(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111356287.8 (22)申请日 2021.11.16 (71)申请人 江苏科技大学 地址 212100 江苏省镇江市丹徒区长晖路 666号 (72)发明人 丁伟桐　田雨波　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 代理人 徐澍 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/10(2020.01) (54)发明名称 基于前后文宽度学习系统的天线快速优化 设计方法 (57)摘要 本发明公开了一种基于前后文宽度学习系 统的天线快速优化设计方法， 利用当前宽度学习 系统的训练结果作为先验知识， 即前后文信息， 与原始输入混合作为新的输入进行再训练， 此模 型称之为前后文宽度学习系统， 将此作为替代模 型来代替耗时的全波电磁仿真软件， 如高频结构 模拟器用于天线的优化。 权利要求书2页 说明书7页 附图3页 CN 114021472 A 2022.02.08 CN 114021472 A 1.基于前后文宽度学习 系统的天线快速优化设计方法， 其特 征在于， 包括以下步骤： 步骤1： 使用HFSS获取样本数据， 作为原始BLS的训练样本， 其 中需要进行优化的天线参 数作为输入X， 对应的天线的回波损耗S11曲线作为输出Y， 然后将 样本分为训练集和 测试集； 步骤2： 使用网格搜索法建立天线的BLS回归模型， 设置 网格搜索的范围， 即每个窗口对 应的特征节点的数量Mg,特 征节点窗口 的数量Fn， 以及增强节点的数量En； 步骤3： 将天线样本带入BLS模型进行回归建模， 根据原始输入随机生成具有恰当维数 的输入权重， 再利用稀疏自动编码 器的优势 微调初始权重以获得更好的特征； BLS不直接将 原始输入带入网络， 而是基于原 始数据学习其映射特 征得到特征节点； 当给定输入 输出 N为样本的数量， A和B分别为样本的输入以及输入 维度， 输入数据首先转换为随机的特征节点， 使用映射ηi将输入映射为n组特征节点， 设置 为线性映射以减少运 算复杂度， 第i组特 征节点为 Fi＝ ηi(XWei+βei),i＝1,2,…,n       (1) 其中， Wei和βei是随机生成权 重和偏置， 将所有特 征节点的组合表示 为 Fn＝[F1,F2,…,Fn]       (2) 步骤4： 这些特征节点， 经过激活函数进行非线性变换得到增强节点， 生成增强节点所 涉及的权 重和偏置均随机生成； 所有的特 征节点通过非线性变换 εj变换为m组增强节点， 将第j组增强节点表示 为 Ej＝ εj(FnWhj+βhj),j＝1,2, …,m        (3) 同样， 权重Whj和偏置βhj均为随机生成， 所有增强节点的组合表示 为 Em＝[E1,E2,…,Em]       (4) 步骤5： 特征节点和增强节点两部分构成模型的隐藏层， 与输出层相连， 设置岭回归参 数， 使用岭回归算法求 解输出权 重； 得到BLS的隐藏层 其中， L为隐藏层H的总节点数， 宽度学习 系统模型的输出为 Y＝HW      (6) 其中 为连接到输出层的输出权 重， 由岭回归近似算法得到， 如式(7) 其中， λ为 正则化系数， 则输出权 重为 W＝(HTH+λI)‑1HTY      (8) 其中， I为单位矩阵。 HT为H的转置矩阵， 当λ →∞时， 上述解趋于0， 当λ＝0时， 该问题退化 为最小二乘问题， 得到 输出权重 W＝H+Y    (9) 其中， H+为H的伪逆矩阵， 步骤6： 使用网格搜索法训练BLS,保存BLS的最优预测结果， 作 为先验知识， 即前后文信 息， 与原始输入混合作为新的输入， 进行再训练， 即重复步骤2 ‑6， 完成前后文宽度学习系统权　利　要　求　书 1/2 页 2 CN 114021472 A 2的建立； 定义Yu为对应模型u的预测结果， 将此作为前后文信息， 与原始输入混合作为每一 次迭 代的新输入 Xu＝[X|Yu‑1],u＝1,2, …U      (11) 将原始宽度学习系统称之为宽度学习系统模型1， Y0为空值矩阵， 输入X1即为原始输入 X， 当前输出则为Y1， 以此类推， 宽度学习系统模型u的输入为 Xu,输出为Yu， 首次训练完成后， 基于带有前后文信息Yu‑1的新的输入Xu， 重复步骤2 ‑6建立宽度模型u得到对应的新的输出 Yu； 步骤7： 设置迭代终止条件。 2.根据权利要求1所述的基于前后文宽度学习系统的天线快速优化设计方法， 其特征 在于， 步骤4中， 生成特征节点所涉及的权重和偏 置均随机生 成， 且按照以下方式实现： 在区 间[‑1,1]上服从标准的正态分布。 3.根据权利要求1所述的基于前后文宽度学习系统的天线快速优化设计方法， 其特征 在于， 步骤5中， 使用岭回归算法求 解输出权 重时对应的岭回归参数 λ＝2‑30。 4.根据权利要求1所述的基于前后文宽度学习系统的天线快速优化设计方法， 其特征 在于， 步骤6中， 由于首次训练没有前后文信息， 故将第一次的前后文信息设置为空值。 5.根据权利要求1所述的基于前后文宽度学习系统的天线快速优化设计方法， 其特征 在于， 步骤6中， 为了节约训练时间， 仅保存网格搜索所有结果中的最优预测值作为前后文 信息， 而不是将每一次的预测结果均传授给 下一个宽度模型。 6.根据权利要求1所述的基于前后文宽度学习系统的天线快速优化设计方法， 其特征 在于， 步骤7中， 迭代终止条件设置为测试误差相比原 始误差优化了40％便停止迭代。权　利　要　求　书 2/2 页 3 CN 114021472 A 3