基于双保真性评估的双网络样本扩充天线设计优化方法技术

本发明专利技术涉及天线设计技术领域，具体涉及基于双保真性评估的双网络样本扩充天线设计优化方法，构建天线初始模型，获取原始数据集；通过神经网络和原始数据集进行双保真性评估，得到真数据集；基于真数据集对神经网络进行重训练，得到天线优化模型，利用原始数据的特征及BP神经网络的学习和映射特性，引入全局保真性和局部保真性对数据进行双维度综合评估，通过双保真性评估获得的数据作为扩充数据源，对神经网络进行重训练，减小了神经网络对原始数据规模的依赖度，同时较大程度上提高了神经网络预测的准确性，实现短期高精度网络建模，提升天线设计优化的效率，从而解决现有的天线设计优化方法优化时间较长的问题。优化方法优化时间较长的问题。优化方法优化时间较长的问题。

【技术实现步骤摘要】
基于双保真性评估的双网络样本扩充天线设计优化方法


[0001]本专利技术涉及天线设计
，尤其涉及基于双保真性评估的双网络样本扩充天线设计优化方法。

技术介绍

[0002]在天线的分析设计中，传统的方法是利用HFSS、CST等电磁仿真软件来精确模拟输出天线的相关性能参数，这种方法得到的天线性能参数准确度高，但存在致命的缺陷即时间及内存成本巨大，简单来说就是效率低、设备要求高。为了解决这一问题，人工神经网络被提出并逐渐广泛应用于天线设计与优化中，极大地提高了天线设计优化的效率。
[0003]为了追求更高的精度与效率，各种基于人工神经网络(CNN)的方法被提了出来，BP(backpropagation)算法便在其中，BP网络是一种按误差逆传播算法训练的多层前馈网络，是应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入
‑
输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程，因而具有较强的非线性映射和泛化能力，但训练BP神经网络需要一定规模的数据集，而现实情况是要在尽可能短的时间内完成天线设计优化即没有足够的时间获取所需规模的数据集，并且某些情况下需求的数据集极为庞大，现有设备无法通过软件完成模拟仿真，这时就需要采取其它方法对数据进行可靠的扩充。

