【技术实现步骤摘要】
本专利技术涉及微带天线，特别是涉及一种微带天线建模方法、一种微带天线建模装置、一种电子设备以及一种计算机可读介质。
技术介绍
1、当采用卷积神经网络cnn对微带天线分析问题进行建模时，参照图1，传统上是将微带天线的结构参数和材料参数组成一维向量并作为cnn的输入进行建模，但是这种方法由于输入为一维向量，没有充分发挥卷积神经网络模拟生物的视觉皮层在感受野内对图像特征进行提取的特点，造成网络模型的精度和泛化能力不足，得到的模型效果往往不佳。
技术实现思路
1、鉴于上述问题，提出了本专利技术实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种微带天线建模方法和相应的一种微带天线建模装置、一种电子设备以及一种计算机可读介质。
2、本专利技术实施例公开了一种微带天线建模方法，所述方法包括：
3、获取微带天线的第一物理尺寸参数数据和第一材料特征参数数据，以及所述第一物理尺寸参数和所述第一材料特征参数对应的电气性能实测数据；
4、将所述第一物理尺寸参数数据和所述第一材料特征参数数据构成的一维向量构建成第一二维二值图模型；
5、将所述第一二维二值图模型输入用于天线电气性能预测的初始模型，建立用于天线电气性能预测的训练模型；
6、根据所述电气性能实测数据和误差函数，采用误差反向传播算法对所述用于天线电气性能预测的训练模型进行参数调整，得到用于天线电气性能预测的应用模型。
7、可选地，所述将所述第一物理尺寸参数数据和所述
8、将所述第一物理尺寸参数数据和所述第一材料特征参数数据构成行向量，形式如下：x＝[x1,x2,…,xn]；
9、其中xi＝[ximin，ximax]，ximin代表一维向量中具体某一xi取值范围内的最小值，ximax代表xi取值范围内的最大值；
10、将所述行向量转置为列向量，形式如下：
11、对于列向量中的每一个元素，转化为非0即1的形式，其中的xi转化公式如下：
12、
13、式中，m为二值串的长度，ak为1或者0，代表该位置存在与否；
14、将所述一维向量构建成的所述第一二维二值图模型，形式如下：
15、
16、其中，aij＝0或者1，i＝0,1,…,n,j＝0,1,…,m。
17、可选地，所述用于天线电气性能预测的初始模型包括输入层、多个卷积层、多个池化层、全连接层；所述将所述第一二维二值图模型输入用于天线电气性能预测的初始模型，建立用于天线电气性能预测的训练模型的步骤，包括：
18、通过所述输入层输入所述第一二维二值图模型，通过第一卷积层对所述第一二维二值图模型进行卷积操作并通过第一池化层对所述第一二维二值图模型进行池化操作，得到第一特征图，再通过第二卷积层对第一特征图进行卷积操作并通过第二池化层对所述第一特征图进行池化操作，得到第二特征图，经过多个卷积层和多个池化层的多次循环卷积操作和池化操作，得到目标特征图，并将所述目标特征图输入所述全连接层进行全连接操作，得到所述用于天线电气性能预测的训练模型。
19、可选地，所述根据所述电气性能实测数据和误差函数，采用误差反向传播算法对所述用于天线电气性能预测的训练模型进行参数调整，得到用于天线电气性能预测的应用模型的步骤，包括：
20、根据所述误差函数，采用所述用于天线电气性能预测的训练模型输出的预测数据和所述电气性能实测数据计算误差；
21、若所述误差不满足最小值，则运用所述误差反向传播算法，根据所述误差调整网络参数；
22、若所述误差满足最小值，则保存网络参数，得到所述用于天线电气性能预测的应用模型。
23、可选地，所述方法还包括：
24、获取待预测微带天线的第二物理尺寸参数数据和第二材料特征参数数据；
25、将所述第二物理尺寸参数数据和所述第二材料特征参数数据构建成第二二维二值图模型；
26、将所述第二二维二值图模型输入所述用于天线电气性能预测的应用模型，得到所述待预测微带天线的电气性能预测数据。
27、本专利技术实施例还公开了一种微带天线建模装置，所述装置包括：
28、第一获取模块，用于获取微带天线的第一物理尺寸参数数据和第一材料特征参数数据，以及所述第一物理尺寸参数和所述第一材料特征参数对应的电气性能实测数据；
29、第一二维二值图模型构建模块，用于将所述第一物理尺寸参数数据和所述第一材料特征参数数据构成的一维向量构建成第一二维二值图模型；
30、模型训练模块，用于将所述第一二维二值图模型输入用于天线电气性能预测的初始模型，建立用于天线电气性能预测的训练模型；
