CN117610317B - 基于深度学习的多bit超表面相位排布优化方法 - Google Patents
基于深度学习的多bit超表面相位排布优化方法 Download PDFInfo
- Publication number
- CN117610317B CN117610317B CN202410082816.7A CN202410082816A CN117610317B CN 117610317 B CN117610317 B CN 117610317B CN 202410082816 A CN202410082816 A CN 202410082816A CN 117610317 B CN117610317 B CN 117610317B
- Authority
- CN
- China
- Prior art keywords
- antenna array
- random noise
- noise vector
- factor data
- array factor
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims description 64
- 230000006870 function Effects 0.000 claims description 50
- 230000008569 process Effects 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000001303 quality assessment method Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013441 quality evaluation Methods 0.000 claims description 6
- 238000009827 uniform distribution Methods 0.000 claims description 6
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 claims description 3
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/094—Adversarial learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明涉及电磁波工程技术领域,公开了基于深度学习的多bit超表面相位排布优化方法,本方法选定天线阵列的波长λ,经过波数公式计算得出波数K,天线阵列的行数m与列数n计算得出相位信息φ,根据相位信息φ、波数K、天线阵列的行数m与列数n计算生成天线阵列因子数据AF;本发明通过利用生成对抗网络模型进行天线阵列的相位排布生成,能够快速地产生高质量的天线配置,相对于传统方法,减少了人工设计和迭代的时间,自适应的优化策略,通过对利用生成对抗网络模型的持续训练和验证,本发明能够在模型训练过程中实时地调整网络结构或参数,从而适应不同的天线阵列配置需求,提供了更大的灵活性。
Description
技术领域
本发明涉及电磁波工程技术领域,具体为基于深度学习的多bit超表面相位排布优化方法。
背景技术
超表面,这种二维结构化的人工介质,已经显示出对入射电磁波具有强大的调控能力,包括异常的折射和反射,开启了实现电磁波多功能操控的新纪元,特别是在天线阵列设计方面,超表面的引入使得我们能够精确调节波前,实现前所未有的电磁波控制精度,以满足多样化的辐射性能要求。
然而,现有技术在超表面单元的相位优化方面存在局限性,特别是随着阵列规模的扩大,传统的仿真和实验方法已难以应对所需的庞大计算量和设计复杂性,尽管多比特超表面增加了相位控制的离散度,为实现精细的波前塑造提供了基础,但其设计优化过程依旧棘手,在实践中,每个单元的相位分布对最终的电磁响应有着决定性影响,因此提出基于深度学习的多bit超表面相位排布优化方法来解决上述问题。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了基于深度学习的多bit超表面相位排布优化方法,具备对电磁波性能的精确调控、对超表面的几何结构进行优化等优点,解决了上述背景技术中所提到的问题。
(二)技术方案
为实现上述对电磁波性能的精确调控、对超表面的几何结构进行优化目的,本发明提供如下技术方案:基于深度学习的多bit超表面相位排布优化方法,其特征在于,包括以下步骤:
S1、选定天线阵列的波长λ,经过波数公式计算得出波数K,通过天线阵列的行数m与列数n计算得出相位信息φ,根据相位信息φ、波数K、天线阵列的行数m与列数n计算生成天线阵列因子数据AF,根据相位信息φ和天线阵列因子数据AF得到天线阵列因子数据集T;
S2、对天线阵列因子数据集T进行标准化处理得到标准化天线阵列因子数据集T1,将标准化天线阵列因子数据集T1划分为训练集H1、验证集H2和测试集H3;
