[发明专利]一种基于半监督学习的平面倒F型天线谐振频率预测方法

权利要求书

1.一种基于半监督学习的平面倒F型天线谐振频率预测方法，其特征在于：包括以下步骤：

步骤1：构建初始训练集、测试集Test.G和未标记数据集，构建平面倒F型天线谐振频率的GP模型和SVM模型；

步骤2：采用初始训练集对步骤1中的GP模型和SVM模型进行训练，采用测试集对训练得到的GP模型和SVM模型进行测试，得到初始误差；

步骤3：从未标记数据集中选择N₁个样本X输入至步骤2训练得到的GP模型中，得到对应输出gp.Y，记为伪标记样本CO.GP(X,gp.Y)，将该N₁个样本X输入至步骤2训练得到的SVM模型，得到对应输出svm.Y，记为伪标记样本CO.SVM(X,svm.Y)；

步骤4：采用伪标记样本CO.GP(X,gp.Y)对步骤2训练得到的SVM模型进一步训练，得到SVM_time模型；同时，采用伪标记样本CO.SVM(X,svm.Y)对步骤2训练得到的GP模型进一步训练，得到GP_time模型；

步骤5：采用测试集Test.G分别对SVM_time模型和GP_time模型进行测试，GP_time模型的测试误差记为e₁，SVM_time模型的测试误差记为e₂；

步骤6；判断min(e₁，e₂)是否小于预设误差，若小于等于，则结束，得到可使用的半监督协同训练模型；若大于，则进一步比较e₁和e₂的大小，若e₁≥e₂，则将步骤3产生的伪标记样本CO.GP(X,gp.Y)和将测试集中的与迭代次数相对应的测试数据Test.G_i加入初始训练集中，进一步对步骤2训练得到的SVM模型和GP模型进行训练；若e₁＜e₂，则将步骤3产生的伪标记样本CO.SVM(X,svm.Y)和将测试集中的与迭代次数相对应的测试数据Test.G_i加入初始训练集中，进一步对步骤2训练得到的SVM模型和GP模型进行训练；

步骤7：判断是否满足迭代停止条件，若满足，则结束迭代，得到可使用的半监督协同训练模型；否则，将当前加入初始训练集中的测试数据Test.G_i从测试集Test.G中删除，剩余测试数据作为测试集，用于下一次迭代测试，转入步骤3；

步骤8：得到可使用的半监督协同训练模型后，可将需预测的平面倒F型天线的输入参数即短路金属片的宽度、辐射金属片的长度、辐射金属片的宽度、辐射金属片的高度输入至可使用的半监督协同训练模型中，得到相应的谐振频率，完成谐振频率的预测。

2.根据权利要求1所述的一种基于半监督学习的平面倒F型天线谐振频率预测方法，其特征在于：

所述初始训练集中的训练数据包括短路金属片的宽度、辐射金属片的长度、辐射金属片的宽度、辐射金属片的高度和利用HFSS仿真后获得相应的谐振频率；

所述测试集Test.G中的测试数据包括短路金属片的宽度、辐射金属片的长度、辐射金属片的宽度、辐射金属片的高度和对应的实测谐振频率；

所述未标记数据集中的样本数据包括短路金属片的宽度、辐射金属片的长度、辐射金属片的宽度和辐射金属片的高度。

3.根据权利要求1所述的一种基于半监督学习的平面倒F型天线谐振频率预测方法，其特征在于：所述步骤1中采用高斯核函数构建平面倒F型天线谐振频率的GP模型和SVM模型。

4.根据权利要求1所述的一种基于半监督学习的平面倒F型天线谐振频率预测方法，其特征在于：所述测试误差为平均相对误差：

式中，y_pred为用GP模型或SVM模型预测出的标签值，y_test为测试样本的真实标签值。

5.根据权利要求1所述的一种基于半监督学习的平面倒F型天线谐振频率预测方法，其特征在于：所述迭代停止条件为：对于每次迭代输出的半监督协同训练模型，后一次迭代的测试误差高于前一次迭代的测试误差，且前一次迭代的测试误差达到误差阈值。