[发明专利]基于深度学习的射频器件参数优化方法

说明书

本发明公开基于深度学习的射频器件参数优化方法。首先利用Tensorflow进行训练，从数据集中提取出射频器件的几何参数和信号频率作为输入项，以及其对应的S参数信息作为真实值。将原始数据进行初始化并进行切分，构造多层神经网络，将切分好的数据送入神经网络利用优化算法进行训练，训练完成保存模型。接着利用遗传算法进行优化，输入待优化的参数的范围，并确定优化目标值，设定允许误差。初始化种群，调用Tensorflow模型对种群进行预测，计算适应度，不断的进行选择、交叉、变异直到选择出最佳优化结果。

技术领域

本发明属于微波射频工程技术领域，涉及一种基于深度学习的射频器件参数优化方法。

背景技术

随着无线通信技术的飞速发展，信息社会进入5G通信和云计算时代，目前以及今后微波射频器件的市场需求将持续快速增长。随着人工智能算法的快速发展，深度神经网络有模拟高度复杂非线性映射的能力，深度学习框架可以方便的使用它设计封装的接口，性能和效率很高。

对于微波射频工程上的射频器件参数优化设计，一般工程软件进行参数扫描的仿真计算。而电磁仿真算法存在算法计算量大、非常耗时的问题。且参数扫描只能匹配扫描间隔上的参数，准确度低。部分研究使用遗传优化算法，但是仍然需依据仿真算法或工具，若遗传种群过大，非常耗时。本发明基于深度学习的射频器件参数优化方法，集成了深度学习快速预测和遗传算法全局优化，解决了上述问题。

发明内容

本发明的目的是针对现有技术的不足，提供了一种基于深度学习的射频器件参数优化方法，计算快、精度高。

本发明所采用的技术方案如下：

步骤(1)、获取原始数据及数据预处理

将预处理后的现有射频器件的几何参数(如对微带线矩形螺旋电感来说其器件参数为：长度l₁，宽度l₂)和添加到上述器件上的信号频率freq作为训练模型的输入项x，取上述射频器件输入项x对应的已知电磁参数即S参数(以2端口网络为例，S参数包括S11实部，S11虚部，S12实部，S12虚部，S21实部，S21虚部，S22实部，S22虚部)作为训练模型的真实值y；

上述各类现有射频器件的输入项x预处理过程：具体操作为归一化处理，将其值映射到[-1,1]区间，这里使用离差标准化见公式(1)：

其中x_min为x的最小值，x_max为x的最大值；

步骤(2)、对步骤(1)处理后的现有射频器件的输入参数，以及所对应的S参数进行训练集和测试集的切分。

作为优选，取70％作为训练集，30％作为测试集。

步骤(3)、将数据切分好后使用深度学习框架构建深度多层神经网络：

3.1将上述步骤(1)预处理后的现有射频器件几何参数和添加到器件上的信号频率freq作为输入项，设置为神经网络的输入层，上述射频器件对应的电磁参数(即S参数)作为输出项，设置为神经网络的输出层；

3.2在输入层和输出层之间连接两个以上隐藏层，其中每个隐藏层内设置K个神经元(可以是100个)；在隐藏层后加上Relu激活函数为神经网络加入非线性因素，激活函数后添加dropout层，整个网络使用全连接架构。

Relu激活函数使神经网路能拟合非线性模型，这种激活函数的拟合速度快，并且在反向传播的时候不会出现梯度消失的现象。在激活函数后添加一层dropout层，是为了防止出现过拟合现象。

步骤(4)、训练上述深度多层神经网络模型，定义损失函数调用优化算法通过反向传播改变神经网络输入项x_i的权重参数W_i和偏执参数b，进而减小损失值，直至满足终止条件。