CN113642168A - 一种基于结构参数预测及群智优化的天线设计方法 - Google Patents
一种基于结构参数预测及群智优化的天线设计方法 Download PDFInfo
- Publication number
- CN113642168A CN113642168A CN202110906497.3A CN202110906497A CN113642168A CN 113642168 A CN113642168 A CN 113642168A CN 202110906497 A CN202110906497 A CN 202110906497A CN 113642168 A CN113642168 A CN 113642168A
- Authority
- CN
- China
- Prior art keywords
- antenna
- parameter prediction
- model
- user
- antenna structure
- 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 46
- 238000005457 optimization Methods 0.000 title claims abstract description 30
- 238000013461 design Methods 0.000 title claims abstract description 26
- 238000012358 sourcing Methods 0.000 title claims abstract description 23
- 239000002245 particle Substances 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 16
- 238000003064 k means clustering Methods 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000012827 research and development Methods 0.000 description 4
- 239000002131 composite material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005404 monopole Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000009827 uniform distribution 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明提供了一种基于结构参数预测及群智优化的天线设计方法，包括如下步骤：构建天线结构参数预测模型；预测天线结构初始参数；对天线结构初始参数进行仿真以获取初始天线模型，判断初始天线模型是否符合用户所需带宽范围，若符合，则将初始天线模型作为最终天线模型，否则在天线结构初始参数的预设临近范围内进行抽样以生成新的粒子；对新的粒子进行仿真以获取第一天线模型，判断第一天线模型是否有符合带宽范围，若有，则将第一天线模型作为最终天线模型，否则通过群智优化算法对粒子所表达的参数进行迭代更新；重复对参数更新后的粒子进行仿真以获取第一天线模型。本发明可以有效降低天线结构参数调优时所耗费的人工与时间成本。
Description
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种基于结构参数预测及群智优化的天线设计方法。
背景技术
在追求万物互联的现在，越来越多的互联设备需要装配射频收发装置，而对不同应用场景快速选择合适的天线类型并完成天线结构的优化，是一个技术门槛极高、经验足够丰富、完成周期很长的工作。在现有技术中，在使用全波电磁仿真软件完成天线建模后，需要天线设计工程师对天线模型进行结构参数调优以提高天线的性能，进而使天线满足应用场景的需求。然而，天线调优中的结构参数调优，对于天线设计工程师来说是一种极为繁琐的工作，其不但需要天线设计工程师深入理解电磁场和天线设计理论，而且还需要天线设计工程师熟练掌握全波电磁仿真软件的操作方法。即是说，通过人工操作全波电磁仿真软件进行天线模型结构参数调优，效率低下且研发成本高昂，其方法有待改进。
发明内容
