-
公开(公告)号：CN119272627A
公开(公告)日：2025-01-07
申请号：CN202411380654.1
申请日：2024-09-30
Applicant: 东南大学 , 南京集成电路设计自动化技术创新中心
IPC: G06F30/27 , G06F111/06
Abstract: 本发明公开了一种增量多保真度机器学习辅助的混合优化方法与系统，方法主要包括初始设置与初始样本获取、全局低保真度代理模型#imgabs0#与残差模型#imgabs1#训练、全局优化、局部代理模型训练与优化、低保真度全波仿真并更新代理模型#imgabs2#再预测与高保真度仿真等步骤。该方法在训练和更新代理模型的过程中引入多保真度模型和自适应增量学习，可以有效降低采样和训练的计算复杂度，同时在优化的过程中采用全局多目标与局部单目标的混合优化算法，能够提升算法搜索的效率。该方法可用于设计参数在20‑50维的中等规模天线、阵列、滤波器等多目标电磁器件的优化设计等领域。
-
公开(公告)号：CN113609677B
公开(公告)日：2024-01-23
申请号：CN202110895938.4
申请日：2021-08-05
Applicant: 东南大学
Abstract: 本发明公开了一种基于多路径的机器学习辅助天线设计方法，该方法利用深度高斯过程回归机器学习算法对多保真度训练集数据进行学习，得到代理模型；基于置信下界预筛分的方法，提出多路径的策略，在利用进化算法对代理模型进行全局最优值预测时，不同的置信下界常数动态权衡算法的收敛性和探索性，以多条路径进行全局最优解的搜索。该方法保证算法收敛速度的同时具体有鲁棒性。
-
公开(公告)号：CN116341360A
公开(公告)日：2023-06-27
申请号：CN202310044507.6
申请日：2023-01-30
Applicant: 东南大学
IPC: G06F30/27 , G06N3/0464 , G06N3/08 , G06N20/00 , G06N3/048
Abstract: 本发明公开了一种采用机器学习辅助优化的天线拓扑像素优化设计方法。该方法基于迭代式的机器学习辅助优化的算法架构，在算法的每次迭代中，引入卷积神经网络，建立像素化的天线拓扑和天线性能间的代理模型，并引入二进制的进化算法对代理模型进行优化，而后对优化结果进行验证并由此判断算法是否终止，若未终止，则将优化及验证结果加入数据集对神经网络进行重新训练，进行下一次算法迭代。相较于传统的仅基于进化类算法的天线拓扑像素优化方法，该方法大大提升了优化的收敛速度，并在同等时间内实现了优化结果的大幅度提升。该方法可用于不同种类天线的拓扑优化领域。
-
公开(公告)号：CN113051836B
公开(公告)日：2024-04-26
申请号：CN202110417710.4
申请日：2021-04-19
Applicant: 东南大学
IPC: G06F30/27 , G06F119/20
Abstract: 本发明公开了一种机器学习辅助的阵列环境下的天线快速建模方法，该方法通过引入机器学习方法，学习天线单元在阵列中的位置信息对单元的阵列中方向图和回波损耗等天线性能的影响，从而可以对任意阵列排布下的天线单元的性能进行快速预测。本发明中的方法将天线单元间互耦、阵列的电磁环境以及平台影响等考虑在内进行建模，可供天线阵列在实际电磁环境中的方向图进行快速优化设计。该方法可用于对不同类型的天线及天线阵列的波束赋形设计、低副瓣设计、多波束设计领域。
-
公开(公告)号：CN116861770A
公开(公告)日：2023-10-10
申请号：CN202310736966.0
申请日：2023-06-21
Applicant: 东南大学
IPC: G06F30/27 , G06F30/373
Abstract: 本发明公开了一种机器学习辅助的串馈阵列天线单元建模及综合方法。首先，在先验知识的指导下将微带串馈阵列天线分解为三种类型的元单元，并将每种元单元视为一端口或者二端口网络。其次，利用机器学习算法训练元单元的S参数和方向图，得到代理模型：在训练S参数时，将频率作为特征维度加入训练集；训练方向图时，为降低训练和预测的时间，对方向图的实部和虚部进行离散余弦变换，学习变换后的系数。然后给定串馈阵列天线的单元个数以及参数组合，利用代理模型预测元单元的S参数和方向图，最后再利用微波网络中S参数级联公式获得阵列的S参数近似值，利用方向图综合公式近似阵列的方向图。