S3、构建生成对抗网络模型,包括生成器和判别器,通过不断调整生成器和判别器的参数,提高生成对抗网络模型的生成性能,配合测试集H3对生成对抗网络模型进行质量评估;
S4、将训练集H1对生成对抗网络模型进行预训练,通过不断调整生成器和判别器的参数,提高生成对抗网络模型的生成性能,使用训练集H1和验证集H2对生成对抗网络模型精细训练生成训练后天线阵列因子数据AF''和训练后相位信息φ'';
S5、对训练后生成的训练后天线阵列因子数据AF''和训练后相位信息φ''进行性能评估。
优选的,所述S1中生成天线阵列因子数据集T的过程包括以下步骤:
S1.1:选定天线阵列的波长λ,波长λ通过波数公式计算得出波数K,其中波数K计算表达式为:
K=2π / λ
其中,λ为波长,π为圆周率;
S1.2:根据天线阵列的行数m与列数n计算出每条天线阵列的相位信息φ,其中每条相位信息φ表达式为:
其中,b为bit数,W为天线阵列的状态码,其取值范围0和2b-1之前的整数;
根据相位信息φ得出整条相位信息φ';
S1.3:根据波数K、相位信息φ、天线阵列的行数m、天线阵列的行数m列数n和天线阵列单元间的间距d计算出天线阵列因子数据AF,根据相位信息φ和天线阵列因子数据AF得到天线阵列因子数据集T,其中计算天线阵列因子数据AF的表达式为:
其中,θ为天线阵列因子数据AF观察角度的天顶角,为天线阵列因子数据AF观察角度的方位角,α和β分别表示天线阵列的沿行与沿列的相位信息,d为天线阵列单元间的间距,e为自然对数的底数,j为虚数单位。
优选的,所述S2中对天线阵列因子数据集T标准化的过程包括以下步骤:
S2.1:将生成的天线阵列因子数据AF进行归一化处理,使其值位于-1到1之间,其中归一化处理具体表达式为:
其中,AF'为归一化后天线阵列因子数据;
S2.2:在每个天线阵列因子数据AF对应的整条相位信息φ'加上均匀分布函数U得到新相位信息φnew,根据归一化后天线阵列因子数据AF'与新相位信息φnew得到归一化后天线阵列因子数据集T',均匀分布函数U具体表达式为:
φnew=φ'+U(-π/12,π/12)
S2.3:将归一化后天线阵列因子数据集T'添加正态分布噪声N得到标准化天线阵列因子数据集T1,正态分布噪声N(0,σ2),σ为归一化后天线阵列因子数据集T'幅度的1%,具体表达式为:
+N/>
S2.4:将标准化天线阵列因子数据集T1分为训练集H1、验证集H2和测试集H3,比例为8∶1∶1。
优选的,所述S3中构建生成对抗网络模型的具体步骤为:
S3.1:生成器接受随机噪声向量X,将随机噪声向量X传输到第一全连接层C1,采用ReLU函数将随机噪声向量X计算处理为随机噪声向量X1,将随机噪声向量X1传输到第二全连接层C2,ReLU函数的表达式为:
ReLU(X)=max(0,X)
S3.2:随机噪声向量X1传输到第二全连接层C2后,采用ReLU函数将随机噪声向量X1计算处理为随机噪声向量X2,将随机噪声向量X2传输至BatchNormalization层,ReLU函数的表达式为:
ReLU(X1)=max(0,X1)
S3.3:随机噪声向量X2进入至BatchNormalization层计算处理为随机噪声向量X3,将随机噪声向量X3传输至输出层;
S3.4:随机噪声向量X3传进入至输出层后,采用tanh函数随机噪声向量X3计算处理为随机噪声向量X4,tanh函数表达式为:
其中,e为自然对数的底数;
S3.5:判别器接受随机噪声向量X4,将随机噪声向量X4传输至第三全连接层C3,采用LeakyReLU函数配合标准化天线阵列因子数据集T1将随机噪声向量X4计算处理为随机噪声向量X5,将随机噪声向量X5传输至第四全连接层C4,LeakyReLU函数表达式为:
其中,γ为常数,取值范围0-0.1;
S3.6:随机噪声向量X5进入第四全连接层C4后,采用LeakyReLU函数配合标准化天线阵列因子数据集T1将随机噪声向量X5计算处理为随机噪声向量X6,将随机噪声向量X6传输至Dropout层,LeakyReLU函数表达式为:
其中,γ为常数,取值范围为0-0.1;
S3.7:随机噪声向量X6进入Dropout层配合标准化天线阵列因子数据集T1将随机噪声向量X6计算处理为随机噪声向量X7,将随机噪声向量X7传输至第五全连接层C5,具体计算处理表达式为:
其中,p为预设的概率;
S3.8:随机噪声向量X7进入第五全连接层C5采用sigmoid函数配合标准化天线阵列因子数据集T1将随机噪声向量X7计算处理为随机噪声向量X8,sigmoid函数表达式为:
sigmoid(X7)=
其中,e为自然对数的底数;
S3.9:将处理完成的随机噪声向量X8配合测试集H3进行对随机噪声向量X8质量评估,质量评估表达式为:
LD=-
其中,LD为判别器的损失,y是实际标签。
优选的,所述S4中对生成对抗网络模型进行训练的具体步骤为:
S4.1:使用训练集H1对生成对抗网络模型进行预训练,预训练结束后,保存生成对抗网络模型生成器和判别器的网络参数;