技术实现思路

[0004]本专利技术的目的在于提供基于双保真性评估的双网络样本扩充天线设计优化方法，旨在解决现有的天线设计优化方法优化时间较长的问题。
[0005]为实现上述目的，本专利技术提供了基于双保真性评估的双网络样本扩充天线设计优化方法，包括以下步骤：
[0006]构建天线初始模型，获取原始数据集；
[0007]通过神经网络和所述原始数据集进行双保真性评估，得到真数据集；
[0008]基于所述真数据集对神经网络进行重训练，得到天线优化模型。
[0009]其中，所述构建天线初始模型，获取原始数据集，包括：
[0010]构建天线初始模型；
[0011]利用电磁仿真软件对选取的若干组所述天线模型模型参数进行仿真，得到性能参数；
[0012]基于结构参数和所述性能参数构成原始数据集。
[0013]其中，所述通过神经网络构架对所述原始数据集进行双保真性评估，得到真数据集，包括：
[0014]构建神经网络架构；
[0015]使用所述神经网络架构对所述原始数据集进行双保真性训练，得到真数据集。
[0016]其中，所述使用所述神经网络架构对所述原始数据集进行双保真性训练，得到真
数据集，包括：
[0017]使用所述神经网络架构对所述原始数据集进行全局保真性训练，得到第一数值；
[0018]使用所述神经网络架构对所述原始数据集进行局部保真性训练，得到第二数值；
[0019]基于所述第一数值和所述第二数值进行筛选，得到真数据集。
[0020]其中，所述基于所述第一数值和所述第二数值进行筛选，得到真数据集，包括：
[0021]对所述第一数值和所述第二数值进行归一化处理，得到判别值；
[0022]对所述判别值与判别阈值进行筛选，得到真数据集。
[0023]本专利技术的基于双保真性评估的双网络样本扩充天线设计优化方法，通过，构建天线初始模型，获取原始数据集；通过神经网络和所述原始数据集进行双保真性评估，得到真数据集；基于所述真数据集对神经网络进行重训练，得到天线优化模型，充分利用原始数据的特征及BP神经网络的学习和映射特性，引入全局保真性和局部保真性对数据进行双维度综合评估，通过双保真性评估获得的数据作为扩充数据源，对神经网络进行重训练，极大地减小了神经网络对原始数据规模的依赖度，同时较大程度上提高了神经网络预测的准确性，能够实现短期高精度网络建模，极大提升天线设计优化的效率，从而解决现有的天线设计优化方法优化时间较长的问题。
附图说明
[0024]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0025]图1是神经网络架构图。
[0026]图2是利用神经网络实现双保真性综合评估的流程图。
[0027]图3是实现数据扩充后神经网络输出的两组具有代表性的结构参数点对应的预测特性曲线与周围临近五组结构参数对应的实际特性曲线的对比图。
[0028]图4是从2500组假数据中筛选出的1400组数据对应结构参数点的实际分布图。
[0029]图5是在使用本专利技术提出方法来实现数据扩充前后神经网络模型损失函数随训练次数的变化折线图。
[0030]图6是案例一中所用到的平面印刷天线的结构示意图。
[0031]图7是基于双保真性评估的双网络样本扩充天线设计优化方法的流程图。
具体实施方式
[0032]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0033]请参阅图1至图7，本专利技术提供基于双保真性评估的双网络样本扩充天线设计优化方法，包括以下步骤：
[0034]S1构建天线初始模型，获取原始数据集；
[0035]S11构建天线初始模型；
[0036]具体的，构建需要设计的天线初始模型。
[0037]S12利用电磁仿真软件对选取的若干组所述天线模型模型参数进行仿真，得到性能参数；
[0038]具体的，利用电磁仿真软件对选取的若干组天线模型结构参数进行仿真得到性能参数
[0039]S13基于结构参数和所述性能参数构成原始数据集。
[0040]具体的，结构参数作为输入样本与对应的性能参数组成的输出样本共同构成原始数据集。
[0041]S2通过神经网络和所述原始数据集进行双保真性评估，得到真数据集；
[0042]S21构建神经网络架构；
[0043]具体的，构建基本的BP神经网络架构，双网络分别对应于回归预测神经网络及分类神经网络，设置好输入层、输出层、隐藏层的神经元数目以及网络所使用的损失评估函数；
[0044]注：为了避免发生过拟合，保证模型的泛化效果，须在使用Drop_out()函数，抛弃每层神经网络的部分神经元节点。
[0045]S22使用所述神经网络架构对所述原始数据集进行双保真性训练，得到真数据集。
[0046]S221使用所述神经网络架构对所述原始数据集进行全局保真性训练，得到第一数值；
[0047]具体的，全局保真性评估：首先用原始真数据(Raw dataset)集对BP神经网络进行训练，设置训练次数及每次训练所使用的数据组数，随机获取训练集数据，完成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于双保真性评估的双网络样本扩充天线设计优化方法，其特征在于，包括以下步骤：构建天线初始模型，获取原始数据集；通过神经网络和所述原始数据集进行双保真性评估，得到真数据集；基于所述真数据集对神经网络进行重训练，得到天线优化模型。2.如权利要求1所述的基于双保真性评估的双网络样本扩充天线设计优化方法，其特征在于，所述构建天线初始模型，获取原始数据集，包括：构建天线初始模型；利用电磁仿真软件对选取的若干组所述天线模型模型参数进行仿真，得到性能参数；基于结构参数和所述性能参数构成原始数据集。3.如权利要求2所述的基于双保真性评估的双网络样本扩充天线设计优化方法，其特征在于，所述通过神经网络构架对所述原始数据集进行双保真性评估，得到真数据集，包括：构建神经网络架构；使用所述神...

【专利技术属性】
技术研发人员：李锦新，丁若谷，王志超，
申请(专利权)人：湖南大学，
类型：发明
国别省市：