1.基于先验知识神经网络的透镜天线多目标优化方法,其特征是,包括步骤如下:
步骤1、对于给定的透镜天线结构,利用全波仿真的方式收集N条仿真数据(xi,yi);其中xi为n维的仿真结构参数向量,yi为 维的仿真电磁响应向量;
步骤2、根据最大‑最小值归一化原则对N条仿真数据(xi,yi)进行归一化处理,得到N条归一化仿真数据 其中 为n维的归一化的仿真结构参数向量, 为 维的归一化的仿真电磁响应向量;
步骤3、构建由m个正向神经网络和1个逆向神经网络所组成的基于先验知识神经网络;
正向神经网络的输入为结构参数,输出为电磁响应;逆向神经网络输入为电磁响应,输出为结构参数;
步骤4、利用N条归一化仿真数据 分别对基于先验知识神经网络中的m个正向神经网络进行训练,得到m个训练好的正向神经网络;在对第k个电磁响应属性所对应的正向神经网络的训练过程中,将归一化的仿真结构参数向量 作为该正向神经网络的输入,将归一化的仿真电磁响应向量 中对应电磁响应的zk维作为该正向神经网络的输出,并使得训练误差和测试误差达到指定要求,由此得到对应训练好的正向神经网络;
步骤5、先随机生成N0个n维的随机结构参数向量x′j;再将随机结构参数向量x′j分别输入到m个训练好的正向神经网络中,分别得到m个zk维的随机电磁响应向量;后将m个zk维的电磁响应向量拼接成 维的电磁响应向量y′j;由此得到N0条随机数据(x′j,y′j);
步骤6、利用N0条随机数据(x′j,y′j)对基于先验知识神经网络中的逆向神经网络进行训练,得到训练好的逆向神经网络;在逆向神经网络的训练过程中,将随机结构参数向量y′j作为该逆向神经网络的输入,随机结构参数向量x′j作为该逆向神经网络的输出,并使得训练误差和测试误差达到指定要求,由此得到训练好的逆向神经网络;
步骤7、将待设计透镜天线所需满足的 维的电磁响应向量y输入到训练好的逆向神经网络中,得到待设计透镜天线所需设计的n维的目标结构参数向量x;
上述i=1,2,…,N,N表示设定的仿真数据的数量;j=1,2,…,N0,N0为设定的随机数据的数量;N0>N;n为所需设计的透镜天线的结构参数属性的数量;zk为第k个电磁响应属性的离散点数,k=1,2,…,m,m为所需满足的透镜天线的电磁响应属性的数量。
2.根据权利要求1所述的基于先验知识神经网络的透镜天线多目标优化方法,其特征是,步骤2中,对结构参数向量xi中的第p个结构参数属性的标签值进行归一化处理的公式为:
对电磁响应向量yi中的第k个电磁响应属性的第q个标签值进行归一化处理的公式为:
式中, 表示第i条仿真数据的第p个结构参数属性的归一化标签值, 表示第i条仿p
真数据的第p个结构参数属性的标签值,minx表示N条仿真数据中第p个结构参数属性的最p小标签值,maxx表示N条仿真数据中第p个结构参数属性的最大标签值,p=1,2,…,n,n表示结构参数属性的数量; 表示第i仿真数据的第k个电磁响应属性的第q个归一化标签k值, 表示第i条仿真数据的第k个电磁响应属性的第q个标签值,miny 表示N条仿真数据k中第k个电磁响应属性的最小标签值,maxy表示N条仿真数据中第k个电磁响应属性的最大标签值,q=1,2,…,zk,zk表示第k个电磁响应属性的离散点数,k=1,2,…,m,m为所需满足的透镜天线的电磁响应属性的数量;i=1,2,…,N,N表示仿真数据的数量。
3.根据权利要求1所述的基于先验知识神经网络的透镜天线多目标优化方法,其特征是,步骤2中,在对归一化仿真数据 进行归一化处理前,需要对变化超过设定阈值的电磁响应的标签值使用阶梯平滑法进行阶梯状平滑简化。