平方协方差函数,具体可以如下公式(5)所示:
最后,在得到预测样本以及实际样本以后,可以根据所述预测样本以及与所述预测样本对应的实际样本,构建适应度函数。具体的可以包括:计算所述预测样本以及与所述预测样本对应的实际样本之间的均方误差,以根据所述均方误差得到所述适应度函数。
在步骤S130中,利用预设的粒子群优化算法以及所述适应度函数对所述待优化参数进行优化,并根据从优化后的待优化参数对所述待训练的高斯过程模型进行更新,得到训练后的深度高斯过程模型。
在本示例实施例中,首先,利用预设的粒子群优化算法以及所述适应度函数对所述待优化参数进行优化。具体的,参考图5所示,可以包括以下步骤:
步骤S510,根据所述待优化参数生成粒子种群,并随机设置所述粒子种群中各粒子的起始位置以及起始速度;其中,每一个待优化参数分别对应一个粒子;
步骤S520,根据所述适应度函数计算各所述粒子的适应度,并对各所述粒子在当前位置的适应度以及其在最好位置的适应度进行比较,如果所述粒子在当前位置的适应度优于其在最好位置的适应度,则将当前位置作为个体最好位置,若否,则不变;
步骤S530,对各所述粒子在当前位置的适应度以及种群最好位置的适应度进行比较,如果所述粒子在当前位置的适应度优于种群最好位置的适应度,则将当前位置作为全局最好位置,若否,则不变;
步骤S540,根据所述个体最好位置、全局最好位置以及所述粒子速度,对所述粒子种群中的粒子的速度以及位置进行更新,以实现粒子优化。
以下,将对步骤S510-步骤S540进行解释以及说明。
首先,对PSO算法基本的思想进行解释以及说明。具体的,PSO算法基本的思想是加速每个粒子向自身和群体最佳的位置靠近,在空间中会随机设置粒子的起始位置和速度。在迭代搜索过程中,算法将会记录下单个粒子和群体所经历的最佳位置以及对应的适应度函数值。在本公开中假设粒子的搜索空间是n维的,整个粒子群X=(X1,...,Xi,...,Xm)包含m个例子,第i个例子位置在:
Xi=(xi1,xi2,...,xim)T;
此时粒子的速度为:
Vi=(vi1,vi2,...,vin)T;
粒子的个体极值为:
Pi=(pi1,pi2,...,pin)T;
种群的全局极值为:
Pg=(pg1,pg2,...,pgn)T。
当粒子找到个体最佳和全局最佳位置后,就可以根据以下公式(6)以及公式(7)更新自身的速度和位置信息:
其中,w为惯性权重,w决定了粒子当前速度继承多少,c1和c2都是学习因子;rand(·)是用来产生介于0和1之间的随机数;以及分别为粒子i在第k词迭代中第d维度的速度和位置;是单个粒子的个体极值位置,是全体粒子的全局极值的位置。t=1,2,…为循环次数,迭代终止条件可以根据特定问题设置,通常设置为达到最大迭代次数K或者种群搜索到的最优位置满足预期的值。
其次,PSO适应度函数是指未训练完成的深度高斯过程模型对输入数据的给出的输出预测与步骤S2中与之对应的输出值之间的均方误差。当适应度函数值最小时,认为深度高斯过程模型训练完成。PSO算法的更新具体步骤为:首先,随机设置粒子的起始位置xi和速度vi,根据待解决的问题设置种群的数目,并设置待调整的参数;其次,按照适应度函数的公式计算每个粒子的适应度,并比较每个粒子当前位置的适应度与其最好位置pbest的适应度值,如果更优,则以当前位置作为pbest,否则pbest不变;然后,比较每个粒子当前位置的适应度与种群最好位置pbest的适应度值,如果更优,则将其作为当前的全局最好位置pbest;最后,依照公式更新粒子的速度和位置;当然,若不满足算法预设的终止条件,则继续计算每个粒子的适应度;如果满足终止条件,结束循环并输出最佳位置信息。
此处需要补充说明的是,将200组多频带天线数据用于模型的训练,将深度高斯过程网络模型每次预测200组数据的输出和训练输出的均方误差作为训练过程中PSO的适应度函数,若模型预测精度不满足要求,则PSO继续迭代训练,直到模型满足精度要求为止;当PSO迭代完成之后,深度高斯过程模型训练完成,将深度高斯过程模型与HFSS仿真得到的数据进行比较。证明深度高斯过程模型在对多频带天线优化设计中具有实用价值。
进一步的,训练完成后,利用PSO进行优化设计,PSO算法中粒子数为20,最大迭代次数为500,惯性权重取1,适应度函数为在0.69-0.96GHz以及1.7-2.76GHz范围频率响应均小于-6dB。优化完成的一组线尺寸参数由下表2显示:
表2
同时,为了验证该模型的有效性和准确性,图6给出了本公开所述方法优化出的多频带天线预测的S11与该天线电磁仿真软件HFSS仿真结果的比较图;同时,图7显示的是该天线在0.74GHz、1.82GHz、2.3GHz和2.62GHz四个频率点的E面和H面的辐射方向图,以上结果均证明优化出的天线是满足涵盖无线通讯的LTE 700,GSM 850,GSM 900,DCS 1800,PCS1900,UMTS 2100,LTE 2300和LTE 2500频段。
