电磁特征提取模型的建立方法、系统、设备及存储介质

1.本发明属于电磁器件设计技术领域，尤其涉及一种电磁特征提取模型的建立方法、系统、设备及存储介质。


背景技术：

2.在处理实际电磁问题中，很难通过建立具体表达式来求解设计变量与目标函数间关系，一般需要借助数值仿真计算或电磁仿真软件来建立这种复杂映射，但是其求解精度与时常消耗成正比，故机器学习模型和优化算法成为电磁设计领域的主流方法。高斯过程(gaussian process,gp)代理模型由于其适合处理小样本的优点，作为处理电磁实际问题的代理模型尤为合适，但是gp模型建立的过程中，通过电磁仿真软件获取真实样本，如果真实样本数据太少，会导致训练出的gp模型预测的准确度较低，若是获取较多的真实样本数据，则该过程较为漫长，代价较大。因此现有的gp模型建立面临着速度和精度之间的矛盾。


技术实现要素：

3.本发明的目的在于提供一种电磁特征提取模型的建立方法、系统、设备及存储介质，能够在不增加额外生产成本的条件下，提升gp模型预测的精确度。
4.本发明是通过以下技术方案实现的：
5.一种电磁特征提取模型的建立方法，包括以下步骤：
6.s1、根据待设计的电磁器件的工作频段范围和采样步长计算采样频点fi，i＝1、2、
……
、nf，nf为采样点个数；
7.s2、获取电磁器件不同物理参数下各采样频点处的s曲线幅值，构建第一样本集s
true
＝{x1,x2,
…
,xm}，其中，m为第一样本集内样本总数，第m个样本对xm为：xm＝[sm,ym]，其中，ym为p维电磁器件的物理参数，sm为在电磁物件的物理参数是ym情况下得到的s曲线上，在采用频点fi处的采用值构成的nf维向量，m＝1、2、
……
、m；
[0008]
s3、基于第一样本集s
true
，通过随机方式生成第二样本集s
*
，并将第一样本集和第二样本集合并成为混合样本集{s
true
,s
*
}，再将混合样本集中的元素两两随机组合，形成多组样本对{x
1,i
,x
2,i
}，i＝1、2、
……
、n，计算每组样本对{x
1,i
,x
2,i
}中的两个元素的相似度，根据相似度按照升序对多组样本对进行排序，排序在前第一预设数量组的样本对为相似样本对，其余样本对为非相似样本对；
[0009]
s4、建立孪生神经网络，使用相似样本对和非相似样本对训练孪生神经网络；
[0010]
s5、基于第一样本集s
true
，通过随机方式生成第三样本集，从第三样本集的元素中依次选择一个目标元素，利用训练好的孪生神经网络判断目标元素与第一样本集中的元素是否相似，若相似则将目标元素加入相似集合，若不相似则删除，重复步骤s5直至相似集合中的样本个数达到第二预设数量；
[0011]
s6、设定多个不同的k值，基于每个k值，通过knn算法计算相似集合中每个元素的输出电磁物理参数值，将相似集合中每个元素与其对应的电磁物理参数值组合为添加样本
对，得到每个k值对应的添加样本集合；
[0012]
s7、对于每个k值对应的添加样本集合，使用第一样本集s
true
和添加样本集合训练gp模型，计算训练好的gp模型的测试误差，对比输入不同k值时计算的gp模型的测试误差，得到测试误差最小的gp模型。
[0013]
进一步地，使用第一样本集s
true
和添加样本集合训练gp模型，计算训练好的gp模型的测试误差的步骤包括：
[0014]
s71、从添加样本集合中选取一个添加样本对构造训练集合；
[0015]
s72、使用第一样本集合s
true
和训练集合训练gp模型，计算训练好的gp模型的测试误差；
[0016]
s73、逐渐增加从添加样本集合中选取添加样本对的数量构造训练集合，重复步骤s72，直到训练集合与添加样本集合相同，得到不同训练集合对应的gp模型的测试误差；
[0017]
s74、对比不同训练集合训练的gp模型的测试误差，选出测试误差最小的gp模型作为k值对应的gp模型。
[0018]
进一步地，计算每组样本对{x
1,i
,x
2,i
}中的两个元素的相似度的步骤包括：
[0019]
计算样本对{x
1,i
,x
2,i
}中的两个元素的欧氏距离，其中欧氏距离的计算公式为：
[0020]
进一步地，计算训练好的gp模型的测试误差的步骤包括：
[0021]
采用公式计算gp模型的测试误差，其中，e为gp模型的测试误差，为第m个样本中的nf维s曲线采样值向量sm输入训练好的gp模型时gp模型的输出。
[0022]
进一步地，s曲线为回波损耗s
11
曲线。
[0023]
进一步地，孪生神经网络采用卷积神经网络，卷积神经网络包括第一卷积层、第一池化层、第二卷积层和全连接层，第一卷积层中，卷积核大小为6*6，数量为60，第一池化层中，池化窗口大小为2，第二卷积层中，卷积核大小为4*4，数量为80，全连接层中节点个数为100。
[0024]
进一步地，获取电磁器件不同物理参数下各采样频点处的s曲线幅值的步骤包括：
