[发明专利]一种应用于微波器件的新型深层神经网络自动建模方法在审
| 申请号： | 201911210240.3 | 申请日： | 2019-11-28 |
| 公开（公告）号： | CN110765704A | 公开（公告）日： | 2020-02-07 |
| 发明（设计）人： | 那伟聪;张万荣;谢红云;金冬月 | 申请（专利权）人： | 北京工业大学 |
| 主分类号： | G06F30/27 | 分类号： | G06F30/27;G06F30/367;G06N3/04;G06N3/08 |
| 代理公司： | 11203 北京思海天达知识产权代理有限公司 | 代理人： | 吴荫芳 |
| 地址： | 100124 *** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种应用于微波器件的新型深层神经网络自动建模方法，属于微波器件建模领域，用于解决现有的浅层神经网络建模方法不能满足微波器件建模领域面临的模型维度高、工作范围大、可靠性高等新需求的问题。本发明具体提出了一种新型的包含Batch Normalization(BN，批量归一化)层和Sigmoid隐藏层的混合型深层神经网络结构及其训练方法，能够解决由于神经网络层数增多而引起的梯度消失和训练被阻止的问题；并采用自适应算法自动确定深层神经网络中BN层和Sigmoid隐藏层的层数，实现训练过程自动化。采用本发明得到的深层神经网络模型能够精确表示微波器件复杂、连续、高度非线性的器件特性，计算速度快，能有效代替原始器件进行后续电路或系统的仿真与设计。 | ||
| 搜索关键词： | 微波器件 神经网络 隐藏层 建模 神经网络建模 神经网络结构 神经网络模型 高度非线性 自适应算法 后续电路 器件特性 训练过程 原始器件 自动建模 自动确定 归一化 浅层 维度 自动化 应用 | ||
【主权项】：
1.一种应用于微波器件的新型深层神经网络自动建模方法，其特征在于：/n步骤1：根据实际的微波建模问题，确定深层神经网络模型中输入变量x和输出变量y的数目，构建混合型深层神经网络结构，所述的混合型深层神经网络结构包含1个输入层，L个Batch Normalization(BN)层，L个Sigmoid隐藏层(L≥3)和1个输出层，其中每个Sigmoid隐藏层前均连接一个BN层，该BN层相当于一个归一化器，用于对其后连接的Sigmoid隐藏层的输入数值进行归一化处理，每个BN层和Sigmoid隐藏层中神经元的数目是根据建模问题的难易程度预先确定的，且在训练过程中固定不变，其数量范围在50到150之间；/n步骤2：初始化计数k＝1，通过测量或者仿真，获取建模所需的训练数据和验证数据，分别用于深层神经网络的训练和验证；/n步骤3：k＝k+1，初始化深层神经网络的权重参数，采用结合BN层和Sigmoid隐藏层的混合型神经网络反向传播算法，分别输入训练数据和验证数据对深层神经网络进行训练和验证，得到当前阶段(即第k个阶段)神经网络的训练误差
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京工业大学，未经北京工业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201911210240.3/，转载请声明来源钻瓜专利网。
