基于前后文宽度学习系统的天线快速优化设计方法技术方案

本发明专利技术公开了一种基于前后文宽度学习系统的天线快速优化设计方法，利用当前宽度学习系统的训练结果作为先验知识，即前后文信息，与原始输入混合作为新的输入进行再训练，此模型称之为前后文宽度学习系统，将此作为替代模型来代替耗时的全波电磁仿真软件，如高频结构模拟器用于天线的优化。模拟器用于天线的优化。模拟器用于天线的优化。

【技术实现步骤摘要】
基于前后文宽度学习系统的天线快速优化设计方法


[0001]本专利技术涉及一种基于前后文宽度学习系统的天线快速设计方法，特别涉及一种新型的基于前后文(Auto
‑
context,AC)的训练方法，并成功运用于宽度学习系统(Broad Learning System，BLS)，此模型称之为前后文宽度学习系统(Auto
‑
context Broad Learning System，ACBLS)，本专利技术属于微波电磁


技术介绍

[0002]在微波器件，尤其是天线优化设计领域，在进行优化设计时，很难用一个显式来表达设计变量与目标函数之间的关系，因为其中涉及的数据大部分均为不连续的，即很难能够找到对应的麦克斯韦方程组和边界条件进行精确求解，通常需要借助像高频结构模拟器(High frequency structure simulator,HFSS)这类的全波电磁仿真软件来建立这种关系。此类方法计算的结果与实际情况极为吻合，但是，所获得的计算结果的精确程度与耗费的计算时间成正比。故当需要优化的天线较为复杂、尺寸本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于前后文宽度学习系统的天线快速优化设计方法，其特征在于，包括以下步骤：步骤1：使用HFSS获取样本数据，作为原始BLS的训练样本，其中需要进行优化的天线参数作为输入X，对应的天线的回波损耗S
11
曲线作为输出Y，然后将样本分为训练集和测试集；步骤2：使用网格搜索法建立天线的BLS回归模型，设置网格搜索的范围，即每个窗口对应的特征节点的数量Mg,特征节点窗口的数量Fn，以及增强节点的数量En；步骤3：将天线样本带入BLS模型进行回归建模，根据原始输入随机生成具有恰当维数的输入权重，再利用稀疏自动编码器的优势微调初始权重以获得更好的特征；BLS不直接将原始输入带入网络，而是基于原始数据学习其映射特征得到特征节点；当给定输入输出N为样本的数量，A和B分别为样本的输入以及输入维度，输入数据首先转换为随机的特征节点，使用映射η
i
将输入映射为n组特征节点，设置为线性映射以减少运算复杂度，第i组特征节点为F
i
＝η
i
(XW
ei
+β
ei
),i＝1,2,
…
,n
ꢀꢀꢀꢀꢀꢀꢀ
(1)其中，W
ei
和β
ei
是随机生成权重和偏置，将所有特征节点的组合表示为F
n
＝[F1,F2,
…
,F
n
]
ꢀꢀꢀꢀꢀꢀꢀ
(2)步骤4：这些特征节点，经过激活函数进行非线性变换得到增强节点，生成增强节点所涉及的权重和偏置均随机生成；所有的特征节点通过非线性变换ε
j
变换为m组增强节点，将第j组增强节点表示为E
j
＝ε
j
(F
n
W
hj
+β
hj
),j＝1,2,
…
,m
ꢀꢀꢀꢀꢀꢀꢀꢀ
(3)同样，权重W
hj
和偏置β
hj
均为随机生成，所有增强节点的组合表示为E
m
＝[E1,E2,
…
,E
m
]
ꢀꢀꢀꢀꢀꢀꢀ
(4)步骤5：特征节点和增强节点两部分构成模型的隐藏层，与输出层相连，设置岭回归参数，使用岭回归算法求解输出权重；得到BLS的隐藏层其中，L为隐藏层H的总节点数，宽度学习系统模型的输出为Y＝HW
ꢀꢀꢀꢀꢀꢀ

【专利技术属性】
技术研发人员：丁伟桐，田雨波，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：