CN111274727A - 电子设备、微波产品模型设计装置和计算机可读介质 - Google Patents
电子设备、微波产品模型设计装置和计算机可读介质 Download PDFInfo
- Publication number
- CN111274727A CN111274727A CN202010053455.5A CN202010053455A CN111274727A CN 111274727 A CN111274727 A CN 111274727A CN 202010053455 A CN202010053455 A CN 202010053455A CN 111274727 A CN111274727 A CN 111274727A
- Authority
- CN
- China
- Prior art keywords
- model
- design
- product model
- microwave product
- microwave
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种电子设备、微波产品模型设计装置和计算机可读介质。该电子设备包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,处理器执行所述计算机程序时实现如下步骤:接收用户端上传的微波产品模型的设计指标;对微波产品模型进行仿真,生成仿真结果;若所述仿真结果不符合所述设计指标,则基于自训练的产品优化模型,对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型。通过该设备,在产品开发过程中,通过自训练的产品优化模型对微波产品模型进行更新,输出符合设计指标的微波产品模型,可直接用于产品开发,极大的缩短了产品开发周期。
Description
技术领域
本申请涉及智能设计技术领域,特别是涉及一种电子设备、微波产品模型设计装置和计算机可读介质。
背景技术
在传统的微波产品设计开发过程中,需要对微波产品模型不断的进行样品仿真试制,检验微波产品设计是否合理,是否满足要求,而且客户对产品的需求的不断更新、变化,致使微波产品模型需要随之进行更新、变化,这极大的延长了微波产品设计开发周期,增加了微波产品开发成本。
发明内容
基于上述问题,本申请提供了一种电子设备、微波产品模型设计装置和计算机可读介质,用以解决或缓解现有技术中存在的问题。
本申请实施例公开了如下技术方案:
本申请提供一种电子设备,应用于微波产品模型的设计,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下步骤:接收用户端上传的微波产品模型的设计指标;对所述微波产品模型进行仿真,生成仿真结果;若所述仿真结果不符合所述设计指标,则基于自训练的产品优化模型,对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型;其中,N为自然数,所述产品优化模型根据所述微波产品模型更新过程中的交互数据进行自训练,所述交互数据包括:所述设计参数迭代调整的迭代次数N,N次迭代调整生成的N个所述设计参数,对N次迭代调整的所述微波产品模型仿真生成的N个所述仿真结果。
可选地,在本申请的任一实施例中,所述处理器执行所述对所述微波产品模型进行仿真,生成仿真结果的步骤,包括:基于所述用户端选择的计算资源和预先建立的仿真预测模型,对所述微波产品模型进行仿真,生成所述仿真结果,所述仿真预测模型用于加快生成所述仿真结果的速度,所述计算资源为CAE工具包,包括用户端CAE工具包和/或服务器端本地CAE工具包。
可选地,在本申请的任一实施例中,在所述处理器执行所述若所述仿真结果不符合所述设计指标,则基于自训练的产品优化模型,对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型的步骤之前,在所述处理器执行所述对所述微波产品模型进行仿真,生成仿真结果的步骤之后,还包括:根据所述设计指标,对所述仿真结果进行评估,生成评估结果,根据所述评估结果判断所述仿真结果是否符合所述设计指标。
可选地,在本申请的任一实施例中,在所述处理器执行所述对微波产品模型进行仿真,生成仿真结果的步骤之前,还包括:基于预先建立的产品构建模型,根据所述用户端上传的所述微波产品模型的设计原理,建立所述微波产品模型。
可选地,在本申请的任一实施例中,所述处理器执行所述若所述仿真结果不符合所述设计指标,则基于自训练的产品优化模型,对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型的步骤之后,还包括:输出符合所述设计指标的所述微波产品模型至所述用户端;和/或,根据所述用户端的交易指令,存储符合所述设计指标的所述微波产品模型至服务器端本地,基于预先建立的产品交易模型,对存储的所述微波产品模型进行交易。
可选地,在本申请的任一实施例中,所述处理器执行所述若所述仿真结果不符合所述设计指标,则基于自训练的产品优化模型,对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型的步骤之后,还包括:基于预先建立的性能预测模型,根据所述用户端输入的预测指令,对所述微波产品模型的工作性能进行预测。
可选地,在本申请的任一实施例中,所述处理器执行所述若所述仿真结果不符合所述设计指标,则基于自训练的产品优化模型,对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型的步骤,包括:若所述仿真结果不符合所述设计指标,则由所述产品优化模型对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至所述仿真结果满足所述设计指标;若迭代次数N大于等于预设的第一预设阈值,则根据所述设计参数迭代调整的迭代次数N、N次迭代调整生成的N个所述设计参数、对N次迭代调整的所述微波产品模型仿真生成的N个所述仿真结果,对所述产品优化模型的网络权重参数进行更新;基于参数更新后的所述产品优化模型,继续对所述设计参数进行M次迭代调整,直至所述迭代次数M小于所述第一预设阈值,所述产品优化模型的训练完成,将所述设计参数迭代调整M次后生成的所述微波产品模型作为符合所述设计指标的所述微波产品模型;其中,M为自然数。
本申请实施例还提供一种电子设备,应用于微波产品模型的设计,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下步骤:将所述微波产品模型的设计指标上传至服务器端,由所述服务器端对所述微波产品模型进行仿真,生产仿真结果,若所述仿真结果不符合所述设计指标,则基于自训练的产品优化模型,对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型;其中,N为自然数,所述产品优化模型根据所述微波产品模型更新过程中的交互数据进行自训练,所述交互数据包括:所述设计参数迭代调整的迭代次数N,N次迭代调整生成的N个所述设计参数,对N次迭代调整的所述微波产品模型仿真生成的N各所述仿真结果。
本申请实施例还提供一种微波产品模型设计装置,应用于微波产品模型的设计,包括:接收单元,配置为接收用户端上传的微波产品模型的设计指标;仿真单元,配置为对所述微波产品模型进行仿真,生成仿真结果;更新单元,配置为若所述仿真结果不符合所述设计指标,则基于自训练的产品优化模型,对所述微波产品模型的设计参数进行N次迭代调整,并更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型;其中,N为自然数,所述产品优化模型根据所述微波产品模型更新过程中的交互数据进行自训练,所述交互数据包括:所述设计参数迭代调整的迭代次数N、N次迭代调整生成的N个所述设计参数、对N次迭代调整的所述微波产品模型仿真生成的N个所述仿真结果。
可选地,在本申请的任一实施例中,所述仿真单元,进一步配置为基于用户端选择的计算资源和预先建立的仿真预测模型,对所述微波产品模型进行仿真,生成所述仿真结果,所述仿真预测模型用于加快所述仿真结果的生成速度,所述计算资源为CAE工具包,包括用户端CAE工具包和/或服务器端本地CAE工具包。
可选地,在本申请的任一实施例中,还包括:评估单元,配置为根据所述设计指标,对所述仿真结果进行评估,生成评估结果,根据所述评估结果判断所述仿真结果是否符合所述设计指标。
可选地,在本申请的任一实施例中,还包括:建模单元,配置为基于预先建立的产品构建模型,根据所述用户端上传的所述微波产品模型的设计原理,建立所述微波产品模型。
可选地,在本申请的任一实施例中,还包括:输出单元,配置为输出符合所述设计指标的所述微波产品模型至所述用户端;和/或,交易存储单元,配置为根据所述用户端的交易指令,存储符合所述设计指标的所述微波产品模型至服务器端本地,基于预先建立的产品交易模型,对存储的所述微波产品模型进行交易。
可选地,在本申请的任一实施例中,还包括:性能预测单元,配置为基于预先建立的性能预测模型,根据所述用户端输入的预测指令,对所述微波产品模型的工作性能进行预测。
