System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于域自适应的复杂天线阵列代理模型的设计方法技术_技高网
当前位置: 首页 > 专利查询>湖南大学专利>正文

一种基于域自适应的复杂天线阵列代理模型的设计方法技术

技术编号:41323436 阅读:2 留言:0更新日期:2024-05-13 15:02
本发明专利技术涉及天线设计技术领域,具体涉及一种基于域自适应的复杂天线阵列代理模型的设计方法,将复杂天线阵列设计领域与简单天线阵列设计的领域联系起来,在复杂天线阵列的优化设计中,首先使用从简单天线阵列收集的数据建立神经网络模型,然后将模型转移到复杂天线阵列设计问题中,以实现简单域和复杂域之间的连接。然后使用少量数据集对网络模型进行微调。同时为了解决复杂天线阵列的小样本问题,本发明专利技术使用数据扩充技术来扩展数据集。训练后,再次使用权重归零方法对模型进行优化。经验证,本发明专利技术不仅解决了复杂天线阵列中数据集收集的时间和成本大的问题,而且解决了同一类型天线阵列的多个设计问题。

【技术实现步骤摘要】

本专利技术涉及天线设计,具体涉及一种基于域自适应的复杂天线阵列代理模型的设计方法


技术介绍

1、在传统的天线参数设计的过程中,工程师们通常是凭借自己夯实的微波理论基础和丰富的天线参数设计经验,完成对天线结构参数的设计。

2、近年来,由于机器学习相关技术的加入,研究员们可以通过建立机器学习等相关的代理模型,来代替人工手动调参的过程,但这需要大量的数据集以供代理模型进行训练。

3、对于越复杂的天线阵列模型,所需要的数据集就更多,在获取数据集的过程中,所需要耗费的时间与空间成本也更大。因此在面对复杂的天线阵列中,以越少的数据,搭建起更精确的代理模型,是目前的研究热点。


技术实现思路

1、本专利技术的目的在于提供一种基于域自适应的复杂天线阵列代理模型的设计方法,旨在解决设计复杂天线阵列的代理模型时需要耗费的时间与空间成本较多的问题。

2、为实现上述目的,本专利技术提供了一种基于域自适应的复杂天线阵列代理模型的设计方法,包括下列步骤:

3、步骤1:搭建同种类型的简单天线模型,并在hfss中进行仿真,获取简单天线阵列模型的数据集;

4、步骤2:根据所述简单天线阵列模型的数据集,搭建起一个pso-bp神经网络模型,然后进行训练,调整与评估;

5、步骤3:在hfss搭建需要设计的复杂天线初始模型并进行仿真,选择获取少量的复杂天线模型数据集,通过数据增强技术,对数据进行扩充;

6、步骤4:在复杂天线阵列中搭建新的神经网络代理模型,并将简单天线阵列模型中已经搭建好的pso-bp神经网络权重,迁移至复杂天线阵列网络模型中;

7、步骤5:利用少量的所述复杂天线阵列模型数据集,对已经搭建好的复杂天线阵列网络模型重新进行多次训练调整;

8、步骤6:通过权重置零技术对整个神经网络进行微调优化。

9、具体的,pso-bp神经网络是一种结合了粒子群优化(particle swarmoptimization,pso)算法和反向传播(backpropagation,bp)算法的人工神经网络。在传统的bp神经网络中,通过反向传播算法来调整网络的权重和阈值,以最小化网络输出与期望输出之间的误差。而pso算法是一种进化算法,它通过初始化一群粒子,并根据每个粒子在搜索空间内的位置和速度来更新粒子的状态。每个粒子都有自己的历史最优位置和全局最优位置。通过不断迭代,粒子逐渐向全局最优位置靠近,从而找到最优解。将这两种算法相结合,以更好地解决神经网络的训练和优化问题。

10、pso-bp神经网络具有较好的全局搜索能力,能够找到更优的网络参数组合。同时,对于大规模问题,pso-bp神经网络在搜索空间中具有较好的收敛性。

11、可选的,在步骤1中仿真获取性能参数的过程中,研究参数不只针对固定的频率点,而是对一定频率范围内的频带进行。

12、可选的,在步骤3中通过添加少量噪声的方式扩充少量数据集,公式如下:

13、d'={(x+ε)|x∈d}

14、其中ε代表噪声的随机值,x是数据集d中的一组值,d'是通过添加噪声获得的新值集,ε可以是与x分布无关的任何类型的噪声,如高斯噪声、均匀噪声等。

15、可选的,步骤5的执行过程,具体为首先先冻结迁移过来的模型权重,将刚刚获取到的数据集对其他网络层进行训练,然后解冻所有网络层,以更小的学习率对所有神经元进行微调。

16、可选的,步骤6中的采用的权重置零技术是在神经网络中,将较小权重神经元的权重置零,再对网络进行微调,公式如下:

17、w'=argmin(w')l(w',d)+λ×|w'|,s.t.|w'|_0≤k

18、其中l是损失函数,d是训练数据集,λ是正则化强度的超参数,|w'|_0是非零权重参数的数量,k是目标稀疏性,w'是已重置为零的新权重集。

19、本专利技术提供了一种基于域自适应的复杂天线阵列代理模型的设计方法,将复杂天线阵列设计领域与简单天线阵列设计的领域联系起来,在复杂天线阵列的优化设计中,首先使用从简单天线阵列收集的数据建立神经网络模型,然后将模型转移到复杂天线阵列设计问题中,以实现简单域和复杂域之间的连接。然后使用少量数据集对网络模型进行微调。同时为了解决复杂天线阵列的小样本问题,本专利技术使用数据扩充技术来扩展数据集。训练后,再次使用权重归零方法对模型进行优化。经验证,本专利技术不仅解决了复杂天线阵列中数据集收集的时间和成本大的问题,而且解决了同一类型天线阵列的多个设计问题。

本文档来自技高网...

【技术保护点】

1.一种基于域自适应的复杂天线阵列代理模型的设计方法,其特征在于利用简单天线阵列辅助搭建复杂天线阵列代理模型,包括下列步骤:

2.如权利要求1所述的基于域自适应的复杂天线阵列代理模型的设计方法,其特征在于,

3.如权利要求2所述的基于域自适应的复杂天线阵列代理模型的设计方法,其特征在于,

4.如权利要求3所述的基于域自适应的复杂天线阵列代理模型的设计方法,其特征在于,

5.如权利要求4所述的基于域自适应的复杂天线阵列代理模型的设计方法,其特征在于,

【技术特征摘要】

1.一种基于域自适应的复杂天线阵列代理模型的设计方法,其特征在于利用简单天线阵列辅助搭建复杂天线阵列代理模型,包括下列步骤:

2.如权利要求1所述的基于域自适应的复杂天线阵列代理模型的设计方法,其特征在于,

3.如权利要求2所...

【专利技术属性】
技术研发人员:李锦新陈庆聪
申请(专利权)人:湖南大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1