用于射频电路结构的神经网络模型自动生成方法和装置与流程

1.本发明涉及神经网络建模优化技术领域，尤其涉及一种用于射频电路结构的神经网络模型自动生成方法和装置。


背景技术：

2.随着机器学习技术的发展与进步，机器学习已经在图像识别、自动驾驶、金融证券等领域得到广泛应用。近年来，人工神经网络（artificial neural network，ann）被认为是代替传统建模手段的有效方法，是机器学习的基础性算法，已经广泛地渗透到了不同的学科领域之中。
3.随着现代通信技术的发展，射频电路技术（rf，circuit technology）的发展受到了各方各界的持续关注。随着射频电路系统集成化的程度越来越高，对射频电路提出的设计要求也越来越高。传统的射频电路仿真方法，如有限元法（fem）、矩量法（mom）、时域有限差分法（fdtd）等，均属于立足于经典电磁理论，其仿真结果能无限接近解析解。但随着电路工作频率和电路结构复杂程度的提高，目前传统的射频电路仿真方法往往耗时耗力，已经逐渐不能满足人们对电路模型高效准确的要求。
4.目前，在射频建模领域，人工神经网络技术被认为是解决射频电路快速精确建模的一种有效方法，但该方法仍旧面临着许多难题。首先神经网络模型的建立需要大量的数据模型，而面对不同射频电路工程，如何快速收集不同样本数据是一个技术难题；其次神经网络模型技术有一定的技术门槛和代码门槛，对射频工程师的技术能力要求较高；最后如何实现对神经网络模型的参数调整优化也是一个技术难题。


技术实现要素：

5.有鉴于此，本发明实施例提供一种用于射频电路结构的神经网络模型自动生成方法和装置，针对已经参数化建模的电路仿真工程，自动化收集参数区间内的样本数据，并针对样本数据快速便捷地建立神经网络模型，优化神经网络模型的参数。技术方案如下：第一方面，本发明的实施例提供一种用于射频电路结构的神经网络模型自动生成方法，包括：通过多次修改原始射频电路仿真模型的结构参数，并对修改后的射频电路仿真模型进行仿真，得到仿真样本数据集；对得到的仿真样本数据集进行清洗和预处理；基于用户输入的神经网络的超参数和所述预处理后的仿真样本数据集，生成神经网络训练脚本；根据所述神经网络训练脚本以及预设的神经网络优化算法，得到训练优化后的神经网络模型。
6.可选地，所述通过多次修改原始射频电路仿真模型的结构参数，并对修改后的射频电路仿真模型进行仿真，得到仿真样本数据集，包括：
建立原始射频电路仿真模型，并对所述原始射频电路仿真模型的结构进行参数化建模，其中结构与参数一一对应；修改所述原始射频电路仿真模型的结构参数；对修改结构参数后的原始射频电路仿真模型进行仿真，得到一组仿真样本数据；返回执行所述修改所述原始射频电路仿真模型的结构参数的步骤，直至得到的仿真样本数据的数量满足预设样本数据量，此时确定得到的所有仿真样本数据为所述仿真样本数据集。
7.可选地，所述建立原始射频电路仿真模型，包括：根据所需要建立的神经网络模型的射频电路的结构、材料参数绘制有限元静态通用仿真模型。
8.可选地，所述仿真样本数据集为复数形式表示的s参数；所述对得到的仿真样本数据集进行清洗和预处理，包括：将复数形式表示的s参数转化为分贝数值表示的s参数；对分贝数值表示的s参数进行去重处理；将去重处理后的数据集进行归一化或标准化处理。
9.可选地，所述用户输入的神经网络的超参数包括：神经网络输入参数个数与输出参数个数、神经网络的网络层数、每层神经网络的神经元个数及激活函数。
10.可选地，所述预设的神经网络优化算法包括nsga-ii算法或模拟退火算法sa。
11.可选地，得到的训练优化后的神经网络模型为pkl文件。
12.可选地，在得到训练优化后的神经网络模型之前，所述方法还包括：生成神经网络训练优化脚本。
13.可选地，在得到训练优化后的神经网络模型之后，所述方法还包括：针对所述训练优化后的神经网络模型，输入射频电路仿真模型的结构参数；选择期望预测的结果参数；生成预测结果参数图。
14.第二方面，本发明的实施例提供一种用于射频电路结构的神经网络模型自动生成装置，包括：仿真模块，用于通过多次修改原始射频电路仿真模型的结构参数，并对修改后的射频电路仿真模型进行仿真，得到仿真样本数据集；处理模块，用于对得到的仿真样本数据集进行清洗和预处理；生成模块，用于基于用户输入的神经网络的超参数和所述预处理后的仿真样本数据集，生成神经网络训练脚本；训练优化模块，用于根据所述神经网络训练脚本以及预设的神经网络优化算法，得到训练优化后的神经网络模型。
