[发明专利]多频带天线的设计方法及装置、存储介质、电子设备

权利要求书

1.一种多频带天线的设计方法，其特征在于，包括：

根据卷积神经网络以及高斯过程构建待训练的深度高斯过程模型，并对待训练的深度高斯过程模型进行初始化，得到所述待训练的深度高斯过程模型中所包括的待优化参数；

将具有不同设计参数的多频带天线输入至所述待训练的深度高斯过程模型中，得到预测样本，并根据所述预测样本以及与所述预测样本对应的实际样本，构建适应度函数；

利用预设的粒子群优化算法以及所述适应度函数对所述待优化参数进行优化，并根据从优化后的待优化参数对所述待训练的高斯过程模型进行更新，得到训练后的深度高斯过程模型；

利用所述训练后的深度高斯过程模型对多频带天线设计过程中所涉及到的天线设计参数的响应进行模拟，以完成多频带天线的设计。

2.根据权利要求1所述的多频带天线的设计方法，其特征在于，将具有不同设计参数的多频带天线输入至所述待训练的深度高斯过程模型中，得到预测样本，包括：

利用所述待训练的深度高斯过程模型中的卷积神经网络提取所述具有不同设计参数的多频带天线的特征向量；

利用所述待训练的深度高斯过程模型中的高斯过程计算所述特征向量的均值函数以及协方差函数；

根据所述均值函数以及协方差函数计算所述特征向量的高斯分布，并根据所述高斯分布确定所述预测样本。

3.根据权利要求2所述的多频带天线的设计方法，其特征在于，其中，所述卷积神经网络的卷积层中所包括的参数的数量与根据所述具有不同设计参数的多频带天线得到的输入特征面神经元数量、输出特征面神经元数量以及卷积核的尺寸大小关联；

所述输出特征面神经元数量与所述输入特征面神经元数量、所述卷积核的尺寸大小以及所述卷积核的滑动平移步长关联。

4.根据权利要求1所述的多频带天线的设计方法，其特征在于，根据所述预测样本以及与所述预测样本对应的实际样本，构建适应度函数，包括：

计算所述预测样本以及与所述预测样本对应的实际样本之间的均方误差，以根据所述均方误差得到所述适应度函数。

5.根据权利要求1所述的多频带天线的设计方法，其特征在于，利用预设的粒子群优化算法以及所述适应度函数对所述待优化参数进行优化，包括：

根据所述待优化参数生成粒子种群，并随机设置所述粒子种群中各粒子的起始位置以及起始速度；其中，每一个待优化参数分别对应一个粒子；

根据所述适应度函数计算各所述粒子的适应度，并对各所述粒子在当前位置的适应度以及其在最好位置的适应度进行比较，如果所述粒子在当前位置的适应度优于其在最好位置的适应度，则将当前位置作为个体最好位置，若否，则不变；

对各所述粒子在当前位置的适应度以及种群最好位置的适应度进行比较，如果所述粒子在当前位置的适应度优于种群最好位置的适应度，则将当前位置作为全局最好位置，若否，则不变；

根据所述个体最好位置、全局最好位置以及所述粒子速度，对所述粒子种群中的粒子的速度以及位置进行更新，以实现粒子优化。

6.根据权利要求5所述的多频带天线的设计方法，其特征在于，根据从优化后的待优化参数对所述待训练的高斯过程模型进行更新，得到训练后的深度高斯过程模型，包括：

根据所述待优化参数在所述待训练的高斯过程模型中出现的顺序，对所述与所述待优化参数对应的优化后的粒子进行粒子解码，得到目标参数；

利用所述目标参数对所述待优化参数进行更新，得到训练后的深度高斯过程模型。

7.根据权利要求1-6任一项所述的多频带天线的设计方法，其特征在于，在所述深度高斯过程模型中，所述高斯过程用于对所述卷积神经网络的全连接层进行替代；

所述待优化参数包括所述卷积神经网络中包括的网络参数以及所述高斯过程中所包括的超参数。