[0025]
采用仿真软件hfss获取电磁器件不同物理参数下各采样频点处的s曲线幅值。
[0026]
本发明还公开了一种电磁特征提取模型的建立系统，包括：
[0027]
第一计算模块，用于根据待设计的电磁器件的工作频段范围和采样步长计算采样频点fi，i＝1、2、
……
、nf，nf为采样点个数；
[0028]
第一构建模块，用于获取电磁器件不同物理参数下各采样频点处的s曲线幅值，构建第一样本集s
true
＝{x1,x2,
…
,xm}，其中，m为第一样本集内样本总数，第m个样本对xm为：xm＝[sm,ym]，其中，ym为p维电磁器件的物理参数，sm为在电磁物件的物理参数是ym情况下得到的s曲线上，在采用频点fi处的采用值构成的nf维向量，m＝1、2、
……
、m；
[0029]
第二构建模块，用于基于第一样本集s
true
，通过随机方式生成第二样本集s
*
，并将第一样本集和第二样本集合并成为混合样本集{s
true
,s
*
}，再将混合样本集中的元素两两随机组合，形成多组样本对{x
1,i
,x
2,i
}，i＝1、2、
……
、n，计算每组样本对{x
1,i
,x
2,i
}中的两个
元素的相似度，根据相似度按照升序对多组样本对进行排序，排序在前第一预设数量组的样本对为相似样本对，其余样本对为非相似样本对；
[0030]
建立模块，用于建立孪生神经网络，使用相似样本对和非相似样本对训练孪生神经网络；
[0031]
第三构建模块，用于基于第一样本集s
true
，通过随机方式生成第三样本集，从第三样本集的元素中依次选择一个目标元素，利用训练好的孪生神经网络判断目标元素与第一样本集中的元素是否相似，若相似则将目标元素加入相似集合，若不相似则删除，重复第三构建模块直至相似集合中的样本个数达到第二预设数量；
[0032]
第二计算模块，用于设定多个不同的k值，基于每个k值，通过knn算法计算相似集合中每个元素的输出电磁物理参数值，将相似集合中每个元素与其对应的电磁物理参数值组合为添加样本对，得到每个k值对应的添加样本集合；
[0033]
训练模块，用于对于每个k值对应的添加样本集合，使用第一样本集s
true
和添加样本集合训练gp模型，计算训练好的gp模型的测试误差，对比输入不同k值时计算的gp模型的测试误差，得到测试误差最小的gp模型。
[0034]
本发明还公开了一种电子设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述任一项方法的步骤。
[0035]
本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项的方法的步骤。
[0036]
相比于现有技术，本发明的有益效果为：
[0037]
(1)通过孪生神经网络联合knn算法生成一定量的具有一定可信度高的虚拟样本，扩充原始训练样本集，用于训练gp模型，提高训练gp模型的准确性和鲁棒性，从而提升gp模型预测性能，并且由于生成的虚拟样本的过程短，生产代价较小，即在不增加额外生产成本的条件下，提升gp模型预测的精确度；
[0038]
(2)本发明将电磁器件高维空间内的回波损耗曲线映射至其在低维空间中的物理参数，同时能够保持一定的电磁特征提取准确性；
[0039]
(3)孪生神经网络的训练对象一般为图像，主要应用在图像处理和模式识别，本发明将孪生神经网络与电磁研究方向进行交叉融合，一定程度上拓展了现有的电磁研究领域。
附图说明
[0040]
图1为本发明电磁特征提取模型的建立方法的步骤流程图；
[0041]
图2为实施例中wlan双频单极子天线的示意图；
[0042]
图3为实施例中wlan双频单极子天线的hfss模型图；
[0043]
图4为wlan双频单极子天线的随机生成样本对；
[0044]
图5为本发明电磁特征提取模型的建立系统的模块示意图；
[0045]
图6为本发明电子设备一实施例的结构示意图；
[0046]
图7为本发明计算机可读存储介质一实施例的结构示意框图。
具体实施方式
[0047]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0048]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0049]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0050]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0051]
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0052]
请参阅图1，图1为本发明电磁特征提取模型的建立方法的步骤流程图。一种电磁特征提取模型的建立方法，包括以下步骤：
