面向强化学习的深度神经网络生成方法

    公开(公告)号:CN115511077A

    公开(公告)日:2022-12-23

    申请号:CN202211200662.4

    申请日:2022-09-29

    Abstract: 本发明公开了一种面向强化学习的深度神经网络生成方法,包含以下步骤:采用循环神经网络产生子网络拓扑模型,设计需求驱动的直接奖励,对待识别的样本进行充分训练后计算该子网络拓扑模型的奖励,并反向传播至循环神经网络;采用策略梯度下降计算法则,结合交叉熵梯度模型,更新循环神经网络参数;产生新的卷积神经子网络拓扑模型,进行下一次更新直至收敛;对收敛时输出的子网络拓扑模型采样,选择最大概率项和其对应的状态空间元素,合并生成最优的子网络拓扑模型。本发明可以自适应优化出更加优异的深度神经网络,并且可以降低训练难度和收敛时间。

    唯相位加权波束快速赋形方法

    公开(公告)号:CN109639329B

    公开(公告)日:2022-03-29

    申请号:CN201811366570.7

    申请日:2018-11-16

    Abstract: 本发明的相控阵天线唯相位波束快速赋形方法,包括:1)设定期望形状的天线波束图,初始化所有离散角度的权重函数、所有天线单元的幅度加权值和相位加权值,获取初始的相控阵天线波束图;2)更新所有天线单元的相位加权值:任一天线单元的相位加权为变量,其它天线单元的相位加权值为上一次迭代计算得到的值,通过最小化波束赋形问题求导计算得到该天线单元新的相位加权值;3)利用更新后的相位加权向量形成新的天线波束图,计算波束赋形误差,计算每个离散角度上的权重函数,直至所有离散角度处权重函数更新计算完成;重复步骤2)和步骤3),直至阵列天线波束图与期望形状波束图的误差满足要求,得到优化相位加权向量。

Patent Agency Ranking