-
Patent Agency Ranking
公开(公告)号：CN116562143A
公开(公告)日：2023-08-08
申请号：CN202310528667.8
申请日：2023-05-11
Applicant: 东南大学
Abstract: 本发明公开了一种基于归一化高斯网络的天线拓扑及参数混合优化方法。该方法基于迭代式的机器学习辅助优化的算法架构，在算法的每次迭代中，引入归一化高斯网络对天线拓扑进行特征提取，并引入高斯过程机器学习方法建立所提取的特征与天线性能间的代理模型；在此基础上，引入进化类算法对代理模型进行优化，而后将优化结果还原为天线拓扑，并利用全波仿真工具仿真进行验证，并由此判断算法是否终止，若未终止，则将优化及验证结果加入数据集对高斯过程机器学习模型进行重新训练，进行下一次算法迭代。相较于传统的基于像素剖分的拓扑优化方法，该方法可以获得光滑的天线拓扑边缘结构；机器学习方法的引入也大大提升了算法效率。
-
公开(公告)号：CN111985150A
公开(公告)日：2020-11-24
申请号：CN202010639297.1
申请日：2020-07-06
Applicant: 东南大学
IPC: G06F30/27
Abstract: 本发明公开了一种利用机器学习辅助优化的多层电子器件鲁棒优化设计方法，该方法构建了一种多层的电子器件鲁棒优化设计架构，并在其每层中引入机器学习辅助优化方法，从而可以利用已有信息预测包括电子器件性能响应、特定输入容差下的最差性能和特定输出容差下的最大输入容差超容量等信息，大大加速电子器件鲁棒优化设计流程。该方法可用于包括天线、阵列、有源及无源微波毫米波器件等在内的电子器件的鲁棒优化设计等领域。
-
公开(公告)号：CN115146544B
公开(公告)日：2025-02-25
申请号：CN202210900482.0
申请日：2022-07-28
Applicant: 东南大学
Abstract: 本发明公开了一种采用知识和数据混合驱动的阵列天线设计方法。该方法通过引入平面耦合区域分割和二维虚拟阵列拟合技术等先验的电磁知识，结合机器学习等数据驱动的方法，成功实现了快速的二维阵列环境下的天线元单元的有源方向图的建模，相较于传统的机器学习辅助的建模方法，提升了模型的预测精度的同时降低了计算复杂度。在此基础上，可以结合任意传统的阵列天线设计方法实现快速、精确的考虑阵元间互耦和平台效应的阵列天线设计。该方法可用于对不同类型的天线及天线阵列的建模及波束赋形设计、低副瓣设计、多波束设计领域。
-
公开(公告)号：CN111985150B
公开(公告)日：2024-06-04
申请号：CN202010639297.1
申请日：2020-07-06
Applicant: 东南大学
IPC: G06F30/27
Abstract: 本发明公开了一种利用机器学习辅助优化的多层电子器件鲁棒优化设计方法，该方法构建了一种多层的电子器件鲁棒优化设计架构，并在其每层中引入机器学习辅助优化方法，从而可以利用已有信息预测包括电子器件性能响应、特定输入容差下的最差性能和特定输出容差下的最大输入容差超容量等信息，大大加速电子器件鲁棒优化设计流程。该方法可用于包括天线、阵列、有源及无源微波毫米波器件等在内的电子器件的鲁棒优化设计等领域。
-
公开(公告)号：CN113051836A
公开(公告)日：2021-06-29
申请号：CN202110417710.4
申请日：2021-04-19
Applicant: 东南大学
IPC: G06F30/27 , G06F119/20
Abstract: 本发明公开了一种机器学习辅助的阵列环境下的天线快速建模方法，该方法通过引入机器学习方法，学习天线单元在阵列中的位置信息对单元的阵列中方向图和回波损耗等天线性能的影响，从而可以对任意阵列排布下的天线单元的性能进行快速预测。本发明中的方法将天线单元间互耦、阵列的电磁环境以及平台影响等考虑在内进行建模，可供天线阵列在实际电磁环境中的方向图进行快速优化设计。该方法可用于对不同类型的天线及天线阵列的波束赋形设计、低副瓣设计、多波束设计领域。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.032 seconds)