可选地,在本申请的任一实施例中,所述更新单元包括:产品模型参数子单元,配置为若所述仿真结果不符合所述设计指标,则由所述产品优化模型对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至所述仿真结果满足所述设计指标;优化模型参数子单元,配置为若迭代次数N大于等于预设的第一预设阈值,则根据所述设计参数迭代调整的迭代次数N、N次迭代调整生成的N个所述设计参数、对N次迭代调整的所述微波产品模型仿真生成的N个所述仿真结果,对所述产品优化模型的网络权重参数进行更新;循环子单元,配置为基于参数更新后的所述产品优化模型,继续对所述设计参数进行M次迭代调整,直至所述迭代次数M小于所述第一预设阈值,所述产品优化模型的训练完成,将所述设计参数迭代调整M次后生成的所述微波产品模型作为符合所述设计指标的所述微波产品模型,其中,M为自然数。
本申请实施例还提供一种微波产品模型设计装置,应用于微波产品模型的设计,包括:上传单元,配置为将所述微波产品模型的设计指标上传至服务器端,由所述服务器端对所述微波产品模型进行仿真,生成仿真结果,若所述仿真结果不符合所述设计指标,则基于自训练的产品优化模型,对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型;其中,N为自然数,所述产品优化模型根据所述微波产品模型更新过程中的交互数据进行自训练,所述交互数据包括:所述设计参数迭代调整的迭代次数N,N次迭代调整生成的N个所述设计参数,对N次迭代调整的所述微波产品模型仿真生成的N个所述仿真结果。
本申请实施例还提供一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述任一所述的微波产品模型设计方法。
本申请实施例的技术方案中,接收用户端上传的微波产品模型的设计指标,对所述微波产品模型进行仿真,生成仿真结果;若仿真结果不符合性能指标,基于自训练的产品优化模型,对微波产品模型的设计参数进行N次迭代调整,更新微波产品模型,直至生成符合设计指标的微波产品模型。该方法在产品开发过程中,通过自训练的产品优化模型对微波产品模型进行更新,输出符合设计指标的微波产品模型,使微波产品模型的更新设计与产品优化模型的自训练同时进行,更新后的微波产品模型可直接用于微波产品开发,极大的缩短了微波产品开发周期。同时,将微波产品模型的迭代计算在服务器端执行,减轻了用户端的消耗和压力,实现了用户端的轻量化设计。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1A为根据本申请第一实施例所示的电子设备的处理器执行计算机程序时实现的微波产品模型设计方法的流程示意图;
图1B为根据本申请第一实施例所示的电子设备的处理器执行计算机程序时实现的微波产品模型设计方法中步骤S103的流程示意图;
图2A为根据本申请第二实施例所示的电子设备的处理器执行计算机程序时实现的微波产品模型设计方法中微波产品模型建立方法的流程示意图;
图2B为根据本申请第二实施例所示的电子设备的处理器执行计算机程序时实现的微波产品模型设计方法中步骤S202的流程示意图;
图3为根据本申请第三实施例所示的用户端的电子设备与服务器端的电子设备的交互示意图;
图4A为根据本申请第四实施例所示的微波产品模型设计装置的结构示意图;
图4B为根据本申请第四实施例所示的微波产品模型设计装置中更新单元的结构示意图;
图5A为根据本申请第五实施例所示的微波产品模型设计装置中建模单元的结构示意图;
图5B为根据本申请第五实施例所示的微波产品模型设计装置中设计子单元的结构示意图;
图6为根据本申请第六实施例所示的电子设备的结构示意图;
图7为根据本申请第七实施例所示的电子设备的硬件结构。
具体实施方式
实施本申请实施例的任一技术方案必不一定需要同时达到以上的所有优点。
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
首先,需要说明的是,本申请实施例中的设计方法、设计装置可应用于微波产品设计,微波产品包括:微波滤波器(比如,无源滤波器、带通滤波器、低通滤波器、MMIC(Monolithic Microwave Integrated Circuit,即单片微波集成电路)高通滤波器等)、功分器(比如,MMIC功分器等)、衰减器(比如,MMIC固定衰减器、MMIC数控衰减器等)、均衡器、定向耦合器(比如,MMIC定向耦合器)、90°电桥、限幅器、数控移相器等。对应的微波产品模型包括微波滤波器(比如,无源滤波器、带通滤波器、低通滤波器、MMIC(MonolithicMicrowave Integrated Circuit,即单片微波集成电路)高通滤波器等)模型、功分器(比如,MMIC功分器等)模型、衰减器(比如,MMIC固定衰减器、MMIC数控衰减器等)模型、均衡器模型、定向耦合器(比如,MMIC定向耦合器)模型、90°电桥模型、限幅器模型、数控移相器模型等。
第一实施例
图1A为根据本申请第一实施例所示的电子设备的处理器执行计算机程序时实现的微波产品模型设计方法的流程示意图;该电子设备应用于微波产品模型的设计,如图1A所示,该微波产品模型设计方法包括:
步骤S101、接收用户端上传的微波产品模型的设计指标;
在本申请实施例中,设计指标是用户根据需求设定的,用于对微波产品模型的仿真结果进行校验,不同的微波产品模型对应的设计指标各不相同。该设计指标可以是国家标准、行业标准、企业标准等,也可以是用户自定义标准,可根据待设计的微波产品模型,输入合适的设计指标;还可以对设计指标进行实时调整,以适应需求的不断更新变化。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在本申请实施例中,电子设备部署在服务器端,通过与用户端交互,接收用户端上传的微波产品模型的设计指标。除此之外,服务器端通过与用户端的交互,可以接受用户端上传的其它数据或设置,比如微波产品模型的类型、拟调整的参数个数、参数名称、参数范围等。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
步骤S102、对所述微波产品模型进行仿真,生成仿真结果;
在本申请实施例中,微波产品模型可以是微波滤波器模型、功分器模型、衰减器模型、均衡器模型、定向耦合器模型、90°电桥模型、限幅器模型、数控移相器模型等。在此,并不限定进行仿真的微波产品模型的类型。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在一些可选实施例中,步骤S102包括:基于用户端选择的计算资源,对所述微波产品模型进行仿真,生成仿真结果;所述计算资源为CAE工具包,包括用户端CAE工具包和/或服务器端本地CAE工具包。该步骤中,CAE工具包可以为有限元算法、矩量算法、时域有限差分算法等,其用于对微波产品模型进行数值计算分析,生成仿真结果。实际应用时,可以根据不同的微波产品模型,选择使用相对应的CAE工具包,或者,使用一种或几种不同的CAE工具包进行组合,完成微波产品模型的仿真。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在本申请实施例中,为了最大化计算资源的利用效率,由用户端根据实际的需求和计算资源分配情况,选择可以利用的计算资源,比如:用户端的计算资源,或者服务器端的计算资源。在用户端对计算资源做出选择后,即可利用用户端选择的计算资源对微波产品模型进行仿真,生成微波产品模型的仿真结果。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在一具体的例子中,在用户端对计算资源进行选择时,通过评估计算资源的利用率选择所述计算资源。比如,通过计算用户端计算资源的利用率,以及计算服务器端计算资源的利用率,对二者进行比较,选择利用率较低的计算资源。如此,可充分的利用不同的计算资源,加快微波产品模型的仿真。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在一些可选实施例中,在基于用户端选择的计算资源,对所述微波产品模型进行仿真,生成所述仿真结果时,基于用户端选择的计算资源和预先建立的仿真预测模型,对所述微波产品模型进行仿真,生成所述仿真结果,所述仿真预测模型用于加快生成所述仿真结果的速度。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在本申请实施例中,为了加快对微波产品模型的仿真速度,可以最大化利用计算资源对微波产品模型进行仿真;也可以通过仿真预测模型来加快微波产品模型的仿真。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在一具体的例子中,基于用户端选择的计算资源和预先建立的仿真预测模型,对微波产品模型进行仿真,生成仿真结果时,仿真预测模型可以为机器学习模型,比如深度神经网络模型;仿真预测模型还可以为决策树模型、逻辑回归模型等。通过用户端选择的计算资源对微波产品模型进行仿真,只需要生成部分仿真结果;然后,由仿真预测模型根据部分仿真结果,对微波产品模型的其它仿真结果进行预测,通过计算资源对微波产品模型的仿真与仿真预测模型之间的交互,完成微波产品模型的整个仿真过程,生成仿真结果,可以极大的提高微波产品模型的仿真速度,提高效率,节约时间。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在本申请实施例中,步骤S101与步骤S102并无先后时序关系,二者可以先后执行,也可以同时执行。本申请实施例的电子设备,部署在服务器端,通过与用户端的交互完成微波产品模型的设计,具体的部署方式可根据用户实际需求确定。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
