基于CNN-LSTM网络的快速自动天线结构三维建模用于高效数据生成
系统与控制
2023-06-28 v1 系统与控制
摘要
近年来，深度学习辅助的天线设计方法（如代理模型）因有望通过替代耗时的全波电磁（EM）仿真来大幅提升设计效率而广受欢迎。然而，这些方法需要大量具有足够多样性和代表性的训练数据（天线结构参数、散射特性等）以保证良好性能。依赖人工建模与修改的传统天线建模方法耗时且无法满足高效训练数据获取的需求。在本研究中，我们提出了一种深度学习辅助的、基于图像的智能建模方法，用于加速具有不同物理结构的天线样本的数据获取。具体而言，我们的方法仅需一张天线结构图像（通常见于科学出版物）作为输入，即可自动生成相应的建模代码（VBA语言）。所提模型主要由两部分组成：卷积神经网络（CNN）和长短期记忆（LSTM）网络。前者用于捕捉天线结构图像特征，后者用于生成建模代码。通过训练，所提模型可基于天线图像实现天线物理结构的快速自动数据获取。实验结果表明，相比人工建模方法，所提方法实现了显著的速度提升。该方法为未来构建鲁棒代理模型所需的高效数据获取奠定了基础。
引用
@article{arxiv.2306.15530,
title = {Fast and Automatic 3D Modeling of Antenna Structure Using CNN-LSTM Network for Efficient Data Generation},
author = {Zhaohui Wei and Zhao Zhou and Peng Wang and Jian Ren and Yingzeng Yin and Gert Frølund Pedersen and Ming Shen},
journal= {arXiv preprint arXiv:2306.15530},
year = {2023}
}