S4.2:使用训练集H1和验证集H2进入生成对抗网络模型精细训练阶段,按照步骤S3.1-S3.8中每一步计算处理的随机噪声向量Xi的生成判别流程来生成训练后天线阵列因子数据AF''和训练后相位信息φ'',并判断训练后天线阵列因子数据AF''和训练后相位信息φ''的真实性;
其中,Dquality(Xi)是判别器给出的第i个随机噪声向量Xi的质量评估,O(Xi)为第i个随机噪声向量Xi的真实质量评估值,Lquality为表示判别器质量评估的损失函数,N为随机噪声向量Xi的总数
其中,SD和SG分别代表判别器和生成器的参数集,R是学习率,为生成器损失函数相对于各自参数的梯度,/>为判别器损失函数相对于各自参数的梯度。
优选的,所述S5中对生成对抗网络模型训练后生成的训练后天线阵列因子数据AF''和训练后相位信息φ''进行性能评估的具体过程为:
S5.1在生成对抗网络模型达到测试性能标准后,生成的所需特定角度的阵列因子及训练后相位信息φ''带入步骤S1.3中的表达式中验证,得到输出的真实数据后,即可把训练后相位信息φ''排布代入超表面天线中使用;
S5.2 在得到真实数据后,将性能较差的训练后天线阵列因子数据AF''和训练后相位信息φ''重新输入到生成对抗网络模型中进行进一步的精细训练,直到训练到所需真实数据即可。
(三)有益效果
与现有技术相比,本发明提供了基于深度学习的多bit超表面相位排布优化方法,具备以下有益效果:
1、该基于深度学习的多bit超表面相位排布优化方法,通过利用生成对抗网络模型进行天线阵列的相位排布生成,本发明能够快速地产生高质量的天线配置,相对于传统方法,减少了人工设计和迭代的时间,自适应的优化策略,通过对利用生成对抗网络模型的持续训练和验证,本发明能够在模型训练过程中实时地调整网络结构或参数,从而适应不同的天线阵列配置需求,提供了更大的灵活性。
2、该基于深度学习的多bit超表面相位排布优化方法,通过引入天线配置质量的评估,特别是主瓣与旁瓣的比率,为用户提供了一个更为综合和准确的评估指标,增强了实用价值,增强的泛化能力,利用预先生成的超表面多bit随机排布天线阵列数据集进行预训练,使得模型更好地适应了天线阵列的特点和分布,进而增强了模型的泛化能力。模块化和可扩展性,模型结构清晰,分为预训练和精细训练两个阶段,便于进一步扩展或在不同的应用场景中进行微调。
附图说明
图1为本发明提出的基于深度学习的多bit超表面相位排布优化方法整体流程示意图;
图2为本发明提出的基于深度学习的多bit超表面相位排布优化方法生成器生成流程示意图;
图3为本发明提出的基于深度学习的多bit超表面相位排布优化方法判别器判别流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-3,基于深度学习的多bit超表面相位排布优化方法,包括以下步骤:
S1、选定天线阵列的波长λ,经过波数公式计算得出波数K,通过天线阵列的行数m与列数n计算得出相位信息φ,根据相位信息φ、波数K、天线阵列的行数m与列数n计算生成天线阵列因子数据AF,根据相位信息φ和天线阵列因子数据AF得到天线阵列因子数据集T;
S2、对天线阵列因子数据集T进行标准化处理得到标准化天线阵列因子数据集T1,将标准化天线阵列因子数据集T1划分为训练集H1、验证集H2和测试集H3;
S3、构建生成对抗网络模型,包括生成器和判别器,通过不断调整生成器和判别器的参数,提高生成对抗网络模型的生成性能,配合测试集H3对生成对抗网络模型进行质量评估;
S4、将训练集H1对生成对抗网络模型进行预训练,通过不断调整生成器和判别器的参数,提高生成对抗网络模型的生成性能,使用训练集H1和验证集H2对生成对抗网络模型精细训练生成训练后天线阵列因子数据AF''和训练后相位信息φ'';
S5、对训练后生成的训练后天线阵列因子数据AF''和训练后相位信息φ''进行性能评估。
S1.1:选定天线阵列的波长λ,波长λ通过波数公式计算得出波数K,其中波数K计算表达式为:
K=2π / λ
其中,λ为波长,π为圆周率;
S1.2:根据天线阵列的行数m与列数n计算出每条天线阵列的相位信息φ,其中每条相位信息φ表达式为:
其中,b为bit数,W为天线阵列的状态码,其取值范围0和2b-1之前的整数;
根据相位信息φ得出整条相位信息φ';
S1.3:根据波数K、相位信息φ、天线阵列的行数m、天线阵列的行数m列数n和天线阵列单元间的间距d计算出天线阵列因子数据AF,根据相位信息φ和天线阵列因子数据AF得到天线阵列因子数据集T,其中计算天线阵列因子数据AF的表达式为:
其中,θ为天线阵列因子数据AF观察角度的天顶角,为天线阵列因子数据AF观察角度的方位角,α和β分别表示天线阵列的沿行与沿列的相位信息,d为天线阵列单元间的间距,e为自然对数的底数,j为虚数单位。
S2中对天线阵列因子数据集T标准化的过程包括以下步骤:
S2.1:将生成的天线阵列因子数据AF进行归一化处理,使其值位于-1到1之间,其中归一化处理具体表达式为:
其中,AF'为归一化后天线阵列因子数据;