步骤S103、若所述仿真结果不符合所述设计指标,则基于自训练的产品优化模型,对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型。
在本申请实施例中,产品优化模型可以为机器学习模型,比如深度神经网络模型,决策树模型、逻辑回归模型等。根据仿真结果与设计指标的比较,找出二者之间的差异,即可通过自训练的产品优化模型对设计参数进行迭代调整,更新微波产品模型。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
图1B为根据本申请第一实施例所示的电子设备的处理器执行计算机程序时实现的微波产品模型设计方法中步骤S103的流程示意图;如图1B所示,所述若所述仿真结果不符合所述设计指标,基于所述产品优化模型,对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型,包括:
步骤S113、若所述仿真结果不符合所述设计指标,则由所述产品优化模型对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至所述仿真结果满足所述设计指标,其中,N为自然数;
在本申请实施例中,调整的微波产品模型的设计参数可以是产品优化模型以设计指标为目标自动进行选择的;也可以是用户根据实际需求确定的。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在本申请实施例中,设计指标是与微波产品模型的仿真结果相对应的,可以是根据具体仿真的微波产品模型进行设置。比如:在进行滤波器模型的设计时,需要频率在(7GHz-8GHz)之间的分贝为(20db-40db),那么,此时(20db-40db)即为设计指标。对滤波器模型进行仿真,获取(7GHz-8GHz)之间分贝即为仿真结果。待调整的设计参数是根据微波产品模型的类型或设计预先确定的。可以理解的是,以上描述仅为示例性的,本申请实施例对此不做任何限定。
在一些可选实施例中,若所述仿真结果不满足预设的设计指标,则由所述产品优化模型对所述微波产品模型的设计参数进行N次迭代调整,直至所述仿真结果满足所述设计指标时,通过将所述仿真结果与设计指标进行比对,看所述仿真结果是否满足所述设计指标。可以理解的是,以上描述仅为示例性的,本申请实施例对此不做任何限定。
在一具体的例子中,通过比较函数,将得出的仿真结果与设计指标进行比较;也可以通过比较电路,比如比较器,对仿真结果与设计指标进行比较,进而确定仿真结果是否满足设计指标。可以理解的是,以上描述仅为示例性的,本申请实施例对此不做任何限定。
在本申请实施例中,若所述仿真结果不满足所述设计指标,则由所述产品优化模型对所述设计参数进行调整;然后,对参数调整后的微波产品模型再次进行仿真,生成新的仿真结果,将新的仿真结果与设计指标进行比较,判断新的仿真结果是否满足设计指标。若新的仿真结果依然不满足设计指标,则由产品优化模型对设计参数再次进行调整,而后对参数再次调整后的微波产品模型进行仿真,对仿真结果与设计指标进行比较,如此,循序迭代N次,直至仿真结果满足设计指标,停止对微波产品模型设计参数的调整。在此,N为自然数。可以理解的是,以上描述仅为示例性的,本申请实施例对此不做任何限定。
步骤S123、若迭代次数N大于等于预设的第一预设阈值,则根据所述设计参数迭代调整的迭代次数N、N次迭代调整生成的N个所述设计参数、对N次迭代调整的所述微波产品模型仿真生成的N个所述仿真结果,对所述产品优化模型的网络权重参数进行更新;
在本申请实施例中,通过比较函数或比较器对迭代次数和预先设定的第一预设阈值进行比较。第一预设阈值的设定可以是根据计算时的资源消耗、微波产品模型的属性(比如微波产品模型的类型、设计、参数、仿真项目等)进行设定。可以理解的是,以上描述仅为示例性的,本申请实施例对此不做任何限定。
在本实施例中,微波产品模型通过N次循环迭代,使得仿真结果满足设计指标。在这个过程中,迭代次数为N;总共由生成N个设计参数;对调整N次的微波产品模型进行仿真,同样生成N个仿真结果。通过对微波产品模型的N次循环迭代进行采样,可以得到N个设计参数以及N个仿真结果,利用这些采样数据对产品优化模型在对微波产品模型进行N次迭代调整时的网络权重参数进行更新。通过迭代次数N的变化,就可以得到多组不同的采样数据,对产品优化模型进行训练,进而完备产品优化模型。可以理解的是,以上描述仅为示例性的,本申请实施例对此不做任何限定。
在本申请实施例中,产品优化模型对设计参数进行迭代调整,对调整后的微波产品模型进行仿真生成仿真结果,仿真结果满足设计指标,认为产品优化模型找到设计参数的最优解。此时,对设计参数的迭代次数进行判断,如果设计参数的迭代次数大于第一预设阈值,则对产品优化模型的网络权重参数进行更新。
在一可选实施例中,所述产品优化模型为深度学习神经网络模型。在若所述迭代次数N大于等于第一预设阈值,则根据所述设计参数迭代调整的迭代次数N、N次迭代调整生成的N个所述设计参数、对N次迭代调整的所述微波产品模型仿真生成的N个所述仿真结果,对所述深度学习神经网络模型的网络权重参数进行更新时,若所述迭代次数N大于等于第一预设阈值,则根据所述设计参数迭代调整的迭代次数N、N次迭代调整生成的N个所述设计参数、对N次迭代调整的所述微波产品模型仿真生成的N个所述仿真结果,计算所述深度学习神经网络模型的策略损失;根据所述策略损失和深度学习神经网络模型的神经网络权重参数,计算神经网络权重参数的梯度;而后,根据神经网络权重参数的梯度,对所述深度学习神经网络模型的神经网络权重参数进行更新。可以理解的是,以上描述仅为示例性的,本申请实施例对此不做任何限定。
在另一些可选实施例中,所述产品优化模型为强化学习神经网络模型,在若所述迭代次数N大于等于第一预设阈值,则根据所述设计参数迭代调整的迭代次数N、N次迭代调整生成的N个所述设计参数、对N次迭代调整的所述微波产品模型仿真生成的N个所述仿真结果,对所述产品优化模型的网络权重参数进行更新时,若所述迭代次数N大于等于第一预设阈值,则根据所述设计参数迭代调整的迭代次数N、N次迭代调整生成的N个所述设计参数、对N次迭代调整的所述微波产品模型仿真生成的N个所述仿真结果,通过强化学习神经网络模型中的价值网络,计算仿真结果的累计奖励值;基于累计奖励值和强化学习神经网络模型中策略网络的策略网络权重参数,计算策略网络权重参数的梯度;根据策略网络权重参数的梯度,对所述强化学习神经网络模型中策略网络的策略网络权重参数进行更新。可以理解的是,以上描述仅为示例性的,本申请实施例对此不做任何限定。
步骤S133、基于参数更新后的所述产品优化模型,继续对所述设计参数进行M次迭代调整,直至所述迭代次数M小于所述第一预设阈值,所述产品优化模型的训练完成,将所述设计参数迭代调整M次后生成的所述微波产品模型作为符合所述设计指标的所述微波产品模型;其中,M为自然数。
在本申请实施例中,若迭代次数N大于等于第一预设阈值,对所述产品优化模型在对所述微波产品模型进行N次迭代调整时的参数进行更新,当所述产品优化模型的参数调整完成后,继续对微波产品模型的设计参数进行M次迭代调整,直至对微波产品模型进行仿真,生成的仿真结果再次满足所述设计指标,即参数调整后的产品优化模型再次给出了设计参数的最优解。此时,对设计参数的再次迭代次数M进行判断,如果设计参数的迭代次数M小于第一预设阈值,则认为产品优化模型在该设计指标下,对该设计参数的调整结束。若设计参数的迭代次数M大于等于第一预设阈值,则继续返回执行步骤S123,对产品优化模型的网络权重参数进行更新,直至对设计参数的迭代次数小于第一预设阈值,产品优化模型的训练完成,设计参数迭代调整M次后生成的微波产品模型即为符合设计指标的微波产品模型。可以理解的是,以上描述仅为示例性的,本申请实施例对此不做任何限定。
在一可选实施例中,在若所述仿真结果不满足预设的设计指标,则由所述产品优化模型对所述微波产品模型的设计参数进行N次迭代调整,直至所述仿真结果满足所述设计指标时,若所述仿真结果不满足所述设计指标,且所述迭代次数N等于第二预设阈值,则对所述产品优化模型的所述网络权重参数进行更新,基于参数更新后的所述产品优化模型,继续对所述设计参数进行迭代调整,直至所述仿真结果满足所述设计指标,其中,所述第二预设阈值大于所述第一预设阈值。
在本申请实施例中,产品优化模型在对设计参数进行迭代调整时,存在可能找不到设计参数的最优解的情形,此时对微波产品模型进行仿真,得到的仿真结果将不满足设计指标。为了避免产品优化模型对设计参数的迭代调整进入无限循环,设定产品优化模型对设计参数的最大迭代调整次数,当产品优化模型对设计参数的迭代次数达到最大,且仿真结果不满足设计指标时,对产品优化模型的网络权重参数进行更新,使产品优化模型对设计参数的迭代调整跳出无限循环后,再通过网络权重参数更新后的产品优化模型对设计参数进行迭代调整,直至仿真结果满足设计指标,执行上述步骤S123、步骤S133,生成符合设计指标的微波产品模型。可以理解的是,以上描述仅为示例性的,本申请实施例对此不做任何限定。
