[發(fā)明專利]一種高效的基于貝葉斯理論的人工神經(jīng)網(wǎng)絡(luò)微波器件建模方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011414317.1
• 申請(qǐng)日: 2020-12-03
• 公開（公告）號(hào): CN112347704B
• 公開（公告）日: 2023-10-20
• 發(fā)明（設(shè)計(jì)）人: 那偉聰;劉可;張萬(wàn)榮;謝紅云;金冬月
• 申請(qǐng)（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06F30/17;G06N3/04;G06N3/08;G06F111/10
• 代理公司: 北京思海天達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 11203
• 代理人: 張慧

1.一種高效的基于貝葉斯理論的人工神經(jīng)網(wǎng)絡(luò)微波器件建模方法，所要建立的微波器件的人工神經(jīng)網(wǎng)絡(luò)模型包括輸入層、隱藏層、輸出層，其中，輸入變量根據(jù)實(shí)際情況確定，隱藏層神經(jīng)元數(shù)目待優(yōu)化，輸出變量根據(jù)實(shí)際情況確定，其特征在于包括以下步驟：

步驟1：對(duì)于實(shí)際的微波建模問題，生成訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)，其中訓(xùn)練數(shù)據(jù)個(gè)數(shù)記為N_d；初始化模型結(jié)構(gòu)調(diào)整階段計(jì)數(shù)k＝1；初始化神經(jīng)網(wǎng)絡(luò)中隱藏層神經(jīng)元的數(shù)目，記為S^k；根據(jù)實(shí)際微波建模問題中輸入層神經(jīng)元數(shù)目n_x、輸出層神經(jīng)元個(gè)數(shù)n_y，以及隱藏層神經(jīng)元數(shù)目S^k，計(jì)算當(dāng)前神經(jīng)網(wǎng)絡(luò)中權(quán)重參數(shù)的總數(shù)N^k＝(n_x+n_y+1)·S^k+n_y；

步驟2：采用Gauss-Newton-Bayesian正則化方法，通過γ^k＝N^k-2αtr(H)^-1計(jì)算得到當(dāng)前神經(jīng)網(wǎng)絡(luò)模型中有效參數(shù)的個(gè)數(shù)γ^k，其中α為正則參數(shù)，H為神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差函數(shù)的Hessian矩陣，tr(·)為矩陣的跡；

步驟3：如果當(dāng)前階段滿足γ^kRN^k,(k≥1,R＝0.6～0.9)或者|γ^k-γ^k-1|Cγ^k-1,(k≥2,C＝0.02～0.05)，那么對(duì)于該微波器件建模問題，神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)的有效參數(shù)個(gè)數(shù)γ^*＝γ^k＝N^k-2αtr(H)^-1，最優(yōu)的權(quán)重參數(shù)個(gè)數(shù)N^*＝N^k，然后算法執(zhí)行步驟4；否則，需要通過來(lái)更新N的值，然后設(shè)置k＝k+1，并返回步驟2；

步驟4：根據(jù)步驟3中得到的最優(yōu)的神經(jīng)網(wǎng)絡(luò)權(quán)重參數(shù)個(gè)數(shù)N^*，通過計(jì)算得到所對(duì)應(yīng)的最優(yōu)的神經(jīng)網(wǎng)絡(luò)隱藏層神經(jīng)元個(gè)數(shù)S^*，其中為向上取整運(yùn)算，這樣，就得到了該微波器件神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)結(jié)構(gòu)；

步驟5：采用步驟1中生成的訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)來(lái)訓(xùn)練和驗(yàn)證含有S^*個(gè)隱藏層神經(jīng)元的神經(jīng)網(wǎng)絡(luò)，最終得到滿足用戶要求精度的微波器件人工神經(jīng)網(wǎng)絡(luò)模型，該模型代替原始器件進(jìn)行后續(xù)電路或系統(tǒng)的仿真與設(shè)計(jì)。

2.根據(jù)權(quán)利要求1所述的一種高效的基于貝葉斯理論的人工神經(jīng)網(wǎng)絡(luò)微波器件建模方法，其特征在于：所述步驟1-步驟5嵌入AMG算法程序中，用于自動(dòng)得到滿足用戶所需精度的微波器件的最優(yōu)神經(jīng)網(wǎng)絡(luò)模型。