S2.2:在每个天线阵列因子数据AF对应的整条相位信息φ'加上均匀分布函数U得到新相位信息φnew,根据归一化后天线阵列因子数据AF'与新相位信息φnew得到归一化后天线阵列因子数据集T',均匀分布函数U具体表达式为:
φnew=φ'+U(-π/12,π/12)
S2.3:将归一化后天线阵列因子数据集T'添加正态分布噪声N得到标准化天线阵列因子数据集T1,正态分布噪声N(0,σ2),σ为归一化后天线阵列因子数据集T'幅度的1%,具体表达式为:
+N/>
S2.4:将标准化天线阵列因子数据集T1分为训练集H1、验证集H2和测试集H3,比例为8∶1∶1。
S3中构建生成对抗网络模型的具体步骤为:
S3.1:生成器接受随机噪声向量X,将随机噪声向量X传输到第一全连接层C1,采用ReLU函数将随机噪声向量X计算处理为随机噪声向量X1,将随机噪声向量X1传输到第二全连接层C2,ReLU函数的表达式为:
ReLU(X)=max(0,X)
S3.2:随机噪声向量X1传输到第二全连接层C2后,采用ReLU函数将随机噪声向量X1计算处理为随机噪声向量X2,将随机噪声向量X2传输至BatchNormalization层,ReLU函数的表达式为:
ReLU(X1)=max(0,X1)
S3.3:随机噪声向量X2进入至BatchNormalization层计算处理为随机噪声向量X3,将随机噪声向量X3传输至输出层;
S3.4:随机噪声向量X3传进入至输出层后,采用tanh函数随机噪声向量X3计算处理为随机噪声向量X4,tanh函数表达式为:
其中,e为自然对数的底数;
S3.5:判别器接受随机噪声向量X4,将随机噪声向量X4传输至第三全连接层C3,采用LeakyReLU函数配合标准化天线阵列因子数据集T1将随机噪声向量X4计算处理为随机噪声向量X5,将随机噪声向量X5传输至第四全连接层C4,LeakyReLU函数表达式为:
其中,γ为常数,取值范围0-0.1;
S3.6:随机噪声向量X5进入第四全连接层C4后,采用LeakyReLU函数配合标准化天线阵列因子数据集T1将随机噪声向量X5计算处理为随机噪声向量X6,将随机噪声向量X6传输至Dropout层,LeakyReLU函数表达式为:
其中,γ为常数,取值范围为0-0.1;
S3.7:随机噪声向量X6进入Dropout层配合标准化天线阵列因子数据集T1将随机噪声向量X6计算处理为随机噪声向量X7,将随机噪声向量X7传输至第五全连接层C5,具体计算处理表达式为:
其中,p为预设的概率;
S3.8:随机噪声向量X7进入第五全连接层C5采用sigmoid函数配合标准化天线阵列因子数据集T1将随机噪声向量X7计算处理为随机噪声向量X8,sigmoid函数表达式为:
sigmoid(X7)=
其中,e为自然对数的底数;
S3.9:将处理完成的随机噪声向量X8配合测试集H3进行对随机噪声向量X8质量评估,质量评估表达式为:
LD=-
其中,LD为判别器的损失,y是实际标签。
S4中对生成对抗网络模型进行训练的具体步骤为:
S4.1:使用训练集H1对生成对抗网络模型进行预训练,预训练结束后,保存生成对抗网络模型生成器和判别器的网络参数;
S4.2:使用训练集H1和验证集H2进入生成对抗网络模型精细训练阶段,按照步骤S3.1-S3.8中每一步计算处理的随机噪声向量Xi的生成判别流程来生成训练后天线阵列因子数据AF''和训练后相位信息φ'',并判断训练后天线阵列因子数据AF''和训练后相位信息φ''的真实性;
其中,Dquality(Xi)是判别器给出的第i个随机噪声向量Xi的质量评估,O(Xi)为第i个随机噪声向量Xi的真实质量评估值,Lquality为表示判别器质量评估的损失函数,N为随机噪声向量Xi的总数;
其中,SD和SG分别代表判别器和生成器的参数集,R是学习率,为生成器损失函数相对于各自参数的梯度,/>为判别器损失函数相对于各自参数的梯度。
通过这种方式,两个网络模型在每个训练轮次中交替地进行优化,逐步提高判别器的判别能力以及生成器生成高质量数据的能力,最终,经过足够多的训练轮次后,生成器将能产生与真实数据几乎无法区分的数据,判别器则能准确地评估出数据的真实性和质量,至此网络训练完成,达到了收敛状态。
S5中对生成对抗网络模型训练后生成的训练后天线阵列因子数据AF''和训练后相位信息φ''进行性能评估的具体过程为:
S5.1在生成对抗网络模型达到测试性能标准后,生成的所需特定角度的阵列因子及训练后相位信息φ''带入步骤S1.3中的表达式中验证,得到输出的真实数据后,即可把训练后相位信息φ''排布代入超表面天线中使用;
S5.2 在得到真实数据后,将性能较差的训练后天线阵列因子数据AF''和训练后相位信息φ''重新输入到生成对抗网络模型中进行进一步的精细训练,直到训练到所需真实数据即可。
