[发明专利]一种高效的基于贝叶斯理论的人工神经网络微波器件建模方法

权利要求书

1.一种高效的基于贝叶斯理论的人工神经网络微波器件建模方法，所要建立的微波器件的人工神经网络模型包括输入层、隐藏层、输出层，其中，输入变量根据实际情况确定，隐藏层神经元数目待优化，输出变量根据实际情况确定，其特征在于包括以下步骤：

步骤1：对于实际的微波建模问题，生成训练数据和验证数据，其中训练数据个数记为N_d；初始化模型结构调整阶段计数k＝1；初始化神经网络中隐藏层神经元的数目，记为S^k；根据实际微波建模问题中输入层神经元数目n_x、输出层神经元个数n_y，以及隐藏层神经元数目S^k，计算当前神经网络中权重参数的总数N^k＝(n_x+n_y+1)·S^k+n_y；

步骤2：采用Gauss-Newton-Bayesian正则化方法，通过γ^k＝N^k-2αtr(H)^-1计算得到当前神经网络模型中有效参数的个数γ^k，其中α为正则参数，H为神经网络训练误差函数的Hessian矩阵，tr(·)为矩阵的迹；

步骤3：如果当前阶段满足γ^kRN^k,(k≥1,R＝0.6～0.9)或者|γ^k-γ^k-1|Cγ^k-1,(k≥2,C＝0.02～0.05)，那么对于该微波器件建模问题，神经网络模型的最优的有效参数个数γ^*＝γ^k＝N^k-2αtr(H)^-1，最优的权重参数个数N^*＝N^k，然后算法执行步骤4；否则，需要通过来更新N的值，然后设置k＝k+1，并返回步骤2；

步骤4：根据步骤3中得到的最优的神经网络权重参数个数N^*，通过计算得到所对应的最优的神经网络隐藏层神经元个数S^*，其中为向上取整运算，这样，就得到了该微波器件神经网络模型的最优结构；

步骤5：采用步骤1中生成的训练数据和验证数据来训练和验证含有S^*个隐藏层神经元的神经网络，最终得到满足用户要求精度的微波器件人工神经网络模型，该模型代替原始器件进行后续电路或系统的仿真与设计。

2.根据权利要求1所述的一种高效的基于贝叶斯理论的人工神经网络微波器件建模方法，其特征在于：所述步骤1-步骤5嵌入AMG算法程序中，用于自动得到满足用户所需精度的微波器件的最优神经网络模型。