一维输入向量构建二维二值图模型方法、建模方法及设备

本发明属于微波滤波器建模，具体地说涉及一种一维输入向量构建二维二值图模型方法、建模方法及设备。

背景技术：

1、微波滤波器是用来分离不同频率微波信号的一种微波器件，主要作用是用来抑制不需要的信号，使其不能通过滤波器,只让需要的信号通过。近年来，随着深度学习技术的发展，使其在微波滤波器设计中发挥了越来越重要的作用。卷积神经网络(cnn)作为深度学习的典型代表模型，在微波滤波器的设计和优化中也得到了一定的应用。

2、一般地，cnn的基本结构包括两层，即特征提取层和特征映射层。特征提取层每个神经元的输入与前面一层的局部相连，并提取其局部特征；特征映射层的每个计算层由多个特征映射组成，每个特征映射结构采用不同形式的激活函数，使特征映射具有位移不变性。cnn主要用来识别位移、缩放及其他形式扭曲不变性的二维图形，由于其局部权值共享的特殊结构，在图像处理方面有着独特的优越性。

3、当采用cnn对微波滤波器进行建模时，传统上，将微波滤波器的结构参数和材料参数组成一维向量作为cnn的输入，但是这种方法由于没有能够充分发挥cnn模拟生物视觉特点，即没有能够充分发挥cnn适合于处理图像的特点，往往模型效果不佳。。

技术实现思路

1、本发明提出一种一维输入向量构建二维二值图模型方法、建模方法及设备，其能提高建模的精度。

2、本发明的技术方案为：

3、一种一维输入向量构建二维二值图模型方法，包括步骤：

4、选取待建模微波滤波器的物理尺寸参数和材料特征参数，将其表示为向量的形式：

5、x＝[x1,x2,…,xn] (1)

6、在式(1)中，n为物理尺寸参数和材料特征参数的数量，xi＝[ximin,ximax]，ximin代表一维向量中具体某一xi取值范围内的最小值，ximax代表xi取值范围内的最大值

7、将式(1)中的xi归一化为

8、

9、将中每一个元素都表示成二值图的形式，再堆叠在一起，构成二维二值图模型。

10、作为本发明的进一步改进，根据设计要求和加工精度，选取x～i的精度。

11、本发明的上述技术方案相比现有技术具有以下优点：可以实现一维输入向量构建二维二值图模型，为后续提高微波滤波器建模方法的精度和网络的泛化能力提供基础。

12、本发明提供了一种微波滤波器建模方法，包括步骤：

13、将上述一维输入向量构建二维二值图模型方法得到的二维二值图模型输入到二维卷积神经网络模型中，通过特征提取层和特征映射层完成卷积神经网络模型的搭建；

14、对卷积神经网络模型进行训练；

15、以训练好的卷积神经网络模型作为群智能全局优化算法的适应度评价函数。

16、作为本发明的进一步改进，在将上述方法得到的二维二值图模型输入到二维卷积神经网络模型中，通过特征提取层和特征映射层完成建模的步骤中：

17、特征提取层中每个神经元的输入与前一层中的局部接受域相互连接，通过卷积操作后提取其局部特征。

18、特征提取层中提取到的特征采用激活函数进行映射，形成特征映射层。

19、作为本发明的进一步改进，所述对卷积神经网络模型进行训练的步骤，包括：

20、确定卷积神经网络模型的误差函数形式；

21、通过反向传播算法对卷积神经网络模型进行训练。

22、作为本发明的进一步改进，所述误差函数包括：均方根误差、平均误差。

23、作为本发明的进一步改进，每次正向通过卷积神经网络模型后计算误差，并将误差进行后向传递，调整卷积神经网络模型的网络参数，学习输入到输出映射的内部表示，形成所述反向传播算法。

24、本发明的上述技术方案相比现有技术具有以下优点：将卷积神经网络模型用于微波滤波器建模时的一维输入创新性地构建成二维二值图模型的形式，能够充分发挥卷积神经网络模拟生物视觉特点，即充分发挥卷积神经网络适合于处理图像的特点，可以很好地解决卷积神经网络模型模型精度不高的问题，提高建模的精度和网络的泛化能力。

25、本发明还提供了一种计算机设备，包括处理器和储存器，所述储存器中储存有程序代码，所述处理器执行所述程序代码以执行上述的微波滤波器建模方法。

26、本发明还提供了一种计算机可读存储介质，其特征在于，所述可读存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述的微波滤波器建模方法。

技术特征：

1.一种一维输入向量构建二维二值图模型方法，其特征在于，包括步骤：

2.根据权利要求1所述的一维输入向量构建二维二值图模型方法，其特征在于，根据设计要求和加工精度，选取的精度。

3.一种微波滤波器建模方法，其特征在于，包括步骤：

4.根据权利要求3所述的微波滤波器建模方法，其特征在于，所述在将权利要求1或2所述方法得到的二维二值图模型输入到二维卷积神经网络模型中，通过特征提取层和特征映射层完成建模的步骤中：

5.根据权利要求3所述的微波滤波器建模方法，其特征在于，所述对卷积神经网络模型进行训练的步骤，包括：

6.根据权利要求4所述的微波滤波器建模方法，其特征在于，所述误差函数包括：均方根误差、平均误差。

7.根据权利要求5所述的微波滤波器建模方法，其特征在于，每次正向通过卷积神经网络模型后计算误差，并将误差进行后向传递，调整卷积神经网络模型的网络参数，学习输入到输出映射的内部表示，形成所述反向传播算法。

8.一种计算机设备，其特征在于，包括处理器和储存器，所述储存器中储存有程序代码，所述处理器执行所述程序代码以执行权利要求3-7中任一项所述的微波滤波器建模方法。

9.一种计算机可读存储介质，其特征在于，所述可读存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求3-7任一所述的微波滤波器建模方法。

技术总结本发明公开了一种一维输入向量构建二维二值图模型方法、建模方法及设备，一维输入向量构建二维二值图模型方法包括步骤：选取待建模微波滤波器的物理尺寸参数和材料特征参数，将其表示为向量的形式：将向量进行归一化后标示为二值图的形式，再堆叠在一起，构成二维二值图模型，建模方法基于该二维二值图模型进行微波滤波器的建模，基于本发明，可以提高建模的精度和网络的泛化能力。技术研发人员：田雨波,孟非,赖展军,梅志林受保护的技术使用者：广州航海学院技术研发日：技术公布日：2024/7/29