基于高质量采样和小波变换的深度学习逆设计方法技术

本发明专利技术属于微波射频器件逆设计领域，具体公开了一种基于高质量采样和小波变换的深度学习逆设计方法用于微波电路逆设计。利用粒子群算法初步筛选出“好”样本，再通过多标签合成少数类过采样技术，以保证“好”样本在设计空间中的均匀性。建立了给定的s参数输入与所需的结构参数或材料参数之间的关系，面对s参数等间隔采样可能会导致高维输入，需要更复杂的神经网络，通过基于小波变换的深度学习方法，极大地降低了输入的维数。以带通微带滤波器为例，验证了该方法的性能，结果表明，该方法比常规的深度学习方法具有更好的建模性能和逆设计效果，可以根据用户不同中心频率，不同带宽的需求，快速预测器件尺寸参数，且取得良好的预测效果。预测效果。预测效果。

【技术实现步骤摘要】
基于高质量采样和小波变换的深度学习逆设计方法


[0001]本专利技术属于微波射频器件逆设计领域，具体涉及一种基于高质量采样和小波变换的深度学习逆设计方法。

技术介绍

[0002]随着5G、Sub
‑
6G通信大规模发展，物联网、高速信息传递、无人驾驶、人工智能等新型领域飞速发展。5G将与物联网、大数据、云计算、人工智能等技术融合。与此同时5G也对于通信系统提出了新的要求。跨入5G时代，对于射频系统的设计需求更为加重。
[0003]随着机器学习的发展，人工神经网络因为有着较强的学习能力、良好的泛化能力性等优点，在很多领域都得到了应用，其通过样本的“学习和培训”，可记忆客观事物在空间、时间方面比较复杂的关系。因此通过训练过程，神经网络可以调整其内部参数来学习微波器件，电路的几何变量与电磁之间的关系。
[0004]近年来，对于射频微波器件的神经网络建模技术，在国内外众多高校都在这一研究领域具有一定的进展。对于神经网络逆向建模，研究学者们提出了多种新颖的逆向建模方法及改进的神经网络逆向迭代算法，有效地解决了神经网络逆模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高质量采样和小波变换的深度学习逆设计方法，包括如下步骤：步骤1.确定适应度函数，通过粒子群算法，筛选出优质样本；步骤2.对生成的优质样本通过多标签合成少数类过采样技术生成少数类样本；步骤3.将需求作为输入，S参数作为输出进行生成模型训练，该模型可将S参数通过中心频率和带宽的需求表示；步骤4.将粗细模型进行空间映射，进行粗细模型之间的频率矫正；步骤5.对S参数进行小波变换降低神经网络输入维度，并将器件的尺寸参数作为输出对小波神经网络进行训练；步骤6.再将需求输入到在步骤3的模型中，再经过步骤4的空间映射，得到矫正后的S参数，将该S参数作为测试样本输入到步骤5中训练好的小波神经网络中，预测该需求下的器件的尺寸参数，实现根据需求预测器件尺寸的要求。2.如权利要求1所述基于高质量采样和小波变换的深度学习逆设计方法，其特征在于：步骤1具体如下：首先在一定空间中随机生成几何参数，计算出各粒子适应度，其次找出个体最优值，最后更新各个粒子的速度与位置，若满足终止条件则停止，否则重新计算各例子的适应度，重复以上步骤，把最终满足要求的样本作为优质样本。3.如权利要求2所述基于高质量采样和小波变换的深度学习逆设计方法，其特征在于：步骤2具体如下：根据生成S参数确定中心频率，根据优质样本中心频率的分布找到少数样本的K个紧邻，随机选取一个近邻，并生成一个...

【专利技术属性】
技术研发人员：徐魁文，王建国，陈世昌，刘军，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：