[0053]
s1、根据待设计的电磁器件的工作频段范围和采样步长计算采样频点fi，i＝1、2、
……
、nf，nf为采样点个数；
[0054]
s2、获取电磁器件不同物理参数下各采样频点处的s曲线幅值，构建第一样本集s
true
＝{x1,x2,
…
,xm}，其中，m为第一样本集内样本总数，第m个样本对xm为：xm＝[sm,ym]，其中，ym为p维电磁器件的物理参数，sm为在电磁物件的物理参数是ym情况下得到的s曲线上，在采用频点fi处的采用值构成的nf维向量，m＝1、2、
……
、m；
[0055]
s3、基于第一样本集s
true
，通过随机方式生成第二样本集s
*
，并将第一样本集和第二样本集合并成为混合样本集{s
true
,s
*
}，再将混合样本集中的元素两两随机组合，形成多组样本对{x
1,i
,x
2,i
}，i＝1、2、
……
、n，计算每组样本对{x
1,i
,x
2,i
}中的两个元素的相似度，根据相似度按照升序对多组样本对进行排序，排序在前第一预设数量组的样本对为相似样本对，其余样本对为非相似样本对；
[0056]
s4、建立孪生神经网络，使用相似样本对和非相似样本对训练孪生神经网络；
[0057]
s5、基于第一样本集s
true
，通过随机方式生成第三样本集，从第三样本集的元素中依次选择一个目标元素，利用训练好的孪生神经网络判断目标元素与第一样本集中的元素
是否相似，若相似则将目标元素加入相似集合，若不相似则删除，重复步骤s5直至相似集合中的样本个数达到第二预设数量；
[0058]
s6、设定多个不同的k值，基于每个k值，通过knn算法计算相似集合中每个元素的输出电磁物理参数值，将相似集合中每个元素与其对应的电磁物理参数值组合为添加样本对，得到每个k值对应的添加样本集合；
[0059]
s7、对于每个k值对应的添加样本集合，使用第一样本集s
true
和添加样本集合训练gp模型，计算训练好的gp模型的测试误差，对比输入不同k值时计算的gp模型的测试误差，得到测试误差最小的gp模型。
[0060]
在上述步骤s1中，本实施例中，待设计的电磁器件采用wlan双频单极子天线(wlan dual-band monopole antenna,wlan-dbma)，如图2所示，wlan-dbma有两个l型支臂，其中右侧的l型支臂是低频单极子天线，其目标谐振频率为2.4ghz，左侧l型支臂是高频单极子天线，其目标谐振频率为5.2ghz；其hfss(high frequency structure simulator，高频结构仿真软件)的模型如图3所示。在hfss仿真过程中，wlan-dbma的工作频段范围设置为1ghz～6ghz，采样步长为0.01ghz，则根据工作频段范围1ghz～6ghz以及采样步长0.01ghz会产生501个采样频点fi，i＝1、2、
……
、nf，nf为501。
[0061]
在上述步骤s2中，根据实际应用场景，如表1所示，wlan双频单极子天线的部分物理参数已固定，变化的是4个物理参数[l2,l3,w1,w2]，实际上这4个的物理参数变量对所设计天线的目标谐振频段有显著影响，其中，w1为高频单极子天线的水平方向长度，l2为高频单极子垂直方向的长度，w2为低频单极子天线水平方向长度，l3低频单极子天线的垂直方向长度。
[0062]
表1 wlan双频单极子天线已确定的物理参数
[0063][0064]
如表2所示，wlan-dbma待确定4个物理参数的不同尺寸，全组合后会产生81组[l2,l3,w1,w2]不同的排列值，随机选取其中72组参数组合[l2,l3,w1,w2]，获取该72组参数组合[l2,l3,w1,w2]各自对应的回波损耗曲线s，每条回波损耗曲线s具有501个采样频点fi的回波损耗值。优选地，s曲线为回波损耗s
11
曲线。然后在72组参数组合[l2,l3,w1,w2]中随机选取48组构建真实回波损耗曲线样本集，得到第一样本集s
true
＝{x1,x2,
…
,x
48
}，第一样本集s
true
内样本总数m为48，xm＝[sm,ym]，ym为4维电磁器件的物理参数，ym＝[l2,l3,w1,w2]。剩余的24组可以作为测试集。
[0065]
表2 wlan双频单极子天线待确定的物理参数
[0066][0067]
进一步地，在步骤s2中，获取电磁器件不同物理参数下各采样频点处的s曲线幅值的步骤包括：
[0068]
s21、采用仿真软件hfss获取电磁器件不同物理参数下各采样频点处的s曲线幅
值。
[0069]
在上述步骤s21中，使用仿真软件hfss对72组参数组合[l2,l3,w1,w2]进行仿真，调用hfss-matlab-api联合脚本得到该72组参数组合[l2,l3,w1,w2]各自对应的回波损耗曲线s，每组回波损耗曲线s具有501个采样频点fi。
[0070]
在上述步骤s3中，以第一样本集s
