CN114021484A - 基于cnn堆叠宽度学习系统的天线仿真设计优化方法 - Google Patents

基于cnn堆叠宽度学习系统的天线仿真设计优化方法 Download PDF

Info

Publication number
CN114021484A
CN114021484A CN202111404030.5A CN202111404030A CN114021484A CN 114021484 A CN114021484 A CN 114021484A CN 202111404030 A CN202111404030 A CN 202111404030A CN 114021484 A CN114021484 A CN 114021484A
Authority
CN
China
Prior art keywords
bls
network
layer
cnn
data
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.)
Withdrawn
Application number
CN202111404030.5A
Other languages
English (en)
Inventor
王晓燕
田雨波
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 CN202111404030.5A priority Critical patent/CN114021484A/zh
Publication of CN114021484A publication Critical patent/CN114021484A/zh
Withdrawn legal-status Critical Current

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了基于CNN堆叠宽度学习系统的天线仿真设计优化方法，用来代替传统智能优化算法和电磁仿真软件结合的天线优化设计方法，传统的BLS网络使用随机产生的权重矩阵和偏置，在面对复杂样本情况时，可能会产生对样本特征提取不充分，进而降低训练精度，使得最后拟合效果不理想的问题，本申请中SBLS将深度学习中的残差网络应用到BLS中，通过残差网络对每一层BLS的输出与期望输出的残差进行进一步的拟合，提高了系统的学习能力并且针对现实中更复杂的小样本数据有更理想的拟合效果，减少了电磁仿真次数和时间，提高了天线优化设计的效率。