在本申请实施例中,第二预设阈值即为产品优化模型对设计参数的最大迭代调整次数,其可以是预先根据计算耗费的资源以及微波产品模型的相关属性(如类型、设计、参数、仿真项目等)进行设定。可以理解的是,以上描述仅为示例性的,本申请实施例对此不做任何限定。
本一些可选实施例中,在步骤S102之后,且在步骤S103之后,还可以:采集所述仿真结果,对所述仿真结果进行处理,使所述仿真结果的数据格式与所述产品优化模型的网络数据格式对齐,所述产品优化模型的网络输入格式为二维矩阵或图结构。
在一具体的例子中,在采集所述仿真结果,对所述仿真结果进行处理,使所述仿真结果的数据格式与所述产品优化模型的网络输入格式对齐时,通过对所述仿真结果执行局部采样、剪切、矩阵变换、结构重定义操作,使所述仿真结果的数据格式与所述产品优化模型的网络输入格式对齐。
在另一具体的例子中,对仿真结果的采样数据,以矩阵的形式进行传输通信,可以通过矩阵运算改变矩阵的维度,也可以将矩阵的部分元素置零,达到剪切的目的。可以理解的是,以上描述仅为示例性的,本申请实施例对此不做任何限定。
在一些可选实施例中,在步骤S103之前,在步骤S102之后,还可以包括:根据所述设计指标,对所述仿真结果进行评估,生成评估结果,根据所述评估结果判断所述微波产品模型是否符合所述设计指标。
在本申请实施例中,与微波产品模型相对应的设计指标作为基准,通过比较函数将微波产品模型的仿真结果与其进行比较,或者,利用比较器将微波产品模型的仿真结果与设计指标进行比较,找出仿真结果与设计指标之间存在的差异,得到评估结果。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在本申请实施例中,评估结果显示了微波产品模型的仿真结果与设计指标之间的差异,产品优化模型以减小这个差异为目标,对微波产品模型的设计参数进行调整,更新微波产品模型。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在一具体的例子中,通过比较函数,将得出的仿真结果与设计指标进行比较;也可以通过比较电路,比如比较器,对仿真结果与设计指标进行比较,进而确定仿真结果是否满足设计指标。可以理解的是,以上描述仅为示例性的,本申请实施例对此不做任何限定。
在一些可选实施例中,在步骤S103之后,还可以包括:输出符合所述设计指标的所述微波产品模型至所述用户端;和/或,根据所述用户端的交易指令,存储符合所述设计指标的所述微波产品模型至所述服务器端本地,对存储的所述微波产品模型进行交易。
在本申请实施例中,在根据仿真结果和设计指标,通过产品优化模型对微波产品模型的调试参数进行迭代调整,完成微波产品模型的更新之后,就可以将微波产品模型输出至用户端,以便于后期利用。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在本申请实施例中,还可以在服务器端建立产品模型数据库,根据用户端的交易指令,将符合设计指标的微波产品模型存储在产品模型数据库中,在其它用户端对该微波产品模型具有相应的需求时,可以通过访问产品模型数据库获取相应的微波产品模型,促进不同用户端之间的交流、交易。需要说明的是,对可进行交易的微波产品模型并不限定,可以是直接存储在服务器端中,也可以是将用户端的微波产品模型上传至服务器端本地进行存储。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在本申请实施例中,通过该产品交易模型,可实现用户端自行上传设计开发的微波产品模型,并加以性能要求说明,将这些微波产品模型的类型、产品性能、需求、上传用户等标签进行展示以供其它用户选择进行交易。此外,在服务器端,还可以提供微波产品模型提供者和需求者进行沟通的服务,以存进不同用户之间的设计沟通。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在一些可选实施例中,在若所述仿真结果不符合所述合计指标,则基于自训练的产品优化模型,对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型之后,还可以包括:基于预先建立的性能预测模型,根据所述用户端输入的预测指令,对所述微波产品模型的工作性能进行预测。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在本申请实施例中,性能预测模型用于根据用户输入的预测指令,对微波产品模型的工作性能进行预测,具体可以为机器学习模型,比如深度神经网络模型;还可以为决策树模型、逻辑回归模型等。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在一具体的例子中,可以根据用户端输入的微波产品模型的参数调整范围以及调整参数,通过性能预测模型快速计算出微波产品模型在用户端指定的调整参数在指定的参数调整范围内的工作性能。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在本申请实施例中,产品优化模型具有自训练的能力,通过采集微波产品模型设计过程中的交互数据(所述设计参数迭代调整的迭代次数N、N次迭代调整生成的N个所述设计参数、对N次迭代调整的所述微波产品模型仿真生成的N个所述仿真结果)进行自训练,进而完成微波产品模型的设计。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
本申请实施例的微波产品模型设计方法,接收用户端上传的微波产品模型的设计指标,对所述微波产品模型进行仿真,生成仿真结果;若仿真结果不符合性能指标,基于自训练的产品优化模型,对微波产品模型的设计参数进行N次迭代调整,更新微波产品模型,直至生成符合设计指标的微波产品模型。该方法在产品开发过程中,通过自训练的产品优化模型对微波产品模型进行更新,输出符合设计指标的微波产品模型,使微波产品模型的更新设计与产品优化模型的自训练同步进行,更新后的微波产品模型可直接用于微波产品开发,极大的缩短了微波产品开发周期。同时,将微波产品模型的迭代计算在服务器端执行,减轻了用户端的消耗和压力,实现了用户端的轻量化设计。
第二实施例
本实施例提供一种电子设备,与上述第一实施例不同的是,本实施例的电子设备中,在所述处理器执行对所述微波产品模型进行仿真,生成仿真结果的步骤之前,还可以包括:基于预先建立的产品构建模型,根据所述用户端上传的所述微波产品模型的设计原理,建立所述微波产品模型。产品构建模型可以是三维模型设计软件,也可以是机器学习模型(如深度神经网络模型、图神经网络模型等)。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
图2A为根据本申请第二实施例所示的电子设备的处理器执行计算机程序时实现的微波产品模型设计方法中微波产品模型建立方法的流程示意图;如图2A所示,该微波产品模型建立方法包括:
步骤S201、获取待建立的所述微波产品模型的部分模型数据;
在本申请实施例中,待建立的微波产品模型根据任务需求而定,其部分模型数据可以通过设计人员根据任务需求生成,也可以通过建模软件根据任务需求生成。需要说明的是,部分模型数据是非完整的待建立的微波产品模型的一部分,比如,待建立的二阶交指滤波器由多个抽头、多个谐振器以及多个谐振器上的接地孔组成,该步骤中,待建立的二阶交指滤波器的部分模型数据可以为一个(或多个)抽头、或者一个(或者多个)谐振器,或者一个(或者多个)谐振器上的接地孔等,并非完整的二阶交指滤波器。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
步骤S202、基于预先建立的产品构建模型,根据所述部分模型数据和所述用户端上传的所述微波产品模型的设计原理,建立所述微波产品模型。
在本申请实施例中,在获取待建立的微波产品模型的部分模型数据后,根据用户端上传的微波产品模型的设计原理,通过预先建立的产品构建模型在部分模型数据的基础上,预测待建立的微波产品模型的其它部分,完成待建立的微波产品模型的其余部分的设计,将原来由设计师完成的工作交由产品构建模型进行处理,减少设计师的工作量,加快微波产品模型的设计效率,在最短的时间内完成设计,提高设计效率。同时,将微波产品模型的建立放在服务器端执行,减轻用户端的资源消耗和压力,实现用户端的轻量化设计。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在本申请实施例中,产品构建模型根据部分模型数据和设计原理,完成设计过程中,需要对部分模型数据进行识别、特征抽取、解码等操作,以加快微波产品模型的设计效率。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
图2B为根据本申请第二实施例所示的电子设备的处理器执行计算机程序时实现的微波产品模型设计方法中步骤S202的流程示意图;如图2B所示,所述基于预先建立的产品构建模型,根据所述部分模型数据和待建立的所述微波产品模型的设计原理,建立所述微波产品模型包括:
步骤S212、基于所述产品构建模型中的第一子模型,根据所述部分模型数据,得到所述部分模型数据的特征向量;
在本申请实施例中,无论部分模型数据是由设计师根据任务需求生成的,还是由建模软件根据任务需求生成的,在输入产品构建模型中时,均需要对其进行处理,将部分模型数据转变为产品构建模型可以识别、利用的数据。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在本申请实施例中,通过第一子模型对部分模型数据进行处理,生成部分模型数据的特征向量,具体的,基于所述第一子模型,对所述部分模型数据进行特征抽取,得到所述部分模型数据的特征向量。比如,通过第一子模型对部分模型数据进行降维,也就是将部分模型数据从高维到低纬进行映射,实现对部分模型数据的特征抽取,得到部分模型数据的特征向量。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在本申请实施例中,对第一子模型并不进行具体限定,能够实现对部分模型数据的特征抽取,得到部分模型数据的特征向量都可以作为第一子模型。比如,采用主成分分析法(Principal Component Analysis,简称PCA)的主成分分析模型、采用多维标度分析法(multidimensional scaling,简称MDS)的多维标度分析模型、采用线性判别分析法(Latent Dirichlet Allocation,简称LDA)的线性判别分析模型、采用等度量映射法(Isometric Feature Mapping,简称Isomap)的等度量映射模型、采用局部线性嵌入法(Locally Linear Embedding,简称LLE)的局部线性嵌入模型等均可作为第一子模型,实现对部分模型数据的特征抽取,得到所述部分模型数据的特征向量。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在本申请实施例中,第一子模型也可以为卷积层和池化层组成的卷积神经网络模型,卷积层有激活函数,池化层没有激活函数。通过卷积神经网络模型实现对部分模型数据的特征抽取,得到部分模型数据的特征向量。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在一具体的例子中,第一子模型采用主成分分析模型,首先,将部分模型数据输入主成分分析模型,通过正交变换生成部分模型数据的变换矩阵;然后,将此变换矩阵与输入的部分模型数据相乘得到低维的数据,实现部分模型数据从高维到低维的映射,完成部分模型数据的降维,达到对部分模型数据进行特征抽取,得到部分模型数据的特征向量的目的。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在另一具体的例子中,第一子模型为采用流形学习方法的模型,将部分模型数据输入第一子模型,找到部分模型数据的低维描述,分析部分模型数据中低维流形排列的规律,基于这种规律对部分模型数据进行降维,实现对部分模型数据的特征抽取,得到部分模型数据的特征向量。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
步骤S222、基于所述产品构建模型中的第二子模型,根据所述特征向量和所述设计原理,得到编码结果;
在本申请实施例中,通过将待建立的微波产品模型的设计原理输入第二子模型,由第二子模型根据设计原理和部分模型数据的特征向量,对设计原理和特征向量进行融合、对比、关系抽取等操作,得到编码结果。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在一些可选实施例中,步骤S222包括:基于所述第二子模型,对所述设计原理和所述特征向量进行编码,或者对所述设计原理和所述特征向量进行融合,或者对所述设计原理和所述特征向量进行关系抽取,得到所述编码结果,所述编码结果用于表征所述设计原理与所述部分模型数据的映射关系。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在一具体的例子中,第二子模型采用反卷积神经网络模型,对设计原理和特征向量进行编码,得到编码结果。在此场景中,将特征向量输入反卷积神经网络模型,反卷积神经网络模型通过学习设计原理与部分模型数据之间的非线性映射关系,完成对部分模型数据的重构,得到部分模型数据的有效预测结果作为编码结果。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在另一具体的例子中,第二子模型采用主成分分析模型、多维标度分析模型、线性判别分析模型、等度量映射模型、局部线性嵌入模型、卷积层和池化层组成的卷积神经网络模型等,对设计原理和特征向量进行融合,得到编码结果。在此场景中,通过上述模型对微波产品模型进行特征抽取,得到微波产品模型的特征向量;同时,可利用相同的方法,对设计原理进行特征抽取,得到设计原理的特征向量;之后,将微波产品模型的特征向量和设计原理的特征向量通过相加、相乘等方法融合在一起,得到编码结果。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在另一具体的例子中,第二子模型采用有监督的学习方法,和/或半监督的学习方法,和/或无监督的学习方法,对设计原理和特征向量进行关系抽取,得到编码结果。在此场景中,将设计原理制作为图结构数据,其中,图结构数据包含节点、边、全局属性;通过第二子模型学习特征向量与图结构数据之间的映射关系,将第一子模型得到的特征向量编码到设计原理图上,得到编码结果。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
步骤S232、基于所述产品构建模型中的第三子模型,根据所述编码结果,建立所述微波产品模型。
在一些可选实施例中,在基于所述产品构建模型中的第三子模型,根据所述编码结果,建立所述微波产品模型时,通过所述第三子模型,对所述编码结果进行解码,建立所述微波产品模型。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在一具体的例子中,第三子模型可以为神经网络模型,通过该神经网络模型,对编码结果进行升维处理,实现对编码结果的解码,完成待建立的微波产品模型的数据重构,建立所述微波产品模型。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在另一具体的例子中,第三子模型还可以为采用插值方法的模型,比如,采用双线性插值方法的双线性差值模型、采用拉格朗日插值方法的拉格朗日插值模型、采用牛顿插值方法的牛顿插值模型、采用分段差值方法的分段插值模型等,对编码结果进行升维处理,实现对编码结果的解码,完成待建立的微波产品模型的数据重构,建立所述微波产品模型。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在本申请实施例中,产品构建模型可以为机器学习模型。具体可以为采用机器学习算法(比如Logistic回归算法和SVM(Support Vector Machine)算法)的模型,也可以为采用深度学习算法(比如TextCNN算法和Attention-Based Bi-LSTM算法)的模型。具体的,所述产品构建模型包括第一子模型、第二子模型和第三子模型;所述第一子模型可以为神经网络模型、主成分分析模型、多维标度分析模型、线性判别分析模型、等度量映射模型、局部线性嵌入模型等;所述第二子模型可以为有监督的学习方法、半监督的学习方法、无监督的学习方法等;所述第三子模型可以为神经网络模型、双线性差值模型、拉格朗日插值模型、牛顿插值模型、分段插值模型、反池化模型等。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在申请实施例中,基于预先建立的产品构建模型,根据获取的部分模型数据和待建立的微波产品模型的设计原理,对待建立的微波产品模型的其余部分进行预测,最终建立所述微波产品模型。在此过程中,由产品构建模型对待建立的微波产品模型未完成的部分进行预测,将待建立的微波产品模型的反复设计、修改的工作由产品构建模型完成,加快了微波产品模型的设计效率,在最短的时间内完成设计,提高设计效率。比如:完整的二阶交指滤波器是有第一抽头、第一谐振器、第一谐振器上的接地孔、第二抽头、第二谐振器以及第二谐振器上的接地孔组成。在设计二阶交指滤波器时,设计师画了第一抽头后,此时,第一抽头就可以作为部分模型数据,将第一抽头和二阶交指滤波器对应的设计原理输入产品构建模型;产品构建模型根据第一抽头和二阶交指滤波器对应的设计原理,输出第一谐振器;然后,再将第一抽头和第一谐振器作为待建立的二阶交指滤波器的部分模型数据,输入产品构建模型,由产品构建模型根据第一抽头和第一谐振器,以及设计原理输出其它部分(可以为第一谐振器上的接地孔、第二抽头、第二谐振器以及第二谐振器上的接地孔中的某一项),循环往复,直至全部设计完成,生成二阶交指滤波器为止。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在本申请实施例中,产品构建模型包括第一子模型、第二子模型和第三子模型,但需要说明的是,并非对此进行限制。产品构建模型也可以是一个深度神经网络模型,由一个深度神经网络模型完成第一子模型、第二子模型和第三子模型的功能。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
在一具体的例子中,深度神经网络模型用来学习部分模型数据、待建立的微波产品模型的设计原理和待建立的微波产品模型之间的映射关系。该深度神经网络模型输入的是部分模型数据和待建立的微波产品模型的设计原理,输出为待建立的微波产品模型。
通过训练样本对该深度神经网络模型进行训练。训练样本是通过标注部分模型数据、待建立的微波产品模型的设计原理对应的微波产品模型作为样本。其中,训练样本在进行标注的时候,可以通过删除完整的微波产品模型的部分设计(如部分元器件)得到部分模型数据,这样就可以制作出部分模型数据、设计原理及其对应的微波产品模型作为样本。
通过把部分模型数据和待建立的微波产品模型的设计原理输入产品构建模型,由产品构建模型输出预测的待建立的微波产品模型,将预测的待建立的微波产品模型与微波产品模型对比,得到损失函数值,然后通过反向传播来更新权重。循环往复,直至损失函数值下降到设定的阈值,深度神经网络模型的训练结束。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
第三实施例
本申请实施例还提供一种电子设备,应用于微波产品模型的设计,其可以是部署在用户端,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下步骤:将所述微波产品模型的设计指标上传至服务器端,由所述服务器端对所述微波产品模型进行仿真,生成仿真结果,若所述仿真结果不符合所述设计指标,则基于自训练的产品优化模型,对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型;其中,N为自然数,所述产品优化模型根据所述微波产品模型更新过程中的交互数据进行自训练,所述交互数据包括:所述设计参数迭代调整的迭代次数N,N次迭代调整生成的N个所述设计参数,对N次迭代调整的所述微波产品模型仿真生成的N个所述仿真结果。
本申请实施例中,微波产品模型设计的流程与上述第一实施例的流程相对应,可参考上述第一实施例的流程,在此不再一一赘述。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
图3为根据本申请第三实施例所示的用户端的电子设备与服务器端的电子设备的交互示意图;如图3所示,用户端将微波产品模型的设计指标以及设计原理上传至服务器端,由服务器端基于预先建立的产品构建模型,根据用户端上传的微波产品模型的设计原理,建立微波产品模型;而后,基于用户端选择的计算资源,对建立的微波产品模型进行仿真,生成仿真结果;若仿真结果不符合用户端上传的设计指标,则基于自训练的产品优化模型,对微波产品模型的设计参数进行N次迭代调整,更新微波产品模型,直至生成符合设计指标微波产品模型;之后,将符合设计指标的微波产品模型输出至用户端;和/或,根据用户端的交易指令,将符合设计指标的微波产品模型存储在服务器端,基于预先建立的产品交易模型,对存储的微波产品模型进行交易。可以理解的是,以上描述仅为示例性的,本申请实施例并不对此进行限制。
第四实施例
图4A为根据本申请第四实施例所示的微波产品模型设计装置的结构示意图;该微波产品模型设计装置应用于微波产品模型的设计,如图4A所示,该微波产品模型设计装置部署在服务器端,包括:接收单元,配置为接收用户端上传的微波产品模型的设计指标;仿真单元401,配置为对所述微波产品模型进行仿真,生成仿真结果;更新单元402,配置为若所述仿真结果不符合所述设计指标,则基于自训练的产品优化模型,对所述微波产品模型的设计参数进行调整,更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型;其中,N为自然数,所述产品优化模型根据所述微波产品模型更新过程中的交互数据进行自训练,所述交互数据包括:所述设计参数迭代调整的迭代次数N、N次迭代调整生成的N个所述设计参数、对N次迭代调整的所述微波产品模型仿真生成的N个所述仿真结果。
在一些可选实施例中,所述仿真单元401,还可以配置为基于所述用户选择的所述计算资源和预先建立的仿真预测模型,对所述微波产品模型进行仿真,生成所述仿真结果,所述仿真预测模型用于加快生成所述仿真结果的速度,所述计算资源为CAE工具包,包括用户端CAE工具包和/或服务器端本地CAE工具包。
图4B为根据本申请第四实施例所示的微波产品模型设计装置中更新单元的结构示意图;如图4B所示,在本实施例的微波产品模型设计装置中,所述更新单元402可以包括:产品模型参数子单元412,配置为若所述仿真结果不符合所述设计指标,则由所述产品优化模型对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至所述仿真结果满足所述设计指标;
优化模型参数子单元422,配置为若迭代次数N大于等于第一预设阈值,则根据所述设计参数迭代调整的迭代次数N、N次迭代调整生成的N个所述设计参数、对N次迭代调整的所述微波产品模型仿真生成的N个所述仿真结果,对所述产品优化模型的网络权重参数进行更新;
循环子单元432,配置为基于参数更新后的所述产品优化模型,继续对所述设计参数进行M次迭代调整,直至所述迭代次数M小于所述第一预设阈值,所述产品优化模型的训练完成,将所述设计参数迭代调整M次后生成的所述微波产品模型作为符合所述设计指标的所述微波产品模型,其中,M为自然数。
在一些可选实施例中,还可以包括:评估单元,配置为根据所述设计指标,对所述仿真结果进行评估,生成评估结果,根据所述评估结果判断所述仿真结果是否符合所述设计指标。
在一些可选实施例中,还可以包括:输出单元,配置为输出符合所述设计指标所述微波产品模型至所述用户端;和/或,交易存储单元,配置为根据所述用户端的交易指令,存储符合所述设计指标的所述微波产品模型至所述服务器端本地,基于预先建立的产品交易模型,对存储的所述微波产品模型进行交易。交易存储单元可以为产品模型数据库,符合设计指标的微波产品模型均存储在产品模型数据库中。
在一些可选实施例中,具体交易模式可根据实际情况进行设定,比如设定为付费下载、免费下载或其它交易模式(如等价交换)。本实施例的微波产品模型设计装置,允许不同的用户通过登录该微波产品模型设计装置进行交流,在交易存储单元中查找符合自己需求的微波产品模型,通过该交易单元进行交易,为不同用户之间进行微波产品模型的交易提供便利。
在一些可选实施例中,还可以包括:代码编译单元,配置为对所述产品优化模型进行训练。该微波产品模型设计装置提供微波产品模型的仿真结果的数据、用户的交互数据、用户上传的样本数据、微波产品模型数据等数据采集服务,然后将采集的这些数据作为样本训练数据,基于代码编译单元对产品优化模型进行训练。
在此,需要说明的是,本实施例的微波产品模型设计装置的具体操作,可参考上述第一实施例所述微波产品模型设计方法的流程,在此,不再一一赘述。
本实施例的微波产品模型设计装置,部署在服务器端,在产品开发过程中,通过产品优化模型对微波产品模型进行更新,最终输出符合要求的微波产品模型,使微波产品模型的更新设计与产品优化模型的自训练同时进行,更新后的微波产品模型可直接用于产品开发,极大的缩短了产品开发周期。同时,将大量的计算在服务器端本地执行,减轻了用户端的消耗和压力,实现了用户端的轻量化设计。
第五实施例
本实施例的微波产品模型设计装置中,与上述第四实施例不同的是,还可以包括:建模单元,配置为基于预先建立的产品构建模型,根据所述用户端上传的所述微波产品模型的设计原理,建立所述微波产品模型。所述建模单元内包含有CAD工具包,在用户端通过登录本实施例的微波产品模型设计装置,利用建模单元即可进行微波产品模型的设计。
图5A为根据本申请第五实施例所示的微波产品模型设计装置中建模单元的结构示意图;如图5A所示,该建模单元包括:输入子单元501,配置为获取待建立的微波产品模型的部分模型数据;设计子单元502,配置为基于预先建立的产品构建模型,根据所述部分模型数据和所述用户端上传的所述微波产品模型的设计原理,建立所述微波产品模型。
图5B为根据本申请第五实施例所示的微波产品模型设计装置中设计子单元的结构示意图;如图5B所示,所述设计子单元502包括:向量模块512,配置为基于所述产品构建模型中的第一子模型,根据所述部分模型数据,得到所述部分模型数据的特征向量;编码模块522,配置为基于所述产品构建模型中的第二子模型,根据所述特征向量和所述设计原理,得到编码结果;预测模块532,配置为基于所述产品构建模型中的第三子模型,根据所述编码结果,建立所述微波产品模型。
在一些可选实施例中,所述向量模块512还可以配置为,基于所述第一子模型,对所述部分模型数据进行特征抽取,得到所述部分模型数据的所述特征向量。
在一些可选实施例中,所述编码模块522还可以配置为,基于所述第二子模型,对所述设计原理和所述特征向量进行编码,或者对所述设计原理和所述特征向量进行融合,或者对所述设计原理和所述特征向量进行关系抽取,得到所述编码结果,所述编码结果用于表征所述设计原理与所述部分模型数据的关系。
在一些可选实施例中,所述预测模块532还可以配置为,基于所述产品构建模型中的第三子模型,对所述编码结果进行解码,建立所述微波产品模型。
在本实施例的微波产品模型设计装置中,输入子单元501获取部分模型数据,而后由设计子单元502基于预先建立的产品构建模型,根据部分模型数据和待建立的微波产品模型的设计原理,对待建立的微波产品模型的其余部分进行预测,最终建立所述微波产品模型。在此过程中,由设计子单元502对待建立的微波产品模型未完成的部分进行预测,将待建立的微波产品模型的反复设计、修改的工作由产品构建模型完成,加快了微波产品模型的设计效率,在最短的时间内完成设计,提高设计效率。
第六实施例
图6为根据本申请第六实施例所示的电子设备的结构示意图;如图6所示,该电子设备可以包括:
一个或多个处理器601;
计算机可读介质602,可以配置为存储一个或多个程序,
当一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述任一实施例中所述的微波产品模型设计方法。
第七实施例
图7为根据本申请第七实施例所示的电子设备的硬件结构;如图7所示,该电子设备的硬件结构可以包括:处理器701,通信接口702,计算机可读介质703和通信总线704;
其中,处理器701、通信接口702、计算机可读介质703通过通信总线704完成相互间的通信;
可选的,通信接口702可以为通信模块的接口,如GSM模块的接口;
其中,处理器701具体可以配置为:接收用户端上传的微波产品模型的设计指标;对所述微波产品模型进行仿真,生成仿真结果;若所述仿真结果不符合所述设计指标,则基于自训练的产品优化模型,对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型;其中,N为自然数,所述产品优化模型根据所述微波产品模型更新过程中的交互数据进行自训练,所述交互数据包括:所述设计参数迭代调整的迭代次数N、N次迭代调整生成的N个所述设计参数、对N次迭代调整的所述微波产品模型仿真生成的N个所述仿真结果。
处理器701可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请实施例的电子设备以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备,服务器的构成包括处理器810、硬盘、内存、***总线等,服务器和通用的计算机架构类似,但是由于需要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备及***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的设备及***实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元提示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本申请的一种具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (11)
1.一种电子设备,应用于微波产品模型的设计,其特征在于,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下步骤:
接收用户端上传的微波产品模型的设计指标;
对所述微波产品模型进行仿真,生成仿真结果;
若所述仿真结果不符合所述设计指标,则基于自训练的产品优化模型,对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型;
其中,N为自然数,所述产品优化模型根据所述微波产品模型更新过程中的交互数据进行自训练,所述交互数据包括:所述设计参数迭代调整的迭代次数N,N次迭代调整生成的N个所述设计参数,对N次迭代调整的所述微波产品模型仿真生成的N个所述仿真结果。
2.根据权利要求1所述的电子设备,其特征在于,所述处理器执行所述对所述微波产品模型进行仿真,生成仿真结果的步骤,包括:基于所述用户端选择的计算资源和预先建立的仿真预测模型,对所述微波产品模型进行仿真,生成所述仿真结果,所述仿真预测模型用于加快生成所述仿真结果的速度,所述计算资源为CAE工具包,包括用户端CAE工具包和/或服务器端本地CAE工具包。
3.根据权利要求1所述的电子设备,其特征在于,在所述处理器执行所述若所述仿真结果不符合所述设计指标,则基于自训练的产品优化模型,对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型的步骤之前,在所述处理器执行所述对所述微波产品模型进行仿真,生成仿真结果的步骤之后,还包括:根据所述设计指标,对所述仿真结果进行评估,生成评估结果,根据所述评估结果判断所述仿真结果是否符合所述设计指标。
4.根据权利要求1所述的电子设备,其特征在于,在所述处理器执行所述对所述微波产品模型进行仿真,生成仿真结果的步骤之前,还包括:基于预先建立的产品构建模型,根据所述用户端上传的所述微波产品模型的设计原理,建立所述微波产品模型。
5.根据权利要求1所述的电子设备,其特征在于,所述处理器执行所述若所述仿真结果不符合所述设计指标,则基于自训练的产品优化模型,对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型的步骤之后,还包括:输出符合所述设计指标的所述微波产品模型至所述用户端;
和/或,
根据所述用户端的交易指令,存储符合所述设计指标的所述微波产品模型至服务器端本地,基于预先建立的产品交易模型,对存储的所述微波产品模型进行交易。
6.根据权利要求1所述的电子设备,其特征在于,所述处理器执行所述若所述仿真结果不符合所述设计指标,则基于自训练的产品优化模型,对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型的步骤之后,还包括:基于预先建立的性能预测模型,根据所述用户端输入的预测指令,对所述微波产品模型的工作性能进行预测。
7.根据权利要求1-6任一所述的电子设备,其特征在于,所述处理器执行所述若所述仿真结果不符合所述设计指标,则基于自训练的产品优化模型,对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型的步骤,包括:
若所述仿真结果不符合所述设计指标,则由所述产品优化模型对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至所述仿真结果满足所述设计指标;
若迭代次数N大于等于预设的第一预设阈值,则根据所述设计参数迭代调整的迭代次数N、N次迭代调整生成的N个所述设计参数、对N次迭代调整的所述微波产品模型仿真生成的N个所述仿真结果,对所述产品优化模型的网络权重参数进行更新;
基于参数更新后的所述产品优化模型,继续对所述设计参数进行M次迭代调整,直至所述迭代次数M小于所述第一预设阈值,所述产品优化模型的训练完成,将所述设计参数迭代调整M次后生成的所述微波产品模型作为符合所述设计指标的所述微波产品模型;
其中,M为自然数。
8.一种电子设备,应用于微波产品模型的设计,其特征在于,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如下步骤:
将所述微波产品模型的设计指标上传至服务器端,由所述服务器端对所述微波产品模型进行仿真,生成仿真结果,若所述仿真结果不符合所述设计指标,则基于自训练的产品优化模型,对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型;其中,N为自然数,所述产品优化模型根据所述微波产品模型更新过程中的交互数据进行自训练,所述交互数据包括:所述设计参数迭代调整的迭代次数N,N次迭代调整生成的N个所述设计参数,对N次迭代调整的所述微波产品模型仿真生成的N个所述仿真结果。
9.一种微波产品模型设计装置,应用于微波产品模型的设计,其特征在于,包括:
接收单元,配置为接收用户端上传的微波产品模型的设计指标;
仿真单元,配置为对所述微波产品模型进行仿真,生成仿真结果;
更新单元,配置为若所述仿真结果不符合所述设计指标,则基于自训练的产品优化模型,对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型;
其中,N为自然数,所述产品优化模型根据所述微波产品模型更新过程中的交互数据进行自训练,所述交互数据包括:所述设计参数迭代调整的迭代次数N、N次迭代调整生成的N个所述设计参数、对N次迭代调整的所述微波产品模型仿真生成的N个所述仿真结果。
10.一种微波产品模型设计装置,应用于微波产品模型的设计,其特征在于,包括:上传单元,配置为将所述微波产品模型的设计指标上传至服务器端,由所述服务器端对所述微波产品模型进行仿真,生产仿真结果,若所述仿真结果不符合所述设计指标,则基于自训练的产品优化模型,对所述微波产品模型的设计参数进行N次迭代调整,更新所述微波产品模型,直至生成符合所述设计指标的所述微波产品模型;其中,N为自然数,所述产品优化模型根据所述微波产品模型更新过程中的交互数据进行自训练,所述交互数据包括:所述设计参数迭代调整的迭代次数N,N次迭代调整生成的N个所述设计参数,对N次迭代调整的所述微波产品模型仿真生成的N个所述仿真结果。
11.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序为如权利要求1-7任一所述的电子设备中存储的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010053455.5A CN111274727B (zh) | 2020-01-17 | 2020-01-17 | 电子设备、微波产品模型设计装置和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010053455.5A CN111274727B (zh) | 2020-01-17 | 2020-01-17 | 电子设备、微波产品模型设计装置和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111274727A true CN111274727A (zh) | 2020-06-12 |
CN111274727B CN111274727B (zh) | 2023-05-02 |
Family
ID=71003780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010053455.5A Active CN111274727B (zh) | 2020-01-17 | 2020-01-17 | 电子设备、微波产品模型设计装置和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111274727B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111791103A (zh) * | 2020-06-30 | 2020-10-20 | 北京百度网讯科技有限公司 | 滤波器调试方法、装置、电子设备和可读存储介质 |
CN115130332A (zh) * | 2022-08-30 | 2022-09-30 | 中电太极(集团)有限公司 | 一种面向效能评估***的仿真方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874570A (zh) * | 2017-01-20 | 2017-06-20 | 清华大学 | 虚拟现实座舱工程模拟器 |
CN107293115A (zh) * | 2017-05-09 | 2017-10-24 | 上海电科智能***股份有限公司 | 一种用于微观仿真的交通流量预测方法 |
CN107909109A (zh) * | 2017-11-17 | 2018-04-13 | 西安电子科技大学 | 基于显著性和多尺度深度网络模型的sar图像分类方法 |
CN109783905A (zh) * | 2018-12-28 | 2019-05-21 | 中国地质大学(武汉) | 基于粒子群优化算法的微波腔体滤波器智能调试方法 |
CN110059326A (zh) * | 2018-04-20 | 2019-07-26 | 南方科技大学 | 一种用于调试微波器件的仿真方法和仿真*** |
CN110187647A (zh) * | 2018-02-23 | 2019-08-30 | 北京京东尚科信息技术有限公司 | 模型训练方法及*** |
CN110619393A (zh) * | 2019-09-27 | 2019-12-27 | 上海交通大学 | 基于学习算法的交通仿真软件参数标定方法、***及介质 |
-
2020
- 2020-01-17 CN CN202010053455.5A patent/CN111274727B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874570A (zh) * | 2017-01-20 | 2017-06-20 | 清华大学 | 虚拟现实座舱工程模拟器 |
CN107293115A (zh) * | 2017-05-09 | 2017-10-24 | 上海电科智能***股份有限公司 | 一种用于微观仿真的交通流量预测方法 |
CN107909109A (zh) * | 2017-11-17 | 2018-04-13 | 西安电子科技大学 | 基于显著性和多尺度深度网络模型的sar图像分类方法 |
CN110187647A (zh) * | 2018-02-23 | 2019-08-30 | 北京京东尚科信息技术有限公司 | 模型训练方法及*** |
CN110059326A (zh) * | 2018-04-20 | 2019-07-26 | 南方科技大学 | 一种用于调试微波器件的仿真方法和仿真*** |
CN109783905A (zh) * | 2018-12-28 | 2019-05-21 | 中国地质大学(武汉) | 基于粒子群优化算法的微波腔体滤波器智能调试方法 |
CN110619393A (zh) * | 2019-09-27 | 2019-12-27 | 上海交通大学 | 基于学习算法的交通仿真软件参数标定方法、***及介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111791103A (zh) * | 2020-06-30 | 2020-10-20 | 北京百度网讯科技有限公司 | 滤波器调试方法、装置、电子设备和可读存储介质 |
US11469975B2 (en) | 2020-06-30 | 2022-10-11 | Beijing Baidu Netcom Science & Technology Co., Ltd | Filter debugging method, device, electronic apparatus and readable storage medium |
CN115130332A (zh) * | 2022-08-30 | 2022-09-30 | 中电太极(集团)有限公司 | 一种面向效能评估***的仿真方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111274727B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7210531B2 (ja) | ニューラルアーキテクチャ検索 | |
WO2020259502A1 (zh) | 神经网络模型的生成方法及装置、计算机可读存储介质 | |
CN111260079B (zh) | 电子设备和智能体自训练装置 | |
KR20190117713A (ko) | 신경망 아키텍처 최적화 | |
KR20220054861A (ko) | 신경망 모델의 트레이닝 방법 및 관련 제품 | |
CN111274727B (zh) | 电子设备、微波产品模型设计装置和计算机可读介质 | |
CN115577790B (zh) | 哈密顿量模拟方法、装置、设备及存储介质 | |
CN114580658A (zh) | 基于区块链的联邦学习激励方法、装置、设备和介质 | |
CN111260134A (zh) | 调试辅助设备、装置、产品调试设备和计算机可读介质 | |
CN115472279B (zh) | 一种基于人工智能的远程按摩控制方法及*** | |
CN111859835A (zh) | 一种电路互连网络模型的降阶方法、降阶装置及降阶设备 | |
CN114925651A (zh) | 一种电路走线确定方法及相关设备 | |
CN106227881A (zh) | 一种信息处理方法及服务器 | |
Chitra et al. | Agent-based simulations of blockchain protocols illustrated via kadena’s chainweb | |
CN111259603B (zh) | 电子设备、模型设计装置和计算机可读介质 | |
CN111406263A (zh) | 神经网络架构搜索的方法与装置 | |
CN113723161A (zh) | 神经网络模型的训练方法、存储介质及电子设备 | |
WO2023179379A1 (zh) | 一种非线性延迟电路***的仿真方法、***及介质 | |
JP4643586B2 (ja) | 最適設計管理装置、最適設計計算システム、最適設計管理方法、最適設計管理プログラム | |
Moor et al. | IoT meets distributed AI-Deployment scenarios of Bonseyes AI applications on FIWARE | |
CN104427546A (zh) | 将移动网络指标与用户体验匹配的方法、仿真平台和*** | |
CN107483541A (zh) | 一种基于滚动时域的在线任务迁移方法 | |
CN113743012A (zh) | 一种多用户场景下的云-边缘协同模式任务卸载优化方法 | |
CN111161032A (zh) | 产品生成方法和装置 | |
CN113312169A (zh) | 一种计算资源的分配方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |