公开(公告)号：CN117540619A

公开(公告)日：2024-02-09

申请号：CN202311298764.9

申请日：2023-10-09

Applicant: 桂林理工大学

Inventor： 刘晓斌 ,  张磊 ,  杨盛晖 ,  苏畅 ,  黄秋霞 ,  周焕福 ,  谢晓兰

IPC: G06F30/27 ,  G06N3/092 ,  G06N3/0464

Abstract: 本发明公开了一种基于深度强化学习微波器件鲁棒性可调的设计方法，具体包括以下步骤：步骤1，将微波器件的结构参数矩阵化；步骤2，基于深度强化学习框架建立强化学习环境将步骤1的结果添加扰动作为状态输入；步骤3，基于深度强化学习框架设计智能体和所建立的环境交互；步骤4，基于步骤3将器件的性能指标和鲁棒性因素分别转化为相应奖励函数和；步骤5，基于步骤4调整奖励的比重，指导智能体设计鲁棒性不同的微波器件；步骤6，基于步骤5验证器件的鲁棒性，得到器件的鲁棒性和器件性能的变化趋势，验证结果显示不同的任务设计的器件具有不同的鲁棒性。本发明可以在保障性能的前提下，控制调整器件的鲁棒性，打破制造工艺差异的限制。

公开(公告)号：CN118709829A

公开(公告)日：2024-09-27

申请号：CN202410724974.8

申请日：2024-06-05

Applicant: 桂林理工大学

Inventor： 刘晓斌 ,  邵宁 ,  黄秋霞 ,  张磊 ,  周焕福

IPC: G06Q10/04 ,  G01R27/26 ,  G06F18/214 ,  G06F18/24 ,  G06F17/18 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明是一种基于晶体图卷积神经网络的微波介质陶瓷介电常数预测方法。包括以下步骤：首先，从文献和数据库中获取微波介质陶瓷的化学式、介电常数和CIF文件。将数据集样本输入CGCNN，从CIF文件中提取晶胞的原子和化学键信息，构建晶体图数据，并对介电常数进行归一化。通过卷积层对晶体图进行特征提取，并通过池化层保留重要特征，随后全连接层组合最适合的特征表示。使用随机梯度下降优化器对模型进行训练，并利用Optuna优化框架调优超参数。预测模型训练完成后，将待预测陶瓷的CIF文件输入CGCNN，即可输出其介电常数预测值。该方法提供了简单输入、高准确率微波介质陶瓷介电常数的预测模型，具有较高的应用价值。

公开(公告)号：CN119720749A

公开(公告)日：2025-03-28

申请号：CN202411754485.3

申请日：2024-12-02

Applicant: 桂林理工大学

Inventor： 刘晓斌 ,  谭天健 ,  张磊 ,  黄秋霞 ,  李清文 ,  周焕福

IPC: G06F30/27 ,  G06F30/10 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/045 ,  G06N3/092

Abstract: 本发明公开了一种基于强化学习的低通滤波器智能化设计方法，步骤1，获取低通滤波器的结构参数进行矩阵化表示；步骤2，基于深度强化学习框架构建强化学习环境，并将步骤1的结果作为状态输入；步骤3，设计智能体，使其基于深度强化学习框架与步骤2建立的环境进行交互；步骤4，根据步骤3的交互结果，将低通滤波器的性能指标转化为对应的奖励函数#imgabs0#，#imgabs1#，将当前状态所对应奖励与前一状态所对应奖励的差值#imgabs2#作为最终的奖励，以指导优化过程；步骤5，当模型达到预定的训练目标后，根据最终调整得到的结构参数确定低通滤波器的最终参数。通过上述系统化的步骤，本发明的方法能够实现低通滤波器设计的智能化优化，显著提升设计效率和滤波器性能。

公开(公告)号：CN119227516A

公开(公告)日：2024-12-31

申请号：CN202411251202.3

申请日：2024-09-06

Applicant: 桂林理工大学

Inventor： 刘晓斌 ,  黄秋霞 ,  苏畅 ,  邵宁 ,  张磊 ,  周焕福

IPC: G06F30/27 ,  G06N3/0464 ,  G06F18/214 ,  G06N3/0985 ,  G06N3/0499 ,  G06N3/045

Abstract: 本发明提出了一种基于成分限制的注意力卷积网络的尖晶石陶瓷微波介电常数预测方法，具体步骤如下：首先，收集文献中的尖晶石型微波介质陶瓷的化学式及其介电常数，并将化学式转化为基础元素向量，结合组成编码和对数编码进行数据嵌入。其次，采用Adam优化算法进行超参数优化。通过Transformer编码器对嵌入的数据进行特征提取，卷积层进一步处理这些特征，池化层保留重要特征。然后，使用残差网络对数据进行训练。训练完成后，将待预测的尖晶石型微波介质陶瓷化学式输入模型，即可输出其介电常数。该方法通过化学式输入即可实现更准确的性能预测，显著提升了材料开发效率并降低了实验试错成本。

公开(公告)号：CN117409894A

公开(公告)日：2024-01-16

申请号：CN202311222788.6

申请日：2023-09-21

Applicant: 桂林理工大学

Inventor： 刘晓斌 ,  苏畅 ,  黄秋霞 ,  杨盛晖 ,  张磊 ,  谢晓兰 ,  周焕福

IPC: G16C60/00 ,  G16C20/70 ,  G06N20/00 ,  G01N27/22 ,  G01R27/26

Abstract: 本发明涉及一种基于机器学习的尖晶石结构微波介质陶瓷介电常数预测方法，包括以下步骤：首先获取文献中的尖晶石结构微波介质陶瓷的化学式、介电常数和所包含元素的描述符等数据，对化学式生成组合特征，对生成的特征进行归一化处理之后，采用特征选择方法，包括方差筛选、相关性筛选、特征重要性筛选和特征穷举筛选。所得到的最优特征子集被用于极端梯度提升机算法的训练，并使用其它机器学习算法进行对比。训练过程结束之后，将待预测的尖晶石结构微波介质陶瓷的化学式和筛选后的最优特征子集输入最优算法模型，输出其介电常数。本发明能够建立准确率较高的预测模型，具有较高的实际应用价值。