综上所述,该基于深度学习的多bit超表面相位排布优化方法,通过利用生成对抗网络模型进行天线阵列的相位排布生成,本发明能够快速地产生高质量的天线配置,相对于传统方法,减少了人工设计和迭代的时间,自适应的优化策略,通过对利用生成对抗网络模型的持续训练和验证,本发明能够在模型训练过程中实时地调整网络结构或参数,从而适应不同的天线阵列配置需求,提供了更大的灵活性,同时通过引入天线配置质量的评估,特别是主瓣与旁瓣的比率,为用户提供了一个更为综合和准确的评估指标,增强了实用价值,增强的泛化能力,利用预先生成的超表面多bit随机排布天线阵列数据集进行预训练,使得模型更好地适应了天线阵列的特点和分布,进而增强了模型的泛化能力。模块化和可扩展性,模型结构清晰,分为预训练和精细训练两个阶段,便于进一步扩展或在不同的应用场景中进行微调。
需要说明的是,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。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.基于深度学习的多bit超表面相位排布优化方法,其特征在于,包括以下步骤:
S1、选定天线阵列的波长λ,经过波数公式计算得出波数K,通过天线阵列的行数m与列数n计算得出相位信息φ,根据相位信息φ、波数K、天线阵列的行数m与列数n计算生成天线阵列因子数据AF,根据相位信息φ和天线阵列因子数据AF得到天线阵列因子数据集T;
S2、对天线阵列因子数据集T进行标准化处理得到标准化天线阵列因子数据集T1,将标准化天线阵列因子数据集T1划分为训练集H1、验证集H2和测试集H3;
S3、构建生成对抗网络模型,包括生成器和判别器,通过不断调整生成器和判别器的参数,提高生成对抗网络模型的生成性能,配合测试集H3对生成对抗网络模型进行质量评估;
S4、将训练集H1对生成对抗网络模型进行预训练,通过不断调整生成器和判别器的参数,提高生成对抗网络模型的生成性能,使用训练集H1和验证集H2对生成对抗网络模型精细训练生成训练后天线阵列因子数据AF''和训练后相位信息φ'';
S5、对训练后生成的训练后天线阵列因子数据AF''和训练后相位信息φ''进行性能评估;
所述S3中构建生成对抗网络模型的具体步骤为:
S3.1:生成器接受随机噪声向量X,将随机噪声向量X传输到第一全连接层C1,采用ReLU函数将随机噪声向量X计算处理为随机噪声向量X1,将随机噪声向量X1传输到第二全连接层C2,ReLU函数的表达式为:
ReLU(X)=max(0,X)
S3.2:随机噪声向量X1传输到第二全连接层C2后,采用ReLU函数将随机噪声向量X1计算处理为随机噪声向量X2,将随机噪声向量X2传输至BatchNormalization层,ReLU函数的表达式为:
ReLU(X1)=max(0,X1)
S3.3:随机噪声向量X2进入至BatchNormalization层计算处理为随机噪声向量X3,将随机噪声向量X3传输至输出层;
S3.4:随机噪声向量X3传进入至输出层后,采用tanh函数随机噪声向量X3计算处理为随机噪声向量X4,tanh函数表达式为:
其中,e为自然对数的底数;
S3.5:判别器接受随机噪声向量X4,将随机噪声向量X4传输至第三全连接层C3,采用LeakyReLU函数配合标准化天线阵列因子数据集T1将随机噪声向量X4计算处理为随机噪声向量X5,将随机噪声向量X5传输至第四全连接层C4,LeakyReLU函数表达式为:
其中,γ为常数,取值范围0-0.1;
S3.6:随机噪声向量X5进入第四全连接层C4后,采用LeakyReLU函数配合标准化天线阵列因子数据集T1将随机噪声向量X5计算处理为随机噪声向量X6,将随机噪声向量X6传输至Dropout层,LeakyReLU函数表达式为:
其中,γ为常数,取值范围为0-0.1;
S3.7:随机噪声向量X6进入Dropout层配合标准化天线阵列因子数据集T1将随机噪声向量X6计算处理为随机噪声向量X7,将随机噪声向量X7传输至第五全连接层C5,具体计算处理表达式为:
其中,p为预设的概率;
S3.8:随机噪声向量X7进入第五全连接层C5采用sigmoid函数配合标准化天线阵列因子数据集T1将随机噪声向量X7计算处理为随机噪声向量X8,sigmoid函数表达式为:
其中,e为自然对数的底数;
S3.9:将处理完成的随机噪声向量X8配合测试集H3进行对随机噪声向量X8质量评估,质量评估表达式为:
LD=-
其中,LD为判别器的损失,y是实际标签。
2.根据权利要求1所述的基于深度学习的多bit超表面相位排布优化方法,其特征在于,所述S1中生成天线阵列因子数据集T的过程包括以下步骤:
S1.1:选定天线阵列的波长λ,波长λ通过波数公式计算得出波数K,其中波数K计算表达式为:
K=2π / λ
其中,λ为波长,π为圆周率;
S1.2:根据天线阵列的行数m与列数n计算出每条天线阵列的相位信息φ,其中每条相位信息φ表达式为:
其中,b为bit数,W为天线阵列的状态码,其取值范围0和2b-1之前的整数;
根据相位信息φ得出整条相位信息φ';
S1.3:根据波数K、相位信息φ、天线阵列的行数m、天线阵列的行数m列数n和天线阵列单元间的间距d计算出天线阵列因子数据AF,根据相位信息φ和天线阵列因子数据AF得到天线阵列因子数据集T,其中计算天线阵列因子数据AF的表达式为:
