隨著 5G/6G 網(wǎng)絡、物聯(lián)網(wǎng)和智能感知技術(shù)的快速發(fā)展，射頻通信系統(tǒng)正面臨信道復雜、信號稠密、設(shè)計非線性、優(yōu)化成本高等突出挑戰(zhàn)。傳統(tǒng)基于專家經(jīng)驗的建模與電路設(shè)計方法，在復雜場景下往往效率低、難以推廣。與此同時，深度學習與機器學習方法憑借其強大的非線性擬合與模式識別能力，正在逐步滲透到射頻研究領(lǐng)域。從射頻數(shù)據(jù)集構(gòu)建（GNU Radio、NIST、RadioML）、自動調(diào)制識別（CNN/CLDNN）、射頻指紋識別（RF Fingerprinting）、動態(tài)頻譜管理（強化學習Gym平臺）、AI驅(qū)動電路設(shè)計（AICircuit、監(jiān)督學習基準），AI 已成為推動無線通信和電路設(shè)計智能化的核心動力。本課程順應 AI 與射頻深度融合的趨勢，系統(tǒng)呈現(xiàn)從算法、數(shù)據(jù)到工程應用的完整知識鏈條。

課程一、AI賦能射頻技術(shù)

課程二、AI助力電磁天線設(shè)計與優(yōu)化

課程一、AI賦能射頻技術(shù)

課程概述

本課程旨在為學員系統(tǒng)講解人工智能在模擬與射頻電路設(shè)計、頻譜感知、調(diào)制識別與信號處理等前沿領(lǐng)域的應用，結(jié)合深度學習、強化學習與監(jiān)督學習等核心算法，幫助學員掌握 AI 驅(qū)動的射頻智能化設(shè)計與通信系統(tǒng)優(yōu)化方法。課程內(nèi)容涵蓋從數(shù)據(jù)集構(gòu)建（RadioML、AICircuit 等）、深度學習模型（CNN、RNN、Transformer、FNO）、到應用案例（自動調(diào)制識別、射頻指紋識別、動態(tài)頻譜接入、智能電路參數(shù)預測）的一體化教學體系。課程通過“理論講解+實操訓練+案例分析”的遞進式框架，深入展示 AI 如何賦能 5G/6G 通信、物聯(lián)網(wǎng)、毫米波雷達與模擬電路設(shè)計等場景。

課程目標

課程將培養(yǎng)學員掌握 AI 驅(qū)動射頻智能化研究的核心能力，主要目標包括：

1、系統(tǒng)掌握射頻領(lǐng)域的公開數(shù)據(jù)集構(gòu)建與使用方法，包括 GNU Radio 合成數(shù)據(jù)集、RadioML 基準數(shù)據(jù)集、AICircuit 電路參數(shù)-性能數(shù)據(jù)集。

2、理解并能實現(xiàn)主流深度學習與機器學習方法在射頻中的應用：CNN/RNN 在自動調(diào)制識別、Transformer 在電路參數(shù)預測、FNO 在非線性信號回歸中的應用。

3、能夠利用 Python 與深度學習框架（TensorFlow/PyTorch）完成從數(shù)據(jù)預處理、模型訓練到性能評估的完整流程。

4、掌握 AI 在射頻通信中的典型應用案例：自動調(diào)制識別、射頻指紋識別、頻譜感知與管理（RL/DRL）、信號分類與抗干擾建模。

5、學會使用 AICircuit 數(shù)據(jù)集與監(jiān)督學習方法，實現(xiàn)模擬/射頻電路的智能化參數(shù)設(shè)計，能夠在發(fā)射機、接收機、LNA、VCO、PA 等電路中進行性能預測與優(yōu)化。

最終，使學員具備從 數(shù)據(jù)集構(gòu)建—算法建模—工程應用的全鏈條實戰(zhàn)能力，能夠?qū)?AI 技術(shù)應用于射頻通信與電路設(shè)計的前沿研究與產(chǎn)業(yè)場景。

AI賦能射頻技術(shù)大綱

第一天

第一天上午

基于GNU Radio的射頻機器學習數(shù)據(jù)集生成

本課程聚焦于如何利用 GNU Radio 平臺生成射頻信號的機器學習數(shù)據(jù)集，并結(jié)合深度學習方法開展調(diào)制識別與信號分類研究。課程目標是讓學生掌握構(gòu)建標準化數(shù)據(jù)集的流程，理解信道效應對信號的影響，并能夠利用開源工具開展 AI 驅(qū)動的無線通信實驗。

課程首先介紹射頻機器學習的應用背景。盡管圖像、語音和自然語言處理已經(jīng)有豐富的公開數(shù)據(jù)集推動深度學習的發(fā)展，但射頻信號處理領(lǐng)域長期缺乏統(tǒng)一基準數(shù)據(jù)集，導致模型難以比較。通過 GNU Radio，研究者能夠構(gòu)建帶有已知標簽、含真實信道效應的合成射頻數(shù)據(jù)集，為調(diào)制識別和其他任務提供標準基準。

在數(shù)據(jù)集生成部分，課程詳細講解 GNU Radio 中的數(shù)據(jù)構(gòu)建流程。學生將學習如何選擇信號源（語音或文本）、調(diào)制方式（PSK、QAM、PAM、GFSK、AM、FM、OFDM等）、信道模型（頻偏、采樣率偏移、多徑、瑞利/萊斯衰落、AWGN噪聲），并通過模塊化設(shè)計將這些要素組合，生成可控的仿真數(shù)據(jù)集。課程還將展示數(shù)據(jù)歸一化和打包方法，如如何將復數(shù)信號表示為 I/Q 通道，以適應主流 ML 框架（TensorFlow、Keras等）的訓練需求。

在深度學習任務部分，課程以調(diào)制分類為核心應用案例。學生將使用公開的 RadioML 數(shù)據(jù)集（如 RML2016.10a），并通過卷積神經(jīng)網(wǎng)絡（CNN2）進行訓練與測試，學習如何構(gòu)建分類器并分析混淆矩陣。課程將討論高信噪比和低信噪比條件下的分類性能，并比較基于專家特征與深度學習方法的差異。

進階內(nèi)容拓展到其他射頻任務，包括：

信號壓縮與稀疏表示：通過學習信號稀疏編碼實現(xiàn)高效壓縮；

信號注意力模型：自動學習時間同步與信道歸一化；

端到端通信系統(tǒng)學習：利用自編碼器實現(xiàn)信道編碼與譯碼聯(lián)合優(yōu)化；

強化學習在頻譜搜索與調(diào)度中的應用。

課程最后強調(diào)數(shù)據(jù)集在推動射頻 AI 研究中的關(guān)鍵作用。學生將學習如何利用 GNU Radio 和 Python 工具鏈快速生成標準化射頻數(shù)據(jù)集，并理解未來研究中需要持續(xù)構(gòu)建更復雜、更具挑戰(zhàn)性的基準數(shù)據(jù)，以推動 5G/6G 和智能無線通信的發(fā)展。

第一天下午

基于射頻成像與深度學習的視覺識別(實操+代碼+演示)

本課程圍繞 PanoRadar 系統(tǒng)展開，它是一種結(jié)合毫米波射頻成像與深度學習的創(chuàng)新方法，能夠在塵埃、霧霾或弱光等光學傳感器失效的環(huán)境中，提供接近激光雷達分辨率的三維感知，并支撐表面法向估計、語義分割和目標檢測等視覺識別任務。

在深度學習部分，課程重點講解如何基于跨模態(tài)學習提升射頻成像的分辨率。學生將使用配對的 LiDAR 與 RF 數(shù)據(jù)，構(gòu)建訓練和驗證集，通過二維卷積神經(jīng)網(wǎng)絡替代三維卷積，顯著降低計算與存儲需求。教學中會詳細分析為何將射頻回波的距離維度視作通道輸入，從而實現(xiàn)“3D 學習的 2D 卷積”策略，并以 Python 代碼實操模型構(gòu)建、損失函數(shù)設(shè)計與訓練過程。

在訓練環(huán)節(jié)中，損失函數(shù)采用多項組合：一方面使用 L1 損失約束整體深度估計，另一方面引入感知損失（LPIPS）捕捉高頻細節(jié)，同時通過玻璃區(qū)域掩膜避免 LiDAR 無法穿透透明體帶來的監(jiān)督誤差。課程會演示如何在多路徑干擾場景下保持魯棒性，以及如何利用感知損失增強臺階、欄桿等復雜結(jié)構(gòu)的細節(jié)恢復。

進階部分將介紹 PanoRadar 如何在下游任務中應用深度學習模型。課程將展示如何在增強分辨率模型的輸出上附加表面法向預測頭、語義分割網(wǎng)絡和目標檢測器，利用預訓練 ResNet 與 FPN 結(jié)構(gòu)實現(xiàn)人和物體的定位與分類。學生將動手實現(xiàn)這一流程，并通過跨建筑物數(shù)據(jù)集的訓練與測試，體會模型的泛化能力。為突出 RF 學習的獨特性，課程還將演示“全景學習”的實現(xiàn)方法，即通過循環(huán)填充和邊界跨越 IoU 計算來提升全景圖像的檢測效果。

最終，學生將掌握如何將射頻信號處理與深度學習模型有效結(jié)合，在實際移動機器人平臺上進行三維環(huán)境感知與視覺識別實驗。本課程不僅強調(diào)理論分析，還通過實操與代碼演練，培養(yǎng)學員將信號處理、計算機視覺和深度學習有機結(jié)合的能力。

圖1射頻圖像和PanoRadar的圖像識別對比

第二天

第二天上午

基于深度學習的寬帶頻譜實時感知(實操+代碼)

本課程圍繞 DeepSense 框架展開，它是一種結(jié)合仿真信號與深度學習的寬帶頻譜感知方法，能夠在亞 6 GHz 頻段實現(xiàn)低延遲的頻譜洞檢測。不同于原始版本中依賴 USRP、FPGA、SDR 等硬件，本版本完全通過 MATLAB 信號構(gòu)造與 Python 深度學習建模來實現(xiàn)核心實驗流程，從而在無硬件條件下依然能夠完成完整的感知建模與性能對比。

