[发明专利]一种基于深度学习的微波电路物理尺寸估算方法

权利要求书

1.一种基于深度学习的微波电路物理尺寸估算方法，其特征在于，包括如下步骤：

步骤一、采集多组微波电路的S参数和所述多组微波电路参数的物理尺寸，作为初始数据集，并根据所述初始数据集构建训练样本集；

步骤二、根据所述训练样本集对卷积神经网络模型进行训练，得到微波电路尺寸估算神经网络模型；

步骤三、采集目标微波电路的S参数作为输入参数，输入所述微波电路尺寸估算神经网络模型，得到所述目标微波电路的物理尺寸；

在所述步骤一中，根据所述初始数据集构建训练样本集，包括：

将所述微波电路的S参数的尺寸调整到3×3×1格式；以及采用数据增强方法对所述初始数据集的数据量进行扩充，取所述扩充后的初始数据集的一部分作为训练样本集；

所述微波电路尺寸估算神经网络模型包括依次连接的：输入层、处理模块、Dropout层、全连接层和回归预测输出层；

所述处理模块至少包括依次连接的四个处理单元，其中，

第一个处理单元至第三个处理单元中均包括依次连接的卷积层、批标准化BN层、修正线性单元ReLU层和池化层，第四个处理单元包括依次连接的卷积层、批标准化BN层、修正线性单元ReLU层；

所述四个处理单元的卷积层中的卷积核的尺寸均为2×2；四个处理单元的卷积核的个数按照连接顺序依次增加；

在所述步骤三中，得到所述目标微波电路的物理尺寸，包括如下步骤：

步骤1、所述处理模块中的四个处理单元中基于梯度下降算法依次对输入数据进行处理和传递，直到所述四个处理单元中输出目标特征图；

步骤2、所述全连接层将所述目标特征图转化为一维向量；

步骤3、所述回归预测输出层根据所述一维向量输出所述目标微波电路的物理尺寸估算结果；

在所述步骤1中，包括：

所述卷积层根据如下公式提取所述输入数据的特征图；

式中，为卷积神经网络模型中第j个卷积层的第i个输出的特征图；m为卷积神经网络模型中第j个卷积层输入特征图的数量；为第j个卷积层的第i个偏置项；

所述批标准化BN层对所述特征图进行归一化处理；

所述ReLU层所述归一化处理后的特征图进行非线性转化；

所述池化层根据如下公式对接收的非线性转化后的特征图进行尺寸减小处理；

式中，为降采样函数；F为降采样滤波器大小；S为降采样步长；

在所述步骤3中，全连接层根据如下公式将所述目标特征图转化为一维向量；

v^j＝f(w^jv^j-1+b^j)；

式中，v_j为第j个全连接层的输出一维向量；w_j为第j个全连接层的权值矩阵；b_j第j个全连接层的偏置项；f(·)为非线性激活函数。

2.根据权利要求1所述的基于深度学习的微波电路物理尺寸估算方法，其特征在于，在所述步骤二中，通过梯度下降法对所述卷积神经网络模型进行训练，得到所述微波电路尺寸估算神经网络模型。

3.根据权利要求2所述的基于深度学习的微波电路物理尺寸估算方法，其特征在于，所述扩充后的初始数据集中的数据分为三个部分，包括：

训练样本集60％，验证数据集20％以及测试数据集20％。