其中,θ为天线阵列因子数据AF观察角度的天顶角,为天线阵列因子数据AF观察角度的方位角,α和β分别表示天线阵列的沿行与沿列的相位信息,d为天线阵列单元间的间距,e为自然对数的底数,j为虚数单位。
3.根据权利要求1所述的基于深度学习的多bit超表面相位排布优化方法,其特征在于:所述S2中对天线阵列因子数据集T标准化的过程包括以下步骤:
S2.1:将生成的天线阵列因子数据AF进行归一化处理,使其值位于-1到1之间,其中归一化处理具体表达式为:
其中,AF'为归一化后天线阵列因子数据;
S2.2:在每个天线阵列因子数据AF对应的整条相位信息φ'加上均匀分布函数U得到新相位信息φnew,根据归一化后天线阵列因子数据AF'与新相位信息φnew得到归一化后天线阵列因子数据集T',均匀分布函数U具体表达式为:
φnew=φ'+U(-π/12,π/12)
S2.3:将归一化后天线阵列因子数据集T'添加正态分布噪声N得到标准化天线阵列因子数据集T1,正态分布噪声N(0,σ2),σ为归一化后天线阵列因子数据集T'幅度的1%,具体表达式为:
+N/>
S2.4:将标准化天线阵列因子数据集T1分为训练集H1、验证集H2和测试集H3,比例为8∶1∶1。
4.根据权利要求1所述的基于深度学习的多bit超表面相位排布优化方法,其特征在于:所述S4中对生成对抗网络模型进行训练的具体步骤为:
S4.1:使用训练集H1对生成对抗网络模型进行预训练,预训练结束后,保存生成对抗网络模型生成器和判别器的网络参数;
S4.2:使用训练集H1和验证集H2进入生成对抗网络模型精细训练阶段,按照步骤S3.1-S3.8中每一步计算处理的随机噪声向量Xi的生成判别流程来生成训练后天线阵列因子数据AF''和训练后相位信息φ'',并判断训练后天线阵列因子数据AF''和训练后相位信息φ''的真实性;
其中,Dquality(Xi)是判别器给出的第i个随机噪声向量Xi的质量评估,O(Xi)为第i个随机噪声向量Xi的真实质量评估值,Lquality为表示判别器质量评估的损失函数,N为随机噪声向量Xi的总数;
其中,SD和SG分别代表判别器和生成器的参数集,R是学习率,为生成器损失函数相对于各自参数的梯度,/>为判别器损失函数相对于各自参数的梯度。
5.根据权利要求2所述的基于深度学习的多bit超表面相位排布优化方法,其特征在于:所述S5中对生成对抗网络模型训练后生成的训练后天线阵列因子数据AF''和训练后相位信息φ''进行性能评估的具体过程为:
S5.1在生成对抗网络模型达到测试性能标准后,生成的所需特定角度的阵列因子及训练后相位信息φ''带入步骤S1.3中的表达式中验证,得到输出的真实数据后,即可把训练后相位信息φ''排布代入超表面天线中使用;
S5.2 在得到真实数据后,将性能较差的训练后天线阵列因子数据AF''和训练后相位信息φ''重新输入到生成对抗网络模型中进行进一步的精细训练,直到训练到所需真实数据即可。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410082816.7A CN117610317B (zh) | 2024-01-19 | 2024-01-19 | 基于深度学习的多bit超表面相位排布优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410082816.7A CN117610317B (zh) | 2024-01-19 | 2024-01-19 | 基于深度学习的多bit超表面相位排布优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117610317A CN117610317A (zh) | 2024-02-27 |
CN117610317B true CN117610317B (zh) | 2024-04-12 |
Family
ID=89952033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410082816.7A Active CN117610317B (zh) | 2024-01-19 | 2024-01-19 | 基于深度学习的多bit超表面相位排布优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117610317B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108733924A (zh) * | 2018-05-21 | 2018-11-02 | 东南大学 | 一种数字编码超材料单元的智能化设计方法 |
CN108763708A (zh) * | 2018-05-21 | 2018-11-06 | 东南大学 | 基于深度学习设计多波束多极化人工电磁表面的方法 |
CN111580042A (zh) * | 2020-04-14 | 2020-08-25 | 东南大学 | 一种基于相位优化的深度学习测向方法 |