true
为基础，通过添加随机噪声的方式生成新的回波损耗曲线，并形成新的回波损耗曲线集合，得到第二样本集s
*
，例如，在第一样本集s
true
的各真实回波损耗曲线s上添加随机噪声，生成多条新的回波损耗曲线，从而得到第二样本集s
*
。然后将第一样本集s
true
和第二样本集s
*
合并，组合成混合样本集合{s
true
,s
*
}，并将混合样本集中的元素两两随机组合，形成多组样本对{x
1,i
,x
2,i
}，i＝1、2、
……
、n，x
1,i
≠x
2,i
，x
1,i
,x
2,i
∈{s
true
,s
*
}。计算样本对{x
1,i
,x
2,i
}的相似度。具体地，样本对{x
1,i
,x
2,i
}的相似度即为样本对{x
1,i
,x
2,i
}的两个元素x
1,i
、x
2,i
的欧氏距离，欧氏距离可通过下式计算。并根据计算的每组样本对{x
1,i
,x
2,i
}的欧氏距离大小，按照升序对多组样本对{x
1,i
,x
2,i
}进行排序，排序在前第一预设数量组的样本对定义为相似相比对，其标签值为1，如图4(a)所示，剩下的样本对定义为非相似样本对，其标签值为0，如图4(b)所示。第一预设数量可根据样本对{x
1,i
,x
2,i
}的具体数量确定，如将第一预设数量设定为样本对{x
1,i
,x
2,i
}数量的10％、20％等，优选地，第一预设数量设定为样本对{x
1,i
,x
2,i
}数量的10％。
[0071]
在上述步骤s4中，选用合适的孪生神经网络训练参数，建立孪生神经网络。具体地，孪生神经网络采用卷积神经网络，卷积神经网络包括第一卷积层、第一池化层、第二卷积层和全连接层，第一卷积层、第一池化层、第二卷积层和全连接层依次连接，第一卷积层中，卷积核大小为6*6，数量为60，第一池化层中，池化窗口大小为2，第二卷积层中，卷积核大小为4*4，数量为80，全连接层中节点个数为100。使用相似样本对和非相似样本对训练孪生神经网络，得到训练好的孪生神经网络。
[0072]
在上述步骤s5中，在第一样本集s
true
的各真实回波损耗曲线s上通过添加随机噪声，生成多条新的回波损耗曲线，从而得到第三样本集，从第三样本集中的元素中依次选取一个目标元素，然后利用训练好的孪生神经网络，依次判断选取的目标元素与第一样本集s
true
内的元素是否相似，若相似，则将相似的目标元素计入相似集合{similarset}，若不相似则将不相似的目标元素删除。若第三样本集的所有元素判断完成后，相似集合{similarset}的元素数量没有达到第二预设数量，则继续在第一样本集s
true
再次随机生成多条新的回波损耗曲线，从而得到新的第三样本集，再次重复上述过程，依次判断第三样本集内的元素与第一样本集s
true
内的元素是否相似，直到相似集合{similarset}内的元素达到第二预设数量。第二预设数量可以根据实际情况设定，如将第二预设数量设定为48。
[0073]
在上述步骤s6中，knn算法(k-nearest neighbor，k最近邻法)中的k值的确定需要根据经验决定，选取一个较小的k值会导致算法精度低，而太大的k值将会增加算法的复杂度，因此一般来说k值最小为3，最大一般不会超过12，本实施例中，将k值分别设定为4，6，8，10，12。当然在k值的选择可以从3开始，每次调整k值时将k值加1，直到选出最合适的k值。对于每个设定的k值，通过knn算法计算相似集合{similarset}中元素的输出电磁物理参数值，并将相似集合{similarset}中每个元素与其对应的电磁物理参数值组合为添加样本
对，得到每个k值对应的添加样本集{addedset}。
[0074]
在上述步骤s7中，对于每个k值对应的添加样本集合{addedset}，使用第一样本集s
true
和添加样本集合{addedset}训练gp模型，并采用公式计算训练好的gp模型的测试误差，得到每个k值对应gp模型的测试误差，其中，e为gp模型的测试误差，为第m个样本中的nf维s曲线采样值向量sm输入训练好的gp模型时gp模型的输出。对比输入不同k值时计算的gp模型的测试误差，得到测试误差最小的gp模型，完成gp模型的建立。本发明目的是将具有501维度的wlan-dbma的回波损耗幅值，特征提取压缩映射至4维空间的天线物理参数[l2,l3,w1,w2]上，同时预测准确性能在传统gp模型上有所提升。
[0075]
通过增加添加样本集合{addedset}来提升gp模型训练的准确度，但是不能通过无限度扩充添加样本集{addedset}来提升gp模型训练的准确度，需要控制在合理数量范围内。进一步地，使用第一样本集s
true
和添加样本集合训练gp模型，计算训练好的gp模型的测试误差的步骤包括：
[0076]
s71、从添加样本集合中选取一个添加样本对构造训练集合；
[0077]
s72、使用第一样本集合s
