[发明专利]基于深度学习的射频器件参数优化方法

摘要

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。

主权项

1.基于深度学习的射频器件参数优化方法，其特征在于该方法包括以下步骤：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和添加到器件上的信号频率freq作为训练模型的输入项x，将上述射频器件输入项x对应的已知电磁参数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，使用离差标准化见公式(1)：其中xmin为x的最小值，xmax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；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；在神经元后加上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；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xi的权重参数Wi和偏执参数b，进而减小损失值，直至满足终止条件；所述的损失函数使用均方误差函数：其中i表示第i个样本，yi表示输入项xi所对应的真实值，y′i表示输入项xi通过神经网络计算得到的预测值,n表示输入到神经网络的样本个数；终止条件为当损失值f(θ)小于预先设定的损失阈值时向神经网络中传入测试集数据，且如果测试集数据放入神经网络后计算得到的损失值小于预先设定的损失阈值的平方；步骤(5)、采用遗传算法优化深度多层神经网络模型：在上述训练好的深度多层神经网络模型中输入待优化射频器件几何参数数据集、输入信号的频率freq数据集的变化范围、S参数优化目标值和允许误差；将输入项视为种群，设定种群数据集内个体个数；根据设定个体个数，对个体进行随机赋值；调用上述训练好的深度多层神经网络模型，对种群中的所有个体进行预测，得到若干S参数预测值；然后采用遗传算法的适应度进行选择、交叉、变异，得到适应度最高的个体即误差最小的个体，此时与S参数优化目标值相比较，若满足允许误差范围直接输出该个体，即得到最佳的S参数；否则循环进行选择、交叉和变异，直到满足允许误差为止；所述的适应度，见公式(3)：FIT(s,s′)＝1/|s‑s′|公式(3)其中s为S参数预测值，s′为S参数目标值。