31、参数调整模块，用于根据所述电气性能实测数据和误差函数，采用误差反向传播算法对所述用于天线电气性能预测的训练模型进行参数调整，得到用于天线电气性能预测的应用模型。
32、可选地，所述第一二维二值图模型构建模块，包括：
33、行向量形成子模块，用于将所述第一物理尺寸参数数据和所述第一材料特征参数数据构成行向量，形式如下：x＝[x1,x2,…,xn]；
34、其中xi＝[ximin，ximax]，ximin代表一维向量中具体某一xi取值范围内的最小值，ximax代表xi取值范围内的最大值；
35、转置子模块，用于将所述行向量转置为列向量，形式如下：
36、转化子模块，用于对于列向量中的每一个元素，转化为非0即1的形式，其中的xi转化公式如下：
37、
38、式中，m为二值串的长度，ak为1或者0，代表该位置存在与否；
39、将所述一维向量构建成的所述第一二维二值图模型，形式如下：
40、
41、其中，aij＝0或者1，i＝0,1,…,n,j＝0,1,…,m。
42、可选地，所述用于天线电气性能预测的初始模型包括输入层、多个卷积层、多个池化层、全连接层；所述模型训练模块，包括：
43、模型训练子模块，用于通过所述输入层输入所述第一二维二值图模型，通过第一卷积层对所述第一二维二值图模型进行卷积操作并通过第一池化层对所述第一二维二值图模型进行池化操作，得到第一特征图，再通过第二卷积层对第一特征图进行卷积操作并通过第二池化层对所述第一特征图进行池化操作，得到第二特征图，经过多个卷积层和多个池化层的多次循环卷积操作和池化操作，得到目标特征图，并将所述目标特征图输入所述全连接层进行全连接操作，得到所述用于天线电气性能预测的训练模型。
44、可选地，所述参数调整模块，包括：
45、误差计算子模块，用于根据所述误差函数，采用所述用于天线电气性能预测的训练模型输出的预测数据和所述电气性能实测数据计算误差；
46、本文档来自技高网...
【技术保护点】
1.一种微带天线建模方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述第一物理尺寸参数数据和所述第一材料特征参数数据构成的一维向量构建成第一二维二值图模型的步骤，包括：
3.根据权利要求1所述的方法，其特征在于，所述用于天线电气性能预测的初始模型包括输入层、多个卷积层、多个池化层、全连接层；所述将所述第一二维二值图模型输入用于天线电气性能预测的初始模型，建立用于天线电气性能预测的训练模型的步骤，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述电气性能实测数据和误差函数，采用误差反向传播算法对所述用于天线电气性能预测的训练模型进行参数调整，得到用于天线电气性能预测的应用模型的步骤，包括：
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
6.一种微带天线建模装置，其特征在于，所述装置包括：
7.根据权利要求6所述的装置，其特征在于，所述第一二维二值图模型构建模块，包括：
8.根据权利要求6所述的装置，其特征在于，所述用于天线电气性能预测的初
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信；
10.一个或多个计算机可读介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如权利要求1-7任一项所述的微带天线建模方法。
...【技术特征摘要】
1.一种微带天线建模方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述第一物理尺寸参数数据和所述第一材料特征参数数据构成的一维向量构建成第一二维二值图模型的步骤，包括：
3.根据权利要求1所述的方法，其特征在于，所述用于天线电气性能预测的初始模型包括输入层、多个卷积层、多个池化层、全连接层；所述将所述第一二维二值图模型输入用于天线电气性能预测的初始模型，建立用于天线电气性能预测的训练模型的步骤，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述电气性能实测数据和误差函数，采用误差反向传播算法对所述用于天线电气性能预测的训练模型进行参数调整，得到用于天线电气性能预测的应用模型的步骤，包括：
5...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。