Description

基于CNN堆叠宽度学习系统的天线仿真设计优化方法
技术领域
本发明涉及微波电磁优化领域，特别涉及基于CNN堆叠宽度学习系统的天线仿真设计优化方法。
背景技术
现有的电磁仿真软件在求解分析时需要大量时间，使得天线设计优化严重耗时。使用优化算法作为天线设计仿真的辅助工具已经日渐成熟。传统天线优化设计过程依赖于天线初始布局的几何优化，首先确定天线结构参数，然后通过遗传算法、粒子群算法(Particle Swarm Optimization，PSO)等智能算法对参数迭代优化最终输出最优参数。然而对于结构复杂的天线来说，需要优化的结构参数数量和待训练的数据维数都有一定程度的增加，增加了电磁软件的仿真难度，同时也会使传统优化算法的迭代次数增加。在神经网络中，卷积神经网络(CNN)经过卷积、池化可以降低数据维度并且很好的保留数据的重要信息，是一种很好的特征提取方法。传统神经网络的训练需要大量的样本数据进行训练，宽度学习可以根据较少的样本数据快速的计算出所需要的最优结构参数，且宽度学习的增量学习在新增数据时不需要重构系统，所以在优化天线参数这种中、小样本数据时选择宽度学习系统(BLS)作为代理模型更高效。根据残差网络原理的堆叠宽度学习系统进一步减小输出误差。使用CNN-SBLS网络可以有效解决当前智能优化模型中超参数多、训练时间长、容易陷入局部最优的问题，也大量的节省了天线仿真优化设计的时间。
专利发明一种碎片天线的快速优化设计方法，CN111199126A中公开了一种基于PSO算法和CNN神经网络相结合的优化算法，其中CNN神经网络的训练中用PSO算法来对CNN神经网络中的结构参数进行寻优，将参数寻优训练完成后的CNN神经网络模型作为代替传统电磁软件的模型针对碎片式天线进行快速输入响应，得到天线的谐振频率曲线。
PSO是一种高效的智能全局优化算法，其作为全波电磁仿真软件(例如HFSS、FEKO)设计天线的辅助代理模型是一种较为有效的方法，具体过程是在电磁仿真软件中进行天线建模和高精度评价，并将该评价结果作为适应度函数来反映群体中随机解的优劣，这种优化设计方法通常需要大量的适应度函数评价才能搜索出全局最优解。易出现陷入局部最优解的问题，原因在于PSO没有充分地利用计算过程中获得的信息，在每一步迭代中仅仅利用了群体最优和个体最优的信息。
发明内容
发明目的：本发明的目的是提供一种基于CNN堆叠宽度学习系统的天线仿真设计优化方法来代替传统智能优化算法和电磁仿真软件结合的天线优化设计方法，提高系统的学习能力，针对现实中更复杂的小样本数据有更理想的拟合效果，减少了电磁仿真次数和时间，提高了天线优化设计的效率。
技术方案：本发明所述的基于CNN堆叠宽度学习系统的天线仿真设计优化方法，具体包括以下步骤：
S1：天线建模：在电磁仿真软件中初步构建天线的初始结构模型；
S2：数据生成：调用HFSS应用到Matlab的仿真接口，生成一定数量的天线结构参数和响应结果，并在电磁仿真软件中进行仿真，作为训练CNN-SBLS的测试和训练数据集；
S3：数据预处理：对训练数据和测试数据进行预处理，选择归一化使数据在相同尺度，得到样本数据X0和标签数据Y0；
S4：生成底层BLS网络的特征节点层：使用CNN对样本数据进行特征提取，得到底层BLS网络的特征节点Z1 n，作为底层BLS网络的输入特征节点层，其中n为正整数；
S5：生成底层BLS网络的增强节点层：使用SVD算法从底层BLS网络的特征节点Z1 n中提取底层BLS网络的增强节点H1 m，生成底层BLS网络的输入增强节点层，其中m为正整数；
S6：训练底层BLS网络：根据底层BLS网络的特征节点层和底层BLS网络的增强节点层构建底层BLS网络的输入层，底层BLS网络的输入层数据为A1＝[Zn,Hm]，根据岭回归算法计算底层输入层的伪逆矩阵，进一步根据标签数据Y0生成底层BLS网络的连接权重，得到预测标签y1；