CN111611683A (zh) * | 2020-04-03 | 2020-09-01 | 浙江大学 | 基于深度学习的电磁超表面设计方法及装置 |
CN113093094A (zh) * | 2021-04-08 | 2021-07-09 | 浙江大学 | 一种基于相位调控超表面的智能入射波方向探测方法 |
CN114117565A (zh) * | 2021-11-22 | 2022-03-01 | 北京航空航天大学 | 一种基于深度学习的平面阵列天线辐射方向图综合方法 |
CN115167088A (zh) * | 2022-07-12 | 2022-10-11 | 中国人民解放军空军工程大学 | 一种基于深度学习的可定制全息超表面设计方法 |
CN115296709A (zh) * | 2022-06-30 | 2022-11-04 | 山东科技大学 | 基于预处理深度强化学习的自适应抗干扰波束形成方法 |
CN115859794A (zh) * | 2022-11-24 | 2023-03-28 | 浙江大学杭州国际科创中心 | 自由形状超表面的构建方法、系统、装置及可读存储介质 |
EP4203339A1 (en) * | 2021-12-21 | 2023-06-28 | MBDA ITALIA S.p.A. | A method based on artificial intelligence for rapid reconfiguration of aesa radiation patterns |
CN116611128A (zh) * | 2023-04-25 | 2023-08-18 | 山西大学 | 一种基于深度学习的多功能编码超表面设计方法 |
WO2024006074A1 (en) * | 2022-06-27 | 2024-01-04 | Corning Incorporated | Neural networks for topology optimization of metasurfaces |
-
2024
- 2024-01-19 CN CN202410082816.7A patent/CN117610317B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108733924A (zh) * | 2018-05-21 | 2018-11-02 | 东南大学 | 一种数字编码超材料单元的智能化设计方法 |
CN108763708A (zh) * | 2018-05-21 | 2018-11-06 | 东南大学 | 基于深度学习设计多波束多极化人工电磁表面的方法 |
CN111611683A (zh) * | 2020-04-03 | 2020-09-01 | 浙江大学 | 基于深度学习的电磁超表面设计方法及装置 |
CN111580042A (zh) * | 2020-04-14 | 2020-08-25 | 东南大学 | 一种基于相位优化的深度学习测向方法 |
CN113093094A (zh) * | 2021-04-08 | 2021-07-09 | 浙江大学 | 一种基于相位调控超表面的智能入射波方向探测方法 |
CN114117565A (zh) * | 2021-11-22 | 2022-03-01 | 北京航空航天大学 | 一种基于深度学习的平面阵列天线辐射方向图综合方法 |
EP4203339A1 (en) * | 2021-12-21 | 2023-06-28 | MBDA ITALIA S.p.A. | A method based on artificial intelligence for rapid reconfiguration of aesa radiation patterns |
WO2024006074A1 (en) * | 2022-06-27 | 2024-01-04 | Corning Incorporated | Neural networks for topology optimization of metasurfaces |
CN115296709A (zh) * | 2022-06-30 | 2022-11-04 | 山东科技大学 | 基于预处理深度强化学习的自适应抗干扰波束形成方法 |
CN115167088A (zh) * | 2022-07-12 | 2022-10-11 | 中国人民解放军空军工程大学 | 一种基于深度学习的可定制全息超表面设计方法 |
CN115859794A (zh) * | 2022-11-24 | 2023-03-28 | 浙江大学杭州国际科创中心 | 自由形状超表面的构建方法、系统、装置及可读存储介质 |
CN116611128A (zh) * | 2023-04-25 | 2023-08-18 | 山西大学 | 一种基于深度学习的多功能编码超表面设计方法 |
Non-Patent Citations (7)
Title |
---|