true
和训练集合训练gp模型，计算训练好的gp模型的测试误差；
[0078]
s73、逐渐增加从添加样本集合中选取添加样本对的数量构造训练集合，重复步骤s72，直到训练集合与添加样本集合相同，得到不同训练集合对应的gp模型的测试误差；
[0079]
s74、对比不同训练集合训练的gp模型的测试误差，选出测试误差最小的gp模型作为k值对应的gp模型。
[0080]
在上述步骤s71至步骤s74中，训练集合的样本数量从一个添加样本对开始，逐渐增加到48个添加样本对，即使得训练集合与添加样本集合相同，从而得到含有不同数量的添加样本对的训练集合。对于每个训练集合，使用第一样本集合s
true
和训练集合训练gp模型，然后计算训练好的gp模型的测试误差，得到不同训练集合对应的gp模型的测试误差，从中选出测试误差最小的gp模型作为k值对应的gp模型。在后续对比输入不同k值时计算的gp模型的测试误差时，以k值对应的gp模型的测试误差进行对比判断。
[0081]
以下采用测试样本对建立的gp模型进行测试，本实施例中，第一预设数量设定为样本对{x
1,i
,x
2,i
}数量的10％，通过改变knn算法中k值与增加添加样本对个数来探索对gp模型性能的影响程度，原有gp模型训练样本为48个，测试样本为24个，添加样本对的个数选择48的25％，50％，75％，100％，即添加样本对的个数选择为12、24、36和48。当然在其他实施例中，可以从一个添加样本对开始，每次增加一个添加样本对，直到添加样本对的数量达到48，在此处不对添加样本对的选取个数做限定。根据表3的gp模型预测结果显示，当k＝6时，从12增加至48个添加样本对时gp模型预测准确率一直在提升，对于k＝4，10，12时，直至从12增加至36个样本对时，模型预测准确率一直在提升，增加至48时，准确率有所下降，但在可接受范围内。当k＝8时，增加12个样本对时模型预测准确度最高，增加至24个样本对时准确度降低，但增加至36个样本对时，准确度又有所提升并且小于增加至24个时，增加至48时准确率下降且最低。但是表3中85％的预测结果(mape)都优于未曾使用添加样本集{addedset}下直接训练的gp模型，由此可见，添加样本集{addedset}有一定可信度，在原有训练样本上增加添加样本集{addedset}训练的gp模块相对于通过原有训练样本训练的gp
模型上有所改进。在不同k值下不同增加样本的个数对模型准确率提高效果不同，本例增加至36个样本时准确度相对最高，其中当k＝10，增加至36个样本后，训练出的gp模型效果最优，mape为2.624％，而在不使用添加样本集合{addedset}基础上的高斯模型mape为3.223％，因此，在原有训练样本上增加添加样本集{addedset}训练的gp模块相对于通过原有训练样本训练的gp模型的准确率提升了18.585％。
[0082]
表3不同k值下改变添加样本个数的测试结果
[0083][0084][0085]
请结合参阅图5，图5为本发明电磁特征提取模型的建立系统的模块示意图。本发明还公开了一种电磁特征提取模型的建立系统，包括：
[0086]
第一计算模块1，用于根据待设计的电磁器件的工作频段范围和采样步长计算采样频点fi，i＝1、2、
……
、nf，nf为采样点个数；
[0087]
第一构建模块2，用于获取电磁器件不同物理参数下各采样频点处的s曲线幅值，构建第一样本集s
true
＝{x1,x2,
…
,xm}，其中，m为第一样本集内样本总数，第m个样本对xm为：xm＝[sm,ym]，其中，ym为p维电磁器件的物理参数，sm为在电磁物件的物理参数是ym情况下得到的s曲线上，在采用频点fi处的采用值构成的nf维向量，m＝1、2、
……
、m；
[0088]
第二构建模块3，用于基于第一样本集s
true
，通过随机方式生成第二样本集s
*
，并将第一样本集和第二样本集合并成为混合样本集{s
true
,s
*
}，再将混合样本集中的元素两两随机组合，形成多组样本对{x
1,i
,x
2,i
}，i＝1、2、
……
、n，计算每组样本对{x
1,i
,x
2,i
}中的两个元素的相似度，根据相似度按照升序对多组样本对进行排序，排序在前第一预设数量组的样本对为相似样本对，其余样本对为非相似样本对；
[0089]
建立模块4，用于建立孪生神经网络，使用相似样本对和非相似样本对训练孪生神经网络；
[0090]
第三构建模块5，用于基于第一样本集s
true
，通过随机方式生成第三样本集，从第三样本集的元素中依次选择一个目标元素，利用训练好的孪生神经网络判断目标元素与第一样本集中的元素是否相似，若相似则将目标元素加入相似集合，若不相似则删除，重复第三构建模块直至相似集合中的样本个数达到第二预设数量；
[0091]