基于此，为了解决在现有技术中，通过人工操作全波电磁仿真软件进行天线模型结构参数调优而存在的效率低下且研发成本高昂的问题，本发明提供了一种基于结构参数预测及群智优化的天线设计方法，其具体技术方案如下：
一种基于结构参数预测及群智优化的天线设计方法，包括如下步骤：
构建天线结构参数预测模型；
通过所述天线结构参数预测模型获取一组与用户所需带宽范围相匹配的天线结构初始参数；
对所述天线结构初始参数进行仿真以获取初始天线模型，判断所述初始天线模型是否符合所述用户所需带宽范围，若符合，则将符合所述用户所需带宽范围的所述初始天线模型作为最终天线模型，若不符合，则在所述天线结构初始参数的预设临近范围内通过拉丁超立方抽样方法进行抽样以生成若干个新的粒子；
对若干个所述新的粒子进行仿真以获取若干个第一天线模型，判断若干个所述第一天线模型是否有至少一个符合所述用户所需带宽范围，若有，则将符合所述用户所需带宽范围的所述第一天线模型作为最终天线模型，若没有，则判断参数更新迭代次数是否已达到预设迭代次数；
若所述参数更新迭代次数已达到预设迭代次数，则停止迭代并向用户反馈当前天线模型不存在符合用户所需带宽范围的天线结构参数，若所述参数更新迭代次数未达到预设迭代次数，则通过群智优化算法对若干个所述粒子所表达的参数进行迭代更新；
重复对参数更新后的若干个所述粒子进行仿真以获取若干个第一天线模型直到达到预设迭代更新次数或若干个所述第一天线模型中至少一个符合所述用户所需带宽范围。
所述天线设计方法基于结构参数预测及群智优化对天线结构初始参数进行自动调优以获取复合用户所需宽带范围的天线模型，可以有效降低天线结构参数调优时所耗费的人工与时间成本，提高工作效率，解决了在现有技术中，通过人工操作全波电磁仿真软件进行天线模型结构参数调优而存在的效率低下且研发成本高昂的问题。
进一步地，在通过所述天线结构参数预测模型获取与用户所需带宽范围相匹配的天线结构初始参数前，先利用代表性样本对所述天线结构参数预测模型进行训练，所述代表性样本的具体获取方法包括如下步骤：
生成超球面均匀分布样本；
利用K均值聚类算法对所述超球面均匀分布样本进行取样以获取代表性样本。
进一步地，所述利用代表性样本对所述天线结构参数预测模型进行训练的具体方法包括如下步骤：
对所述代表性样本进行仿真以获取若干个样本天线模型；
判断若干个所述样本天线模型是否有至少一个符合所述用户所需带宽范围，若有，则将符合所述用户所需带宽范围的所述样本天线模型作为最终天线模型，若没有，则以若干个所述样本天线模型的结构参数与带宽相关参数作为数据集对所述天线结构参数预测模型进行训练；
抽取若干个所述超球面均匀分布样本以检测所述天线结构参数预测模型的准确度，判断所述准确度是否达到预设准确度范围，若是，则停止迭代训练，若否，则将抽取到的若干个所述超球面均匀分布样本添加到数据集中以对所述天线结构参数预测模型进行迭代训练；
重复对所述天线结构参数预测模型进行迭代训练，直到达到预设迭代训练次数或所述准确度达到预设准确度范围。
进一步地，所述通过所述天线结构参数预测模型获取与用户所需带宽范围相匹配的天线结构初始参数的具体方法为：判断输入的所述用户所需带宽范围是否超出正常预测范围，若是，则提示用户重新输入，若否，则通过所述天线结构参数预测模型获取与用户所需带宽范围相匹配的天线结构初始参数。
进一步地，所述利用K均值聚类算法对所述超球面均匀分布样本进行取样以获取代表性样本的具体方法包括如下步骤：
第一步，选取K个点作为初始聚集的簇核心；
第二步，分别计算每个所述超球面均匀分布样本到K个所述簇核心之间的欧氏距离并根据所述欧氏距离将每个所述超球面均匀分布样本归属到距离最近的一个所述簇核心；
第三步，将所述超球面均匀分布样本归属到相应的所述簇核心；
第四步，重新计算每个簇核心的重心并将所述重心作为新的簇核心；
第五步，重复第二步至第四步以进行迭代，直至达到预设迭代次数或最小平方误差。
进一步地，通过人工神经网络构建天线结构参数预测模型。
进一步地，所述仿真软件为全波电磁仿真软件。
相应地，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被执行时实现如上述所述的基于结构参数预测及群智优化的天线设计方法。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。
图1是本发明一实施例中一种基于结构参数预测及群智优化的天线设计方法的整体流程示意图；
图2是本发明一实施例中一种基于结构参数预测及群智优化的天线设计方法中的代表性样本的具体获取方法的流程示意图；
图3是本发明一实施例中一种基于结构参数预测及群智优化的天线设计方法中的利用代表性样本对天线结构参数预测模型进行训练的具体方法的流程示意图。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明。应当理解的是，此处所描述的具体实施方式仅用以解释本发明，并不限定本发明的保护范围。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明中所述“第一”、“第二”不代表具体的数量及顺序，仅仅是用于名称的区分。
如图1所示，本发明一实施例中的一种基于结构参数预测及群智优化的天线设计方法，包括如下步骤：
构建天线结构参数预测模型；
通过所述天线结构参数预测模型获取一组与用户所需带宽范围相匹配的天线结构初始参数；
对所述天线结构初始参数进行仿真以获取初始天线模型，判断所述初始天线模型是否符合所述用户所需带宽范围，若符合，则将符合所述用户所需带宽范围的所述初始天线模型作为最终天线模型，若不符合，则在所述天线结构初始参数的预设临近范围内通过拉丁超立方抽样方法进行抽样以生成若干个新的粒子；
对若干个所述新的粒子进行仿真以获取若干个第一天线模型，判断若干个所述第一天线模型是否有至少一个符合所述用户所需带宽范围，若有，则将符合所述用户所需带宽范围的所述第一天线模型作为最终天线模型，若没有，则判断参数更新迭代次数是否已达到预设迭代次数；
若所述参数更新迭代次数已达到预设迭代次数，则停止迭代并向用户反馈当前天线模型不存在符合用户所需带宽范围的天线结构参数，若所述参数更新迭代次数未达到预设迭代次数，则通过群智优化算法对若干个所述粒子所表达的参数进行迭代更新；
重复对参数更新后的若干个所述粒子进行仿真以获取若干个第一天线模型直到达到预设迭代更新次数或若干个所述第一天线模型中至少一个符合所述用户所需带宽范围。
首先，在所述天线结构初始参数的预设临近范围内通过拉丁超立方抽样方法进行抽样以生成若干个新的粒子，可以实现在多维空间中为达到均匀分层取样的效果。
其次，通过构建天线结构参数预测模型，并由天线结构参数预测模型获取一组与用户所需带宽范围相匹配的天线结构初始参数，再在所述天线结构初始参数的预设临近范围内通过拉丁超立方抽样方法进行抽样以生成若干个新的粒子，这样可以缩小调优范围，有效的减少自动调优的次数，改善因群智优化算法带来大量运算次数而导致的优化过程长的问题。
另外，在使用群智优化算法对若干个所述粒子所表达的参数进行迭代更新的同时，进行多参数调优修正预测误差，不仅可以节省时间，还可以提高计算的精确度。
所述天线设计方法不仅可适用于对称振子、单级天线、抛物面天线和微带天线等多种不同类型天线，还可同时优化宽、高、馈点位置和圆形谐振腔半径等天线结构。
综上所述，所述天线设计方法基于结构参数预测及群智优化对天线结构初始参数进行自动调优以获取复合用户所需宽带范围的天线模型，可以有效降低天线结构参数调优时所耗费的人工与时间成本，提高工作效率，解决了在现有技术中，通过人工操作全波电磁仿真软件进行天线模型结构参数调优而存在的效率低下且研发成本高昂的问题。
在其中一个实施例中，在通过所述天线结构参数预测模型获取与用户所需带宽范围相匹配的天线结构初始参数前，先利用代表性样本对所述天线结构参数预测模型进行训练，如图2所示，所述代表性样本的具体获取方法包括如下步骤：
第一步，生成超球面均匀分布样本。
由于天线结构参数一般有三个以上，通过生成超球面均匀分布样本，可以方便代表性样本的获取。
第二步，利用K均值聚类算法对所述超球面均匀分布样本进行取样以获取代表性样本。
由于所述超球面均匀分布样本的数量较多。较多的样本会导致巨大的仿真时间与运算次数。利用K均值聚类算法对所述超球面均匀分布样本进行取样以获取代表性样本，可以减少样本的数量，减少运算次数，缩短仿真时间。
在其中一个实施例中，如图3所示，所述利用代表性样本对所述天线结构参数预测模型进行训练的具体方法包括如下步骤：
对所述代表性样本进行仿真以获取若干个样本天线模型；
判断若干个所述样本天线模型是否有至少一个符合所述用户所需带宽范围，若有，则将符合所述用户所需带宽范围的所述样本天线模型作为最终天线模型，若没有，则以若干个所述样本天线模型的结构参数与带宽相关参数作为数据集对所述天线结构参数预测模型进行训练；
抽取若干个所述超球面均匀分布样本以检测所述天线结构参数预测模型的准确度，判断所述准确度是否达到预设准确度范围，若是，则停止迭代训练，若否，则将抽取到的若干个所述超球面均匀分布样本添加到数据集中以对所述天线结构参数预测模型进行迭代训练；
重复对所述天线结构参数预测模型进行迭代训练，直到达到预设迭代训练次数或所述准确度达到预设准确度范围。
在其中一个实施例中，所述通过所述天线结构参数预测模型获取与用户所需带宽范围相匹配的天线结构初始参数的具体方法为：判断输入的所述用户所需带宽范围是否超出正常预测范围，若是，则提示用户重新输入，若否，则通过所述天线结构参数预测模型获取与用户所需带宽范围相匹配的天线结构初始参数。
在其中一个实施例中，所述利用K均值聚类算法对所述超球面均匀分布样本进行取样以获取代表性样本的具体方法包括如下步骤：
第一步，选取K个点作为初始聚集的簇核心(即质点或聚类中心点)；
第二步，分别计算每个所述超球面均匀分布样本到K个所述簇核心之间的欧氏距离并根据所述欧氏距离将每个所述超球面均匀分布样本归属到距离最近的一个所述簇核心；
第三步，将所述超球面均匀分布样本归属到相应的所述簇核心；
第四步，重新计算每个簇核心的重心并将所述重心作为新的簇核心；
第五步，重复第二步至第四步以进行迭代，直至达到预设迭代次数或最小平方误差。
在其中一个实施例中，通过人工神经网络构建天线结构参数预测模型。
在其中一个实施例中，所述仿真软件为全波电磁仿真软件。
相应地，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被执行时实现如上述所述的基于结构参数预测及群智优化的天线设计方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于结构参数预测及群智优化的天线设计方法，其特征在于，所述天线设计方法包括如下步骤：
构建天线结构参数预测模型；
通过所述天线结构参数预测模型获取一组与用户所需带宽范围相匹配的天线结构初始参数；
对所述天线结构初始参数进行仿真以获取初始天线模型，判断所述初始天线模型是否符合所述用户所需带宽范围，若符合，则将符合所述用户所需带宽范围的所述初始天线模型作为最终天线模型，若不符合，则在所述天线结构初始参数的预设临近范围内通过拉丁超立方抽样方法进行抽样以生成若干个新的粒子；
对若干个所述新的粒子进行仿真以获取若干个第一天线模型，判断若干个所述第一天线模型是否有至少一个符合所述用户所需带宽范围，若有，则将符合所述用户所需带宽范围的所述第一天线模型作为最终天线模型，若没有，则判断参数更新迭代次数是否已达到预设迭代次数；
若所述参数更新迭代次数已达到预设迭代次数，则停止迭代并向用户反馈当前天线模型不存在符合用户所需带宽范围的天线结构参数，若所述参数更新迭代次数未达到预设迭代次数，则通过群智优化算法对若干个所述粒子所表达的参数进行迭代更新；
重复对参数更新后的若干个所述粒子进行仿真以获取若干个第一天线模型直到达到预设迭代更新次数或若干个所述第一天线模型中至少一个符合所述用户所需带宽范围。
2.如权利要求1所述的一种基于结构参数预测及群智优化的天线设计方法，其特征在于，在通过所述天线结构参数预测模型获取与用户所需带宽范围相匹配的天线结构初始参数前，先利用代表性样本对所述天线结构参数预测模型进行训练，所述代表性样本的具体获取方法包括如下步骤：
生成超球面均匀分布样本；
利用K均值聚类算法对所述超球面均匀分布样本进行取样以获取代表性样本。
3.如权利要求2所述的一种基于结构参数预测及群智优化的天线设计方法，其特征在于，所述利用代表性样本对所述天线结构参数预测模型进行训练的具体方法包括如下步骤：
对所述代表性样本进行仿真以获取若干个样本天线模型；
判断若干个所述样本天线模型是否有至少一个符合所述用户所需带宽范围，若有，则将符合所述用户所需带宽范围的所述样本天线模型作为最终天线模型，若没有，则以若干个所述样本天线模型的结构参数与带宽相关参数作为数据集对所述天线结构参数预测模型进行训练；
抽取若干个所述超球面均匀分布样本以检测所述天线结构参数预测模型的准确度，判断所述准确度是否达到预设准确度范围，若是，则停止迭代训练，若否，则将抽取到的若干个所述超球面均匀分布样本添加到数据集中以对所述天线结构参数预测模型进行迭代训练；
重复对所述天线结构参数预测模型进行迭代训练，直到达到预设迭代训练次数或所述准确度达到预设准确度范围。
4.如权利要求1所述的一种基于结构参数预测及群智优化的天线设计方法，其特征在于，所述通过所述天线结构参数预测模型获取与用户所需带宽范围相匹配的天线结构初始参数的具体方法为：判断输入的所述用户所需带宽范围是否超出正常预测范围，若是，则提示用户重新输入，若否，则通过所述天线结构参数预测模型获取与用户所需带宽范围相匹配的天线结构初始参数。
5.如权利要求2所述的一种基于结构参数预测及群智优化的天线设计方法，其特征在于，所述利用K均值聚类算法对所述超球面均匀分布样本进行取样以获取代表性样本的具体方法包括如下步骤：
第一步，选取K个点作为初始聚集的簇核心；
第二步，分别计算每个所述超球面均匀分布样本到K个所述簇核心之间的欧氏距离并根据所述欧氏距离将每个所述超球面均匀分布样本归属到距离最近的一个所述簇核心；
第三步，将所述超球面均匀分布样本归属到相应的所述簇核心；
第四步，重新计算每个簇核心的重心并将所述重心作为新的簇核心；
第五步，重复第二步至第四步以进行迭代，直至达到预设迭代次数或最小平方误差。
6.如权利要求1所述的一种基于结构参数预测及群智优化的天线设计方法，其特征在于，通过人工神经网络构建天线结构参数预测模型。
7.如权利要求1至6任意一项所述的一种基于结构参数预测及群智优化的天线设计方法，其特征在于，所述仿真软件为全波电磁仿真软件。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被执行时实现如权利要求1至8任意一项所述的基于结构参数预测及群智优化的天线设计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110906497.3A CN113642168A (zh) | 2021-08-09 | 2021-08-09 | 一种基于结构参数预测及群智优化的天线设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110906497.3A CN113642168A (zh) | 2021-08-09 | 2021-08-09 | 一种基于结构参数预测及群智优化的天线设计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113642168A true CN113642168A (zh) | 2021-11-12 |
Family
ID=78420108
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110906497.3A Pending CN113642168A (zh) | 2021-08-09 | 2021-08-09 | 一种基于结构参数预测及群智优化的天线设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642168A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1612142A (zh) * | 2003-10-30 | 2005-05-04 | 松下电器产业株式会社 | 天线的设计方法以及采用该设计方法的天线 |
| CN108920841A (zh) * | 2018-07-05 | 2018-11-30 | 中南大学 | 新型天线设计方法 |
| CN110112571A (zh) * | 2019-04-10 | 2019-08-09 | 电子科技大学 | 一种基于神经网络逆建模的天线设计方法 |
| CN111368384A (zh) * | 2018-12-07 | 2020-07-03 | 华为技术有限公司 | 预测天线工程参数的方法及设备 |
| CN112149360A (zh) * | 2020-10-10 | 2020-12-29 | 辽宁工程技术大学 | 一种基于alo-lmbp神经网络的双陷波特性超宽带天线逆向建模研究方法 |
| KR20210035017A (ko) * | 2019-09-23 | 2021-03-31 | 삼성전자주식회사 | 신경망 트레이닝 방법, 신경망 기반의 데이터 처리 방법 및 장치 |
| CN113987962A (zh) * | 2021-11-25 | 2022-01-28 | 江苏科技大学 | 基于学生t过程的微带天线优化方法和优化系统 |
-
2021
- 2021-08-09 CN CN202110906497.3A patent/CN113642168A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1612142A (zh) * | 2003-10-30 | 2005-05-04 | 松下电器产业株式会社 | 天线的设计方法以及采用该设计方法的天线 |
| CN108920841A (zh) * | 2018-07-05 | 2018-11-30 | 中南大学 | 新型天线设计方法 |
| CN111368384A (zh) * | 2018-12-07 | 2020-07-03 | 华为技术有限公司 | 预测天线工程参数的方法及设备 |
| CN110112571A (zh) * | 2019-04-10 | 2019-08-09 | 电子科技大学 | 一种基于神经网络逆建模的天线设计方法 |
| KR20210035017A (ko) * | 2019-09-23 | 2021-03-31 | 삼성전자주식회사 | 신경망 트레이닝 방법, 신경망 기반의 데이터 처리 방법 및 장치 |
| CN112149360A (zh) * | 2020-10-10 | 2020-12-29 | 辽宁工程技术大学 | 一种基于alo-lmbp神经网络的双陷波特性超宽带天线逆向建模研究方法 |
| CN113987962A (zh) * | 2021-11-25 | 2022-01-28 | 江苏科技大学 | 基于学生t过程的微带天线优化方法和优化系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Client-edge-cloud hierarchical federated learning | |
| EP3739811B1 (en) | Data analysis device, and multi-model co-decision system and method | |
| CN109168177B (zh) | 基于软采信令的经纬度回填方法 | |
| CN111867049B (zh) | 定位方法、装置及存储介质 | |
| CN113095512A (zh) | 联邦学习建模优化方法、设备、介质及计算机程序产品 | |
| CN108733639A (zh) | 一种配置参数调整方法、装置、终端设备及存储介质 | |
| CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
| CN112243249B (zh) | 5g nsa组网下lte新入网锚点小区参数配置方法和装置 | |
| CN110968426A (zh) | 一种基于在线学习的边云协同k均值聚类的模型优化方法 | |
| CN114501530B (zh) | 基于深度强化学习的天线参数的确定方法和装置 | |
| CN109991591B (zh) | 基于深度学习的定位方法、装置、计算机设备及存储介质 | |
| CN113962163A (zh) | 一种实现无源微波器件高效设计的优化方法、装置和设备 | |
| CN112836822B (zh) | 基于宽度学习的联邦学习策略优化方法和装置 | |
| CN105005024A (zh) | 压缩感知定位方法 | |
| CN110826692A (zh) | 一种自动化模型压缩方法、装置、设备及存储介质 | |
| CN113642168A (zh) | 一种基于结构参数预测及群智优化的天线设计方法 | |
| CN106941466B (zh) | 一种软硬件协同的数字预失真的方法及装置 | |
| WO2023098860A1 (zh) | 通信方法和通信装置 | |
| Zhang et al. | Federated multi-task learning with non-stationary heterogeneous data | |
| US20220329498A1 (en) | Method and network entity for handling kpi pm data | |
| WO2022156226A1 (zh) | 天线配置参数优化方法、装置及存储介质 | |
| CN115329899A (zh) | 一种聚类等效模型构建方法、系统、设备和存储介质 | |
| CN112738883B (zh) | 一种空中基站位置确定方法及装置 | |
| WO2018040561A1 (zh) | 数据处理方法、装置及系统 | |
| CN105282748B (zh) | 一种划分通信网络的基站簇的方法和装置 |
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 |