S7：生成堆叠BLS网络的特征节点层：将预测标签y1作为下一层SBLS的输入，同时设置第i层堆叠BLS网络的期望输出为期望标签Ui减去底层预测标签yi-1，预测标签y1选择原始BLS网络随机生成权重矩阵获得特征节点层和增强节点层，使用随机生成的权重矩阵对标签数据y1提取特征，并用稀疏自编码进行微调产生堆叠BLS网络的特征节点
Figure BDA0003371660710000021
S8：生成堆叠BLS网络的增强节点层：使用Sigmoid激活函数，对特征节点进行非线性映射生成底层BLS的增强节点层
Figure BDA0003371660710000022
S9：训练堆叠BLS网络：根据堆叠BLS网络的特征节点层和堆叠BLS网络的增强节点层组成的输入层数据计作Ai，设置第i层的期望标签为
Figure BDA0003371660710000023
第i层的实际输出为Ui，其中
Figure BDA0003371660710000024
表示前i-1层的实际输出和，根据岭回归计算Ai的逆伪矩阵，相应的连接权重计算公式更新为：
Figure BDA0003371660710000031
根据残差网络的原理，经过上述堆叠BLS网络的训练可以对输出的残差进行不断的优化，重复训练直到满足系统预设的误差阈值，停止训练并输出精度与最优的样本数据；
S10：验证结果：使用训练好的代理模型输出最优样本数据，在电磁仿真软件中检验效果。
作为优选，所述S1中天线的结构参数由激励阵子、引向阵子、和反射阵子组成。
作为优选，所述S4中使用CNN对训练样本数据进行特征提取具体包括：构建卷积神经网络，使用卷积神经网络的卷积和池化操作得到相应的特征节点，其中卷积操作可以表示为：
Z(i,j)＝∑a∑bX(i-a,j-b)K(a,b)；
其中X表示输入样本数据，K(a,b)表示卷积核；
池化操作使用最大池化记录每一个卷积特征点的最大值进行降维。
作为优选，所述S5中底层BLS的输入增强节点H1 m的表达式为：
H1 m＝[H11,H12,...,H1m]；
其中利用SVD来逼近特征矩阵并从中提取重要的特征，将特征矩阵分解成为：
Z＝U∑VT
其中U表示ZZT的特征向量，V表示ZTZ的特征向量，∑＝diag{σ1,......σr,0,.....0}。
作为优选，所述S6中预测标签的具体求解方式为：首先根据标签数据Y，得到输入与输出数据的非线性映射：Y＝A1Wm，然后使用岭回归算法计算连接权重Wm，得到A1的伪逆矩阵，其中岭回归算法表示为：
Figure BDA0003371660710000032
其中
Figure BDA0003371660710000033
为了使悬链误差最小化，
Figure BDA0003371660710000034
为了防止过拟合，λ是正则化系数；
得到Wm＝(λI+A1 TA1)-1A1 TY，其中I表示单位矩阵，则有A1 +＝(λI+A1 TA1)-1A1 T,将训练底层BLS网络的误差阈值设置有le-2，满足阈值后结束训练，得到底层BLS网络的预测标签y1＝A1Wm。
作为优选，所述S7中稀疏自编码的约束函数表示为：
Figure BDA0003371660710000035
其中W表示需要微调的权重矩阵，
Figure BDA0003371660710000036
表示从yi-1中经过随机权重矩阵产生的堆叠BLS网络的特征节点。
作为优选，所述S8中Sigmoid函数为：
Figure BDA0003371660710000041
作为优选，所述S9中堆叠BLS网络中的误差计算为均方根误差(RMSE)，误差阈值分别设置为le-2。
作为优选，所述S9中选择选择网格搜索法设置优化目标为若best>test_ERR，则保存test_ERR到best中，全部网格搜索结束后，将best所在的特征节点、增强节点的窗口数保存到最优输出文件中，停止训练。
有益效果：
(1)、本发明使用CNN可以得到样本更深层次的特征，SBLS将深度学习中的残差网络应用到BLS中，通过残差网络对每一层BLS的输出与期望输出的残差进行进一步的拟合。
(2)、本发明提高了系统的学习能力，针对现实中更复杂的小样本数据有更理想的拟合效果，使用基于CNN的SBLS网络作为天线仿真的代理模型将减少电磁仿真次数和时间，提高天线优化设计的效率，同时CNN-SBLS系统继承了BLS训练速度快的优点，不会像传统优化方式迭代多次耗时，且BLS网络使用网格搜索法解决了PSO或遗传算法有可能陷入局部最优的情况。
附图说明
图1是为矩形八木天线图的结构图；
图2是位矩形八木天线的HFSS模型图；
图3是基于CNN的堆叠BLS网络应用在天线优化的方法流程图；
图4是基于CNN的堆叠BLS网络的结构流程图。
具体实施方式
下面结合具体实施例对本申请做进一步阐述。
本实施例包括以下具体步骤：
S1：天线建模：在电磁仿真软件中初步构建天线的初始结构模型，如图1-2所示，矩形八木天线图的结构图和HFSS模型图，在本实施例中将基于CNN-SBLS系统应用到微带准八木天线优化仿真设计中，设计指标为：中心频率为2.45GHz，并覆盖在2.4—2.483GHz的频段，工作频点在2.45GHz时的回波损耗值低于-10dB。其中天线结构参数，主要由激励阵子、引向阵子、和反射阵子组成。与天线性能相关的参数包括激励阵子的长度dr，引向阵子的长度d1，反射阵子的长度Wp，阵子的宽度W1，激励阵子和反射阵子的间距g1，激励阵子和引向阵子的间距g2，引向阵子之间的间距g3，介质基板的介电常数εr，介质板的厚度h，馈电微带线的宽度s2。
S2：数据生成：调用HFSS应用到Matlab的仿真接口，以天线的结构参数作为输入，选择激励阵子的长度dr，引向阵子的长度d1，激励阵子和反射阵子的间距g1，激励阵子和引向阵子的间距g2，引向阵子之间的间距g3，馈电微带线的宽度s2作为输入变量,以天线在固定频率点的回波损耗值作为输出,如下表所示为本实施例中矩形八木天线的结构参数值：
结构参数名 参数数值/mm
反射阵子、介质基板长度W<sub>p</sub> 60
圆柱体圆直径d 2
激励阵子宽度W<sub>1</sub> 4.96
引向阵子长度d<sub>1</sub> 37
引向阵子宽度W2 3.7
微带线馈线宽度S<sub>2</sub> 1.5
介质基板厚度h 0.8
介质板的长度L 120
S3：数据预处理：对训练数据和测试数据进行预处理，选择归一化使数据在相同尺度，得到样本数据
Figure BDA0003371660710000051
其中i＝1,2,...,n；
得到标签数据为在1.5GHz—4.5GHz的60个间隔0.05GHz频率点上对应的回波损耗值Y0＝{RL1,RL2,...,RLC},其中C＝1,2,....,60。
S4：生成底层BLS网络的特征节点层：使用CNN对样本数据进行特征提取，具体为构建卷积神经网络，卷积神经网络的基本结构由输入层、卷积层、池化层、全连接层和输出层组成，使用卷积神经网络的卷积和池化操作得到相应的特征节点，其中卷积操作可以表示为：
Z(i,j)＝∑a∑bX(i-a,j-b)K(a,b)；
其中X表示输入样本数据，K(a,b)表示卷积核；
池化操作使用最大池化记录每一个卷积特征点的最大值进行降维。
系统设置3层卷积层、3层池化层，其中卷积层通道数为3。设置激活函数为ReLU函数，池化层均采样最大值池化，采样尺度为1×2。每次卷积产生的特征节点计作Z(i,j)，得到底层BLS网络的特征节点Z1 n，作为底层BLS网络的输入特征节点层，其中n为正整数。
S5：生成底层BLS网络的增强节点层：使用SVD算法从底层BLS网络的特征节点Z1 n中提取底层BLS网络的增强节点H1 m，生成底层BLS网络的输入增强节点层，其中m为正整数，底层BLS的输入增强节点H1 m的表达式为：
H1 m＝[H11,H12,...,H1m]；
其中利用SVD来逼近特征矩阵并从中提取重要的特征，将特征矩阵分解成为：
Z＝U∑VT
其中U表示ZZT的特征向量，V表示ZTZ的特征向量，∑＝diag{σ1,......σr,0,.....0}。
S6：训练底层BLS网络：根据底层BLS网络的特征节点层和底层BLS网络的增强节点层构建底层BLS网络的输入层，底层BLS网络的输入层数据为A1＝[Zn,Hm]，根据岭回归算法计算底层输入层的伪逆矩阵，进一步根据标签数据Y0生成底层BLS网络的连接权重，得到预测标签y1
预测标签y1的具体求解方式为：首先根据标签数据Y0，得到输入与输出数据的非线性映射：Y＝A1Wm，然后使用岭回归算法计算连接权重Wm，得到A1的伪逆矩阵，其中岭回归算法表示为：
Figure BDA0003371660710000061
其中
Figure BDA0003371660710000062
为了使悬链误差最小化，
Figure BDA0003371660710000063
为了防止过拟合，λ是正则化系数；
得到Wm＝(λI+A1 TA1)-1A1 TY，其中I表示单位矩阵，则有A1 +＝(λI+A1 TA1)-1A1 T,将训练底层BLS网络的误差阈值设置有le-2，满足阈值后结束训练，得到底层BLS网络的预测标签y1＝A1Wm。
S7：生成堆叠BLS网络的特征节点层：将预测标签y1作为下一层SBLS的输入，同时设置第i层堆叠BLS网络的期望输出为期望标签Ui减去底层预测标签yi-1，预测标签y1选择原始BLS网络随机生成权重矩阵获得特征节点层和增强节点层，使用随机生成的权重矩阵对标签数据y1提取特征，并用稀疏自编码进行微调产生堆叠BLS网络的特征节点
Figure BDA0003371660710000064
其中稀疏自编码的约束函数表示为：
Figure BDA0003371660710000065
其中W表示需要微调的权重矩阵，
Figure BDA0003371660710000066
表示从yi-1中经过随机权重矩阵产生的堆叠BLS网络的特征节点。
S8：生成堆叠BLS网络的增强节点层：使用Sigmoid激活函数，对特征节点进行非线性映射生成底层BLS的增强节点层
Figure BDA0003371660710000071
其中Sigmoid函数为：
Figure BDA0003371660710000072
S9：训练堆叠BLS网络：根据堆叠BLS网络的特征节点层和堆叠BLS网络的增强节点层组成的输入层数据计作Ai，设置第i层的期望标签为
Figure BDA0003371660710000073
第i层的实际输出为Ui，其中
Figure BDA0003371660710000074
表示前i-1层的实际输出和，根据岭回归计算Ai的逆伪矩阵，相应的连接权重计算公式更新为：
Figure BDA0003371660710000075
根据残差网络的原理，经过上述堆叠BLS网络的训练可以对输出的残差进行不断的优化，经过三层堆叠网络的训练，满足系统预设的误差阈值，堆叠BLS网络中的误差计算为均方根误差(RMSE)，误差阈值分别设置为le-2，选择选择网格搜索法设置优化目标为若best>test_ERR，则保存test_ERR到best中，全部网格搜索结束后，将best所在的特征节点、增强节点的窗口数保存到最优输出文件中，停止训练，得到满足天线设计要求的结构参数以及相应的回波损耗值。
S10：验证结果：拟合回波损耗S11曲线,挑选步骤9中的最优输出作为最终天线的设计尺寸，为了反映所提出模型的拟合能力，将谐振频率建模的实验结果作为判断训练模型拟合能力的依据,其中输出值是采频点的频率响应值,根据系统优化后的值拟合满足设计标准的尺寸对应的S11曲线。

Claims (9)

1.基于CNN堆叠宽度学习系统的天线仿真设计优化方法，其特征在于：具体包括以下步骤：
S1：天线建模：在电磁仿真软件中初步构建天线的初始结构模型；
S2：数据生成：调用HFSS应用到Matlab的仿真接口，生成一定数量的天线结构参数和响应结果，并在电磁仿真软件中进行仿真，作为训练CNN-SBLS的测试和训练数据集；
S3：数据预处理：对训练数据和测试数据进行预处理，选择归一化使数据在相同尺度，得到样本数据X0和标签数据Y0；
S4：生成底层BLS网络的特征节点层：使用CNN对样本数据进行特征提取，得到底层BLS网络的特征节点Z1 n，作为底层BLS网络的输入特征节点层，其中n为正整数；
S5：生成底层BLS网络的增强节点层：使用SVD算法从底层BLS网络的特征节点Z1 n中提取底层BLS网络的增强节点H1 m，生成底层BLS网络的输入增强节点层，其中m为正整数；
S6：训练底层BLS网络：根据底层BLS网络的特征节点层和底层BLS网络的增强节点层构建底层BLS网络的输入层，底层BLS网络的输入层数据为A1＝[Zn,Hm]，根据岭回归算法计算底层输入层的伪逆矩阵，进一步根据标签数据Y0生成底层BLS网络的连接权重，得到预测标签y1；
S7：生成堆叠BLS网络的特征节点层：将预测标签y1作为下一层SBLS的输入，同时设置第i层堆叠BLS网络的期望输出为期望标签Ui减去底层预测标签yi-1，预测标签y1选择原始BLS网络随机生成权重矩阵获得特征节点层和增强节点层，使用随机生成的权重矩阵对标签数据y1提取特征，并用稀疏自编码进行微调产生堆叠BLS网络的特征节点
Figure FDA0003371660700000011
S8：生成堆叠BLS网络的增强节点层：使用Sigmoid激活函数，对特征节点进行非线性映射生成底层BLS的增强节点层
Figure FDA0003371660700000012
S9：训练堆叠BLS网络：根据堆叠BLS网络的特征节点层和堆叠BLS网络的增强节点层组成的输入层数据计作Ai，设置第i层的期望标签为
Figure FDA0003371660700000013
第i层的实际输出为Ui，其中
Figure FDA0003371660700000014
表示前i-1层的实际输出和，根据岭回归计算Ai的逆伪矩阵，相应的连接权重计算公式更新为：
Figure FDA0003371660700000015
根据残差网络的原理，经过上述堆叠BLS网络的训练可以对输出的残差进行不断的优化，重复训练直到满足系统预设的误差阈值，停止训练并输出精度与最优的样本数据；
S10：验证结果：使用训练好的代理模型输出最优样本数据，在电磁仿真软件中检验效果。
2.根据权利要求1所述的基于CNN堆叠宽度学习系统的天线仿真设计优化方法，其特征在于：所述S1中天线的结构参数由激励阵子、引向阵子、和反射阵子组成。
3.根据权利要求1所述的基于CNN堆叠宽度学习系统的天线仿真设计优化方法，其特征在于：所述S4中使用CNN对训练样本数据进行特征提取具体包括：构建卷积神经网络，使用卷积神经网络的卷积和池化操作得到相应的特征节点，其中卷积操作可以表示为：
Z(i,j)＝∑a∑bX(i-a,j-b)K(a,b)；
其中X表示输入样本数据，K(a,b)表示卷积核；
池化操作使用最大池化记录每一个卷积特征点的最大值进行降维。
4.根据权利要求1所述的基于CNN堆叠宽度学习系统的天线仿真设计优化方法，其特征在于：所述S5中底层BLS的输入增强节点H1 m的表达式为：
H1 m＝[H11,H12,...,H1m]；
其中利用SVD来逼近特征矩阵并从中提取重要的特征，将特征矩阵分解成为：
Z＝U∑VT
其中U表示ZZT的特征向量，V表示ZTZ的特征向量,∑＝diag{σ1,......σr,0,.....0}。
5.根据权利要求1所述的基于CNN堆叠宽度学习系统的天线仿真设计优化方法，其特征在于：所述S6中预测标签的具体求解方式为：首先根据标签数据Y，得到输入与输出数据的非线性映射：Y＝A1Wm，然后使用岭回归算法计算连接权重Wm，得到A1的伪逆矩阵，其中岭回归算法表示为：
Figure FDA0003371660700000021
其中
Figure FDA0003371660700000022
为了使悬链误差最小化，
Figure FDA0003371660700000023
为了防止过拟合，λ是正则化系数；
得到Wm＝(λI+A1 TA1)-1A1 TY，其中I表示单位矩阵，则有A1+＝(λI+A1 TA1)-1A1 T,将训练底层BLS网络的误差阈值设置有le-2，满足阈值后结束训练，得到底层BLS网络的预测标签y1＝A1Wm。
6.根据权利要求1所述的基于CNN堆叠宽度学习系统的天线仿真设计优化方法，其特征在于：所述S7中稀疏自编码的约束函数表示为：
Figure FDA0003371660700000031
其中W表示需要微调的权重矩阵，
Figure FDA0003371660700000032
表示从yi-1中经过随机权重矩阵产生的堆叠BLS网络的特征节点。
7.根据权利要求1所述的基于CNN堆叠宽度学习系统的天线仿真设计优化方法，其特征在于：所述S8中Sigmoid函数为：
Figure FDA0003371660700000033
8.根据权利要求1所述的基于CNN堆叠宽度学习系统的天线仿真设计优化方法，其特征在于：所述S9中堆叠BLS网络中的误差计算为均方根误差(RMSE)，误差阈值分别设置为le-2。
9.根据权利要求1所述的基于CNN堆叠宽度学习系统的天线仿真设计优化方法，其特征在于：所述S9中选择选择网格搜索法设置优化目标为若best>test_ERR，则保存test_ERR到best中，全部网格搜索结束后，将best所在的特征节点、增强节点的窗口数保存到最优输出文件中，停止训练。
CN202111404030.5A 2021-11-24 2021-11-24 基于cnn堆叠宽度学习系统的天线仿真设计优化方法 Withdrawn CN114021484A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111404030.5A CN114021484A (zh) 2021-11-24 2021-11-24 基于cnn堆叠宽度学习系统的天线仿真设计优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111404030.5A CN114021484A (zh) 2021-11-24 2021-11-24 基于cnn堆叠宽度学习系统的天线仿真设计优化方法

Publications (1)

Publication Number Publication Date
CN114021484A true CN114021484A (zh) 2022-02-08

Family

ID=80066070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111404030.5A Withdrawn CN114021484A (zh) 2021-11-24 2021-11-24 基于cnn堆叠宽度学习系统的天线仿真设计优化方法

Country Status (1)

Country Link
CN (1) CN114021484A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114611400A (zh) * 2022-03-18 2022-06-10 河北金锁安防工程股份有限公司 一种预警信息筛选方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114611400A (zh) * 2022-03-18 2022-06-10 河北金锁安防工程股份有限公司 一种预警信息筛选方法及系统
CN114611400B (zh) * 2022-03-18 2023-08-29 河北金锁安防工程股份有限公司 一种预警信息筛选方法及系统

Similar Documents

Publication Publication Date Title
CN108170950B (zh) 基于神经网络的多层频率选择表面吸波材料建模优化方法
CN109086531B (zh) 基于神经网络的天线设计方法
CN111696345A (zh) 一种基于网络社区检测和gcn的耦合大规模数据流宽度学习快速预测智能算法
CN111199126B (zh) 一种碎片天线的快速优化设计方法
CN108182316B (zh) 一种基于人工智能的电磁仿真方法及其电磁大脑
CN109151727B (zh) 基于改进的dbn的wlan指纹定位数据库构建方法
CN112562312B (zh) 一种基于融合特征的GraphSAGE交通路网数据预测的方法
CN114021484A (zh) 基于cnn堆叠宽度学习系统的天线仿真设计优化方法
Chen et al. Application of improved convolutional neural network in image classification
CN103903072A (zh) 一种基于决策者偏好的高维多目标集合进化优化方法
CN115952424A (zh) 一种基于多视图结构的图卷积神经网络聚类方法
CN111353534A (zh) 一种基于自适应分数阶梯度的图数据类别预测方法
CN114169251A (zh) 一种超短期风电功率预测方法
Chu et al. Reliability based optimization with metaheuristic algorithms and Latin hypercube sampling based surrogate models
CN115906303A (zh) 一种基于机器学习的平面微波滤波器设计方法及装置
CN117590173A (zh) 一种基于卷积神经网络的电缆局部放电模式识别方法
CN116562143A (zh) 一种基于归一化高斯网络的天线拓扑及参数混合优化方法
CN116341360A (zh) 一种采用机器学习辅助优化的天线拓扑像素优化设计方法
Ding et al. Antenna Optimization Based on Auto‐Context Broad Learning System
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
CN109117545B (zh) 基于神经网络的天线快速设计方法
Wang et al. Space-Time-Coding Digital Metasurface Element Design Based on State Recognition and Mapping Methods with CNN-LSTM-DNN
CN115130386A (zh) 基于嵌套多层感知机的数字超表面一对多快速设计方法
Wu et al. AI Deep Learning Optimization for Compact Dual-Polarized High-Isolation Antenna Using Backpropagation Algorithm
CN112231933B (zh) 一种面向雷达电磁干扰效应分析的特征选择方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220208