[发明专利]基于CNN堆叠宽度学习系统的天线仿真设计优化方法

权利要求书

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Matlab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CNN-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H₁^m，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,H^m]，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BLS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U_i减去底层预测标签y_i-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Sigmoid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A_i，设置第i层的期望标签为第i层的实际输出为U_i，其中表示前i-1层的实际输出和，根据岭回归计算A_i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；

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。