[發明專利]基于CNN堆疊寬度學習系統的天線仿真設計優化方法

在審

• 申請號: 202111404030.5
• 申請日: 2021-11-24
• 公開（公告）號: CN114021484A
• 公開（公告）日: 2022-02-08
• 發明（設計）人: 王曉燕;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;G06N3/04;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: 柏尚春

1.基于CNN堆疊寬度學習系統的天線仿真設計優化方法，其特征在于：具體包括以下步驟：

S1：天線建模：在電磁仿真軟件中初步構建天線的初始結構模型；

S2：數據生成：調用HFSS應用到Matlab的仿真接口，生成一定數量的天線結構參數和響應結果，并在電磁仿真軟件中進行仿真，作為訓練CNN-SBLS的測試和訓練數據集；

S3：數據預處理：對訓練數據和測試數據進行預處理，選擇歸一化使數據在相同尺度，得到樣本數據X₀和標簽數據Y₀；

S4：生成底層BLS網絡的特征節點層：使用CNN對樣本數據進行特征提取，得到底層BLS網絡的特征節點Z₁ⁿ，作為底層BLS網絡的輸入特征節點層，其中n為正整數；

S5：生成底層BLS網絡的增強節點層：使用SVD算法從底層BLS網絡的特征節點Z₁ⁿ中提取底層BLS網絡的增強節點H₁^m，生成底層BLS網絡的輸入增強節點層，其中m為正整數；

S6：訓練底層BLS網絡：根據底層BLS網絡的特征節點層和底層BLS網絡的增強節點層構建底層BLS網絡的輸入層，底層BLS網絡的輸入層數據為A₁＝[Zⁿ,H^m]，根據嶺回歸算法計算底層輸入層的偽逆矩陣，進一步根據標簽數據Y₀生成底層BLS網絡的連接權重，得到預測標簽y₁；

S7：生成堆疊BLS網絡的特征節點層：將預測標簽y₁作為下一層SBLS的輸入，同時設置第i層堆疊BLS網絡的期望輸出為期望標簽U_i減去底層預測標簽y_i-1，預測標簽y₁選擇原始BLS網絡隨機生成權重矩陣獲得特征節點層和增強節點層，使用隨機生成的權重矩陣對標簽數據y₁提取特征，并用稀疏自編碼進行微調產生堆疊BLS網絡的特征節點

S8：生成堆疊BLS網絡的增強節點層：使用Sigmoid激活函數，對特征節點進行非線性映射生成底層BLS的增強節點層

S9：訓練堆疊BLS網絡：根據堆疊BLS網絡的特征節點層和堆疊BLS網絡的增強節點層組成的輸入層數據計作A_i，設置第i層的期望標簽為第i層的實際輸出為U_i，其中表示前i-1層的實際輸出和，根據嶺回歸計算A_i的逆偽矩陣，相應的連接權重計算公式更新為：

根據殘差網絡的原理，經過上述堆疊BLS網絡的訓練可以對輸出的殘差進行不斷的優化，重復訓練直到滿足系統預設的誤差閾值，停止訓練并輸出精度與最優的樣本數據；

S10：驗證結果：使用訓練好的代理模型輸出最優樣本數據，在電磁仿真軟件中檢驗效果。

2.根據權利要求1所述的基于CNN堆疊寬度學習系統的天線仿真設計優化方法，其特征在于：所述S1中天線的結構參數由激勵陣子、引向陣子、和反射陣子組成。

3.根據權利要求1所述的基于CNN堆疊寬度學習系統的天線仿真設計優化方法，其特征在于：所述S4中使用CNN對訓練樣本數據進行特征提取具體包括：構建卷積神經網絡，使用卷積神經網絡的卷積和池化操作得到相應的特征節點，其中卷積操作可以表示為：

Z(i,j)＝∑_a∑_bX(i-a,j-b)K(a,b)；

其中X表示輸入樣本數據，K(a,b)表示卷積核；

池化操作使用最大池化記錄每一個卷積特征點的最大值進行降維。