A deep learning approach for inverse design of the metasurface for dual-polarized waves;Ghorbani F等;Applied Physics;20211231;1-7 * |
A deep learning approach for objective-driven all-dielectric metasurface design;An S等;ACS Photonics;20191231;3196-3207 * |
基于时空编码数字超表面的雷达散射截面积缩减及波达角估计方法;周群焰等;雷达学报;20240104;150-159 * |
基于系统函数优化的非规则天线阵列综合孔径辐射计亮温反演算法;李育芳;胡秋林;李青侠;陈雄;赵锋;刘;丰励;;上海航天;20181025(第05期);45-51 * |
无线通信中智能超表面设计综述;熊儒菁等;华中科技大学学报;20230930;1-32 * |
电磁超表面对辐射波的调控与应用;朱潜等;光电工程;20230925;1-15 * |
电磁超表面智能优化设计方法研究;侯俊杰;中国优秀硕士学位全文数据库;20230215;A005-946 * |
Also Published As
Publication number | Publication date |
---|---|
CN117610317A (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117951B (zh) | 基于bp神经网络的概率潮流在线计算方法 | |
Wang et al. | Deep learning method based on gated recurrent unit and variational mode decomposition for short-term wind power interval prediction | |
Vanzella et al. | Photometric redshifts with the Multilayer Perceptron Neural Network: Application to the HDF-S and SDSS | |
CN107944133B (zh) | 基于多目标量子蜘蛛群演化机制的环形天线阵列稀疏方法 | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
Nurmanova et al. | A synthetic forecast engine for wind power prediction | |
CN106526565B (zh) | 一种基于支持向量机的单比特空间谱估计方法 | |
CN113496102A (zh) | 一种基于改进BiGRU的配网超短期功率态势预测方法 | |
CN117610317B (zh) | 基于深度学习的多bit超表面相位排布优化方法 | |
CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
CN116484747A (zh) | 一种基于自适应优化算法与深度学习的污水智能监控方法 | |
CN107016239B (zh) | 一种汽轮机阀门流量特性分析方法 | |
CN110222816B (zh) | 深度学习模型的建立方法、图像处理方法及装置 | |
CN116681152A (zh) | 基于SOM-BP神经网络改进Prophet模型的短期负荷预测方法 | |
Andrews et al. | Maximum likelihood inference in weakly identified DSGE models | |
CN116681154A (zh) | 一种基于emd-ao-delm的光伏功率计算方法 | |
CN117291069A (zh) | 一种基于改进de与注意力机制的lstm污水水质预测方法 | |
CN111191339A (zh) | 求解天线阵列综合问题的约束超多目标智能优化转换方法 | |
CN114355743B (zh) | 一种多衍射级独立光波场调控的全息编码方法 | |
CN106772223B (zh) | 一种基于逻辑回归的单比特空间谱估计方法 | |
CN115271191A (zh) | 一种风光功率联合预测模型的构建方法、系统及预测方法 | |
CN115841280A (zh) | 一种光伏月度场景生成方法和系统 | |
CN111736133B (zh) | 基于改进ga-sqp的mimo雷达正交波形设计方法 | |
CN108460459A (zh) | 基于小波神经网络的无人机遥感测温中温度拟合的方法 | |
CN114185039A (zh) | 雷达目标一维距离像智能识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |