-
公开(公告)号：CN113449423B
公开(公告)日：2023-11-24
申请号：CN202110740255.1
申请日：2021-06-30
Applicant: 北京工业大学
IPC: G06F30/20 , G06F18/214 , G06F18/20
Abstract: 本发明涉及一种应用于微波器件的新型高效电磁优化方法，属于微波器件设计优化领域，用于解决电磁优化中的局部优化方法容易因为优化起点不佳而陷入局部最优解和全局优化方法的收敛速率总是相对较低的问题。本发明具体提出了一种新型的包含并行局部采样和贝叶斯优化(BayesianOptimization，BO)方法的高效电磁优化方法。传统BO仅使用优化迭代中潜在最优解的信息，本发明提出一种新式并行局部采样策略，提高潜在最优解附近的采样能力，局部采样范围由当前潜在最优解的导数信息确定，使用局部采样点与潜在最优解共同建立替代模型进而指导优化过程。采用本发明能够对多数微波器件高效的进行设计优化，优化的收敛速度快，能有效的指导微波器件的生产。
-
Patent Agency Ranking
公开(公告)号：CN112347704B
公开(公告)日：2023-10-20
申请号：CN202011414317.1
申请日：2020-12-03
Applicant: 北京工业大学
IPC: G06F30/27 , G06F30/17 , G06N3/04 , G06N3/08 , G06F111/10
Abstract: 本发明涉及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，用于解决目前的微波器件神经网络建模方法繁琐耗时，难以满足日益提高的缩短微波器件和电路设计周期要求的问题。本方法首先找到对应的神经网络模型所需的最优的有效参数个数，然后通过这个最优的有效参数个数，计算得出所对应的神经网络模型的最优的隐藏层神经元个数，从而得到每个微波器件的神经网络模型的最优结构。此外，该方法可以直接嵌入到神经网络自动模型生成算法中，无论初始设置的隐藏层神经元个数是否接近最优值，均可以非常快速地找到对于当前微波器件建模问题来说最优的神经网络模型结构。该方法与现有技术相比，大大缩短了建模时间，提高了建模效率。
-
公开(公告)号：CN114462232B
公开(公告)日：2024-12-10
申请号：CN202210097217.3
申请日：2022-01-26
Applicant: 北京工业大学
IPC: G06F30/20 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于多层神经网络模型结构自适应的微波器件建模方法，属于微波器件建模领域，用于解决基于人工神经网络的微波器件建模中确定最优模型结构的问题。本发明提出一种基于多层神经网络模型结构自适应的微波器件建模方法，通过采用全新的多层神经网络模型结构，结合基于l1正则化的误差函数来训练该神经网络模型，实现了模型隐藏层层数和每个隐藏层中神经元个数的同时调节，最终获得最优的模型结构。本发明方法可以针对不同的微波建模问题，自适应获得不同的最优模型结构，可在实际使用中节省模型开发的时间，具有灵活和高效的优势。
-
公开(公告)号：CN114462232A
公开(公告)日：2022-05-10
申请号：CN202210097217.3
申请日：2022-01-26
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于多层神经网络模型结构自适应的微波器件建模方法，属于微波器件建模领域，用于解决基于人工神经网络的微波器件建模中确定最优模型结构的问题。本发明提出一种基于多层神经网络模型结构自适应的微波器件建模方法，通过采用全新的多层神经网络模型结构，结合基于l1正则化的误差函数来训练该神经网络模型，实现了模型隐藏层层数和每个隐藏层中神经元个数的同时调节，最终获得最优的模型结构。本发明方法可以针对不同的微波建模问题，自适应获得不同的最优模型结构，可在实际使用中节省模型开发的时间，具有灵活和高效的优势。
-
公开(公告)号：CN112347704A
公开(公告)日：2021-02-09
申请号：CN202011414317.1
申请日：2020-12-03
Applicant: 北京工业大学
IPC: G06F30/27 , G06F30/17 , G06N3/04 , G06N3/08 , G06F111/10
Abstract: 本发明涉及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，用于解决目前的微波器件神经网络建模方法繁琐耗时，难以满足日益提高的缩短微波器件和电路设计周期要求的问题。本方法首先找到对应的神经网络模型所需的最优的有效参数个数，然后通过这个最优的有效参数个数，计算得出所对应的神经网络模型的最优的隐藏层神经元个数，从而得到每个微波器件的神经网络模型的最优结构。此外，该方法可以直接嵌入到神经网络自动模型生成算法中，无论初始设置的隐藏层神经元个数是否接近最优值，均可以非常快速地找到对于当前微波器件建模问题来说最优的神经网络模型结构。该方法与现有技术相比，大大缩短了建模时间，提高了建模效率。
-
公开(公告)号：CN113449423A
公开(公告)日：2021-09-28
申请号：CN202110740255.1
申请日：2021-06-30
Applicant: 北京工业大学
Abstract: 本发明涉及一种应用于微波器件的新型高效电磁优化方法，属于微波器件设计优化领域，用于解决电磁优化中的局部优化方法容易因为优化起点不佳而陷入局部最优解和全局优化方法的收敛速率总是相对较低的问题。本发明具体提出了一种新型的包含并行局部采样和贝叶斯优化(BayesianOptimization，BO)方法的高效电磁优化方法。传统BO仅使用优化迭代中潜在最优解的信息，本发明提出一种新式并行局部采样策略，提高潜在最优解附近的采样能力，局部采样范围由当前潜在最优解的导数信息确定，使用局部采样点与潜在最优解共同建立替代模型进而指导优化过程。采用本发明能够对多数微波器件高效的进行设计优化，优化的收敛速度快，能有效的指导微波器件的生产。
-
-
-
-
-
Search Results
6
records
(took 0.044 seconds)