并且,利用粒子群优化算法优化深度高斯过程模型的参数,它可以大大缩短网络训练时间,解决传统反向传播(BP)优化算法容易陷入局部最优的问题。传统的BP算法来优化CNN时,由于CNN的层数较多,在经过正向传播和反向传播之后梯度值的传递会出现前后不一致的情况,这是由于BP算法自身的缺陷所造成的。BP训练的CNN会出现梯度爆炸的现象。对于一个拥有n层网络层数的CNN而言,用f(.)标识卷积函数,忽略池化层,则每一层的运算可以表示为:xn=f(wnxn-1+bn);也即:
因此,若最后的误差为E,则其对第一层权重的导数为:
其中,α为激活函数,以使用sigmoid激活函数为例,其导数的取值范围为(0,0.25],即上面的每一项都小于1,则当网络足够深,会导致越接近输入层的神经元,梯度几乎为0,长时间得不到更新。除此此外,初始的权值阈值往往会影响BP算法的收敛速度。相比于粒子群算法,BP更像在二维平面上的优化,如果初始的权值阈值与实际相差大,则会导致该算法训练时间过长。
进一步的,当待优化参数完成后,可以根据从优化后的待优化参数对所述待训练的高斯过程模型进行更新,得到训练后的深度高斯过程模型。具体的可以包括:根据所述待优化参数在所述待训练的高斯过程模型中出现的顺序,对所述与所述待优化参数对应的优化后的粒子进行粒子解码,得到目标参数;利用所述目标参数对所述待优化参数进行更新,得到训练后的深度高斯过程模型。
在步骤S140中,利用所述训练后的深度高斯过程模型对多频带天线设计过程中所涉及到的天线设计参数的响应进行模拟,以完成多频带天线的设计。
具体的,当得到训练后的深度高斯过程模型以后,可以将该训练完成后的深度高斯过程模型作为代替传统电磁软件的模型针对多频带天线进行快速输入响应,得到满足设计要求的天线,进而极大地减小天线设计中的时间成本,而且使得天线的设计周期短,设计更加灵活且效率更高,可以满足目前5G通讯阶段的快速发展。
以下,结合图8对本公开示例实施例多频带天线的设计方法进行进一步的解释以及说明。参考图8所示,该多频带天线的设计方法可以包括以下步骤:
步骤S801,根据需要设计的多频带天线,构建天线初始模型;
步骤S802,利用天线初始模型随机生成一定数量的多频带天线,获得多频带天线的输入数据集并用电磁仿真软件进行仿真,得到对应的输出样本,输入数据和对应的输出数据为训练深度高斯过程模型做准备;
步骤S803,初始化深度高斯过程模型,并将卷积神经网络的网络参数以及高斯过程的超参数作为粒子群算法的粒子数,并按顺序排列;
步骤S804,初始化粒子群算法,将输入数据代入深度高斯过程模型,将该模型的预测值与输出数据的均方误差作为粒子群算法的适应度函数;
步骤S805,当粒子群算法寻优完成后按对应的深度高斯过程模型参数顺序进行粒子解码,得到训练完成的深度高斯过程模型;
步骤S806,利用训练完成的深度高斯过程模型作为电磁仿真软件的替代模型,对多频带天线设计过程中的天线设计参数的响应进行模拟,从而完成天线的设计。
本公开示例实施例所提供的多频带天线的设计方法,解决了现有方法中通过智能算法的运用,将天线尺寸参数和性能两者直接非线性关系给映射出来,比如神经网络、高斯过程等智能算法中所存在的缺点(神经网络的训练需要大量的样本,当数据不够充分时将无法进行工作;而对于高斯过程而言,在训练时需要大量的协方差计算,如果数据过大则会导致效率太低),提出针对多频带天线优化设计时运用深度高斯过程模型设计方法;同时,在模型构造时,利用PSO算法对CNN部分的结构参数进行优化,解决了传统CNN训练在反向传播时易陷入局部最优的问题;同时,由于卷积神经网络可将复杂数据进行降维运算,减少了在传统GP高斯过程在非线性数据拟合中的运算量。因此,本公开方法能够极大地减小天线设计中的时间成本,而且使得天线的设计周期短,设计更加灵活且效率更高,可以满足目前5G通讯阶段的快速发展。
本公开还提供了一种多频带天线的设计装置。参考图9所示,该多频带天线的设计装置可以包括:深度高斯过程模型构建模块910、适应度函数构建模块920、参数优化模块930以及多频带天线设计模块940。其中:
深度高斯过程模型构建模块910可以用于根据卷积神经网络以及高斯过程构建待训练的深度高斯过程模型,并对待训练的深度高斯过程模型进行初始化,得到所述待训练的深度高斯过程模型中所包括的待优化参数;
适应度函数构建模块920可以用于将具有不同设计参数的多频带天线输入至所述待训练的深度高斯过程模型中,得到预测样本,并根据所述预测样本以及与所述预测样本对应的实际样本,构建适应度函数;
