[發明專利]基于神經網絡的等效模型生成方法以及建模方法

在審

• 申請號: 201811268685.2
• 申請日: 2018-10-29
• 公開（公告）號: CN109447245A
• 公開（公告）日: 2019-03-08
• 發明（設計）人: 不公告發明人
• 申請（專利權）人: 石家莊創天電子科技有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 北京合智同創知識產權代理有限公司 11545
• 代理人: 李杰

1.一種基于神經網絡的等效模型生成方法，其特征在于，包括：

確定目標對象對應的樣本數據，所述樣本數據包括目標對象的多組參數數據以及與每組參數數據對應的實測工作特性數據；

根據所述樣本數據訓練神經網絡，使得所述神經網絡學習所述參數數據和所述工作特性數據之間的映射關系；

根據訓練完成的所述神經網絡確定所述目標對象的等效模型。

2.根據權利要求1所述的方法，其特征在于，若所述目標對象為基本元件，則對應的，

確定目標對象對應的樣本數據包括：確定所述基本元件對應的第一樣本數據，其中，所述第一樣本數據中包括多組所述基本元件的物理參數以及每組所述物理參數對應的實測工作特性數據；

根據所述樣本數據訓練神經網絡包括：根據所述第一樣本數據訓練第一神經網絡，其中，所述第一神經網絡用于學習所述物理參數和對應的所述工作特性數據之間的映射關系；

根據訓練完成的所述神經網絡確定所述目標對象的等效模型包括：根據訓練完成的第一神經網絡確定所述基本元件的等效模型。

3.根據權利要求2所述的方法，其特征在于，所述基本元件包括基本換能元件，所述基本換能元件的工作特性數據包括：所述換能元件的輸入輸出波的轉換數據；

對應的，第一神經網絡用于學習所述物理參數和對應的所述工作特性數據之間的映射關系包括：第一神經網絡用于學習所述基本換能元件的物理參數和輸入輸出波的轉換數據之間的映射關系。

4.根據權利要求3所述的方法，其特征在于，所述換能元件的物理參數包括以下至少之一：所述換能元件的結構參數、材料參數。

5.根據權利要求1所述的方法，其特征在于，若所述目標對象為目標產品，所述目標產品中包括多個基本元件，則對應的，

確定目標對象對應的樣本數據包括：確定所述目標產品對應的第二樣本數據，其中，所述第二樣本數據包括所述目標產品的多個組合數據以及每個組合數據對應的實測工作特性數據，所述組合數據為所述目標產品中多個基本元件的組合數據；

根據所述樣本數據訓練神經網絡包括：根據所述第二樣本數據訓練第二神經網絡，所述第二神經網絡用于學習所述目標產品的組合數據和工作特性數據之間的映射關系；

根據訓練完成的所述神經網絡確定所述目標對象的等效模型包括：根據訓練完成的第二神經網絡確定所述目標產品的等效模型。

6.根據權利要求5所述的方法，其特征在于，所述目標產品包括電子產品，所述目標產品中包括的基本元件為電子元器件，對應的，所述組合數據包括一下至少之一：電子產品包括的各個所述電子元器件的等效模型數據、電子產品包括的各個所述電子元器件的在所述電子產品中的位置、電子產品包括的各個所述電子元器件之間的連接關系。

7.一種基于神經網絡的等效模型生成裝置，其特征在于，包括：

樣本確定模塊，用于確定目標對象對應的樣本數據，所述樣本數據包括目標對象的多組參數數據以及與每組參數數據對應的實測工作特性數據；

訓練模塊，用于根據所述樣本數據訓練神經網絡，使得所述神經網絡學習所述參數數據和所述工作特性數據之間的映射關系；

模型確定模塊，用于根據訓練完成的所述神經網絡確定所述目標對象的等效模型。

8.根據權利要求7所述的裝置，其特征在于，所述目標對象包括基本元件，對應的，所述神經網絡包括第一子神經網絡，所述第一子神經網絡用于學習所述基本元件的物理參數和所述基本元件的工作特性數據之間的映射關系。

9.根據權利要求7所述的裝置，其特征在于，所述目標對象包括目標產品，所述目標產品中包括多個基本元件，對應的，所述神經網絡模型包括第二子神經網絡，其中，所述第二子神經網絡用于學習所述目標產品的組合數據和所述目標產品的工作特性數據之間的映射關系，所述組合數據為所述目標產品中多個基本元件的組合數據。