CN119442824A 天线设计方法和装置 （华为技术有限公司）

从寻优空间中获取多个向量，每个向量中的M个计参数的输入分布和多个向量输入贝叶斯优化是通过对其输入分布采样得到的样本集计算得到的。计算过程采用了基于Nystrom近似的加速2基于寻优空间中获取多个向量，所述多个向量中每个向量获取所述M种设计参数的输入分布，并将所述M种设计参数的基于所述BO的获取函数对所述多组预测值和所述多个确定度进行当所述天线的一组性能参数符合预设条件或i等于预设次数时，将所述第一向量所包所述预设条件包含所述天线的一组参考性能参数，当所述天线的当所述天线的一组性能参数不符合所述预设条件且i不等于所述预设次数时，将所述第一向量和所述天线的一组性能参数作为一条训练数据加入用于训练所述代理模型的数所述多个向量中包含第二向量和第三向量，所述第二向量和所述第三差是通过将第一样本集和第二样本集输入最大平均差异MMD其中，所述第一样本集包含的m个向量是基于所述第二向量和所述输入分布采样得到第一样本集和所述第二样本集中的每个向量包含M个元素，所述M个元素分别表示所述M种所述MMD核函数对所述第一样本集和所述第二样本集的处理过程包括将第一矩阵与第所述第一矩阵是通过第四矩阵、所述第四矩阵的转置矩阵、所述第二矩阵是通过第五矩阵、所述第五矩阵的转置矩阵、3所述第三矩阵是通过第六矩阵、所述第六矩阵的转置矩阵、在所述从寻优空间获取多个向量之前，利用所述代理模型的所述输入分布是通过生产数据进行统计得到，每种所述设计参数9.一种天线设计装置，其特征在于，所述装置通处理单元，用于将获取所述M种设计参数的输入分布，并将所述M种设计参所述预设条件包含所述天线的一组参考性能参数，当所述天线的当所述天线的一组性能参数不符合所述预设条件且i不等于所述预设次数时，将所述第一向量和所述天线的一组性能参数作为一条训练数据加入用于训练所述代理模型的数所述多个向量中包含第二向量和第三向量，所述第二向量和所述第三差是通过将第一样本集和第二样本集输入最大平均差异MMD4其中，所述第一样本集包含的m个向量是基于所述第二向量和所述输入分布采样得到第一样本集和所述第二样本集中的每个向量包含M个元素，所述M个元素分别表示所述M种所述MMD核函数对所述第一样本集和所述第二样本集的处理过程包括将第一矩阵与第所述第一矩阵是通过第四矩阵、所述第四矩阵的转置矩阵、所述第二矩阵是通过第五矩阵、所述第五矩阵的转置矩阵、所述第三矩阵是通过第六矩阵、所述第六矩阵的转置矩阵、在所述从寻优空间获取多个向量之前，利用所述代理模型的所述输入分布是通过生产数据进行统计得到，每种所述设计参数5[0003]在对一些复杂的问题进行优化时，其优化流程中不可避[0004]然而，上述现有技术中构建的代理模型仅适用于扰动类设计参数的输入分布，并将所述M种设计参数的输入分布和所述多个向量输入贝叶斯优化6此组预测值对应的第一向量包含的M种设计参数作为天线设计参数，即可使得产线上制造所述预设条件且i不等于所述预设次数时，将所述第一向量和所述天线的一组性能参数作向量和所述第三向量之间的协方差是通过将第一样本集和第二样本集输入最大平均差异所述输入分布采样得到的，所述第二样本集包含的m个向量是基于所述第三向量和所述输[0014]从技术效果上看，第二向量和第三向量之间的协方差是由MMD核函数对基于两个[0015]在一种可行的实施方式中，所述MMD核函数对所述第一样本集和所述第二样本集是通过所述MMD核函数对所述第一样本集中的h个向量进行处理得到的，h为小于m的正整7述设计参数的输入分布通过概率分布或高斯分入分布，并将所述M种设计参数的输入分布和所述多个向量输入贝叶斯优化BO的代理模型差，所述任意两个向量之间的协方差是通过对所述输入分布采样得到的样本集计算得到符合所述预设条件且i不等于所述预设次数时，将所述第一向量和所述天线的一组性能参向量和所述第三向量之间的协方差是通过将第一样本集和第二样本集输入最大平均差异所述输入分布采样得到的，所述第二样本集包含的m个向量是基于所述第三向量和所述输8[0026]在一种可行的实施方式中，所述MMD核函数对所述第一样本集和所述第二样本集是通过所述MMD核函数对所述第一样本集中的h个向量进行处理得到的，h为小于m的正整述设计参数的输入分布通过概率分布或高斯分9[0041]图7为本申请实施例提供的一种MMD核函数对第一样本集和第二样本集处理过程[0042]图8为本申请实施例提供的另一种MMD核函数对第一样本集和第二样本集处理过斯优化包含代理模型和获取函数，代理模型用于建模输入和目标函数的输出值之间的关层122是文件系统121访问设备层130的接口，用于连接文件系统121和设备驱动123。块层[0060]在计算机设备100运行上述贝叶斯优化模块111过程中，首先由应用层110发起读将读写请求对应的逻辑地址转化为存储器131中对应的物理地址；然后基于该读写请求向该物理地址中写入数据或读取出该物理地址可擦除可编程ROM(ErasableProgrammableROM，EPROM)和电可擦可编程只读存储器备220基于数据库230中维护的各组设计参数的历史数据及各组历史数据对应的天线性能计参数)输出目标函数的预测值和该预测值的可信程度。获取函数202则基于代理模型201备220以及数据采集设备260可以集成在执行设备210上，或设置在云上或网络上的其它服[0072]其中，数据采集设备260可以是终端设备，也可以是服务器或者云的输入输出接[0073]本申请中代理模型201可以是深度学习模型，因此下面将简要介绍深度学习模型用数学表达式来描述：从物理层面深度神经网络中的每一层的工作可以理解为通过五种输入空间(输入向量的集合)的操作，完成输入空间到输出空间的变换测值和目标值之间的差异”，这便是损失函数(lossfunction)或目标函数(objective[0078]计算模块211可以识别用户输入的用户请求，在识别出天线设计参数的优化请求后，在每次迭代过程中使用代理模型201和获取函数202对输入的数据(对应后文实施例中可以自动地向I/O接口212输入首次迭代的一组设计参数，如果用户设备240自动生成首次迭代所使用的一组设计参数需要获得用户的授权，用户可以在用户设备240中设置相应权本等形式。用户设备240也可以作为数据采集端将采集到设计参数与天线性能之间的对应关系存入数据库230中供训练过程使用。[0084]卷积神经网络(ConvolutionalNeuralNetwork，CNN)是一种带有卷积结构的深法，在不同的抽象层级上进行多个层次的学习。作为一种深度学习架构，CNN是一种前馈[0094]在经过卷积层/池化层120的处理后，卷积神经网络100还不足以输出所需要的输而为了生成最终的输出信息(所需要的类信息或别的相关含的参数可以根据具体的任务类型的相关训练数据进行预先训练个卷积神经网络100的前向传播(如图3由110至140的少卷积神经网络100的损失及卷积神经网络100通过输出层输出的结果和理想结果之间的[0096]需要说明的是，如图3所示的卷积神经网络100仅作为一经网络处理器(Neural_NetworksProcessingUnit，NPU)50作为协处理器挂载到主CPU电路503提取存储器(权重存储器或输入存储器)矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器层的网络计算，如池化(Pooling)，批归一化(BatchNormalization)，局部响应归一化(LocalResponseNormalizati[0102]在一些实现种，向量计算单元507能将经处理的输出的向量存储到统一存储器器中的输入数据搬运到输入存储器501和/或统一存储器506、将外部存储器中的权重数据率同步动态随机存储器(DoubleDataRateSynchronousDynamicRandomAccess[0110]步骤S610：基于寻优空间中获取多个向量，所述多个向量中每个向量包含M个元设计参数的取值范围。该多个向量中每个向量包含的M个设计参数的值都位于对应的取值[0118]其中，上述M种设计参数的输入分布可以通过历史生产数据进行统计得到，具体[0129]代理模型接收输入的i个向量和设计参数的输入分布后，首先计算出协方差矩阵第四向量与i个向量分别进行计算得到的i个协[0135]上述公式(3)中任意两个向量的协方差是通过对该两个向量以及设计参数的输入[0136]下面以上述i个向量中的第二向量和第三向量为例来描述其协方差的计算过程。例，上述第一样本集中m个向量分别包含的m个第一设计参数即是基于分布中心((0.3，0.4))和第一设计参数的输入分布所表征[0141]上述通过第一样本集和第二样本集进行处理得到第二向量和第三向量之间协方[0142]下面将结合图8描述通过MMD核函数对第一样本集和第二样本集进行处理得到上述第二向量和第三向量之间协方差的具体过程，此过程中使用的Nystrom加速方法可有效[0143]MMD核函数对第一样本集和第二样本集的处理过程包括将第一矩阵与第二矩阵相[0147]以及通过MMD核函数同时对第一样本子集和第二样本子集进行处理，得到第六矩分别为三个公式中包含的MMD核[0166]步骤S630：基于所述BO的获取函数对所述多组预测值和所述多个确定度进行处[0167]具体地，首先将所述多组预测值和所述多个确定度分别输入所述BO的获取函数择下一查询点(querypoint)时的随机探索性和代理模型的利用程度，即是获取函数可选[0175]具体地，即代理模型输出的一组预测值不符合上述预设条件且i不等于预设次数此在代理模型每次进行推理之前利用更新的数据集对代理模型进行训练可以训练出更为条训练数据(即图9中新的观测点)加入用于[0182]具体地，图9中各步骤具体执行过程可参见前述实施例中对应描述，此处不再赘差MeasurementNoiseStd，样本集大小SamplingSize，样本子集大小Sub_Sampling[0190]请参见图11，图11为本申请实施例提供的一种加速代理模型推理速度的代码示[0195]具体地，算法3的具体计算过程可参见前述方法实施例中对应描述，此处不再赘[0196]请参见表1，表1展示了本申请实施例中BO方法与经验Empirical方法的模型推理[0203]在第i次迭代过程中，将上述多个向量和每种网络参数的输入分布输入BO的代理标函数值作为一条训练数据加入用于训练代理模型的数据集，并开始执行下一次迭代过[0208]获取单元1210用于在第i次迭代过程中基于寻优空间中获取多个向量，所述多个所述M种设计参数的输入分布和所述多个向量输入贝叶斯优化BO的代理模型中，得到所述符合所述预设条件且i不等于所述预设次数时，将所述第一向量和所述天线的一组性能参向量和所述第三向量之间的协方差是通过将第一样本集和第二样本集输入最大平均差异所述输入分布采样得到的，所述第二样本集包含的m个向量是基于所述第三向量和所述输[0212]在一种可行的实施方式中，所述MMD核函数对所述第一样本集和所述第二样本集是通过所述MMD核函数对所述第一样本集中的h个向量进行处理得到的，h为