CN117454756A - 一种微带天线建模方法、装置、电子设备和介质 - Google Patents
一种微带天线建模方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN117454756A CN117454756A CN202311379061.9A CN202311379061A CN117454756A CN 117454756 A CN117454756 A CN 117454756A CN 202311379061 A CN202311379061 A CN 202311379061A CN 117454756 A CN117454756 A CN 117454756A
- Authority
- CN
- China
- Prior art keywords
- model
- antenna
- electrical performance
- parameter data
- binary image
- 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 48
- 239000013598 vector Substances 0.000 claims abstract description 68
- 239000000463 material Substances 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 238000011176 pooling Methods 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000017105 transposition Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 6
- 238000013527 convolutional neural network Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 238000013507 mapping Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 210000000857 visual cortex Anatomy 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
- 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明实施例提供了一种微带天线建模方法、装置、电子设备和介质，所述方法包括：获取微带天线的第一物理尺寸参数数据和第一材料特征参数数据，以及电气性能实测数据，将第一物理尺寸参数数据和第一材料特征参数数据构成的一维向量构建成第一二维二值图模型，将第一二维二值图模型输入用于天线电气性能预测的初始模型，建立用于天线电气性能预测的训练模型，根据电气性能实测数据和误差函数，采用误差反向传播算法对用于天线电气性能预测的训练模型进行参数调整，得到用于天线电气性能预测的应用模型。该方法将一维向量输入构建成二维二值图模型的形式，降低了特征提取和分类过程中数据重建的复杂度，从而提高网络对微带天线的建模精度。
Description
技术领域
本发明涉及微带天线技术领域，特别是涉及一种微带天线建模方法、一种微带天线建模装置、一种电子设备以及一种计算机可读介质。
背景技术
当采用卷积神经网络CNN对微带天线分析问题进行建模时，参照图1，传统上是将微带天线的结构参数和材料参数组成一维向量并作为CNN的输入进行建模，但是这种方法由于输入为一维向量，没有充分发挥卷积神经网络模拟生物的视觉皮层在感受野内对图像特征进行提取的特点，造成网络模型的精度和泛化能力不足，得到的模型效果往往不佳。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种微带天线建模方法和相应的一种微带天线建模装置、一种电子设备以及一种计算机可读介质。
本发明实施例公开了一种微带天线建模方法，所述方法包括：
获取微带天线的第一物理尺寸参数数据和第一材料特征参数数据，以及所述第一物理尺寸参数和所述第一材料特征参数对应的电气性能实测数据；
将所述第一物理尺寸参数数据和所述第一材料特征参数数据构成的一维向量构建成第一二维二值图模型；
将所述第一二维二值图模型输入用于天线电气性能预测的初始模型，建立用于天线电气性能预测的训练模型；
根据所述电气性能实测数据和误差函数，采用误差反向传播算法对所述用于天线电气性能预测的训练模型进行参数调整，得到用于天线电气性能预测的应用模型。
可选地，所述将所述第一物理尺寸参数数据和所述第一材料特征参数数据构成的一维向量构建成第一二维二值图模型的步骤，包括：
将所述第一物理尺寸参数数据和所述第一材料特征参数数据构成行向量，形式如下：x＝[x1,x2,…,xn]；
其中xi＝[ximin，ximax]，ximin代表一维向量中具体某一xi取值范围内的最小值，ximax代表xi取值范围内的最大值；
将所述行向量转置为列向量，形式如下：
对于列向量中的每一个元素，转化为非0即1的形式，其中的xi转化公式如下：
式中，m为二值串的长度，ak为1或者0，代表该位置存在与否；
将所述一维向量构建成的所述第一二维二值图模型，形式如下：
其中，aij＝0或者1，i＝0,1,…,n,j＝0,1,…,m。
可选地，所述用于天线电气性能预测的初始模型包括输入层、多个卷积层、多个池化层、全连接层；所述将所述第一二维二值图模型输入用于天线电气性能预测的初始模型，建立用于天线电气性能预测的训练模型的步骤，包括：
通过所述输入层输入所述第一二维二值图模型，通过第一卷积层对所述第一二维二值图模型进行卷积操作并通过第一池化层对所述第一二维二值图模型进行池化操作，得到第一特征图，再通过第二卷积层对第一特征图进行卷积操作并通过第二池化层对所述第一特征图进行池化操作，得到第二特征图，经过多个卷积层和多个池化层的多次循环卷积操作和池化操作，得到目标特征图，并将所述目标特征图输入所述全连接层进行全连接操作，得到所述用于天线电气性能预测的训练模型。
可选地，所述根据所述电气性能实测数据和误差函数，采用误差反向传播算法对所述用于天线电气性能预测的训练模型进行参数调整，得到用于天线电气性能预测的应用模型的步骤，包括：
根据所述误差函数，采用所述用于天线电气性能预测的训练模型输出的预测数据和所述电气性能实测数据计算误差；
若所述误差不满足最小值，则运用所述误差反向传播算法，根据所述误差调整网络参数；
若所述误差满足最小值，则保存网络参数，得到所述用于天线电气性能预测的应用模型。
可选地，所述方法还包括：
获取待预测微带天线的第二物理尺寸参数数据和第二材料特征参数数据；
将所述第二物理尺寸参数数据和所述第二材料特征参数数据构建成第二二维二值图模型；
将所述第二二维二值图模型输入所述用于天线电气性能预测的应用模型，得到所述待预测微带天线的电气性能预测数据。
本发明实施例还公开了一种微带天线建模装置，所述装置包括：
第一获取模块，用于获取微带天线的第一物理尺寸参数数据和第一材料特征参数数据，以及所述第一物理尺寸参数和所述第一材料特征参数对应的电气性能实测数据；
第一二维二值图模型构建模块，用于将所述第一物理尺寸参数数据和所述第一材料特征参数数据构成的一维向量构建成第一二维二值图模型；
模型训练模块，用于将所述第一二维二值图模型输入用于天线电气性能预测的初始模型，建立用于天线电气性能预测的训练模型；
参数调整模块，用于根据所述电气性能实测数据和误差函数，采用误差反向传播算法对所述用于天线电气性能预测的训练模型进行参数调整，得到用于天线电气性能预测的应用模型。
可选地，所述第一二维二值图模型构建模块，包括：
行向量形成子模块，用于将所述第一物理尺寸参数数据和所述第一材料特征参数数据构成行向量，形式如下：x＝[x1,x2,…,xn]；
其中xi＝[ximin，ximax]，ximin代表一维向量中具体某一xi取值范围内的最小值，ximax代表xi取值范围内的最大值；
转置子模块，用于将所述行向量转置为列向量，形式如下：
转化子模块，用于对于列向量中的每一个元素，转化为非0即1的形式，其中的xi转化公式如下：
式中，m为二值串的长度，ak为1或者0，代表该位置存在与否；
将所述一维向量构建成的所述第一二维二值图模型，形式如下：
其中，aij＝0或者1，i＝0,1,…,n,j＝0,1,…,m。
可选地，所述用于天线电气性能预测的初始模型包括输入层、多个卷积层、多个池化层、全连接层；所述模型训练模块，包括：
模型训练子模块，用于通过所述输入层输入所述第一二维二值图模型，通过第一卷积层对所述第一二维二值图模型进行卷积操作并通过第一池化层对所述第一二维二值图模型进行池化操作，得到第一特征图，再通过第二卷积层对第一特征图进行卷积操作并通过第二池化层对所述第一特征图进行池化操作，得到第二特征图，经过多个卷积层和多个池化层的多次循环卷积操作和池化操作，得到目标特征图，并将所述目标特征图输入所述全连接层进行全连接操作，得到所述用于天线电气性能预测的训练模型。
可选地，所述参数调整模块，包括：
误差计算子模块，用于根据所述误差函数，采用所述用于天线电气性能预测的训练模型输出的预测数据和所述电气性能实测数据计算误差；
参数调整子模块，用于若所述误差不满足最小值，则运用所述误差反向传播算法，根据所述误差调整网络参数；
保存子模块，用于若所述误差满足最小值，则保存网络参数，得到所述用于天线电气性能预测的应用模型。
可选地，所述装置还包括：
第二获取模块，用于获取待预测微带天线的第二物理尺寸参数数据和第二材料特征参数数据；
第二二维二值图模型构建模块，用于将所述第二物理尺寸参数数据和所述第二材料特征参数数据构建成第二二维二值图模型；
预测模块，用于将所述第二二维二值图模型输入所述用于天线电气性能预测的应用模型，得到所述待预测微带天线的电气性能预测数据。