参数优化模块930可以用于利用预设的粒子群优化算法以及所述适应度函数对所述待优化参数进行优化,并根据从优化后的待优化参数对所述待训练的高斯过程模型进行更新,得到训练后的深度高斯过程模型;
多频带天线设计模块940可以用于利用所述训练后的深度高斯过程模型对多频带天线设计过程中所涉及到的天线设计参数的响应进行模拟,以完成多频带天线的设计。
在本公开的一种示例性实施例中,将具有不同设计参数的多频带天线输入至所述待训练的深度高斯过程模型中,得到预测样本,包括:
利用所述待训练的深度高斯过程模型中的卷积神经网络提取所述具有不同设计参数的多频带天线的特征向量;
利用所述待训练的深度高斯过程模型中的高斯过程计算所述特征向量的均值函数以及协方差函数;
根据所述均值函数以及协方差函数计算所述特征向量的高斯分布,并根据所述高斯分布确定所述预测样本。
在本公开的一种示例性实施例中,其中,所述卷积神经网络的卷积层中所包括的参数的数量与根据所述具有不同设计参数的多频带天线得到的输入特征面神经元数量、输出特征面神经元数量以及卷积核的尺寸大小关联;
所述输出特征面神经元数量与所述输入特征面神经元数量、所述卷积核的尺寸大小以及所述卷积核的滑动平移步长关联。
在本公开的一种示例性实施例中,根据所述预测样本以及与所述预测样本对应的实际样本,构建适应度函数,包括:
计算所述预测样本以及与所述预测样本对应的实际样本之间的均方误差,以根据所述均方误差得到所述适应度函数。
在本公开的一种示例性实施例中,利用预设的粒子群优化算法以及所述适应度函数对所述待优化参数进行优化,包括:
根据所述待优化参数生成粒子种群,并随机设置所述粒子种群中各粒子的起始位置以及起始速度;其中,每一个待优化参数分别对应一个粒子;
根据所述适应度函数计算各所述粒子的适应度,并对各所述粒子在当前位置的适应度以及其在最好位置的适应度进行比较,如果所述粒子在当前位置的适应度优于其在最好位置的适应度,则将当前位置作为个体最好位置,若否,则不变;
对各所述粒子在当前位置的适应度以及种群最好位置的适应度进行比较,如果所述粒子在当前位置的适应度优于种群最好位置的适应度,则将当前位置作为全局最好位置,若否,则不变;
根据所述个体最好位置、全局最好位置以及所述粒子速度,对所述粒子种群中的粒子的速度以及位置进行更新,以实现粒子优化。
在本公开的一种示例性实施例中,根据从优化后的待优化参数对所述待训练的高斯过程模型进行更新,得到训练后的深度高斯过程模型,包括:
根据所述待优化参数在所述待训练的高斯过程模型中出现的顺序,对所述与所述待优化参数对应的优化后的粒子进行粒子解码,得到目标参数;
利用所述目标参数对所述待优化参数进行更新,得到训练后的深度高斯过程模型。
在本公开的一种示例性实施例中,在所述深度高斯过程模型中,所述高斯过程用于对所述卷积神经网络的全连接层进行替代;
所述待优化参数包括所述卷积神经网络中包括的网络参数以及所述高斯过程中所包括的超参数。
上述多频带天线的设计装置中各模块的具体细节已经在对应的多频带天线的设计方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图10来描述根据本公开的这种实施方式的电子设备1000。图10显示的电子设备1000仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于:上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同系统组件(包括存储单元1020和处理单元1010)的总线1030以及显示单元1040。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元1010执行,使得所述处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元1010可以执行如图1中所示的步骤S110:根据卷积神经网络以及高斯过程构建待训练的深度高斯过程模型,并对待训练的深度高斯过程模型进行初始化,得到所述待训练的深度高斯过程模型中所包括的待优化参数;步骤S120:将具有不同设计参数的多频带天线输入至所述待训练的深度高斯过程模型中,得到预测样本,并根据所述预测样本以及与所述预测样本对应的实际样本,构建适应度函数;步骤S130:利用预设的粒子群优化算法以及所述适应度函数对所述待优化参数进行优化,并根据从优化后的待优化参数对所述待训练的高斯过程模型进行更新,得到训练后的深度高斯过程模型;步骤S140:利用所述训练后的深度高斯过程模型对多频带天线设计过程中所涉及到的天线设计参数的响应进行模拟,以完成多频带天线的设计。
