[发明专利]一种结合先进自适应采样和人工神经网络的微波器件自动建模方法

权利要求书

1.一种结合先进自适应采样和人工神经网络的微波器件自动建模方法，主要包括以下步骤：

步骤1：根据实际的建模问题，将最初的N维建模空间看作一个区域R⁰，在区域R⁰的顶点处采样，作为初始的训练数据集L⁰，在区域R⁰的中心点处采样作为初始的测试数据集T⁰；

步骤2：根据更新后的训练样本L^k及其模型输出，利用插值算法预测更新后的测试样本T^k的模型输出，如果预测的模型输出与测试样本T^k的实际输出相比较满足精度要求，则完成数据自适应采样，执行步骤6；如果不满足模型精度要求，则执行步骤3。

步骤3：寻找最差区域R^*：k＝k+1，对当前所有子区域的测试误差进行计算和比较，选择具有最大测试误差的子区域作为最差区域R^*，最差区域R^*的初值为R⁰；

其中，将每个子区域中心点(x_c,d(x_c))处的测试误差来作为每个子区域的测试误差，因此子区域的测试误差e(x_c)定义为

其中M是模型的输出个数，y_j(x_c)是通过对当前所有训练样本L^k进行插值计算得到的在当前子区域中心点x_c处的模型第j个输出的值，d_j(x_c)是在当前子区域中心点x_c处的模型第j个输出的实际输出值，即验证数据；

最差区域R^*的中心点x^*表示如下

其中，T^k表示当前采样阶段所有子区域的中心点构成的集合，即当前采样阶段的测试数据集；

步骤4：确定最差区域中R^*中的非线性度最高的维度n^*：利用R^*的中心点x^*附近星型分布的采样点来确定非线性度最高的维度，这些采样点是通过在每个维度n＝1,2,…,N扰动取点两次得到的，一次朝正方向，一次朝负方向，即

和

其中n＝1,2,…,N；

比较每个维度的测试误差，其中测试误差最大的维度被定义为非线性度最高的维度n^*，即

步骤5：在最差区域R^*中增加新的训练样本和测试样本新的训练样本的采样位置为最差区域R^*在第n^*维度上的所有边界线的中点，这样新增了训练样本之后，相当于将最差区域R^*沿第n^*维度一分为二，形成两个新的相同大小的子区域；然后，在这两个新形成的子区域的中心点进行新的测试样本的采样；最后，将新生成的训练样本和测试样本分别加入并更新训练数据集L^k和测试数据集T^k，返回步骤2；

步骤6：进入模型训练阶段，根据自适应采样获得的数据自动调整神经网络隐藏层神经元的数目，最终得到最紧凑的神经网络模型结构，训练好的神经网络模型可代替原始器件进行后续电路或系统的仿真与设计。