第二计算模块6，用于设定多个不同的k值，基于每个k值，通过knn算法计算相似集合中每个元素的输出电磁物理参数值，将相似集合中每个元素与其对应的电磁物理参数值组合为添加样本对，得到每个k值对应的添加样本集合；
[0092]
训练模块7，用于对于每个k值对应的添加样本集合，使用第一样本集s
true
和添加样本集合训练gp模型，计算训练好的gp模型的测试误差，对比输入不同k值时计算的gp模型的测试误差，得到测试误差最小的gp模型。
[0093]
本实施例中，待设计的电磁器件采用wlan双频单极子天线(wlan dual-band monopole antenna,wlan-dbma)，如图2所示，wlan-dbma有两个l型支臂，其中右侧的l型支臂是低频单极子天线，其目标谐振频率为2.4ghz，左侧l型支臂是高频单极子天线，其目标谐振频率为5.2ghz；其hfss(high frequency structure simulator，高频结构仿真软件)的模型如图3所示.在hfss仿真过程中，wlan-dbma的工作频段范围设置为1ghz～6ghz，采样步长为0.01ghz，则第一计算模块1根据工作频段范围1ghz～6ghz以及采样步长0.01ghz会产生501个采样频点fi，i＝1、2、
……
、nf，nf为501。
[0094]
根据实际应用场景，如表1所示，wlan双频单极子天线的部分物理参数已固定，变化的是4个物理参数[l2,l3,w1,w2]，实际上这4个的物理参数变量对所设计天线的目标谐振频段有显著影响，其中，w1为高频单极子天线的水平方向长度，l2为高频单极子垂直方向的长度，w2为低频单极子天线水平方向长度，l3低频单极子天线的垂直方向长度。
[0095]
在第二构建模块2中，如表2所示，wlan-dbma待确定4个物理参数的不同尺寸，全组合后会产生81组[l2,l3,w1,w2]不同的排列值，随机选取其中72组参数组合[l2,l3,w1,w2]，获取该72组参数组合[l2,l3,w1,w2]各自对应的回波损耗曲线s，每条回波损耗曲线s具有501个采样频点fi的回波损耗值。优选地，s曲线为回波损耗s
11
曲线。然后在72组参数组合[l2,l3,w1,w2]中随机选取48组构建真实回波损耗曲线样本集，得到第一样本集s
true
＝{x1,x2,
…
,x
48
}，第一样本集s
true
内样本总数m为48，xm＝[sm,ym]，ym为4维电磁器件的物理参数，ym＝[l2,l3,w1,w2]。剩余的24组可以作为测试集。
[0096]
进一步地，第一构建模块2包括：
[0097]
构建子模块，用于采用仿真软件hfss获取电磁器件不同物理参数下各采样频点处的s曲线幅值。
[0098]
构建子模块使用仿真软件hfss对72组参数组合[l2,l3,w1,w2]进行仿真，调用hfss-matlab-api联合脚本得到该72组参数组合[l2,l3,w1,w2]各自对应的回波损耗曲线s，每组回波损耗曲线s具有501个采样频点fi。
[0099]
第二构建模块3以第一样本集s
true
为基础，通过添加随机噪声的方式生成新的回波损耗曲线，并形成新的回波损耗曲线集合，得到第二样本集s
*
，例如，在第一样本集s
true
的各真实回波损耗曲线s上添加随机噪声，生成多条新的回波损耗曲线，从而得到第二样本集s*
。然后将第一样本集s
true
和第二样本集s
*
合并，组合成混合样本集合{s
true
,s
*
}，并将混合样本集中的元素两两随机组合，形成多组样本对{x
1,i
,x
2,i
}，i＝1、2、
……
、n，x
1,i
≠x
2,i
，x
1,i
,x
2,i
∈{s
true
,s
*
}。计算样本对{x
1,i
,x
2,i
}的相似度。具体地，样本对{x
1,i
,x
2,i
}的相似度即为样本对{x
1,i
,x
2,i
}的两个元素x
1,i
、x
2,i
的欧氏距离，欧氏距离可通过下式计算。并根据计算的每组样本对{x
1,i
,x
2,i
}的欧氏距离大小，按照升序对多组样本对{x
1,i
,x
2,i
}进行排序，排序在前第一预设数量组的样本对定义为相似相比对，其标签值为1，如图4(a)所示，剩下的样本对定义为非相似样本对，其标签值为0，如图4(b)所示。第一预设数量可根据样本对{x
1,i
,x
2,i
}的具体数量确定，如将第一预设数量设定为样本对{x
1,i
,x
2,i
}数量的10％、20％等，优选地，第一预设数量设定为样本对{x
1,i
,x
2,i
}数量的10％。
[0100]
建立模块4选用合适的孪生神经网络训练参数，建立孪生神经网络。具体地，孪生神经网络采用卷积神经网络，卷积神经网络包括第一卷积层、第一池化层、第二卷积层和全连接层，第一卷积层、第一池化层、第二卷积层和全连接层依次连接，第一卷积层中，卷积核大小为6*6，数量为60，池化层中，池化窗口大小为2，第二卷积层中，卷积核大小为4*4，数量为80，全连接层中节点个数为100。使用相似样本对和非相似样本对训练孪生神经网络，得到训练好的孪生神经网络。
[0101]
第三构建模块5在第一样本集s
true
的各真实回波损耗曲线s上通过添加随机噪声，生成多条新的回波损耗曲线，从而得到第三样本集，从第三样本集中的元素中依次选取一个目标元素，然后利用训练好的孪生神经网络，依次判断选取的目标元素与第一样本集s
true
内的元素是否相似，若相似，则将相似的目标元素计入相似集合{similarset}，若不相似则将不相似的目标元素删除。若第三样本集的所有元素判断完成后，相似集合{similarset}的元素数量没有达到第二预设数量，则继续在第一样本集s
true
再次随机生成多条新的回波损耗曲线，从而得到新的第三样本集，再次重复上述过程，依次判断第三样本集内的元素与第一样本集s
true
内的元素是否相似，直到相似集合{similarset}内的元素达到第二预设数量。第二预设数量可以根据实际情况设定，如将第二预设数量设定为48。
[0102]
第二计算模块6将knn算法(k-nearest neighbor，k最近邻法)中的k值的确定需要根据经验决定，选取一个较小的k值会导致算法精度低，而太大的k值将会增加算法的复杂度，因此一般来说k值最小为3，最大一般不会超过12，本实施例中，将k值分别设定为4，6，8，10，12。当然在k值的选择可以从3开始，每次调整k值时将k值加1，直到选出最合适的k值。对于每个设定的k值，通过knn算法计算相似集合{similarset}中元素的输出电磁物理参数值，并将相似集合{similarset}中每个元素与其对应的电磁物理参数值组合为添加样本对，得到每个k值对应的添加样本集{addedset}。
[0103]
对于每个k值对应的添加样本集合{addedset}，训练模块7使用第一样本集s
true
和添加样本集合{addedset}训练gp模型，并采用公式计算训练好的gp模型的测试误差，得到每个k值对应gp模型的测试误差，其中，e为gp模型的测试误差，为第m个样本中的nf维s曲线采样值向量sm输入训练好的gp模型时gp模型的输出。对比输入不同k值时计算的gp模型的测试误差，得到测试误差最小的gp模型，完成gp模型的建立。本
发明目的是将具有501维度的wlan-dbma的回波损耗幅值，特征提取压缩映射至4维空间的天线物理参数[l2,l3,w1,w2]上，同时预测准确性能在传统gp模型上有所提升。
[0104]
通过增加添加样本集合{addedset}来提升gp模型训练的准确度，但是不能通过无限度扩充添加样本集{addedset}来提升gp模型训练的准确度，需要控制在合理数量范围内。进一步地，训练模块7包括：
[0105]
构造子模块，用于从添加样本集合中选取一个添加样本对构造训练集合；
[0106]
训练子模块，用于使用第一样本集合s
true
和训练集合训练gp模型，计算训练好的gp模型的测试误差；
[0107]
重复子模块，用于逐渐增加从添加样本集合中选取添加样本对的数量构造训练集合，重复执行训练子模块，直到训练集合与添加样本集合相同，得到不同训练集合对应的gp模型的测试误差；
[0108]
得到子模块，用于对比不同训练集合训练的gp模型的测试误差，选出测试误差最小的gp模型作为k值对应的gp模型。
[0109]
在上述构造子模块至得到子模块中，训练集合的样本数量从一个添加样本对开始，逐渐增加到48个添加样本对，即使得训练集合与添加样本集合相同，从而得到含有不同数量的添加样本对的训练集合。对于每个训练集合，使用第一样本集合s
true
和训练集合训练gp模型，然后计算训练好的gp模型的测试误差，得到不同训练集合对应的gp模型的测试误差，从中选出测试误差最小的gp模型作为k值对应的gp模型。在后续对比输入不同k值时计算的gp模型的测试误差时，以k值对应的gp模型的测试误差进行对比判断。
[0110]
请结合参阅图6，图6为本发明电子设备一实施例的结构示意框图。本发明一实施例还提出一种电子设备1001，包括存储器1003和处理器1002，存储器1003存储有计算机程序1004，处理器1002执行计算机程序1004时实现上述任一项电磁特征提取模型的建立方法的步骤，包括：s1、根据待设计的电磁器件的工作频段范围和采样步长计算采样频点fi，i＝1、2、
……
、nf，nf为采样点个数；获取所述电磁器件不同物理参数下各采样频点处的s曲线幅值，构建第一样本集s
true
＝{x1,x2,
…
,xm}，其中，m为第一样本集内样本总数，第m个样本对xm为：xm＝[sm,ym]，其中，ym为p维电磁器件的物理参数，sm为在所述电磁物件的物理参数是ym情况下得到的s曲线上，在采用频点fi处的采用值构成的nf维向量，m＝1、2、
……
、m；s3、基于第一样本集s
true
，通过随机方式生成第二样本集s
*
，并将第一样本集和第二样本集合并成为混合样本集{s
true
,s
*
}，再将混合样本集中的元素两两随机组合，形成多组样本对{x
1,i
,x
2,i
}，i＝1、2、
……
、n，计算每组样本对{x
1,i
,x
2,i
}中的两个元素的相似度，根据相似度按照升序对多组样本对进行排序，排序在前第一预设数量组的样本对为相似样本对，其余样本对为非相似样本对；s4、建立孪生神经网络，使用相似样本对和非相似样本对训练孪生神经网络；s5、基于第一样本集s
true
，通过随机方式生成第三样本集，从第三样本集的元素中依次选择一个目标元素，利用训练好的孪生神经网络判断目标元素与第一样本集中的元素是否相似，若相似则将目标元素加入相似集合，若不相似则删除，重复步骤s5直至相似集合中的样本个数达到第二预设数量；s6、设定多个不同的k值，基于每个k值，通过knn算法计算相似集合中每个元素的输出电磁物理参数值，将相似集合中每个元素与其对应的电磁物理参数值组合为添加样本对，得到每个k值对应的添加样本集合；s7、对于每个k值对应的添加样本集合，使用第一样本集s
true
和添加样本集合训练gp模型，计算训练好的gp模型的测试误
差，对比输入不同k值时计算的gp模型的测试误差，得到测试误差最小的gp模型。
[0111]
请结合参阅图7，图7为本发明计算机可读存储介质一实施例的结构示意框图。本发明一实施例还提供一种计算机可读存储介质2001，其上存储有计算机程序1004，计算机程序1004被处理器1002执行时实现上述任一项电磁特征提取模型的建立方法的步骤，包括：s1、根据待设计的电磁器件的工作频段范围和采样步长计算采样频点fi，i＝1、2、
……
、nf，nf为采样点个数；获取所述电磁器件不同物理参数下各采样频点处的s曲线幅值，构建第一样本集s
true
＝{x1,x2,
…
,xm}，其中，m为第一样本集内样本总数，第m个样本对xm为：xm＝[sm,ym]，其中，ym为p维电磁器件的物理参数，sm为在所述电磁物件的物理参数是ym情况下得到的s曲线上，在采用频点fi处的采用值构成的nf维向量，m＝1、2、
……
、m；s3、基于第一样本集s
true
，通过随机方式生成第二样本集s
*
，并将第一样本集和第二样本集合并成为混合样本集{s
true
,s
*
}，再将混合样本集中的元素两两随机组合，形成多组样本对{x
1,i
,x
2,i
}，i＝1、2、
……
、n，计算每组样本对{x
1,i
,x
2,i
}中的两个元素的相似度，根据相似度按照升序对多组样本对进行排序，排序在前第一预设数量组的样本对为相似样本对，其余样本对为非相似样本对；s4、建立孪生神经网络，使用相似样本对和非相似样本对训练孪生神经网络；s5、基于第一样本集s
true
，通过随机方式生成第三样本集，从第三样本集的元素中依次选择一个目标元素，利用训练好的孪生神经网络判断目标元素与第一样本集中的元素是否相似，若相似则将目标元素加入相似集合，若不相似则删除，重复步骤s5直至相似集合中的样本个数达到第二预设数量；s6、设定多个不同的k值，基于每个k值，通过knn算法计算相似集合中每个元素的输出电磁物理参数值，将相似集合中每个元素与其对应的电磁物理参数值组合为添加样本对，得到每个k值对应的添加样本集合；s7、对于每个k值对应的添加样本集合，使用第一样本集s
true
和添加样本集合训练gp模型，计算训练好的gp模型的测试误差，对比输入不同k值时计算的gp模型的测试误差，得到测试误差最小的gp模型。
[0112]
相比于现有技术，本发明的有益效果为：
[0113]
(1)通过孪生神经网络联合knn算法生成一定量的具有一定可信度高的虚拟样本，扩充原始训练样本集，用于训练gp模型，提高训练gp模型的准确性和鲁棒性，从而提升gp模型预测性能，并且由于生成的虚拟样本的过程短，生产代价较小，即在不增加额外生产成本的条件下，提升gp模型预测的精确度，并提高gp模型建立速度；
[0114]
(2)本发明将电磁器件高维空间内的回波损耗曲线映射至其在低维空间中的物理参数，同时能够保持一定的电磁特征提取准确性；
[0115]
(3)孪生神经网络的训练对象一般为图像，主要应用在图像处理和模式识别，本发明将孪生神经网络与电磁研究方向进行交叉融合，一定程度上拓展了现有的电磁研究领域。
[0116]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，
诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0117]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
[0118]
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。