存储单元1020可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)10201和/或高速缓存存储单元10202,还可以进一步包括只读存储单元(ROM)10203。
存储单元1020还可以包括具有一组(至少一个)程序模块10205的程序/实用工具10204,这样的程序模块10205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1030可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1000也可以与一个或多个外部设备1100(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1000交互的设备通信,和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1050进行。并且,电子设备1000还可以通过网络适配器1060与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1000使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
根据本公开的实施方式的用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里发明的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种多频带天线的设计方法,其特征在于,包括:
根据卷积神经网络以及高斯过程构建待训练的深度高斯过程模型,并对待训练的深度高斯过程模型进行初始化,得到所述待训练的深度高斯过程模型中所包括的待优化参数;
将具有不同设计参数的多频带天线输入至所述待训练的深度高斯过程模型中,得到预测样本,并根据所述预测样本以及与所述预测样本对应的实际样本,构建适应度函数;
利用预设的粒子群优化算法以及所述适应度函数对所述待优化参数进行优化,并根据从优化后的待优化参数对所述待训练的高斯过程模型进行更新,得到训练后的深度高斯过程模型;
利用所述训练后的深度高斯过程模型对多频带天线设计过程中所涉及到的天线设计参数的响应进行模拟,以完成多频带天线的设计。
2.根据权利要求1所述的多频带天线的设计方法,其特征在于,将具有不同设计参数的多频带天线输入至所述待训练的深度高斯过程模型中,得到预测样本,包括:
利用所述待训练的深度高斯过程模型中的卷积神经网络提取所述具有不同设计参数的多频带天线的特征向量;
利用所述待训练的深度高斯过程模型中的高斯过程计算所述特征向量的均值函数以及协方差函数;
根据所述均值函数以及协方差函数计算所述特征向量的高斯分布,并根据所述高斯分布确定所述预测样本。
3.根据权利要求2所述的多频带天线的设计方法,其特征在于,其中,所述卷积神经网络的卷积层中所包括的参数的数量与根据所述具有不同设计参数的多频带天线得到的输入特征面神经元数量、输出特征面神经元数量以及卷积核的尺寸大小关联;
所述输出特征面神经元数量与所述输入特征面神经元数量、所述卷积核的尺寸大小以及所述卷积核的滑动平移步长关联。
4.根据权利要求1所述的多频带天线的设计方法,其特征在于,根据所述预测样本以及与所述预测样本对应的实际样本,构建适应度函数,包括:
计算所述预测样本以及与所述预测样本对应的实际样本之间的均方误差,以根据所述均方误差得到所述适应度函数。
5.根据权利要求1所述的多频带天线的设计方法,其特征在于,利用预设的粒子群优化算法以及所述适应度函数对所述待优化参数进行优化,包括:
根据所述待优化参数生成粒子种群,并随机设置所述粒子种群中各粒子的起始位置以及起始速度;其中,每一个待优化参数分别对应一个粒子;
根据所述适应度函数计算各所述粒子的适应度,并对各所述粒子在当前位置的适应度以及其在最好位置的适应度进行比较,如果所述粒子在当前位置的适应度优于其在最好位置的适应度,则将当前位置作为个体最好位置,若否,则不变;
对各所述粒子在当前位置的适应度以及种群最好位置的适应度进行比较,如果所述粒子在当前位置的适应度优于种群最好位置的适应度,则将当前位置作为全局最好位置,若否,则不变;
根据所述个体最好位置、全局最好位置以及所述粒子速度,对所述粒子种群中的粒子的速度以及位置进行更新,以实现粒子优化。
6.根据权利要求5所述的多频带天线的设计方法,其特征在于,根据从优化后的待优化参数对所述待训练的高斯过程模型进行更新,得到训练后的深度高斯过程模型,包括:
根据所述待优化参数在所述待训练的高斯过程模型中出现的顺序,对所述与所述待优化参数对应的优化后的粒子进行粒子解码,得到目标参数;
利用所述目标参数对所述待优化参数进行更新,得到训练后的深度高斯过程模型。
7.根据权利要求1-6任一项所述的多频带天线的设计方法,其特征在于,在所述深度高斯过程模型中,所述高斯过程用于对所述卷积神经网络的全连接层进行替代;
所述待优化参数包括所述卷积神经网络中包括的网络参数以及所述高斯过程中所包括的超参数。
8.一种多频带天线的设计装置,其特征在于,包括:
深度高斯过程模型构建模块,用于根据卷积神经网络以及高斯过程构建待训练的深度高斯过程模型,并对待训练的深度高斯过程模型进行初始化,得到所述待训练的深度高斯过程模型中所包括的待优化参数;
适应度函数构建模块,用于将具有不同设计参数的多频带天线输入至所述待训练的深度高斯过程模型中,得到预测样本,并根据所述预测样本以及与所述预测样本对应的实际样本,构建适应度函数;
参数优化模块,用于利用预设的粒子群优化算法以及所述适应度函数对所述待优化参数进行优化,并根据从优化后的待优化参数对所述待训练的高斯过程模型进行更新,得到训练后的深度高斯过程模型;
多频带天线设计模块,用于利用所述训练后的深度高斯过程模型对多频带天线设计过程中所涉及到的天线设计参数的响应进行模拟,以完成多频带天线的设计。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的多频带天线的设计方法。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的多频带天线的设计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110601358.XA CN113420496A (zh) | 2021-05-31 | 2021-05-31 | 多频带天线的设计方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110601358.XA CN113420496A (zh) | 2021-05-31 | 2021-05-31 | 多频带天线的设计方法及装置、存储介质、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113420496A true CN113420496A (zh) | 2021-09-21 |
Family
ID=77713389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110601358.XA Pending CN113420496A (zh) | 2021-05-31 | 2021-05-31 | 多频带天线的设计方法及装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420496A (zh) |
Citations (5)
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 |
CN108171318A (zh) * | 2017-11-30 | 2018-06-15 | 河南大学 | 一种基于模拟退火—高斯函数的卷积神经网络集成方法 |
CN109086531A (zh) * | 2018-08-07 | 2018-12-25 | 中南大学 | 基于神经网络的天线设计方法 |
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 |
CN111199126A (zh) * | 2019-11-08 | 2020-05-26 | 江苏科技大学 | 一种碎片天线的快速优化设计方法 |
-
2021
- 2021-05-31 CN CN202110601358.XA patent/CN113420496A/zh active Pending
Patent Citations (5)
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 |
CN108171318A (zh) * | 2017-11-30 | 2018-06-15 | 河南大学 | 一种基于模拟退火—高斯函数的卷积神经网络集成方法 |
CN109086531A (zh) * | 2018-08-07 | 2018-12-25 | 中南大学 | 基于神经网络的天线设计方法 |
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 |
