买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉杭州电子科技大学申请的专利基于迁移学习的射频器件行为模型参数提取方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119623234B 。

龙图腾网通过国家知识产权局官网在2026-05-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411406978.8，技术领域涉及：G06F30/27；该发明授权基于迁移学习的射频器件行为模型参数提取方法是由苏江涛设计研发完成，并于2024-10-10向国家知识产权局提交的专利申请。

本基于迁移学习的射频器件行为模型参数提取方法在说明书摘要公布了：本发明提供一种基于迁移学习的射频器件行为模型参数提取方法，通过神经网络模型提取多项式模型系数，减少了建立神经网络模型所需的数据量、提高模型的可移植性和优化效率，并实现神经网络模型与EDA软件的无缝集成，加速电子设计流程的进展；该神经网络模型使用旧工作状态下的测试模型用作新工作状态的起点，避免了重新提取模型系数，节约了测试时间和仪器成本。

本发明授权基于迁移学习的射频器件行为模型参数提取方法在权利要求书中公布了：1.基于迁移学习的射频器件行为模型参数提取方法，其特征在于，具体步骤包括： 构建神经网络模型，获取射频器件在初始状态下的测试数据，将测试数据输入至神经网络模型中进行训练，训练时，采用最小二乘法计算多项式模型的粗糙模型对应的系数； 获得精确模型，将粗糙模型训练后获得的参数作为初始测试数据，再次训练获得精确模型； 当射频器件的状态发生改变时，将新状态下的测试数据输入至精确模型中进行训练；精确模型进行新状态下前向传播时，隐藏层与输入层之间的权重参数复制粗糙模型训练时隐藏层和输入层的权重参数，从而实现知识保留，对于与输出层相近的隐藏层与输出层之间的权重系数，在射频器件状态由初始状态变更为新状态时，即射频器件的工作频率、偏置发生改变，通过微调策略使精确模型记住先前的状态，即对粗糙模型输出层的权重参数重新训练为新的权重参数，进而实现知识转移，从而获得精确模型对应的系数； 评估精确模型的系数，若评估的预测值与实际测试值不符，则调整神经网络模型的参数，若评估的预测值与实际测试值相符，则输出精确模型系数，通过将精确模型部署到EDA仿真工具中，以获得神经网络模型与EDA软件的无缝集成；所述粗糙模型的表达式为： 粗糙模型:: 其中，Gk,q,n,r为多项式模型系数，fANN为神经网络模型；A1,1为入射波第一个端口，第一次谐波；A2,1为入射波第二个端口，第一次谐波；Bk,q为反射波，k是端口索引，q是谐波索引，w为粗糙模型的权重参数，n和r分别为与入射波A1,1幅值无关的相位指数；w=wi,wo,其中，wi为神经网络模型中隐藏层与输入层之间传递的权重参数，wo为输入层与输出层传递的权重参数，两部分权重参数分别代表知识保留层和知识迁移层；所述粗糙模型的权重参数w的表达式为： 粗糙模型::粗糙模型::Loss ；其中，Loss为粗糙模型的损失函数HuberLoss，fANN为神经网络模型，是粗糙模型的预测值，yi是粗糙模型的测试值，δ是平均值算子，ε为设置的阈值参数，双冒号::在模型表示域操作符，用于指明右边的参数属于左边的模型范畴，括号内的内容为最小值函数min所作用的对象，即获得的w为粗糙模型的权重参数w，通过神经网络模型使得粗糙模型的损失函数Loss的值达到最小，并把得到的最优神经网络模型参数赋值给w；所述精确模型的表达式为： 精确模型::精确模型::Loss 其中，fANN为神经网络模型，为精确模型输出层的权重参数，通过微调策略使精确模型记住先前的状态，即对粗糙模型输出层的权重参数wo重新训练而获得，Loss为精确模型的损失函数HuberLoss，整体表示为基于神经网络模型对精确模型的损失函数Loss训练求最小值，并将获得的神经网络模型参数赋值给精确模型中输出层的权重参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310000 浙江省杭州市下沙高教园区；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。