教學首先介紹頻譜共享與感知的背景，闡釋為何在 WiFi 與 LTE 等多協(xié)議共存的環(huán)境下，傳統(tǒng)能量檢測與壓縮感知等方法難以滿足實時性與高精度要求。在本版本中，原本通過 GNU Radio 與 USRP 采集的真實 WiFi/LTE 信號，替換為 MATLAB 生成的 LTE、WiFi、OFDM 等標準波形，并疊加瑞利/萊斯衰落、采樣率偏移與 AWGN 噪聲，以形成帶有信道效應的 I/Q 樣本數(shù)據(jù)集。學生將學習如何使用 MATLAB 工具箱快速生成不同 SNR 條件下的訓練集、驗證集與測試集，這一部分替代了硬件信號獲取過程。

在深度學習部分，課程重點講解 DeepSense 所采用的卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)。學生將構(gòu)建輕量化的一維多標簽 CNN，以 I/Q 樣本作為輸入，對各子頻段的占用情況進行預測。訓練環(huán)節(jié)采用交叉熵損失函數(shù)與 Adam 優(yōu)化器，結(jié)合仿真數(shù)據(jù)完成建模與驗證。學生將在實驗中對比 CNN 與能量檢測器的性能，觀察二者在低信噪比條件下的差異，從而體會深度學習方法在復雜環(huán)境中的優(yōu)勢。原版課程中 FPGA 部署與 SDR 動態(tài)發(fā)射的實測演示在此被替換為 MATLAB 統(tǒng)計推理延遲與性能曲線的近似模擬，從而達到展示實時性要求與感知效果的目的。

在結(jié)果分析中，學生將通過混淆矩陣、ROC 曲線以及 SNR-準確率曲線對模型性能進行系統(tǒng)評估，并比較 CNN 與傳統(tǒng)檢測器在不同信噪比條件下的表現(xiàn)。通過這一仿真流程，學生能夠完整體驗從數(shù)據(jù)集構(gòu)建、模型訓練到性能驗證的全過程，而無需依賴任何物理射頻硬件。

最終，本純仿真版課程實現(xiàn)了基于深度學習的頻譜感知完整工作流，保留了 DeepSense 框架的核心思想。需要說明的是，原本依賴硬件的部分已做如下替代：USRP 采集替換為 MATLAB 信號生成，F(xiàn)PGA 部署替換為軟件延遲統(tǒng)計，SDR 動態(tài)發(fā)射替換為仿真信號演示。這樣，學生即便在沒有硬件的條件下，也能夠掌握 CNN 在無線通信頻譜感知中的主要建模方法與性能優(yōu)勢。

最終，學生將掌握從數(shù)據(jù)采集、深度學習建模、訓練與驗證，到硬件部署和系統(tǒng)實測的完整流程，能夠獨立完成基于深度學習的實時頻譜感知實驗。本課程不僅強調(diào)理論分析，還通過實操與代碼演練，培養(yǎng)學員將通信工程、硬件加速和深度學習有機結(jié)合的能力。

圖2工作流

圖3CNN結(jié)果對比

第二天下午

基于深度學習的自動調(diào)制識別(實操+代碼)

本課程聚焦于自動調(diào)制識別（AMR）的深度學習方法。AMR 是認知無線電、頻譜感知、信號監(jiān)測和干擾識別中的核心環(huán)節(jié)，它能夠在缺乏先驗信息的情況下自動檢測接收信號的調(diào)制方式。

教學首先介紹 AMR 的基本概念與傳統(tǒng)方法，包括基于似然比的 LB-AMR 與基于特征的 FB-AMR，指出傳統(tǒng)方法在復雜信道環(huán)境下的性能與復雜度瓶頸。隨后課程進入深度學習方法，強調(diào)其在高維特征提取與端到端建模方面的優(yōu)勢。學生將學習 DL-AMR 的基本流程：數(shù)據(jù)采集與預處理、特征提取、調(diào)制分類，并通過 Python 實驗對比不同神經(jīng)網(wǎng)絡架構(gòu)的效果。

在模型部分，課程詳細介紹多種深度學習架構(gòu)的應用。首先是無監(jiān)督模型，如稀疏自編碼器與深度置信網(wǎng)絡，用于從模糊特征中自學習表示；然后是 DNN 模型，通過統(tǒng)計特征和高階累積量實現(xiàn)調(diào)制分類；接著是 CNN 模型，重點展示 CNN 如何處理 I/Q 數(shù)據(jù)、星座圖像或頻譜圖輸入，并在低信噪比環(huán)境下依然保持高識別率。課程還將介紹輕量化 CNN 的設(shè)計方法，例如采用不對稱卷積核與通道注意力機制，以滿足 5G/B5G 的低時延要求。最后是 RNN 模型，學生將動手實現(xiàn) GRU 與 LSTM 網(wǎng)絡，理解其在捕捉時間序列相關(guān)性方面的優(yōu)勢，并進一步探索 CNN 與 RNN 的混合模型（如 CLDNN），體會空間與時間特征融合帶來的性能提升。

課程將配套講解主流 AMR 開放數(shù)據(jù)集，包括 RadioML2016.10a/10b、RadioML2018.01a 和 HisarMod2019.1 等，并結(jié)合實際實驗對比 14 種典型 DL-AMR 模型的識別率、復雜度與收斂特性。學生將學習如何在不同信噪比條件下訓練與評估模型，理解混淆矩陣中的典型錯誤模式（如 16QAM 與 64QAM 的混淆），并掌握改進方法。進一步地，課程延伸到多輸入多輸出（MIMO）系統(tǒng)，介紹基于 CNN、RNN 與遷移學習的 DL-AMR 方法，展示如何通過預編碼與信道均衡在多天線條件下實現(xiàn)調(diào)制識別。

在前沿方向部分，課程將探討生成對抗網(wǎng)絡（GAN）、注意力機制與 Transformer 在 AMR 中的潛力，說明如何通過數(shù)據(jù)增強、特征選擇與跨模態(tài)融合提升模型的泛化與可解釋性。學生還將學習模型壓縮與知識蒸餾方法，以實現(xiàn)低復雜度、低功耗的嵌入式部署，滿足物聯(lián)網(wǎng)與 6G 網(wǎng)絡的需求。

通過本課程，學生將全面掌握自動調(diào)制識別的深度學習方法，能夠完成從數(shù)據(jù)集準備、模型構(gòu)建、實驗對比到系統(tǒng)優(yōu)化的完整實踐流程，并為未來在無線通信與智能感知中的研究與應用奠定基礎(chǔ)。

圖4流程圖對比

第三天

第三天上午

多通道時空深度學習框架在自動調(diào)制識別中的應用(實操+代碼)

本課程介紹自動調(diào)制識別（AMR）的多通道時空學習方法，重點圍繞 MCLDNN 框架的設(shè)計與實驗展開。AMR 是信號檢測與解調(diào)之間的重要環(huán)節(jié)，傳統(tǒng)的基于似然和特征的方法雖然在特定條件下有效，但在復雜信道環(huán)境中存在泛化性差、手工特征依賴強等問題 。

教學首先回顧傳統(tǒng) AMR 的局限性，隨后引入深度學習方法在通信信號處理中的突破。學生將學習 CNN、RNN 和 CLDNN 等經(jīng)典架構(gòu)在 AMR 中的應用，并理解它們在時序特征提取、空間特征建模上的優(yōu)缺點。課程特別強調(diào)多通道學習的直覺：通過分別輸入 I/Q 雙通道、I 通道和 Q 通道，可以捕捉互補特征，并與整體 I/Q 數(shù)據(jù)聯(lián)合建模，從而提升識別精度 。

在模型部分，課程詳細講解 MCLDNN 的架構(gòu)。該框架將 1D 卷積和 2D 卷積結(jié)合用于空間特征提取，利用 LSTM 層捕捉時序特征，最后通過全連接層實現(xiàn)分類。學生將在 Python 實驗中搭建該網(wǎng)絡，并通過可視化卷積層權(quán)重與中間特征圖，直觀理解模型如何在不同尺度捕捉信號特征。課程還將講解損失函數(shù)（交叉熵）、優(yōu)化方法（Adam）、學習率調(diào)整與 dropout 正則化等關(guān)鍵訓練技巧 。

在實驗部分，課程將采用公開數(shù)據(jù)集 RadioML2016.10a 和 RadioML2016.10b，對比 MCLDNN 與多種 SoA 模型（如 CNN-IQ、LSTM2、CLDNN、GRU2 等）的性能。通過實驗，學生將看到 MCLDNN 在 -4dB 以上 SNR 的識別率明顯優(yōu)于其他方法，尤其在 16-QAM 與 64-QAM 混淆問題上表現(xiàn)更佳。課程還會結(jié)合混淆矩陣分析 WBFM 與 AM-DSB 等調(diào)制方式易混淆的原因，并演示 MCLDNN 在這些場景下的改進效果 。

在復雜度分析部分，課程將介紹如何通過參數(shù)量、收斂速度與訓練時間評估模型效率，比較 MCLDNN 與其他模型在計算開銷與精度之間的權(quán)衡。學生還將學習模型壓縮與特征冗余削減的方法，體會如何在保持性能的同時降低復雜度。

最終，學生將掌握如何利用時空多通道結(jié)構(gòu)提升調(diào)制識別精度，并具備獨立完成數(shù)據(jù)準備、模型設(shè)計、訓練優(yōu)化與性能分析的能力。這不僅拓展了傳統(tǒng) AMR 的研究路徑，也為未來在 5G/6G 網(wǎng)絡下的智能無線通信提供了可行方案。

圖5工作流

圖6不同深度學習方法的精度對比

第三天下午

高效卷積神經(jīng)網(wǎng)絡在自動調(diào)制識別中的應用（MCNet 框架）

本課程聚焦于自動調(diào)制分類（AMC）的深度學習方法，重點介紹一種高效卷積神經(jīng)網(wǎng)絡結(jié)構(gòu) MCNet。AMC 是認知無線電和 5G 系統(tǒng)中的關(guān)鍵技術(shù)，能夠在多標準、多協(xié)議環(huán)境下識別接收信號的調(diào)制方式，實現(xiàn)高效頻譜管理。

教學首先回顧傳統(tǒng) AMC 方法的局限，包括基于似然的方法在計算復雜度上的瓶頸，以及基于人工特征方法在復雜調(diào)制和低信噪比下的性能不足。隨后引出深度學習在特征自動提取與分類上的優(yōu)勢，特別是卷積神經(jīng)網(wǎng)絡在空間特征捕捉和多尺度表示方面的潛力。

在模型部分，課程深入講解 MCNet 的網(wǎng)絡設(shè)計。學生將學習如何利用 非對稱卷積核（3×1 與 1×3） 替代傳統(tǒng) 3×3 卷積核，以減少參數(shù)數(shù)量并提升特征提取能力；理解 M-block 結(jié)構(gòu) 如何通過多路卷積流（3×1、1×3、1×1）捕捉不同方向上的信號特征；并掌握 跨層殘差連接 在防止梯度消失和提高收斂速度中的作用。通過 Python 實操，學生將搭建 MCNet，并在 DeepSig (RadioML 2018.01A) 數(shù)據(jù)集上進行訓練與測試。

實驗部分將重點展示 MCNet 在 24 種調(diào)制方式下的分類結(jié)果。學生將分析不同調(diào)制方式（如 PSK、QAM、APSK、模擬調(diào)制）在低 SNR 和高階調(diào)制條件下的識別精度表現(xiàn)。通過可視化混淆矩陣，課程將揭示 128APSK 與 256QAM 的高誤判率 及其原因，并探討改進方法。此外，學生還將學習如何通過改變 M-block 的數(shù)量平衡精度與復雜度，觀察網(wǎng)絡深度對性能的影響。

在性能對比環(huán)節(jié)，課程將比較 MCNet 與 ResNet、VGG、CNN-AMC 等深度學習模型的效果。結(jié)果顯示，在 +10 dB SNR 下，MCNet 的識別準確率比 VGG 高 23.7%，比 ResNet 高 12.4%，同時參數(shù)量減少約 40%–45%，推理時間也具備優(yōu)勢。通過實驗，學生將體會到高效網(wǎng)絡架構(gòu)在移動和邊緣計算平臺部署中的重要性。

課程最后將總結(jié) MCNet 的設(shè)計思想：通過非對稱卷積、殘差連接與輕量化架構(gòu)，在保證高精度的同時降低復雜度，為 5G 與未來 6G 系統(tǒng)的實時調(diào)制識別提供了實用方案。學生將掌握完整的 AMC 實踐流程，包括數(shù)據(jù)集使用、網(wǎng)絡搭建、模型優(yōu)化和性能分析，具備在復雜無線環(huán)境下應用深度學習技術(shù)的能力。

圖7工作流

第四天

第四天上午

基于深度學習的射頻指紋識別大規(guī)模實驗研究(實操+代碼)

本課程聚焦于射頻指紋識別（RF Fingerprinting）的深度學習方法，探索如何通過硬件相關(guān)的微小射頻特征實現(xiàn)設(shè)備級別的身份識別。射頻指紋識別利用發(fā)射機電路固有的非理想特性（如 IQ 不平衡、相位噪聲、載波頻偏等），在信號中形成無法偽造的獨特“簽名”，為物聯(lián)網(wǎng)和無線網(wǎng)絡提供輕量化、抗篡改的安全認證機制 。

教學首先介紹 RF 指紋識別的基本原理與傳統(tǒng)方法，指出傳統(tǒng)特征提取往往依賴通信協(xié)議，難以適應快速演進的無線標準。隨后引入卷積神經(jīng)網(wǎng)絡（CNN）作為核心工具，展示其在從原始 I/Q 樣本中自動提取判別性特征、實現(xiàn)移位不變分類方面的優(yōu)勢。學生將學習 CNN 在射頻指紋中的適配方法，包括時間序列建模和特征可視化。

在數(shù)據(jù)部分，課程重點講解論文使用的 大規(guī)模真實數(shù)據(jù)集。實驗涵蓋兩個無線標準：其一是包含 5117 臺設(shè)備、采樣率 200 MS/s 的 WiFi 數(shù)據(jù)集；其二是包含 5000 臺設(shè)備、采樣率 100 MS/s 的 ADS-B 飛機廣播數(shù)據(jù)集。每個設(shè)備的多條傳輸信號形成總計 400GB 的數(shù)據(jù)集，為評估深度學習模型在大規(guī)模設(shè)備環(huán)境下的可擴展性提供了基準。

在模型設(shè)計部分，課程對比了 兩類深度 CNN 架構(gòu)：一是基于 AlexNet 改造的基線模型，包含 10 層卷積和 5 層池化；二是 ResNet-50-1D，將殘差連接應用于一維卷積，緩解深層網(wǎng)絡中的梯度消失問題。學生將親手實現(xiàn)這兩種模型，并比較其在不同數(shù)據(jù)預處理下的性能。特別地，課程強調(diào) WiFi 信號中的 部分均衡（Partial Equalization） 技術(shù)，展示如何在去除信道影響的同時保留設(shè)備特有特征。

在實驗部分，課程涵蓋多個關(guān)鍵任務：

可擴展性任務：在 50–10,000 臺設(shè)備的不同規(guī)模下測試模型的分類能力；

多突發(fā)任務（Multiburst）：合并多個連續(xù)傳輸評估魯棒性；

訓練集規(guī)模任務：分析訓練樣本數(shù)量對模型精度的影響；

信道變化任務：跨日期、室內(nèi)外場景比較模型在信道波動下的性能；

SNR 任務：探討在不同信噪比訓練/測試組合下的泛化規(guī)律；

比特相同任務：驗證模型是否依賴 MAC 地址信息，而非硬件特征。

實驗結(jié)果表明，基線 CNN 在部分場景下優(yōu)于 ResNet-50-1D，說明“更深的網(wǎng)絡并不總是更好”；同時，數(shù)據(jù)增強（如在低 SNR 條件下訓練）能有效提升模型在噪聲環(huán)境中的魯棒性。

最終，課程總結(jié)深度學習在 RF 指紋識別中的應用前景，強調(diào)其在大規(guī)模 IoT 安全認證中的實用性。學生將掌握從 數(shù)據(jù)預處理—模型構(gòu)建—性能測試—結(jié)果分析 的完整流程，并理解在實際無線通信環(huán)境中部署深度學習模型所面臨的挑戰(zhàn)與機遇。

圖8CNN模型執(zhí)行步驟

圖9不同深度學習模型計算結(jié)果對比

第四天下午

基于深度學習的射頻信號檢測與分類的參考數(shù)據(jù)集構(gòu)建(實操+代碼)

本課程介紹射頻信號檢測與分類的參考數(shù)據(jù)集建設(shè)方法，強調(diào)其在人工智能與深度學習驅(qū)動的下一代無線通信系統(tǒng)中的關(guān)鍵作用。與語音識別、圖像分類等領(lǐng)域已有成熟公共數(shù)據(jù)集不同，射頻信號領(lǐng)域缺乏統(tǒng)一標準和大規(guī)?；鶞蕯?shù)據(jù)，這限制了深度學習算法在認知無線電和共享頻譜中的應用。

教學首先回顧 AI/ML 在無線通信中的典型應用場景，包括 5G 系統(tǒng)中的天線配置、波束賦形、自適應 MIMO 優(yōu)化、以及共享頻譜中的動態(tài)接入管理。課程將強調(diào)頻譜共享背景下的核心需求——快速、準確地檢測和分類不同信號，保護優(yōu)先用戶并高效利用頻譜資源。

在數(shù)據(jù)構(gòu)建部分，課程詳細分析了三類主要數(shù)據(jù)來源：

現(xiàn)場測量數(shù)據(jù)：最接近真實環(huán)境，但標簽難以獲取，受噪聲和干擾影響大；

實驗室測試平臺：使用真實射頻設(shè)備，在可控條件下采集，便于標簽化，但環(huán)境代表性有限；

仿真數(shù)據(jù)：可補充難以獲取的信號類型（如機密雷達波形），但需要驗證其與真實數(shù)據(jù)的匹配度。

課程將介紹 NIST 提出的 RF 數(shù)據(jù)集構(gòu)建原則，包括 目標導向（針對具體頻段與應用）、可追溯性（遵循 FAIR 數(shù)據(jù)管理原則）、精心策劃（涵蓋不同設(shè)備、信道、SNR 和干擾類型），并展示如何在采集和生成過程中保存元數(shù)據(jù)、信道信息和設(shè)備特性，以確保數(shù)據(jù)的科學價值。

在應用案例部分，課程選取 3.5 GHz 頻段雷達檢測 作為示例。學生將學習如何通過采集和模擬構(gòu)建一個適用于 CBRS 頻段共享的雷達波形數(shù)據(jù)集，并分析商業(yè) LTE 發(fā)射和鄰頻雷達干擾對檢測器性能的影響。課程將演示如何通過對比不同分類器（如基于峰值分析和高階統(tǒng)計特征的方法），揭示數(shù)據(jù)集中必須包含干擾樣本的重要性，否則會導致模型評估結(jié)果失真。

最終，學生將掌握如何設(shè)計和管理面向深度學習的射頻信號數(shù)據(jù)集，理解數(shù)據(jù)來源、標簽策略與可復現(xiàn)性的重要性，并能夠在實驗中評估不同信號分類算法的性能。通過本課程，學員將具備推動射頻數(shù)據(jù)集標準化和共享的能力，為未來 5G/6G 網(wǎng)絡中基于 AI 的頻譜管理提供支撐。

第五天

第五天上午

基于強化學習的認知無線電測試平臺（RFRL Gym）(實操+代碼)

本課程介紹 RFRL Gym 框架，這是一個用于認知無線電應用的強化學習仿真平臺，旨在為 6G 與軍事通信中的頻譜智能化管理提供實驗環(huán)境。隨著無線設(shè)備數(shù)量的激增，射頻頻譜面臨嚴重擁塞和干擾問題，傳統(tǒng)方法如跳頻與擴頻已無法適應動態(tài)頻譜環(huán)境，而認知無線電結(jié)合強化學習被視為解決方案。

教學首先回顧認知無線電的基本概念和動態(tài)頻譜接入（DSA）的需求，強調(diào)強化學習在預測未來頻譜空洞、主動規(guī)避干擾方面的獨特優(yōu)勢。學生將理解 Q-learning 等 RL 算法如何通過“狀態(tài)—動作—獎勵”循環(huán)實現(xiàn)自適應決策，并在 Python 代碼實操中體驗該過程。

在平臺部分，課程系統(tǒng)講解 RFRL Gym 的架構(gòu)。該平臺基于 OpenAI Gym API，支持與第三方 RL 庫（如 MushroomRL、Stable Baselines）無縫對接，便于算法快速部署。平臺中包含多種 非玩家實體（Non-Player Entities），如恒定發(fā)射器、隨機跳頻器、敏捷跳頻器和干擾器，用于模擬真實環(huán)境下的通信對象和對抗者。學生將學習如何通過 JSON 文件或圖形化界面（GUI）自定義場景，定義信道數(shù)、觀測模式、獎勵函數(shù)與干擾策略。

在實驗環(huán)節(jié)，課程通過四類代表性場景展示 RL 在頻譜管理中的效果：

單實體干擾場景：驗證 RL 智能體能快速收斂至最優(yōu)策略；

固定模式跳頻干擾場景：演示非馬爾可夫性帶來的次優(yōu)收斂；

多實體 DSA 場景：展現(xiàn) RL 智能體如何同時規(guī)避多個信號實體，實現(xiàn)最優(yōu)頻譜接入；

敏捷實體場景：揭示 RL 在非平穩(wěn)環(huán)境下的不足，并引出更先進的深度 Q 學習需求。

課程還將介紹平臺的可視化功能，包括 終端渲染模式 與 PyQt 圖形模式，學生可直觀觀察智能體與實體在信道中的交互過程，以及獎勵隨時間的變化曲線。通過動手實驗，學生將加深對強化學習在動態(tài)頻譜分配與抗干擾中的應用理解。

進階部分將探討未來擴展方向：包括 多智能體強化學習（MARL） 在合作與對抗場景下的應用、CNN 信號分類與 RL 聯(lián)動、真實射頻硬件對接、以及 GUI 的全流程集成。

最終，學生將掌握如何利用 RFRL Gym 搭建實驗環(huán)境、設(shè)計頻譜接入與對抗任務，并實現(xiàn) RL 算法的訓練與評估。本課程不僅培養(yǎng)學生在通信系統(tǒng)中的 AI 應用能力，還為未來無線頻譜管理與智能電磁對抗提供研究基礎(chǔ)。

圖10工作流

圖11GUI介紹

第五天下午

AI驅(qū)動的模擬與射頻電路設(shè)計——數(shù)據(jù)集與監(jiān)督學習方法(實操+代碼)

本課程圍繞 AICircuit 數(shù)據(jù)集 和 基于監(jiān)督學習的電路設(shè)計方法 展開，系統(tǒng)介紹如何利用人工智能技術(shù)提升模擬與射頻電路設(shè)計的效率與精度。傳統(tǒng)電路設(shè)計依賴專家經(jīng)驗與參數(shù)遍歷，效率低下且難以適應復雜非線性系統(tǒng)。本課程通過數(shù)據(jù)驅(qū)動與模型驅(qū)動兩方面結(jié)合，探索機器學習在電路自動化設(shè)計中的應用。

首先，課程介紹 AICircuit 數(shù)據(jù)集 的構(gòu)建過程。該數(shù)據(jù)集涵蓋七類常用的同質(zhì)電路（共源放大器、級聯(lián)放大器、兩級放大器、低噪聲放大器、功率放大器、壓控振蕩器、混頻器），以及包含多個電路模塊的異質(zhì)系統(tǒng)（28 GHz 發(fā)射機與接收機）。通過 Cadence 仿真平臺進行參數(shù)掃描，生成數(shù)十萬條電路參數(shù)—性能指標的數(shù)據(jù)，為機器學習模型訓練提供堅實基礎(chǔ) 。

在方法部分，課程介紹基于 監(jiān)督學習的逆向設(shè)計流程。不同于傳統(tǒng)的參數(shù)優(yōu)化，本課程強調(diào)通過模型學習 性能指標（功耗、增益、帶寬、噪聲等）→電路參數(shù)（電阻、電容、晶體管寬度等） 的映射關(guān)系，從而直接預測滿足性能需求的電路配置。學生將學習多種模型的實現(xiàn)，包括 多層感知機（MLP）、Transformer、支持向量回歸（SVR）、隨機森林（RF）、kNN，并對比它們在不同電路類型上的表現(xiàn)。

在實驗環(huán)節(jié)，課程將組織如下模塊：

基礎(chǔ)電路實驗：在 CSVA、CVA、TSVA 等電路上驗證不同模型的預測能力，體會簡單線性關(guān)系下的高精度建模；

復雜電路實驗：在 VCO 和 PA 上觀察非線性與耦合效應帶來的挑戰(zhàn)，分析 Transformer 與 MLP 的優(yōu)劣；

系統(tǒng)級實驗：在發(fā)射機與接收機電路上測試大數(shù)據(jù)集下的模型表現(xiàn)，展示數(shù)據(jù)規(guī)模對泛化能力的提升；

對比分析：通過誤差分布（P75、P90、Outlier率等）和可視化結(jié)果，理解不同模型在不同電路結(jié)構(gòu)下的最優(yōu)適用場景。

結(jié)果顯示，簡單電路（如 LNA） 由于參數(shù)-性能關(guān)系近似線性，ML 模型能夠?qū)崿F(xiàn)極低誤差（0.3%）；而 復雜電路（如 PA 與 VCO） 則因高度非線性表現(xiàn)出更大預測挑戰(zhàn)，需要 Transformer 或 MLP 等深度模型才能較好刻畫。對于 異質(zhì)系統(tǒng)，增加訓練數(shù)據(jù)量可將誤差顯著降低，接收機電路的預測誤差最低可達 0.23%，證明了監(jiān)督學習方法的可擴展性和有效性。

課程最后總結(jié)：AI驅(qū)動的電路設(shè)計正在從 數(shù)據(jù)集建設(shè)（AICircuit） 走向 算法優(yōu)化（監(jiān)督學習框架） 的深度融合。學生將掌握從數(shù)據(jù)生成、模型訓練到系統(tǒng)級驗證的完整流程，理解如何根據(jù)電路復雜度選擇合適的模型，并具備推動 5G/6G 等高頻射頻電路設(shè)計智能化的能力。

圖12不同模型誤差對比

代碼運行環(huán)境要求

為保證課程中涉及的深度學習建模、數(shù)據(jù)集處理與電路仿真代碼能夠順利運行，推薦如下環(huán)境配置：

操作系統(tǒng)

Ubuntu 20.04 / 22.04 LTS（推薦）

Windows 10/11（需安裝 WSL2 以便運行 GNU Radio、Cadence 工具鏈）

macOS（可運行大部分 Python 實驗，但部分仿真模塊需 Linux 環(huán)境）

硬件要求

CPU：Intel i7 / AMD Ryzen 7 及以上，支持 AVX 指令集

GPU：NVIDIA GPU ≥ 8GB 顯存（推薦 RTX 3060 / 3080 或以上）

CUDA ≥ 11.6

cuDNN ≥ 8.4

內(nèi)存：16 GB（最低），32 GB（推薦，用于大規(guī)模數(shù)據(jù)集處理）

存儲：至少 200 GB 可用空間（保存數(shù)據(jù)集、模型檢查點和仿真結(jié)果）

Python 與依賴

Python：3.8 / 3.9（推薦）

核心庫：

numpy / scipy / pandas（科學計算與數(shù)據(jù)處理）

matplotlib / seaborn（可視化）

scikit-learn（機器學習基礎(chǔ)算法）

torch ≥ 1.12 / tensorflow ≥ 2.8（深度學習框架，任選其一或同時安裝）

keras（高層深度學習接口）

h5py（數(shù)據(jù)存儲）

PyQt5（可視化 GUI，用于 RFRL Gym 實驗）

射頻與信號處理相關(guān)庫

GNU Radio ≥ 3.8（數(shù)據(jù)集生成、信號仿真）

gr-mapper（數(shù)字調(diào)制工具，RadioML 數(shù)據(jù)集構(gòu)建所需）

liquid-dsp（輕量級 DSP 庫）

PySDR（Python 射頻信號處理工具包）

電路設(shè)計與仿真工具（部分實驗需要）

Cadence Virtuoso（模擬/射頻電路設(shè)計，AICircuit 數(shù)據(jù)集生成所用）

LTspice / Spectre（電路仿真?zhèn)溥x工具）

COMSOL Multiphysics / ANSYS（部分 FEM/多物理場建模任務）

環(huán)境管理工具

推薦使用 Anaconda / Miniconda 進行 Python 環(huán)境管理：

AI賦能射頻老師

本課程授課教師來自 人工智能+射頻智能通信與電路設(shè)計 的頂尖研究團隊，長期致力于將機器學習方法與無線通信、模擬電路優(yōu)化相結(jié)合。團隊構(gòu)建了完整的研究體系：

在算法創(chuàng)新方面，提出了基于 CNN/CLDNN 的調(diào)制識別方法、基于深度殘差網(wǎng)絡的射頻指紋識別模型、基于強化學習的動態(tài)頻譜接入平臺（RFRL Gym）、基于監(jiān)督學習的電路設(shè)計預測框架；

在工程實踐方面，團隊開發(fā)的 AI輔助射頻電路自動設(shè)計系統(tǒng) 已在毫米波雷達、物聯(lián)網(wǎng)與無線收發(fā)芯片設(shè)計中應用，實現(xiàn)了從電路仿真到參數(shù)優(yōu)化的閉環(huán)自動化；在科研成果方面，教師主持多項 IEEE/ACM 發(fā)表的重要論文，涉及深度學習在射頻信號處理、頻譜共享和電路設(shè)計中的最新突破。課程將全面分享團隊在 AI+射頻 領(lǐng)域的前沿成果與實踐經(jīng)驗，帶領(lǐng)學員掌握 AI 在射頻信號處理與模擬電路設(shè)計中的完整應用路徑，助力科研人員與工程師快速提升跨學科研究與創(chuàng)新能力。

課程二、AI助力電磁天線設(shè)計與優(yōu)化

前沿背景

隨著高頻電子系統(tǒng)、6G天線、汽車雷達與太赫茲應用的持續(xù)發(fā)展，天線與電磁結(jié)構(gòu)設(shè)計正從傳統(tǒng)的解析推導與經(jīng)驗優(yōu)化走向數(shù)值仿真與智能優(yōu)化融合的階段。傳統(tǒng)設(shè)計方法高度依賴人工經(jīng)驗和仿真參數(shù)掃描，在面對復雜結(jié)構(gòu)、寬頻域需求或高維參數(shù)空間時效率低下。電磁仿真軟件提供了高精度全波求解能力，通過有限元法實現(xiàn)對復雜幾何、異質(zhì)材料、電磁邊界條件的精確建模，并通過吸收邊界層（PML）、頻域求解、端口激勵與遠場計算等方法為工程設(shè)計提供精確結(jié)果。然而，當電磁結(jié)構(gòu)尺寸增大或參數(shù)空間擴展時，計算成本急劇上升。近年來人工智能被引入電磁仿真與設(shè)計流程，作為加速仿真、實現(xiàn)代理建模與逆向設(shè)計的重要工具，使傳統(tǒng)“設(shè)計—仿真—調(diào)參”的流程過渡到“學習—推理—自優(yōu)化”的新范式，成為電磁工程發(fā)展的重要趨勢。

課程概述

本課程圍繞“人工智能 + 電磁仿真 + 智能天線設(shè)計”構(gòu)建統(tǒng)一的工程方法體系，面向下一代智能電磁結(jié)構(gòu)設(shè)計需求，系統(tǒng)介紹天線電磁理論基礎(chǔ)、仿真建模方法與AI在電磁結(jié)構(gòu)設(shè)計中的創(chuàng)新應用。課程強調(diào)以Maxwell方程為物理基礎(chǔ)，通過掌握電磁波傳播、輻射機理和電磁邊界條件等核心概念，建立起從理論到仿真、從仿真到智能優(yōu)化的完整鏈路。課程內(nèi)容不僅基于經(jīng)典電磁理論和數(shù)值計算方法，同時融入工業(yè)級電磁仿真軟件的工程案例，包括微帶貼片天線建模、介電諧振天線輻射結(jié)構(gòu)優(yōu)化、拋物面反射天線遠場特性分析以及高頻電磁場多尺度建模思想，引導學習者理解電磁仿真在工程設(shè)計中的嚴謹性與可操作性，最終實現(xiàn)電磁設(shè)計的算法化、數(shù)據(jù)化和智能化演進。

課程目標

本課程旨在建立學習者面向智能電磁工程的系統(tǒng)能力，使其不僅掌握電磁場理論與經(jīng)典天線輻射機理，還能夠建立符合工程規(guī)范的仿真模型，并具備將機器學習與深度學習方法應用于電磁結(jié)構(gòu)優(yōu)化的能力。通過本課程學習，學生將理解頻域電磁波建模方法、輻射邊界與PML的數(shù)值處理原理、天線輸入和遠場參數(shù)的物理意義，掌握在軟件中構(gòu)建微帶天線、介電諧振天線和拋物面反射天線模型的方法，能夠?qū)Ψ抡婺Ｐ瓦M行網(wǎng)格控制和收斂性分析，并初步理解如何將仿真數(shù)據(jù)與AI算法結(jié)合，形成可擴展的智能天線設(shè)計流程。課程最終目標是培養(yǎng)兼具理論深度、仿真能力與智能建模素養(yǎng)的復合型工程人才。

AI助力電磁天線設(shè)計與優(yōu)化大綱

第一天

Day 1-1 天線設(shè)計理論基礎(chǔ) —— 電磁輻射與結(jié)構(gòu)原理

本課程首先從電磁場基本理論出發(fā)，建立天線工作原理的物理基礎(chǔ)與數(shù)學基礎(chǔ)。通過對麥克斯韋方程組的系統(tǒng)介紹，理解位移電流概念提出后輻射機理的發(fā)展過程，推導電磁波在均勻介質(zhì)中的傳播規(guī)律，介紹時域與頻域兩種理論表述方式，為后續(xù)的數(shù)值仿真和高頻模型構(gòu)建打下理論基礎(chǔ)。進一步講解輻射與能量傳輸?shù)幕疽?guī)律，結(jié)合天線等效電路模型解釋輸入阻抗與駐波比的物理意義，分析理想偶極子、開口天線等基本輻射體的方向性、極化形式與遠場近似條件。在此基礎(chǔ)上引入全波建模所需的電磁邊界條件，包括理想電導體（PEC）、完美磁導體（PMC）與吸收邊界（PML），說明開放電磁問題數(shù)值解算所必須的邊界截斷策略，并關(guān)聯(lián)到COMSOL電磁波頻域模型中對輻射邊界處理與PML包絡的具體設(shè)置方法（參見COMSOL介電諧振天線模型中PML應用示例）。通過此節(jié)課程，學生不僅掌握天線理論分析方法，同時初步認識到理論模型向工程仿真轉(zhuǎn)化的實現(xiàn)方式，以及電磁仿真中頻域建模與穩(wěn)態(tài)響應求解的必要性.

Day 1-2 基于深度學習的反射超表面天線逆向設(shè)計 —— 從小樣本到結(jié)構(gòu)生成

本課程以反射超表面天線（Reflective Metasurface Antennas, MA）的智能設(shè)計為核心，系統(tǒng)講解如何利用深度學習實現(xiàn)從幾何參數(shù)到電磁特性的雙向預測與自動化反演設(shè)計。課程首先回顧傳統(tǒng)超表面單元設(shè)計方法的瓶頸——依賴經(jīng)驗選點與大量全波仿真導致的高計算代價與低通用性，進而引出統(tǒng)計隨機數(shù)據(jù)篩選（Statistically Random Data Filtering, SRDF）方法作為突破口。該方法通過在仿真前基于幾何統(tǒng)計特征隨機選取0.01%候選樣本，僅用2400個單元完成原需數(shù)萬次仿真的設(shè)計訓練，在顯著降低計算成本的同時保持設(shè)計精度。

教學首先從“單元幾何離散化與特征提取”展開，學生將學習如何將單元結(jié)構(gòu)劃分為細尺度像素化微單元（pico-cell），通過二進制編碼矩陣表征導體與介質(zhì)分布，實現(xiàn)從物理形狀到數(shù)字編碼的映射。隨后介紹基于深度卷積變分自編碼器（Deep Convolutional Variational Autoencoder, DCVAE）的特征表示方法，講解編碼器與解碼器的構(gòu)建流程及其在低維空間中的幾何表達能力。通過最小化重建誤差與KL散度，網(wǎng)絡實現(xiàn)了從幾何編碼到電磁反射相位的非線性映射，使得設(shè)計者能夠在“潛空間（latent space）”中探索不同幾何結(jié)構(gòu)與相位響應的關(guān)系。

課程第二部分重點講解“逆向設(shè)計算法”的實現(xiàn)原理。通過在潛空間中定義目標相位分布，學生將學習如何利用優(yōu)化算法搜索最優(yōu)潛向量 z_opt，并經(jīng)解碼器生成對應的單元幾何，實現(xiàn)從“期望相位”到“結(jié)構(gòu)生成”的端到端設(shè)計。課程中將對比傳統(tǒng)經(jīng)驗選點法與SRDF方法在數(shù)據(jù)選擇前后仿真代價上的差異，理解數(shù)據(jù)多樣性對模型泛化能力的影響。同時，課程通過可視化工具（t-SNE嵌入）展示訓練數(shù)據(jù)在潛空間中的分布，使學生能夠直觀理解模型如何在有限樣本間進行插值與預測。

在實驗環(huán)節(jié)，學生將使用Python和CST仿真平臺，完成從樣本生成、DCVAE訓練、潛空間優(yōu)化到反射超表面重建的完整流程。通過案例驗證——分別設(shè)計在30°與60°偏軸方向形成主波束的反射超表面，學生將觀察預測相位與仿真結(jié)果在±10°誤差范圍內(nèi)的符合性，并分析誤差來源（邊緣衍射、局部耦合等）。最后，課程總結(jié)小樣本數(shù)據(jù)驅(qū)動方法在天線設(shè)計中的工程意義：如何在仿真前主動篩選數(shù)據(jù)以降低成本、如何通過生成模型實現(xiàn)快速結(jié)構(gòu)反演，以及深度學習在超表面天線設(shè)計自動化中的未來趨勢（如引入多層結(jié)構(gòu)、材料參數(shù)多樣化與可解釋AI）。課程以“從數(shù)據(jù)到結(jié)構(gòu)”的AI思維為主線，引導學生理解深度學習在復雜電磁設(shè)計任務中的創(chuàng)新路徑，為后續(xù)“AI驅(qū)動的自適應陣列優(yōu)化與多頻帶超表面設(shè)計”課程打下基礎(chǔ)。

圖 1 (A)單元胞幾何結(jié)構(gòu)示意圖及模擬裝置配置。(B)采用統(tǒng)計隨機數(shù)據(jù)過濾方法篩選的單元胞在10 GHz頻段的統(tǒng)計相位分布。(C)深度卷積變分自編碼器（DCVAE）網(wǎng)絡架構(gòu)，包含變分自編碼器（VAE）和多層感知網(wǎng)絡。(D)LMSE算法對不同z維度的影響效果。(E)通過DCVAE網(wǎng)絡從訓練數(shù)據(jù)映射得到的低維空間。

第二天：

Day 2-1 深度學習驅(qū)動的低剖面寬帶天線能效設(shè)計

本課程聚焦于人工智能在低剖面寬帶微帶天線設(shè)計中的應用，講解如何通過深度學習實現(xiàn)能效最優(yōu)、快速預測與自動化設(shè)計。課程首先分析傳統(tǒng)天線設(shè)計中大量重復仿真帶來的能耗問題，介紹深度學習在結(jié)構(gòu)—性能雙向預測中的潛力。

隨后課程系統(tǒng)講解兩步式設(shè)計框架：特征提取與網(wǎng)絡訓練。學生將學習如何通過參數(shù)化建模與尺度化（Scaling）策略，將十維幾何變量降至六維特征空間，從而在保持物理意義的同時顯著減少樣本量與訓練成本。課程講解基于多層感知機網(wǎng)絡（MLP-DL）的映射建模過程，實現(xiàn)從幾何參數(shù)到反射損耗（|S11|）與增益（G）的快速預測，并通過均方誤差（MSE）指標評估模型精度。

在實驗部分，學生將使用訓練好的網(wǎng)絡完成小樣本驅(qū)動的大規(guī)模數(shù)據(jù)擴展（如400萬樣本生成），并利用模型進行多頻段天線自動設(shè)計（2.4 GHz Wi-Fi、2.6 GHz 與 3.3 GHz 5G 頻段）。通過仿真與測量對比，驗證深度學習設(shè)計的天線在帶寬 > 760 MHz、增益 > 8 dBi 條件下與全波仿真結(jié)果高度一致。

課程最后討論深度學習在天線結(jié)構(gòu)生成中的推廣方向，包括跨頻段泛化、材料參數(shù)優(yōu)化與能效驅(qū)動設(shè)計。通過本模塊學習，學生將掌握：

天線幾何特征提取與參數(shù)降維方法；

深度學習在結(jié)構(gòu)—性能映射中的應用；

小樣本驅(qū)動的大規(guī)模設(shè)計數(shù)據(jù)生成技術(shù)；

AI賦能的能效設(shè)計理念與驗證流程。

圖 2 圖2.MLP-DL網(wǎng)絡架構(gòu)示意圖，輸入為幾何特征，輸出為S11參數(shù)與增益。圖3. (a)從測試數(shù)據(jù)集中隨機選取的天線在1.5-3.5GHz頻段的S11參數(shù)仿真曲線與預測曲線；(b)從測試數(shù)據(jù)集中隨機選取的100個天線在2.45 GHz頻段的增益仿真曲線與預測曲線。圖4展示了(a)某款微帶貼片天線的幾何結(jié)構(gòu)示意圖，以及(b)其側(cè)視圖。

Day 2-2 基于生成式深度學習的電磁結(jié)構(gòu)全局逆向設(shè)計 —— 從目標譜到結(jié)構(gòu)生成

本課程介紹如何利用生成式深度學習（Generative Deep Learning）方法實現(xiàn)電磁結(jié)構(gòu)的全局逆向設(shè)計（Global Inverse Design），突破傳統(tǒng)電磁優(yōu)化受初始結(jié)構(gòu)假設(shè)限制的瓶頸，實現(xiàn)自動生成材料參數(shù)與幾何結(jié)構(gòu)。本節(jié)以Yeung等人提出的條件深度卷積生成對抗網(wǎng)絡（cDCGAN）方法為核心案例，講解AI如何結(jié)合全波電磁仿真，實現(xiàn)跨結(jié)構(gòu)類別的自由形態(tài)設(shè)計優(yōu)化.

課程首先回顧電磁超構(gòu)材料與超表面（Metasurface）的設(shè)計挑戰(zhàn)，指出由于材料色散、幾何自由度高和耦合機制復雜，傳統(tǒng)基于FDTD/FEM的優(yōu)化方法在高維設(shè)計空間中易陷入局部最優(yōu)，難以進行大規(guī)模搜索。論文中提出的全局逆設(shè)計框架通過深度學習直接建立“目標光譜 → 材料+結(jié)構(gòu)”映射，實現(xiàn)了對金屬–介質(zhì)–金屬（MIM）結(jié)構(gòu)與混合介質(zhì)類超表面的自動生成設(shè)計，從而從根本上改變了以往依賴人工設(shè)定結(jié)構(gòu)模板的流程。

課程重點講解論文中的創(chuàng)新編碼策略：通過將幾何結(jié)構(gòu)信息與材料屬性（如等離子頻率ωp與折射率n）同時編碼進三通道彩色圖像，實現(xiàn)對幾何+材料雙空間設(shè)計參數(shù)的統(tǒng)一學習. 隨后基于FDTD仿真生成包含20,000個訓練樣本的數(shù)據(jù)集，用軟件完成吸收譜計算作為學習目標（光譜向量長度800點）用于監(jiān)督訓練.

在算法部分，課程介紹cDCGAN網(wǎng)絡結(jié)構(gòu)，講解生成器如何從目標吸收譜生成候選結(jié)構(gòu)圖像，并通過判別器對抗訓練逐步提高結(jié)構(gòu)真實性與光譜匹配度。相比傳統(tǒng)優(yōu)化，該方法不僅能實現(xiàn)譜到結(jié)構(gòu)的反演，還具有一對多映射能力，即可生成多個功能等效但結(jié)構(gòu)不同的設(shè)計方案.

實驗環(huán)節(jié)將帶領(lǐng)學生復現(xiàn)實驗流程：

使用Python構(gòu)建cDCGAN模型（PyTorch）

復現(xiàn)幾何/材料RGB編碼

調(diào)用FDTD模擬生成訓練數(shù)據(jù)

實現(xiàn)譜到結(jié)構(gòu)的逆向生成

用EM仿真驗證設(shè)計的光譜精度

課程強調(diào)了逆向設(shè)計的工程意義：通過AI可以擺脫人工選結(jié)構(gòu)類別的傳統(tǒng)流程，實現(xiàn)真正跨設(shè)計范疇的全局搜索優(yōu)化。該范式不僅適用于光學超構(gòu)材料設(shè)計，同樣適用于未來的AI天線形態(tài)生成、復雜散射器結(jié)構(gòu)優(yōu)化及廣義電磁系統(tǒng)設(shè)計。

通過本節(jié)課程學習，學生將理解生成式AI如何與FDTD電磁仿真融合，實現(xiàn)復雜電磁結(jié)構(gòu)的可學習優(yōu)化路徑，為實現(xiàn)自主結(jié)構(gòu)生成與多目標工程設(shè)計奠定基礎(chǔ)。

圖 3 cDCGAN訓練設(shè)計流程。

第三天：

Day 3-1 物理驅(qū)動下的電磁場快速預測 —— 基于Transformer與圖神經(jīng)網(wǎng)絡的FDTD動態(tài)建模

本課程聚焦人工智能在電磁場數(shù)值仿真加速中的應用，重點介紹如何利用Transformer與圖神經(jīng)網(wǎng)絡（GNN）構(gòu)建電磁傳播動態(tài)的物理代理模型（Physics-informed Surrogates），實現(xiàn)時域仿真加速。課程基于Noakoasteen等人的研究工作，展示了AI如何替代部分FDTD時間步推進過程，實現(xiàn)14×計算加速的同時保持可接受的物理精度. 課程首先回顧FDTD數(shù)值方法及其計算挑戰(zhàn)。通過Yee網(wǎng)格與時間推進公式的講解，說明傳統(tǒng)FDTD在處理復雜散射問題時的計算瓶頸，并引出通過機器學習進行時間演化預測的必要性。論文中將FDTD場序列類比為“物理視頻序列”，即將每一時刻的Ex、Ey、Hz場優(yōu)化為三通道張量用于學習，實現(xiàn)電磁問題向AI時序?qū)W習問題的形式轉(zhuǎn)化.

課程重點解析兩種AI模型架構(gòu)：

Transformer代理模型：通過自注意力機制學習電磁場的時空依賴關(guān)系，實現(xiàn)波前傳播預測與場動態(tài)外推。該模型無需卷積操作即可捕捉長程物理關(guān)聯(lián)，訓練后可連續(xù)預測多個時間步，實現(xiàn)14×速度提升（相較MEEP仿真）.

圖神經(jīng)網(wǎng)絡（GNN）代理模型：通過將Yee網(wǎng)格視作圖結(jié)構(gòu)，節(jié)點表示網(wǎng)格單元、邊表示耦合關(guān)系，實現(xiàn)基于拓撲的場傳播建模雖然僅適合一步預測，但訓練效率高且物理結(jié)構(gòu)清晰。

在實驗部分，學生將學習論文數(shù)據(jù)構(gòu)建策略，包括：

使用自編FDTD求解器生成訓練數(shù)據(jù)（隨機PEC散射場場景）；

采用連續(xù)預測模式（Continuous Prediction）評估模型穩(wěn)定性；

引入Frobenius norm + Gradient Difference Loss提高波前清晰度，保持物理連續(xù)性

課程還將通過示例展示精度與速度權(quán)衡。通過實驗，學生將掌握基于AI的時域電磁快速仿真框架，理解如何將FDTD與AI耦合，構(gòu)建電磁仿真的學習型求解器，并為后續(xù)課程（Day 5：AI驅(qū)動的全自主仿真系統(tǒng)、智能電磁設(shè)計工作流）打下基礎(chǔ).

圖 4 卷積圖神經(jīng)網(wǎng)絡架構(gòu)

Day 3-2 深度強化學習在可重構(gòu)智能表面（RIS）天線系統(tǒng)設(shè)計中的應用 —— 從波束形成到智能優(yōu)化

本課程圍繞可重構(gòu)智能表面（Reconfigurable Intelligent Surface, RIS）輔助多用戶MISO系統(tǒng)，講解深度強化學習（Deep Reinforcement Learning, DRL）在天線波束形成與相位控制中的智能優(yōu)化方法。課程首先介紹RIS的基本概念與工程背景，說明其通過可編程超材料實現(xiàn)對電磁波相位與幅度的精確調(diào)控，從而在無射頻鏈路條件下實現(xiàn)低功耗、可重構(gòu)的智能傳播環(huán)境。相比傳統(tǒng)Massive MIMO系統(tǒng)，RIS具有結(jié)構(gòu)簡單、能耗低、易集成的優(yōu)勢，為6G智能無線系統(tǒng)提供了新的硬件基礎(chǔ)。

課程從RIS輔助MISO系統(tǒng)的信號模型出發(fā)，講解發(fā)射矩陣 G 與相位矩陣 Φ的聯(lián)合優(yōu)化問題。學生將理解RIS反射路徑在多用戶通信中的作用，以及系統(tǒng)總速率與波束控制策略之間的關(guān)系。由于該問題高度非凸且維度龐大，傳統(tǒng)的交替優(yōu)化與凸近似方法在實時應用中難以高效收斂，因此課程引入基于深度強化學習的端到端智能優(yōu)化框架。

課程重點介紹基于深度確定性策略梯度（DDPG）的算法機制，闡述AI智能體如何通過“狀態(tài)—動作—獎勵”的閉環(huán)交互學習最優(yōu)波束與相位分布。教學將結(jié)合網(wǎng)絡結(jié)構(gòu)解析，說明Actor–Critic雙網(wǎng)絡架構(gòu)、經(jīng)驗回放與梯度更新策略的設(shè)計原理。通過這一過程，學生將理解DRL如何在無顯式信道模型的情況下自主學習環(huán)境規(guī)律，實現(xiàn)從信道狀態(tài)到最優(yōu)控制策略的映射。

實驗環(huán)節(jié)中，學生將使用Python與PyTorch搭建RIS–DRL仿真平臺，完成從信道生成、網(wǎng)絡訓練到性能驗證的全過程。通過對比DRL與傳統(tǒng)WMMSE、ZF算法的性能，學生將觀察AI算法在譜效率提升與計算復雜度降低方面的優(yōu)勢，并分析學習率、系統(tǒng)規(guī)模等參數(shù)對收斂性的影響。實驗結(jié)果顯示，DRL方法能夠在不依賴解析建模的條件下逼近最優(yōu)性能，顯著提升系統(tǒng)能效與適應性。

課程最后總結(jié)DRL賦能RIS設(shè)計的工程價值與研究前景。通過將智能學習機制引入波束控制與相位優(yōu)化，天線系統(tǒng)能夠在復雜信道中實現(xiàn)自適應、低延遲的動態(tài)調(diào)優(yōu)，體現(xiàn)AI在未來6G智能無線通信中的關(guān)鍵作用。學生將在本課程中形成對AI驅(qū)動天線設(shè)計的系統(tǒng)認識，為后續(xù)多頻段陣列與智能波束協(xié)同優(yōu)化課程奠定基礎(chǔ)。

圖 5工作流

第四天

Day 4-1 人工神經(jīng)網(wǎng)絡在多參數(shù)天線設(shè)計建模中的應用 —— 從幾何變量到性能映射

本課程圍繞人工神經(jīng)網(wǎng)絡（Artificial Neural Network, ANN）在天線多參數(shù)建模中的應用展開，重點講解如何通過AI方法在復雜電磁系統(tǒng)中建立從幾何結(jié)構(gòu)到性能指標的非線性映射模型，實現(xiàn)天線設(shè)計的快速預測與優(yōu)化。課程以Fabry–Perot諧振腔天線為例，系統(tǒng)介紹多分支ANN模型的構(gòu)建思路與實現(xiàn)方法。該模型通過引入三條獨立分支，分別預測S參數(shù)、增益與輻射方向圖，實現(xiàn)多性能參數(shù)的并行建模，從而克服傳統(tǒng)神經(jīng)網(wǎng)絡模型只能輸出單一性能指標的局限。

課程首先講解ANN模型的總體結(jié)構(gòu)與流程，包括訓練階段和測試階段。在訓練階段，通過矢量擬合（Vector Fitting）方法提取電磁仿真響應的傳遞函數(shù)系數(shù)，并采用支持向量機（SVM）分類技術(shù)對不同幾何樣本按傳遞函數(shù)階次進行分類，以減少樣本間的內(nèi)部干擾，提升模型的收斂穩(wěn)定性。每一類樣本數(shù)據(jù)均用于訓練對應的ANN分支，使模型能夠準確學習幾何變量與傳遞函數(shù)參數(shù)之間的非線性關(guān)系。測試階段中，輸入幾何變量經(jīng)SVM分類后被送入相應的ANN分支，即可得到S參數(shù)、增益或輻射方向圖的預測結(jié)果。這種“分類+并行學習”的結(jié)構(gòu)有效解決了高維、多輸出天線性能預測的精度問題

Day 4-2 機器學習驅(qū)動的太赫茲（THz）天線設(shè)計與6G通信應用

本課程聚焦機器學習在太赫茲（Terahertz, THz）天線設(shè)計中的應用，講解如何利用智能算法實現(xiàn)高頻通信天線的高效建模與快速優(yōu)化。課程從6G通信對天線性能提出的新要求出發(fā)，說明THz頻段（1–3 THz）因其超高帶寬和低時延特性，已成為未來無線網(wǎng)絡的關(guān)鍵技術(shù)方向。THz天線需兼顧高效率、低損耗、寬帶寬、方向性強與結(jié)構(gòu)緊湊等特性，而傳統(tǒng)電磁仿真與優(yōu)化方法在此頻段計算量巨大、耗時長，因此引入機器學習成為突破設(shè)計瓶頸的重要途徑。

課程首先介紹THz天線設(shè)計的基本概念與挑戰(zhàn)，包括表面粗糙度、導電損耗及微型化制造工藝的影響。結(jié)合論文中展示的圖1，學生將理解實現(xiàn)6G通信所需的天線技術(shù)指標，如高增益、寬帶寬與低干擾方向輻射等。教學指出，通過3D打印與離子束刻蝕等先進制造技術(shù)，可有效降低表面損耗、提升輻射效率，為AI輔助設(shè)計提供更可控的結(jié)構(gòu)輸入條件。

隨后，課程進入機器學習在THz天線優(yōu)化中的核心應用。以Ansys HFSS仿真生成的天線樣本數(shù)據(jù)為基礎(chǔ)，課程講解如何構(gòu)建多參數(shù)數(shù)據(jù)集，以天線幾何參數(shù)（如貼片長度L?與寬度W?）及工作頻率為輸入，回歸預測回波損耗作為輸出性能指標。通過Python與Google Colab平臺訓練四類回歸模型——KNN、決策樹、隨機森林與XGBoost——學生將理解不同算法在預測精度、收斂速度與泛化能力上的差異。教學同時分析性能指標包括均方誤差（MSE）、平均絕對誤差（MAE）、R2擬合度及訓練與預測時間等，幫助學生掌握模型評估與選擇方法。

實驗環(huán)節(jié)中，學生將復現(xiàn)論文中的關(guān)鍵過程：以HFSS生成的仿真數(shù)據(jù)訓練模型，并利用未參與訓練的新幾何組合（如L?=3.5 μm, W?=5.5 μm）進行性能預測。通過對比仿真結(jié)果與預測曲線，學生可直觀觀察機器學習模型對天線回波損耗預測的準確性與趨勢一致性。實驗結(jié)果表明，隨機森林模型在本案例中表現(xiàn)最優(yōu)，預測精度達82%，均方誤差僅為3.816，優(yōu)于其他模型，充分展示了機器學習在天線性能快速預測中的優(yōu)勢。

課程總結(jié)部分強調(diào)，機器學習方法不僅能在THz天線設(shè)計中顯著縮短迭代周期、減少仿真次數(shù)，還能在復雜參數(shù)空間中自動識別高性能結(jié)構(gòu)組合，從而實現(xiàn)智能化、數(shù)據(jù)驅(qū)動的設(shè)計流程。這種從仿真數(shù)據(jù)到性能預測的遷移，使AI成為未來天線工程的重要工具。學生將理解，AI技術(shù)正推動天線設(shè)計從“基于物理模型”向“基于數(shù)據(jù)學習”的范式轉(zhuǎn)變，為6G及更高頻通信系統(tǒng)提供更高效的設(shè)計思路與實踐框架。

圖 6 工作流和結(jié)果

第五天

Day5-1 人工智能輔助的計算電磁學與天線設(shè)計工作流 —— 從仿真自動化到設(shè)計生成

本課程講解人工智能在計算電磁學（Computational Electromagnetics, CEM）與天線設(shè)計流程中的系統(tǒng)化應用，展示AI如何貫穿從幾何建模、仿真控制到性能優(yōu)化的全流程，實現(xiàn)設(shè)計的智能化、自動化與高效化。課程以AI輔助工作流為主線，結(jié)合論文中提出的框架模型，說明AI不僅能加速求解器的迭代過程，更能在仿真數(shù)據(jù)中提取設(shè)計規(guī)律，為電磁系統(tǒng)的“自學習”設(shè)計提供技術(shù)支撐 。

課程首先回顧傳統(tǒng)計算電磁學的核心問題——在復雜邊界條件與多尺度參數(shù)下，求解電磁場分布與散射特性需耗費大量計算資源。學生將理解AI技術(shù)在CEM中的介入點：通過神經(jīng)網(wǎng)絡或代理模型（Surrogate Models）替代部分高代價仿真，實現(xiàn)從輸入幾何到輸出電磁響應的快速預測。課程引入“AI–Solver耦合體系”的概念，即將深度學習模型嵌入CEM求解流程中，用于指導網(wǎng)格劃分、參數(shù)抽樣及收斂路徑預測。通過這種智能迭代策略，可顯著降低仿真收斂時間，并在高頻結(jié)構(gòu)計算中實現(xiàn)10倍以上的加速。

教學重點放在AI輔助天線設(shè)計的系統(tǒng)化工作流上。課程展示如何利用強化學習與生成模型在設(shè)計空間中主動搜索，自動生成滿足性能指標的天線幾何結(jié)構(gòu)。結(jié)合論文中的AI工作流框圖（參見第3頁圖2），學生將理解設(shè)計任務如何通過“數(shù)據(jù)采集–特征編碼–性能評估–優(yōu)化更新”的閉環(huán)進行。課程詳細講解生成式AI（Generative AI）在天線設(shè)計中的作用，如利用變分自編碼器（VAE）或生成對抗網(wǎng)絡（GAN）構(gòu)建幾何分布空間，實現(xiàn)天線拓撲的自動創(chuàng)新與性能導向優(yōu)化 。

在實驗環(huán)節(jié)，學生將實踐基于AI的仿真自動化流程：首先在HFSS或CST中生成樣本數(shù)據(jù)，再通過Python環(huán)境調(diào)用深度神經(jīng)網(wǎng)絡模型完成預測與設(shè)計生成。實驗任務包括建立輸入幾何與S參數(shù)之間的映射模型，自動調(diào)整天線尺寸以達到目標增益或帶寬，并比較AI生成方案與傳統(tǒng)人工調(diào)參結(jié)果的差異。通過實際演示，學生將體會AI模型在仿真加速、結(jié)構(gòu)創(chuàng)新和多目標權(quán)衡中的顯著優(yōu)勢。

課程最后總結(jié)AI在電磁仿真與天線設(shè)計中的變革意義。AI不僅能作為求解器的智能加速器，更正在重塑電磁設(shè)計范式——從“仿真驅(qū)動”轉(zhuǎn)向“數(shù)據(jù)驅(qū)動”，從被動優(yōu)化轉(zhuǎn)向主動生成。課程指出，未來的智能天線設(shè)計將依托AI–CEM融合體系，實現(xiàn)模型自演化、自收斂與自優(yōu)化的閉環(huán)。通過本課程的學習，學生將掌握AI輔助設(shè)計的核心思路與實踐方法，為構(gòu)建高效、智能、可泛化的電磁設(shè)計平臺奠定基礎(chǔ)。

Day5-2 基于物理約束學習的麥克斯韋方程組神經(jīng)求解 —— 從PINN到PCNN的電磁場重構(gòu)

本節(jié)課程以物理約束神經(jīng)網(wǎng)絡（Physics-constrained Neural Network, PCNN）為核心案例，講授如何將深度學習引入麥克斯韋方程的求解過程，實現(xiàn)對電磁場分布的快速建模與結(jié)構(gòu)化預測。不同于基于全波仿真的FDTD和FEM傳統(tǒng)方法，該方法不再依賴數(shù)值網(wǎng)格的時域推進或矩陣分解，而是通過學習型算子構(gòu)建電磁場的近似映射關(guān)系，從而實現(xiàn)高速計算與端到端可學習推理。課程基于Scheinker等人的研究工作展開，該方法以麥克斯韋方程組的物理約束為內(nèi)在結(jié)構(gòu)，通過生成向量勢A(r,t)和標量勢?(r,t)來重構(gòu)電磁場，使重建的磁場嚴格滿足無散約束??B=0，同時通過洛倫茲規(guī)范??A+1/c2??/?t=0維持物理一致性，從根本上提升深度學習模型對電磁規(guī)律的表達能力.

課程首先回顧麥克斯韋方程組與電磁勢函數(shù)描述形式，指出在電磁場神經(jīng)建模中直接預測電場和磁場往往難以內(nèi)嵌物理規(guī)律，而PCNN通過先學習向量勢再通過B=?×A構(gòu)造磁場，實現(xiàn)對物理規(guī)律的硬約束嵌入。課堂對比了三種學習范式：普通神經(jīng)網(wǎng)絡僅做數(shù)據(jù)擬合、PINN通過損失函數(shù)引入軟物理約束、PCNN通過網(wǎng)絡結(jié)構(gòu)直接內(nèi)嵌方程形式實現(xiàn)硬約束。該對比在論文圖1中清晰展示了三種方法的差異，并說明PCNN在物理一致性與泛化能力上的優(yōu)勢.

隨后課程分析PCNN的網(wǎng)絡結(jié)構(gòu)特點。論文采用三維卷積自編碼架構(gòu)對128×128×128體素數(shù)據(jù)進行物理場建模，其中輸入為電流密度J(r,t)，輸出為向量勢A(r,t)，并通過自定義不可訓練的差分卷積算子計算旋度操作實現(xiàn)?×A，整個過程保持了自動可微與GPU優(yōu)化能力（圖3網(wǎng)絡結(jié)構(gòu)示意）。通過該方式，模型避免了PINN需要反復計算殘差項的訓練開銷，將麥克斯韋方程硬性化為結(jié)構(gòu)約束，從而獲得更高效率與可擴展性 。

實驗部分課程將復現(xiàn)實驗結(jié)果，理解PCNN如何在高維電磁場數(shù)據(jù)中保持物理場連續(xù)性并抑制??B誤差。論文結(jié)果顯示，相比PINN模型需要通過損失函數(shù)調(diào)整權(quán)重以平衡精度和物理約束，PCNN在測試集中展現(xiàn)出更低的散度誤差和更好的長時間演化穩(wěn)定性（圖4與圖5給出約束誤差比較）。此外該方法在外推測試中表現(xiàn)出優(yōu)越的穩(wěn)健性，即使輸入分布超出訓練數(shù)據(jù)范圍，模型仍能給出方向一致、結(jié)構(gòu)正確的電磁場重建結(jié)果.

本節(jié)課程通過該案例向?qū)W生揭示：AI不僅可以用于電磁仿真加速，更能通過與電磁物理定律融合發(fā)展為“新型可學習電磁求解器”。學生將理解物理約束學習的關(guān)鍵思想、掌握PCNN與PINN在電磁問題中的差異，并為后續(xù)課程深入基于AI的全波仿真替代方法打下基礎(chǔ)。

圖 7 圖中展示了多種神經(jīng)網(wǎng)絡方法，用于根據(jù)電流密度J生成磁場B

AI助力電磁天線設(shè)計與優(yōu)化老師

本課程由來自國內(nèi)頂尖高校電磁智能設(shè)計實驗室的教師主講，長期從事人工智能與計算電磁學的交叉研究，研究方向涵蓋AI驅(qū)動的天線優(yōu)化、強化學習在智能波束控制中的應用、生成式AI在電磁結(jié)構(gòu)生成中的實現(xiàn)等。教師在國際頂級期刊與會議上發(fā)表多篇高水平論文，包括IEEE Transactions on Antennas and Propagation、IEEE Transactions on Microwave Theory and Techniques、Applied Physics Letters、Advanced Intelligent Systems；以及國際會議 IEEE APS (Antennas and Propagation Symposium)、EuCAP (European Conference on Antennas and Propagation)、ICASSP 與 NeurIPS 等。此外，教師主持多項國家重點研發(fā)計劃項目與企業(yè)聯(lián)合課題，具有豐富的工程實踐經(jīng)驗，能夠?qū)I算法理論、仿真驗證與實際工程設(shè)計緊密結(jié)合，帶領(lǐng)學生從“懂電磁”到“用AI”跨越式提升，全面理解AI在天線與通信系統(tǒng)設(shè)計中的創(chuàng)新潛力與應用前景。

授課時間

AI助力電磁天線設(shè)計與優(yōu)化

2025.12.06-----2025.12.07全天授課(上午9:00-11:30下午13:30-17:00)

2025.12.08-----2025.12.09晚上授課(晚上19:00-22:00)

2025.12.13-----2025.12.14全天授課(上午9:00-11:30下午13:30-17:00)

騰訊會議 線上授課（共五天授課時間 提供全程回放視頻）

AI賦能射頻技術(shù)

2025.11.22-----2025.11.23全天授課(上午9:00-11:30下午13:30-17:00)

2025.11.24-----2025.11.25晚上授課(晚上19:00-22:00)

2025.11.29-----2025.11.30全天授課(上午9:00-11:30下午13:30-17:00)

騰訊會議 線上授課（共五天授課時間 提供全程回放視頻）

課程費用

AI賦能射頻技術(shù)/AI助力電磁天線設(shè)計與優(yōu)化

費用：每人每班￥4980元 （含報名費、培訓費、資料費）

優(yōu)惠政策

優(yōu)惠一: 兩門同報9080元

優(yōu)惠二:提前報名繳費學員+轉(zhuǎn)發(fā)到朋友圈或者到學術(shù)交流群可享受每人300元優(yōu)惠（僅限15名）

年報優(yōu)惠：16800元（可在一年內(nèi)參加我單位舉辦的任何課程，可獲得我單位往期舉辦的所有錄像回放與資料）

報名福利：

報名即可贈送往期課程回放專題（任選一門包含全程回放和完整代碼案例等資料）

（內(nèi)容詳情可點擊上方課程名稱查看，多買多得）

報名費用可開具正規(guī)報銷發(fā)票及提供相關(guān)繳費證明、邀請函，可提前開具報銷發(fā)票、文件用于報銷

課程培訓福利

課后學習完畢提供全程錄像視頻回放，針對與培訓課程內(nèi)容 進行長期答疑，微信解疑群永不解散，參加本次課程的學員可免費再參加一次本單位后期組織的相同的 專題培訓班（任意一期都可以）

培訓答疑與互動

在培訓中進行答疑和問題互動，以幫助學員深入理解課程內(nèi)容和解決實際問題。

學員可以提出疑問，講師將提供詳細解答，特別是針對技術(shù)難點和復雜算法。

通過小組討論和案例分享，學員將有機會交流經(jīng)驗，獲得實時反饋，并進行實踐操作演示。

展示學員的學習成果，并提供進一步的提升建議和資源支持，為學員在未來的學習和工作中提供幫助和指導。

課程授課方式

授課方式：通過騰訊會議線上直播，從零基礎(chǔ)開始講解，電子PPT和教程＋預習視頻提前發(fā)送給學員，所有培訓使用軟件都會發(fā)送給學員，附贈安裝教程和指導安裝，培訓采取開麥共享屏幕和微信群解疑，學員和老師交流、學員與學員交流，培訓完畢后老師針對與培訓內(nèi)容長期解疑，培訓群不解散，往期培訓學員對于培訓質(zhì)量和授課方式一致評價極高

課程咨詢報名聯(lián)系方式

聯(lián)系人：黃老師

報名咨詢電話｜15516685015（同微信）