(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111404030.5 (22)申请日 2021.11.24 (71)申请人 江苏科技大学 地址 212008 江苏省镇江市丹徒区长晖路 666号 (72)发明人 王晓燕　田雨波　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 代理人 柏尚春 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于CNN堆叠宽度学习系统的天线仿真设计 优化方法 (57)摘要 本发明公开了基于CNN堆叠宽度学习系统的 天线仿真设计优化方法， 用来代 替传统智能优化 算法和电磁仿真软件结合的天线优化设计方法， 传统的BLS网络使用随机产生的权重矩阵和偏 置， 在面对复杂样本情况时， 可能会产生对样本 特征提取不充分， 进而降低训练精度， 使得最后 拟合效果不理想的问题， 本申请中SBLS将深度学 习中的残差网络应用到BLS中， 通过残差网络对 每一层BLS的输出与期望输 出的残差进行进 一步 的拟合， 提高了系统的学习能力并且针对现实中 更复杂的小样本数据有更理想的拟合效果， 减少 了电磁仿真次数和时间， 提高了天线优化设计的 效率。 权利要求书2页 说明书6页 附图4页 CN 114021484 A 2022.02.08 CN 114021484 A 1.基于CNN堆叠宽度 学习系统 的天线仿真设计优化方法， 其特征在于： 具体包括以下步 骤： S1： 天线建模： 在电磁仿真软件中初步构建天线的初始结构模型； S2： 数据生成： 调用HFSS应用到Matl ab的仿真接口， 生成一定数量的天线结构参数和响 应结果， 并在电磁仿真软件中进行仿真， 作为训练CN N‑SBLS的测试和训练数据集； S3： 数据预处理： 对训练数据和测试数据进行预处理， 选择归一化使数据在相同尺度， 得到样本数据X0和标签数据Y0； S4： 生成底层BLS网络 的特征节点层： 使用CNN对样本数据进行特征提取， 得到底层BLS 网络的特 征节点Z1n， 作为底层 BLS网络的输入特 征节点层， 其中n 为正整数； S5： 生成底层BLS网络的增强节点层： 使用SVD算法从底层BLS网络的特征节点Z1n中提取 底层BLS网络的增强节点H1m， 生成底层 BLS网络的输入增强节点层， 其中m为 正整数； S6： 训练底层BLS网络： 根据底层BLS网络的特征节点层和底层BLS网络的增强节点层构 建底层BLS网络的输入层， 底层BLS网络的输入层数据为A1＝[Zn,Hm]， 根据岭回归算法计算 底层输入层的伪逆矩阵， 进一步根据标签数据Y0生成底层B LS网络的连接权重， 得到预测标 签y1； S7： 生成堆叠BLS网络的特征节点层： 将预测标签y1作为下一层SBLS的输入， 同时设置第 i层堆叠BLS网络的期望输出为期望标签Ui减去底层预测标签yi‑1， 预测标签y1选择原始BLS 网络随机生成权重矩阵获得特征节点层和增强节 点层， 使用随机生成的权重矩阵对标签数 据y1提取特征， 并用稀疏自编码进行微调产生 堆叠BLS网络的特 征节点 S8： 生成堆叠BLS网络的增强节点层： 使用Si gmoid激活函数， 对特征节点进行非线性映 射生成底层 BLS的增强节点层 S9： 训练堆叠BLS网络： 根据 堆叠BLS网络的特征节点层和堆叠BLS网络的增强节点层组 成的输入层数据计作Ai， 设置第i层的期望标签为 第i层的实际输出为Ui， 其中 表示前i‑1层的实际输出和， 根据岭回归计算Ai的逆伪矩阵， 相应的连接 权重计 算公式更新 为： 根据残差网络的原理， 经过上述堆叠BLS网络的训练可以对输出的残差进行不断的优 化， 重复训练直到满足系统预设的误差阈值， 停止训练并输出精度与最优的样本数据； S10： 验证结果： 使用训练好的代理模型输出最优样本数据， 在电磁仿真软件中检验效 果。 2.根据权利要求1所述的基于CNN堆叠宽度 学习系统 的天线仿真设计优化方法， 其特征 在于： 所述S1中天线的结构参数由激励阵子、 引向阵子、 和反射阵子组成。 3.根据权利要求1所述的基于CNN堆叠宽度 学习系统 的天线仿真设计优化方法， 其特征 在于： 所述S4中使用CNN对训练样本数据进行特征提取具体包括： 构建卷积神经网络， 使用 卷积神经网络的卷积和池化操作得到相应的特 征节点， 其中卷积 操作可以表示 为： Z(i,j)＝∑a∑bX(i‑a,j‑b)K(a,b)； 其中X表示输入样本数据， K(a,b)表示卷积核；权　利　要　求　书 1/2 页 2 CN 114021484 A 2池化操作使用最大池化记录每一个卷积特 征点的最大值进行降维。 4.根据权利要求1所述的基于CNN堆叠宽度 学习系统 的天线仿真设计优化方法， 其特征 在于： 所述S5中底层 BLS的输入增强节点H1m的表达式为： H1m＝[H11,H12,...,H1m]； 其中利用SVD来逼近特 征矩阵并从中提取重要的特 征， 将特征矩阵分解成为： Z＝U∑VT 其中U表示Z ZT的特征向量， V 表示ZTZ的特征向量,∑＝dia g{σ1,...... σr,0,.....0}。 5.根据权利要求1所述的基于CNN堆叠宽度 学习系统 的天线仿真设计优化方法， 其特征 在于： 所述S6中预测标签的具体求解方式为： 首先根据标签数据Y， 得到输入与输出数据的 非线性映射： Y＝A1Wm， 然后使用岭回归算法计算连接权重Wm， 得到A1的伪逆矩阵， 其中岭回 归算法表示 为： 其中 为了使悬链误差最小化， 为了防止过拟合， λ是正则化系数； 得到Wm＝( λI+A1TA1)‑1A1TY， 其中I表示单位矩阵， 则有A1+＝( λI+A1TA1)‑1A1T,将训练底层 BLS网络的误差阈值设置有le ‑2， 满足阈值后结束训练， 得到底层BLS网络的预测标签y1＝ A1Wm。 6.根据权利要求1所述的基于CNN堆叠宽度 学习系统 的天线仿真设计优化方法， 其特征 在于： 所述S7中稀疏自编码的约束函数表示 为： 其中W表示需要微调的权重矩阵， 表示从yi‑1中经过随机权重矩阵产生的堆叠BLS 网 络的特征节点。 7.根据权利要求1所述的基于CNN堆叠宽度 学习系统 的天线仿真设计优化方法， 其特征 在于： 所述S 8中Sigmo id函数为： 8.根据权利要求1所述的基于CNN堆叠宽度 学习系统 的天线仿真设计优化方法， 其特征 在于： 所述S9中堆叠BLS网络中的误差计算为均方根误差(RMSE)， 误差阈值分别设置为le ‑ 2。 9.根据权利要求1所述的基于CNN堆叠宽度 学习系统 的天线仿真设计优化方法， 其特征 在于： 所述S9中选择选择网格搜索法设置优化目标为若best>test _ERR， 则保存test _ERR到 best中， 全部网格搜索结束后， 将best所在的特征节 点、 增强节 点的窗口数保存到最优输出 文件中， 停止训练。权　利　要　求　书 2/2 页 3 CN 114021484 A 3