15.本发明的上述技术方案的有益效果是：本发明实施例提供的用于射频电路结构的神经网络模型自动生成方法和装置，通过多次修改原始射频电路仿真模型的结构参数，并对修改后的射频电路仿真模型进行仿真，得到仿真样本数据集；对得到的仿真样本数据集进行清洗和预处理；基于用户输入的神经网络的超参数和所述预处理后的仿真样本数据集，生成神经网络训练脚本；根据所述神
经网络训练脚本以及预设的神经网络优化算法，得到训练优化后的神经网络模型。本发明实施例通过前端界面接口快速帮助用户针对不同的电路仿真工程实现在用户设置的区间内对电路仿真工程进行修改并仿真，并将这一流程自动化，从而实现能快速收集到用户所期望的样本数据。并实现了对数据的快速预处理与清洗，使得数据集能够应用于神经网络模型的建模与优化。并且通过前端界面接口的形式辅助用户快速生成定制化的神经网络的结构，并通过内置的多种优化算法实现对该神经网络的简单优化，降低了使用神经网络的门槛，帮助工程师快速建立某一射频电路结构的神经网络模型并使用该模型对射频电路结构进行快速预测。
附图说明
16.图1为本发明实施例公开的用于射频电路结构的神经网络模型自动生成方法的流程图；图2为本发明实施例中采集仿真样本数据集的实现方法的流程图；图3为本发明实施例中原始射频电路仿真模型命名代号输入接口示意图；图4为本发明实施例中原始射频电路仿真模型提交接口示意图；图5为本发明实施例中用户输入希望收集的预设样本数据量接口示意图；图6为本发明实施例中参数导入接口示意图；图7为本发明实施例中导入文件格式示意图；图8为本发明实施例中利用训练完成的神经网络模型对射频电路仿真进行预测的实现方法流程图；图9为本发明实施例公开的用于射频电路结构的神经网络模型自动生成装置的结构示意图。
具体实施方式
17.为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
18.应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
19.在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
20.本发明实施例提供一种用于射频电路结构的神经网络模型自动生成方法，针对一个已经参数化建模的电路仿真工程，自动化收集参数区间内的样本数据，并针对样本数据快速便捷地建立神经网络模型，并进行优化。方法包括：射频电路仿真模型的仿真样本数据
采集、仿真样本数据预处理、生成神经网络训练脚本并优化三大步骤。具体实现方法如图1所示，方法包括：步骤101，通过多次修改原始射频电路仿真模型的结构参数，并对修改后的射频电路仿真模型进行仿真，得到仿真样本数据集。
21.本发明实施例通过在合理区间内修改原始射频电路仿真模型的结构参数，对修改后的射频电路仿真模型进行仿真，获取仿真结果，在积累了一定的仿真样本数据后得到仿真样本数据集，即可建立起人工神经网络模型反映该射频电路仿真模型的结构参数与仿真结果的关系。
22.本发明实施例中，采集射频电路仿真模型的仿真样本数据的方法主要包括：绘制原始射频电路仿真模型结构、修改原始射频电路仿真模型的结构参数、以及通过仿真获取仿真样本数据。本发明实施例通过在前端界面完成仿真电路工程的提交与设置修改的结构参数区间并生成相应的任务脚本，最终生成一个对于该仿真模型进行数据采集的可执行任务，并将可执行任务提交到服务器资源上。具体可参阅图2所示，方法包括：步骤1011，建立原始射频电路仿真模型，并对所述原始射频电路仿真模型的结构进行参数化建模，其中结构与参数一一对应。
23.本发明实施例可以根据所需要建立的神经网络模型的射频电路的结构、材料参数绘制有限元静态通用仿真模型，并将其结构依次对应设置上相应的结构参数。可选地，本步骤中使用到的仿真模型软件可以是cst studio suite 2020。
24.在本发明实际应用中，根据前端界面指引，对该原始射频电路仿真模型进行代号命名，如图3所示。进而提交建立好的原始射频电路仿真模型，如图4所示。
25.步骤1012，修改所述原始射频电路仿真模型的结构参数。
26.可以通过界面化的输入操作，对步骤1011得到的原始射频电路仿真模型的结构参数在一个合理的区间内进行取值并通过仿真模型软件接口进行修改。
27.步骤1013，对修改结构参数后的原始射频电路仿真模型进行仿真，得到一组仿真样本数据。
28.每修改一次结构参数便重新对修改结构参数后的模型进行仿真，每进行一次仿真即可得到一组仿真样本数据，并存储得到的仿真样本数据。其中仿真样本数据为复数形式表示的s参数。
29.步骤1014，返回执行步骤1012，直至得到的仿真样本数据的数量满足预设样本数据量，此时确定得到的所有仿真样本数据为所述仿真样本数据集。
30.其中预设样本数据量为根据实际需求灵活设定，可以是软件预先定义的固定值，也支持用户动态输入。如图5所示，为由用户输入的希望收集的预设样本数据量500。
31.在本发明实际应用中，用户输入希望收集的预设样本数据量后进行基本参数设置，参数设置方式既支持使用预先设置的文件形式导入也能在界面上手动设置，如图6所示。以文件形式导入为例，导入文件格式如图7，包含参数名称（name），参数推荐（reference），参数上限（lb），参数下限（ub）和参数步长（step）等信息。最后根据电路结构的端口数量选择感兴趣的s参数，完成基本的参数设置后生成相应的执行任务。将生成的执行任务可提交到任意一台已经装配了相应要求环境的服务器上执行，其中仿真数据将会被捕获并上传数据库等待处理。
32.步骤102，对得到的仿真样本数据集进行清洗和预处理。
33.本发明实施例中，当收集到所期望的仿真样本数据数量时，需要对仿真样本数据进行清洗与预处理。具体的，可以依据步骤1011对原始射频电路仿真模型命名的代号，从数据库中拉取得到对应原始射频电路仿真模型的仿真样本数据集，并采用如下公式，将复数形式表示的s参数转化为分贝(db)数值表示的s参数：进一步，对分贝数值表示的s参数进行去重处理。
34.进一步，将去重处理后的数据集进行归一化或标准化处理。归一化或标准化处理方法参考如下：考如下：其中x
norm
为归一化处理后的数据，x为原始数据集，x
max
与x
min
分别为数据集中的最大值与最小值。x
std
为标准化处理后的数据，μ为数据集的平均值，σ为数据集的标准差。
35.进一步，对完成归一化或标准化处理的数据集进行本地保存。
36.本发明实施例通过命名代号拉取到对应原始射频电路仿真模型的仿真样本数据集，对该数据集完成数据的形式转化，去重以及标准化或归一化，使得数据集可直接供神经网络训练与优化。
37.步骤103，基于用户输入的神经网络的超参数和所述预处理后的仿真样本数据集，生成神经网络训练脚本。
38.本发明实施例通过前端界面接口辅助用户完成人工神经网络建模。具体的，用户在用户界面输入神经网络的超参数，神经网络的超参数可以包括：神经网络输入参数个数与输出参数个数、神经网络的网络层数、每层神经网络的神经元个数及激活函数。同时根据步骤102处理后得到的仿真样本数据集，生成神经网络训练脚本。
39.步骤104，根据所述神经网络训练脚本以及预设的神经网络优化算法，得到训练优化后的神经网络模型。
40.本发明实施例中，用户在用户界面中上传步骤103生成的神经网络训练脚本，并根据需求选择所希望的神经网络优化算法，配置相应的优化参数。本发明中神经网络优化算法可以包括nsga-ii算法或sa（simulated annealing，模拟退火算法）等优化算法。
41.本发明实施例根据生成的神经网络训练脚本，通过选择内置的神经网络优化算法（以nsga-ii算法为例），生成可执行任务，进而将该可执行任务交到任意一台已经装配了相应要求环境的服务器上执行。在执行过程中会对不同参数组合进行筛选、复制、交叉、变异操作，得到新的超参数组合，当某一个超参数组合的神经网络训练结果能达到所期望的准确度时，退出优化过程并输出优化后的神经网络，此时便得到训练优化后的神经网络模型。该得到的训练优化后的神经网络模型为pkl文件。
42.此外，本发明还可对该训练优化后的神经网络模型进行代号命名，其命名与步骤1011中的命名相对应。
43.其中优选地，本发明实施例在得到训练优化后的神经网络模型之前，方法还可以
包括：生成神经网络训练优化脚本。
44.本发明实施例通过设置神经网络训练优化脚本相关参数可实现计算任务在服务器上的分布式计算，缩短优化时间。同时，训练结果可结构化展示，便于快速筛选需求结果。
45.基于上述步骤101-步骤104便得到一训练优化后的神经网络模型，进一步基于该训练优化后的神经网络模型，本发明实施例可以利用训练完成的神经网络模型对射频电路仿真进行预测，具体方法如图8所示，包括：步骤201，针对训练优化后的神经网络模型，输入射频电路仿真模型的结构参数；步骤202，选择期望预测的结果参数；步骤203，生成预测结果参数图。
46.在本发明实际应用中，通过在步骤104中对优化完成的神经网络模型的命名代号，调用该神经网络模型，输入所期望预测的该神经网络模型对应的射频电路的结构参数，将结构参数输入至神经网络模型中，获取输出预测结果供工程师参考。
47.本发明实施例提供的用于射频电路结构的神经网络模型自动生成方法，通过前端界面接口快速帮助用户针对不同的电路仿真工程实现在用户设置的区间内对电路仿真工程进行修改并仿真，并将这一流程自动化，从而实现能快速收集到用户所期望的样本数据。并实现了对数据的快速预处理与清洗，使得数据集能够应用于神经网络模型的建模与优化。并且通过前端界面接口的形式辅助用户快速生成定制化的神经网络的结构，并通过内置的多种优化算法实现对该神经网络的简单优化，降低了使用神经网络的门槛，帮助工程师快速建立某一射频电路结构的神经网络模型并使用该模型对射频电路结构进行快速预测。
48.基于前文本发明实施例提供的一种用于射频电路结构的神经网络模型自动生成方法，本发明实施例还提供一种用于射频电路结构的神经网络模型自动生成装置，如图9所示，包括：仿真模块100，用于通过多次修改原始射频电路仿真模型的结构参数，并对修改后的射频电路仿真模型进行仿真，得到仿真样本数据集；处理模块200，用于对得到的仿真样本数据集进行清洗和预处理；生成模块300，用于基于用户输入的神经网络的超参数和所述预处理后的仿真样本数据集，生成神经网络训练脚本；训练优化模块400，用于根据所述神经网络训练脚本以及预设的神经网络优化算法，得到训练优化后的神经网络模型。
49.其中可选地，仿真模块100具体用于：建立原始射频电路仿真模型，并对所述原始射频电路仿真模型的结构进行参数化建模，其中结构与参数一一对应；其中可选地，建立原始射频电路仿真模型，包括：根据所需要建立的神经网络模型的射频电路的结构、材料参数绘制有限元静态通用仿真模型；修改所述原始射频电路仿真模型的结构参数；对修改结构参数后的原始射频电路仿真模型进行仿真，得到一组仿真样本数据；返回执行所述修改所述原始射频电路仿真模型的结构参数的步骤，直至得到的仿真样本数据的数量满足预设样本数据量，此时确定得到的所有仿真样本数据为所述仿真样本数据集。
50.其中所述仿真样本数据集为复数形式表示的s参数；可选地，处理模块200具体用于：将复数形式表示的s参数转化为分贝数值表示的s参数；对分贝数值表示的s参数进行去重处理；将去重处理后的数据集进行归一化或标准化处理。
51.其中可选地，所述用户输入的神经网络的超参数包括：神经网络输入参数个数与输出参数个数、神经网络的网络层数、每层神经网络的神经元个数及激活函数。
52.其中可选地，所述预设的神经网络优化算法包括nsga-ii算法或模拟退火算法sa。
53.其中可选地，得到的训练优化后的神经网络模型为pkl文件。
54.其中可选地，生成模块300还可以用于，生成神经网络训练优化脚本。
55.其中可选地，本发明实施例提供的用于射频电路结构的神经网络模型自动生成装置还可以包括：输入模块，用于针对所述训练优化后的神经网络模型，输入射频电路仿真模型的结构参数；选择模块，用于选择期望预测的结果参数；结果生成模块，用于生成预测结果参数图。
56.需要说明的是，该用于射频电路结构的神经网络模型自动生成装置是与前述实施例中的用于射频电路结构的神经网络模型自动生成方法对应的装置，上述方法实施例中的所有实现手段均适用于该用于射频电路结构的神经网络模型自动生成装置的实施例中，也能达到相同的技术效果。
57.以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。