[發明專利]一種基于半監督學習的平面倒F型天線諧振頻率預測方法

在審

• 申請號: 202010646567.1
• 申請日: 2020-07-07
• 公開（公告）號: CN111709192A
• 公開（公告）日: 2020-09-25
• 發明（設計）人: 高婧;田雨波
• 申請（專利權）人: 江蘇科技大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 顏盈靜

本發明公開了基于半監督學習的平面倒F型天線諧振頻率預測方法，用高斯過程和支持向量機在平面倒F型天線的短路金屬片的寬度、輻射金屬片的長度、輻射金屬片的寬度和輻射金屬片的高度這四個相關參數和實測諧振頻率之間建立起映射關系，利用高斯過程和支持向量機的協同訓練方法結合未標記數據進行迭代訓練，訓練好的半監督協同訓練模型可以用來預測其他平面倒F型天線的諧振頻率。本發明可以克服現有的電磁優化設計中，訓練模型時所需標記樣本較多，需多次調用電磁仿真軟件HFSS，計算成本高且耗時長的問題；與基于傳統監督學習的建模方式相比，本發明的諧振頻率預測能力有一定的優勢。

技術領域

本發明涉及一種基于半監督學習的平面倒F型天線諧振頻率預測方法，屬于電磁優化設計領域。

背景技術

在電磁器件優化設計的領域，普遍借助數值仿真計算或電磁仿真軟件如HFSS(High Frequency Structure Simulator)與優化算法相結合的方法。通過HFSS軟件仿真可得出高精確的結果，以獲取有標記訓練數據進行訓練。通過尋優算法調用HFSS時，若微波器件的結構復雜、尺寸較大、多頻帶時，需調用多次，且每次調用HFSS對個體進行評估都需消耗大量時間，計算成本高且耗時長。因此利用一種建模方法替代調用HFSS來進行電磁器件適應度的評價可以節約優化時間，是目前電磁優化設計的熱點話題。

諧振頻率是天線優化設計過程中的重要技術指標，通過已知天線的結構參數快速獲取其諧振頻率，是現代天線設計方法研究的一個熱點。高斯過程(Gaussian Process,GP)是近年來逐漸發展起來的一種機器學習方法，有著嚴格的統計學理論基礎，適用于處理小樣本、高維數、非線性等復雜問題。支持向量機(Support Vector Machine,SVM)也是一種常見的機器學習方法，解決小樣本、非線性以及高維模式有特有的優勢。兩種建模方法都廣泛應用于天線諧振頻率建模。訓練好的模型可在天線相關參數和實測諧振頻率之間建立起映射關系，從而完成對其他天線參數諧振頻率的預測，減少調用HFSS精確仿真的次數。

現有的對于電磁行為的建模都是基于監督學習的方式，建模所利用的標記訓練樣本都基于仿真軟件HFSS。因此，在現有研究基礎上提出了半監督學習(Semi-supervisedLearning,SSL)方法。傳統的機器學習技術依賴于大量有標記樣本進行訓練，在實際應用中，有標記樣本獲取困難，無標記樣本廉價、更易獲取。協同訓練是一種常用的半監督學習方式，屬于基于分歧的半監督學習方法，理論基礎充實，適用范圍廣。傳統協同訓練關注分類問題，對回歸問題缺乏研究。

發明內容

發明目的：本發明為克服現有的電磁優化設計中，訓練模型時所需標記樣本較多、需多次調用電磁仿真軟件HFSS、計算成本高且耗時長等問題，提出了一種基于半監督學習的平面倒F型天線諧振頻率預測方法，利用標記數據結合未標記數據進行協同訓練，提高諧振頻率預測的精度。

技術方案：一種基于半監督學習的平面倒F型天線諧振頻率預測方法，包括以下步驟：

步驟1：構建初始訓練集、測試集Test.G和未標記數據集，構建平面倒F型天線諧振頻率的GP模型和SVM模型；

步驟2：采用初始訓練集對步驟1中的GP模型和SVM模型進行訓練，采用測試集對訓練得到的GP模型和SVM模型進行測試，得到初始誤差；

步驟3：從未標記數據集中選擇N₁個樣本X輸入至步驟2訓練得到的GP模型中，得到對應輸出gp.Y，記為偽標記樣本CO.GP(X,gp.Y)，將該N₁個樣本X輸入至步驟2訓練得到的SVM模型，得到對應輸出svm.Y，記為偽標記樣本CO.SVM(X,svm.Y)；