本发明实施例还公开了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行存储器上所存放的程序时，实现如本发明实施例所述的微带天线建模方法。
本发明实施例还公开了一个或多个计算机可读介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如本发明实施例所述的微带天线建模方法。
本发明实施例包括以下优点：
本发明实施例的微带天线建模方法，通过获取微带天线的第一物理尺寸参数数据和第一材料特征参数数据，以及第一物理尺寸参数和第一材料特征参数对应的电气性能实测数据，将第一物理尺寸参数数据和第一材料特征参数数据构成的一维向量构建成第一二维二值图模型，将第一二维二值图模型输入用于天线电气性能预测的初始模型，建立用于天线电气性能预测的训练模型，根据电气性能实测数据和误差函数，采用误差反向传播算法对用于天线电气性能预测的训练模型进行参数调整，得到用于天线电气性能预测的应用模型。该方法将一维向量输入构建成二维二值图模型的形式，减少了卷积神经网络自由参数的个数，降低了特征提取和分类过程中数据重建的复杂度，从而减少对模型输出结果的影响，提高网络对微带天线的建模精度，并且避免网络过拟合，提高网络的泛化能力。
附图说明
图1是传统的一维向量作为输入的微带天线建模示意图；
图2是本发明实施例中提供的一种微带天线建模方法的步骤流程图；
图3是一种待建模微带天线示意图；
图4是本发明实施例中构建的二维二值图模型示意图；
图5是本发明实施例中提供的基于二维二值图模型作为输入的用于天线电气性能预测的训练模型；
图6是本发明实施例中提供的一种微带天线建模装置的结构框图；
图7是本发明实施例中提供的一种电子设备的框图；
图8是本发明实施例中提供的一种计算机可读介质的示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图2，示出了本发明实施例中提供的一种微带天线建模方法的步骤流程图，具体可以包括如下步骤：
步骤201，获取微带天线的第一物理尺寸参数数据和第一材料特征参数数据，以及所述第一物理尺寸参数和所述第一材料特征参数对应的电气性能实测数据；
参照图3，示出了一种待建模微带天线示意图。微带天线的电气性能可以用S参数、增益、方向图等反映。影响该微带天线电气性能的参数可以包括微带天线的物理尺寸参数和材料特征参数，这些参数可以表示为：
x＝[l,lf,l1,…,l10,w,wf,wg,w1,…,w5,c1,c2,c3,g,R,S,εr,h]
其中，εr为天线介质板的相对介电常数，h为介质板厚度，其他为该微带天线的结构参数。
物理尺寸和材料不同的微带天线测得的电气性能数据不同，对于采用卷积神经网络模型预测微带天线的电气性能数据，可以采用微带天线的物理尺寸参数数据和材料特征参数数据，以及物理尺寸参数和第一材料特征参数对应的电气性能实测数据作为样本数据对卷积数据网络进行训练以获得可以预测微带天线电气性能数据的模型。
具体地，获取微带天线的第一物理尺寸参数数据和第一材料特征参数数据，以及第一物理尺寸参数和第一材料特征参数对应的电气性能实测数据后，可以先对第一物理尺寸参数、第一材料特征参数和电气性能实测数据进行预处理，即对第一物理尺寸参数、第一材料特征参数和电气性能实测数据进行数据清洗操作，例如重复值、缺失值、异常值处理等等。预处理完成后，可以将预处理后的数据分成两部分，一部分作为建模的训练数据，一部分作为模型测试数据。
步骤202，将所述第一物理尺寸参数数据和所述第一材料特征参数数据构成的一维向量构建成第一二维二值图模型；
在本发明实施例中，将第一物理尺寸参数和第一材料特征参数构成一维向量后，可以不直接将一维向量作为卷积神经网络模型输入，可以将一维向量构建成二维二值图模型，将二维二值图模型作为卷积神经网络模型的输入，采用二维二值图模型作为卷积神经网络模型输入能够充分发挥CNN模拟生物视觉特点，能够充分发挥其对于图形超强的处理能力，获得良好的模型效果。
在本发明的一种实施例中，所述将所述第一物理尺寸参数数据和所述第一材料特征参数数据构成的一维向量构建成第一二维二值图模型的步骤，包括：
将所述第一物理尺寸参数数据和所述第一材料特征参数数据构成行向量，形式如下：x＝[x1,x2,…,xn]；
其中xi＝[ximin，ximax]，ximin代表一维向量中具体某一xi取值范围内的最小值，ximax代表xi取值范围内的最大值；
将所述行向量转置为列向量，形式如下：
对于列向量中的每一个元素，转化为非0即1的形式，其中的xi转化公式如下：
式中，m为二值串的长度，ak为1或者0，代表该位置存在与否；
将所述一维向量构建成的所述第一二维二值图模型，形式如下：
其中，aij＝0或者1，i＝0,1,…,n,j＝0,1,…,m。
在本发明实施例中，可以将待建模的微带天线的物理尺寸参数和材料特征参数，假设数量为n，将其表示为行向量的形式，即1×n矩阵，形式如下：
x＝[x1,x2,…,xn]
其中xi＝[ximin，ximax]，ximin代表一维向量中具体某一xi取值范围内的最小值，ximax代表xi取值范围内的最大值。
再将行向量x转置后变成一个列向量，即n×1矩阵，形式如下：
对于列向量中的每一个元素，转化为非0即1的形式，其中的xi转化公式如下：
式中，m为二值串的长度，ak为1或者0，代表该位置存在与否。
据此，将用于该微带天线建模用的卷积神经网络的一维输入构建成一个二维二值图模型，形式如下：
其中aij＝0或者1，i＝0,1,…,n,j＝0,1,…,m。
具体地，微带天线的物理尺寸参数数据和材料尺寸参数数据构成的行向量为：x＝[l,lf,l1,…,l10,w,wf,wg,w1,…,w5,c1,c2,c3,g,R,S,εr,h]；将其转置后得到的列向量为：将列向量中的任意一个变量按照转化公式转换成包含m位非0即1的二进制串，所有二进制串排布一起即构建成一个二维二值图模型，如图4所示，其中灰色代表“1”，白色代表“0”；
步骤203，将所述第一二维二值图模型输入用于天线电气性能预测的初始模型，建立用于天线电气性能预测的训练模型；
在构建好二维二值图模型后，可以将由“0”和“1”构成的二维二值图模型输入到用于天线电气性能预测的初始模型，通过特征提取层和特征映射层建立用于天线电气性能预测的训练模型，特征提取层中每个神经元的输入与前一层中的局部接受域相互连接，通过滤波操作以及卷积池化操作提取其局部特征，特征提取层中提取到的特征采用激活函数进行映射，形成特征映射层，由于一个特征映射层上的神经元共享权值，因而减少了卷积神经网络自由参数的个数。再将特征映射层提供的特征信息进行全连接以得到用于天线电气性能预测的训练模型。
在本发明的一种实施例中，所述用于天线电气性能预测的初始模型包括输入层、多个卷积层、多个池化层、全连接层；所述将所述第一二维二值图模型输入用于天线电气性能预测的初始模型，建立用于天线电气性能预测的训练模型的步骤，包括：
通过所述输入层输入所述第一二维二值图模型，通过第一卷积层对所述第一二维二值图模型进行卷积操作并通过第一池化层对所述第一二维二值图模型进行池化操作，得到第一特征图，再通过第二卷积层对第一特征图进行卷积操作并通过第二池化层对所述第一特征图进行池化操作，得到第二特征图，经过多个卷积层和多个池化层的多次循环卷积操作和池化操作，得到目标特征图，并将所述目标特征图输入所述全连接层进行全连接操作，得到所述用于天线电气性能预测的训练模型。
参照图5，示出了本发明中提供的基于二维二值图模型作为输入的用于天线电气性能预测的训练模型。
在本发明实施例中，用于天线电气性能预测的初始模型可以包括输入层、多个卷积层、多个池化层、全连接层，将二维二值图模型作为输入建立用于天线电气性能预测的训练模型的具体步骤为：通过输入层输入第一二维二值图模型，通过第一卷积层对所述第一二维二值图模型进行卷积操作并通过第一池化层对第一二维二值图模型进行池化操作，得到第一特征图，再通过第二卷积层对第一特征图进行卷积操作并通过第二池化层对第一特征图进行池化操作，得到第二特征图，经过多个卷积层和多个池化层的多次循环卷积操作和池化操作，得到目标特征图，并将目标特征图输入所述全连接层进行全连接操作，得到用于天线电气性能预测的训练模型。
步骤204，根据所述电气性能实测数据和误差函数，采用误差反向传播算法对所述用于天线电气性能预测的训练模型进行参数调整，得到用于天线电气性能预测的应用模型。
在本发明实施例中，CNN误差函数可以采用均方根误差、平均误差、R2等；确定好CNN误差函数形式后可以通过误差反向传播算法对模型进行用于天线电气性能预测的训练模型进行参数调整以得到用于天线电气性能预测的应用模型，每次前馈通过卷积神经网络后，根据权值和偏差进行后向传递，调整模型的参数，学习输入到输出映射的内部表示。
在本发明的一种实施例中，所述根据所述电气性能实测数据和误差函数，采用误差反向传播算法对所述用于天线电气性能预测的训练模型进行参数调整，得到用于天线电气性能预测的应用模型的步骤，包括：
根据所述误差函数，采用所述用于天线电气性能预测的训练模型输出的预测数据和所述电气性能实测数据计算误差；
若所述误差不满足最小值，则运用所述误差反向传播算法，根据所述误差调整网络参数；
若所述误差满足最小值，则保存网络参数，得到所述用于天线电气性能预测的应用模型。
对预测模型进行网络参数调整，具体可以根据误差函数，采用用于天线电气性能预测的训练模型输出的预测数据和电气性能实测数据计算误差，若计算得到的误差不满足最小值，则运用误差反向传播算法，根据计算得到的误差调整网络参数。若计算得到的误差满足最小值，则保存当前的网络参数，得到用于天线电气性能预测的应用模型。
在本发明的一种实施例中，所述方法还包括：
获取待预测微带天线的第二物理尺寸参数数据和第二材料特征参数数据；
将所述第二物理尺寸参数数据和所述第二材料特征参数数据构建成第二二维二值图模型；
将所述第二二维二值图模型输入所述用于天线电气性能预测的应用模型，得到所述待预测微带天线的电气性能预测数据。
在建立好可以用于预测微带天线电气性能的应用模型后，可以获取待预测微带天线的第二物理尺寸参数数据和第二材料特征参数数据，将第二物理尺寸参数数据和第二材料特征参数数据构建成第二二维二值图模型，将第二二维二值图模型输入用于天线电气性能预测的应用模型，得到待预测微带天线的电气性能预测数据。采用本发明该用于天线电气性能预测的应用模型可以在未进行实际测试的情况下准确预测微带天线的电气性能，为解决微带天线分析问题提供有利帮助。
在本发明实施例中，通过获取微带天线的第一物理尺寸参数数据和第一材料特征参数数据，以及第一物理尺寸参数和第一材料特征参数对应的电气性能实测数据，将第一物理尺寸参数数据和第一材料特征参数数据构成的一维向量构建成第一二维二值图模型，将第一二维二值图模型输入用于天线电气性能预测的初始模型，建立用于天线电气性能预测的训练模型，根据电气性能实测数据和误差函数，采用误差反向传播算法对用于天线电气性能预测的训练模型进行参数调整，得到用于天线电气性能预测的应用模型。该方法将一维向量输入构建成二维二值图模型的形式，减少了卷积神经网络自由参数的个数，降低了特征提取和分类过程中数据重建的复杂度，从而减少对模型输出结果的影响，提高网络对微带天线的建模精度，并且避免网络过拟合，提高网络的泛化能力。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图6，示出了本发明实施例中提供的一种微带天线建模装置的结构框图，具体可以包括如下模块：
第一获取模块601，用于获取微带天线的第一物理尺寸参数数据和第一材料特征参数数据，以及所述第一物理尺寸参数和所述第一材料特征参数对应的电气性能实测数据；
第一二维二值图模型构建模块602，用于将所述第一物理尺寸参数数据和所述第一材料特征参数数据构成的一维向量构建成第一二维二值图模型；
模型训练模块603，用于将所述第一二维二值图模型输入用于天线电气性能预测的初始模型，建立用于天线电气性能预测的训练模型；
参数调整模块604，用于根据所述电气性能实测数据和误差函数，采用误差反向传播算法对所述用于天线电气性能预测的训练模型进行参数调整，得到用于天线电气性能预测的应用模型。
可选地，所述第一二维二值图模型构建模块，包括：
行向量形成子模块，用于将所述第一物理尺寸参数数据和所述第一材料特征参数数据构成行向量，形式如下：x＝[x1,x2,…,xn]；
其中xi＝[ximin，ximax]，ximin代表一维向量中具体某一xi取值范围内的最小值，ximax代表xi取值范围内的最大值；
转置子模块，用于将所述行向量转置为列向量，形式如下：
转化子模块，用于对于列向量中的每一个元素，转化为非0即1的形式，其中的xi转化公式如下：
式中，m为二值串的长度，ak为1或者0，代表该位置存在与否；
将所述一维向量构建成的所述第一二维二值图模型，形式如下：
其中，aij＝0或者1，i＝0,1,…,n,j＝0,1,…,m。
可选地，所述用于天线电气性能预测的初始模型包括输入层、多个卷积层、多个池化层、全连接层；所述模型训练模块，包括：
模型训练子模块，用于通过所述输入层输入所述第一二维二值图模型，通过第一卷积层对所述第一二维二值图模型进行卷积操作并通过第一池化层对所述第一二维二值图模型进行池化操作，得到第一特征图，再通过第二卷积层对第一特征图进行卷积操作并通过第二池化层对所述第一特征图进行池化操作，得到第二特征图，经过多个卷积层和多个池化层的多次循环卷积操作和池化操作，得到目标特征图，并将所述目标特征图输入所述全连接层进行全连接操作，得到所述用于天线电气性能预测的训练模型。
可选地，所述参数调整模块，包括：
误差计算子模块，用于根据所述误差函数，采用所述用于天线电气性能预测的训练模型输出的预测数据和所述电气性能实测数据计算误差；
参数调整子模块，用于若所述误差不满足最小值，则运用所述误差反向传播算法，根据所述误差调整网络参数；
保存子模块，用于若所述误差满足最小值，则保存网络参数，得到所述用于天线电气性能预测的应用模型。
可选地，所述装置还包括：
第二获取模块，用于获取待预测微带天线的第二物理尺寸参数数据和第二材料特征参数数据；
第二二维二值图模型构建模块，用于将所述第二物理尺寸参数数据和所述第二材料特征参数数据构建成第二二维二值图模型；
预测模块，用于将所述第二二维二值图模型输入所述用于天线电气性能预测的应用模型，得到所述待预测微带天线的电气性能预测数据。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
另外，本发明实施例还提供一种电子设备，如图7所示，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信，
存储器703，用于存放计算机程序；
处理器701，用于执行存储器703上所存放的程序时，实现如上述实施例中所述的微带天线建模方法。
上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
如图8所示，在本发明提供的又一实施例中，还提供了一种计算机可读存储介质801，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中所述的微带天线建模方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中所述的微带天线建模方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (10)
1.一种微带天线建模方法，其特征在于，所述方法包括：
获取微带天线的第一物理尺寸参数数据和第一材料特征参数数据，以及所述第一物理尺寸参数和所述第一材料特征参数对应的电气性能实测数据；
将所述第一物理尺寸参数数据和所述第一材料特征参数数据构成的一维向量构建成第一二维二值图模型；
将所述第一二维二值图模型输入用于天线电气性能预测的初始模型，建立用于天线电气性能预测的训练模型；
根据所述电气性能实测数据和误差函数，采用误差反向传播算法对所述用于天线电气性能预测的训练模型进行参数调整，得到用于天线电气性能预测的应用模型。
2.根据权利要求1所述的方法，其特征在于，所述将所述第一物理尺寸参数数据和所述第一材料特征参数数据构成的一维向量构建成第一二维二值图模型的步骤，包括：
将所述第一物理尺寸参数数据和所述第一材料特征参数数据构成行向量，形式如下：x＝[x1,x2,…,xn]；
其中xi＝[ximin，ximax]，ximin代表一维向量中具体某一xi取值范围内的最小值，ximax代表xi取值范围内的最大值；
将所述行向量转置为列向量，形式如下：
对于列向量中的每一个元素，转化为非0即1的形式，其中的xi转化公式如下：
式中，m为二值串的长度，ak为1或者0，代表该位置存在与否；
将所述一维向量构建成的所述第一二维二值图模型，形式如下：
其中，aij＝0或者1，i＝0,1,…,n,j＝0,1,…,m。
3.根据权利要求1所述的方法，其特征在于，所述用于天线电气性能预测的初始模型包括输入层、多个卷积层、多个池化层、全连接层；所述将所述第一二维二值图模型输入用于天线电气性能预测的初始模型，建立用于天线电气性能预测的训练模型的步骤，包括：
通过所述输入层输入所述第一二维二值图模型，通过第一卷积层对所述第一二维二值图模型进行卷积操作并通过第一池化层对所述第一二维二值图模型进行池化操作，得到第一特征图，再通过第二卷积层对第一特征图进行卷积操作并通过第二池化层对所述第一特征图进行池化操作，得到第二特征图，经过多个卷积层和多个池化层的多次循环卷积操作和池化操作，得到目标特征图，并将所述目标特征图输入所述全连接层进行全连接操作，得到所述用于天线电气性能预测的训练模型。
4.根据权利要求1所述的方法，其特征在于，所述根据所述电气性能实测数据和误差函数，采用误差反向传播算法对所述用于天线电气性能预测的训练模型进行参数调整，得到用于天线电气性能预测的应用模型的步骤，包括：
根据所述误差函数，采用所述用于天线电气性能预测的训练模型输出的预测数据和所述电气性能实测数据计算误差；
若所述误差不满足最小值，则运用所述误差反向传播算法，根据所述误差调整网络参数；
若所述误差满足最小值，则保存网络参数，得到所述用于天线电气性能预测的应用模型。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取待预测微带天线的第二物理尺寸参数数据和第二材料特征参数数据；
将所述第二物理尺寸参数数据和所述第二材料特征参数数据构建成第二二维二值图模型；
将所述第二二维二值图模型输入所述用于天线电气性能预测的应用模型，得到所述待预测微带天线的电气性能预测数据。
6.一种微带天线建模装置，其特征在于，所述装置包括：
第一获取模块，用于获取微带天线的第一物理尺寸参数数据和第一材料特征参数数据，以及所述第一物理尺寸参数和所述第一材料特征参数对应的电气性能实测数据；
第一二维二值图模型构建模块，用于将所述第一物理尺寸参数数据和所述第一材料特征参数数据构成的一维向量构建成第一二维二值图模型；
模型训练模块，用于将所述第一二维二值图模型输入用于天线电气性能预测的初始模型，建立用于天线电气性能预测的训练模型；
参数调整模块，用于根据所述电气性能实测数据和误差函数，采用误差反向传播算法对所述用于天线电气性能预测的训练模型进行参数调整，得到用于天线电气性能预测的应用模型。
7.根据权利要求6所述的装置，其特征在于，所述第一二维二值图模型构建模块，包括：
行向量形成子模块，用于将所述第一物理尺寸参数数据和所述第一材料特征参数数据构成行向量，形式如下：x＝[x1,x2,…,xn]；
其中xi＝[ximin，ximax]，ximin代表一维向量中具体某一xi取值范围内的最小值，ximax代表xi取值范围内的最大值；
转置子模块，用于将所述行向量转置为列向量，形式如下：
转化子模块，用于对于列向量中的每一个元素，转化为非0即1的形式，其中的xi转化公式如下：
式中，m为二值串的长度，ak为1或者0，代表该位置存在与否；
将所述一维向量构建成的所述第一二维二值图模型，形式如下：
其中，aij＝0或者1，i＝0,1,…,n,j＝0,1,…,m。
8.根据权利要求6所述的装置，其特征在于，所述用于天线电气性能预测的初始模型包括输入层、多个卷积层、多个池化层、全连接层；所述模型训练模块，包括：
模型训练子模块，用于通过所述输入层输入所述第一二维二值图模型，通过第一卷积层对所述第一二维二值图模型进行卷积操作并通过第一池化层对所述第一二维二值图模型进行池化操作，得到第一特征图，再通过第二卷积层对第一特征图进行卷积操作并通过第二池化层对所述第一特征图进行池化操作，得到第二特征图，经过多个卷积层和多个池化层的多次循环卷积操作和池化操作，得到目标特征图，并将所述目标特征图输入所述全连接层进行全连接操作，得到所述用于天线电气性能预测的训练模型。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行存储器上所存放的程序时，实现如权利要求1-7任一项所述的微带天线建模方法。
10.一个或多个计算机可读介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如权利要求1-7任一项所述的微带天线建模方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311379061.9A CN117454756A (zh) | 2023-10-23 | 2023-10-23 | 一种微带天线建模方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311379061.9A CN117454756A (zh) | 2023-10-23 | 2023-10-23 | 一种微带天线建模方法、装置、电子设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117454756A true CN117454756A (zh) | 2024-01-26 |
Family
ID=89586659
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311379061.9A Pending CN117454756A (zh) | 2023-10-23 | 2023-10-23 | 一种微带天线建模方法、装置、电子设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117454756A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109620211A (zh) * | 2018-11-01 | 2019-04-16 | 吉林大学珠海学院 | 一种基于深度学习的智能化异常心电辅助诊断方法 |
| CN112149351A (zh) * | 2020-09-22 | 2020-12-29 | 吉林大学 | 一种基于深度学习的微波电路物理尺寸估算方法 |
| CN114386526A (zh) * | 2022-01-18 | 2022-04-22 | 郑州轻工业大学 | 旋转机械故障的联合卷积神经网络诊断方法 |
| WO2023056889A1 (zh) * | 2021-10-09 | 2023-04-13 | 百果园技术(新加坡)有限公司 | 模型训练和场景识别方法、装置、设备及介质 |
-
2023
- 2023-10-23 CN CN202311379061.9A patent/CN117454756A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109620211A (zh) * | 2018-11-01 | 2019-04-16 | 吉林大学珠海学院 | 一种基于深度学习的智能化异常心电辅助诊断方法 |
| CN112149351A (zh) * | 2020-09-22 | 2020-12-29 | 吉林大学 | 一种基于深度学习的微波电路物理尺寸估算方法 |
| WO2023056889A1 (zh) * | 2021-10-09 | 2023-04-13 | 百果园技术(新加坡)有限公司 | 模型训练和场景识别方法、装置、设备及介质 |
| CN114386526A (zh) * | 2022-01-18 | 2022-04-22 | 郑州轻工业大学 | 旋转机械故障的联合卷积神经网络诊断方法 |
Non-Patent Citations (5)
| Title |
|---|
| 南敬昌等: "一维卷积神经网络超宽带天线建模方法", vol. 37, no. 2, 28 February 2023 (2023-02-28), pages 204 - 210 * |
| 南敬昌等: "一维卷积神经网络超宽带天线建模方法", 电子测量与仪器学报, vol. 37, no. 2, 20 February 2023 (2023-02-20), pages 204 - 210 * |
| 张曼等: "天线多目标快速优化算法研究", 电工技术, no. 13, 10 July 2022 (2022-07-10), pages 20 - 23 * |
| 田雨波等: "基于迭代重加权最小二乘宽度学习系统的微波天线谐振频率建模", 江苏科技大学学报(自然科学版), vol. 36, no. 05, 5 October 2022 (2022-10-05), pages 66 - 71 * |
| 邓宗全;田大可;刘荣强;郭宏伟;: "构架式空间可展开天线结构优化参数预测模型", 哈尔滨工业大学学报, no. 11, 30 November 2011 (2011-11-30) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR0157415B1 (ko) | 배치 최적화 방법과 장치 및 반도체 장치 설계장치 | |
| Derks et al. | Robustness analysis of radial base function and multi-layered feed-forward neural network models | |
| CN107784180B (zh) | 一种时变凸二次规划求解器设计方法 | |
| US11842250B2 (en) | Quantum error correction decoding system and method, fault-tolerant quantum error correction system, and chip | |
| Huang et al. | A hybrid model for short-term dissolved oxygen content prediction | |
| CN110705625A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| CN110929798A (zh) | 基于结构优化稀疏卷积神经网络的图像分类方法及介质 | |
| CN112560966A (zh) | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 | |
| CN113139641A (zh) | 神经网络系统及神经网络计算方法 | |
| CN115730509A (zh) | 基于机器学习的航天器舱内温度场重建任务研究基准方法 | |
| CN111814804A (zh) | 基于ga-bp-mc神经网络的人体三维尺寸信息预测方法及装置 | |
| Abdulsalam et al. | Electrical energy demand forecasting model using artificial neural network: A case study of Lagos State Nigeria | |
| CN111832637A (zh) | 基于交替方向乘子法admm的分布式深度学习分类方法 | |
| Qi et al. | Deep neural networks for rapid simulation of planar microwave circuits based on their layouts | |
| CN111461308B (zh) | 忆阻神经网络及权值训练方法 | |
| CN117454756A (zh) | 一种微带天线建模方法、装置、电子设备和介质 | |
| WO2023185541A1 (zh) | 一种模型训练方法及其相关设备 | |
| CN111027597B (zh) | 一种草莓病虫害快速分类方法及装置 | |
| CN112149351B (zh) | 一种基于深度学习的微波电路物理尺寸估算方法 | |
| CN114880921A (zh) | 基于有限测点的热源系统温度场实时重建方法 | |
| CN107292280A (zh) | 一种印鉴字体自动识别方法及识别装置 | |
| CN113469450B (zh) | 一种数据分类方法、装置、计算机设备及存储介质 | |
| Hwang et al. | An optimal transistor-chaining algorithm for CMOS cell layout | |
| CN113343787B (zh) | 一种基于深度学习的适用于图谱对比场景中等级评定方法 | |
| CN117874500B (zh) | 一种多视角融合海上风电场机群功率预测方法 |
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 |