CN111199126A (zh) * | 2019-11-08 | 2020-05-26 | 江苏科技大学 | 一种碎片天线的快速优化设计方法 |
Non-Patent Citations (1)
Title |
---|
张心宇: "基于深度高斯过程的天线优化设计", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 3, 15 March 2021 (2021-03-15), pages 4 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210089922A1 (en) | Joint pruning and quantization scheme for deep neural networks | |
KR102434729B1 (ko) | 처리방법 및 장치 | |
JP2024050691A (ja) | ディープニューラルネットワークの動的適応 | |
US20230297846A1 (en) | Neural network compression method, apparatus and device, and storage medium | |
CN110659725B (zh) | 神经网络模型的压缩与加速方法、数据处理方法及装置 | |
CN109271695B (zh) | 基于神经网络的多目标天线设计方法 | |
CN111079780A (zh) | 空间图卷积网络的训练方法、电子设备及存储介质 | |
US20110299789A1 (en) | Systems and methods for determining image representations at a pixel level | |
CN111199126A (zh) | 一种碎片天线的快速优化设计方法 | |
CN114723057A (zh) | 一种用于多接入边缘计算系统的神经网络协同推理方法 | |
CN111460665B (zh) | 一种基于克里金代理模型和多目标遗传算法的天线设计方法 | |
Zhang et al. | Antenna optimization design based on deep Gaussian process model | |
An et al. | Object recognition algorithm based on optimized nonlinear activation function-global convolutional neural network | |
Koziel et al. | Expedited acquisition of database designs for reduced-cost performance-driven modeling and rapid dimension scaling of antenna structures | |
CN114358257A (zh) | 神经网络剪枝方法及装置、可读介质和电子设备 | |
Liu et al. | Active contour driven by adaptive‐scale local‐energy signed pressure force function based on bias correction for medical image segmentation | |
CN114004152A (zh) | 基于图卷积和循环神经网络的多风场风速时空预测方法 | |
CN113420496A (zh) | 多频带天线的设计方法及装置、存储介质、电子设备 | |
CN115426671B (zh) | 图神经网络训练、无线小区故障预测方法、系统及设备 | |
CN109934348B (zh) | 机器学习模型超参数推断方法及装置、介质、电子设备 | |
CN114065913A (zh) | 模型量化方法、装置及终端设备 | |
CN110188692B (zh) | 一种有效目标快速识别的强化循环级联方法 | |
CN115719027A (zh) | 天线设计的实现方法及相关设备 | |
CN109726805B (zh) | 利用黑盒模拟器进行神经网络处理器设计的方法 | |
Wang | Motion recognition based on deep learning and human joint points |
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 |