隨著 5G/6G 網(wǎng)絡(luò)、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(fù)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(yàn)的建模與電路設(shè)計方法，在復(fù)雜場景下往往效率低、難以推廣。與此同時，深度學(xué)習(xí)與機(jī)器學(xué)習(xí)方法憑借其強(qiáng)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(qiáng)化學(xué)習(xí)Gym平臺）、AI驅(qū)動電路設(shè)計（AICircuit、監(jiān)督學(xué)習(xí)基準(zhǔn)），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(yīng) 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(yīng)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(xué)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(yīng)用，結(jié)合深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)與監(jiān)督學(xué)習(xí)等核心算法，幫助學(xué)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(xué)習(xí)模型（CNN、RNN、Transformer、FNO）、到應(yīng)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(yù)測）的一體化教學(xué)體系。課程通過“理論講解+實(shí)操訓(xùn)練+案例分析”的遞進(jìn)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(dá)與模擬電路設(shè)計等場景。

課程目標(biāo)

課程將培養(yǎng)學(xué)員掌握 AI 驅(qū)動射頻智能化研究的核心能力，主要目標(biāo)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(zhǔn)數(shù)據(jù)集、AICircuit 電路參數(shù)-性能數(shù)據(jù)集。

2、理解并能實(shí)現(xiàn)主流深度學(xué)習(xí)與機(jī)器學(xué)習(xí)方法在射頻中的應(yīng)用：CNN/RNN 在自動調(diào)制識別、Transformer 在電路參數(shù)預(yù)測、FNO 在非線性信號回歸中的應(yīng)用。

3、能夠利用 Python 與深度學(xué)習(xí)框架（TensorFlow/PyTorch）完成從數(shù)據(jù)預(yù)處理、模型訓(xùn)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(yīng)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(xué)會使用 AICircuit 數(shù)據(jù)集與監(jiān)督學(xué)習(xí)方法，實(shí)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(jī)、接收機(jī)、LNA、VCO、PA 等電路中進(jìn)行性能預(yù)測與優(yōu)化。

最終，使學(xué)員具備從 數(shù)據(jù)集構(gòu)建—算法建?！こ虘?yīng)用的全鏈條實(shí)戰(zhàn)能力，能夠?qū)?AI 技術(shù)應(yīng)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 射頻學(xué)習(xí)數(shù)據(jù)生成與信號辨析實(shí)踐（代碼實(shí)踐+現(xiàn)場演練）

上午：開源平臺助力射頻學(xué)習(xí)數(shù)據(jù)生成與信號辨析實(shí)踐（代碼實(shí)踐+現(xiàn)場演練）

1. 前期準(zhǔn)備（包括軟件安裝、環(huán)境配置、課程介紹等）

2. 機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)概念及其案例實(shí)操、射頻理論知識概述

3. 應(yīng)用格局概述 開篇將審視射頻智能學(xué)習(xí)的應(yīng)用格局，與圖像或音頻領(lǐng)域充裕的開源資源相比，射頻波形分析常因基準(zhǔn)數(shù)據(jù)缺失而阻礙模型評估。借助GNU Radio，研究者可定制帶標(biāo)簽的仿真數(shù)據(jù)集，融入實(shí)際信道動態(tài)，為辨析任務(wù)提供堅實(shí)支撐。

4. 數(shù)據(jù)集生成機(jī)制 數(shù)據(jù)集生成階段，學(xué)員將逐步拆解GNU Radio的構(gòu)建機(jī)制：挑選源信號（如聲音或字符串輸入）、多樣調(diào)制模式（涵蓋PSK、QAM、PAM、GFSK、AM、FM、OFDM等）、信道仿真組件（包括頻率偏移、采樣失真、多徑效應(yīng)、瑞利/萊斯衰減、AWGN噪聲），并以模塊拼裝方式輸出靈活數(shù)據(jù)集。同步解析數(shù)據(jù)清洗規(guī)范，例如將復(fù)數(shù)波形拆解為I/Q路徑，以匹配TensorFlow或Keras等平臺的輸入格式。

5. 神經(jīng)網(wǎng)絡(luò)應(yīng)用實(shí)操 重點(diǎn)實(shí)操轉(zhuǎn)向神經(jīng)網(wǎng)絡(luò)應(yīng)用，以調(diào)制辨析為標(biāo)志性示例。學(xué)員導(dǎo)入RadioML基準(zhǔn)庫（如RML2016.10a），采用二維卷積架構(gòu)（CNN2）組裝辨析模塊，覆蓋迭代訓(xùn)練、效果校驗(yàn)及混淆圖譜解析。環(huán)節(jié)還將考察高/低信噪比下的辨析魯棒性，并對照手工特征工程與純數(shù)據(jù)驅(qū)動學(xué)習(xí)的效能差距。

6. 衍生挑戰(zhàn)擴(kuò)展案例 進(jìn)一步擴(kuò)展至射頻處理的衍生挑戰(zhàn)，如：

波形精簡與稀疏建模：自適應(yīng)編碼實(shí)現(xiàn)緊湊表示；

注意力層在波形優(yōu)化：智能同步時域與信道均衡；

整體通信鏈路自適應(yīng)：自編碼結(jié)構(gòu)驅(qū)動的編碼-解碼協(xié)同；

強(qiáng)化機(jī)制下的頻譜探測與分配。

課程環(huán)節(jié)收尾 環(huán)節(jié)收尾突出數(shù)據(jù)集在射頻智能體系中的基石價值。學(xué)員將融合GNU Radio與Python工具組，迅捷產(chǎn)出合規(guī)數(shù)據(jù)集，并領(lǐng)悟迭代高難度基準(zhǔn)數(shù)據(jù)的緊迫性，以驅(qū)動5G/6G及智慧無線生態(tài)的進(jìn)步。

下午：毫米波雷達(dá)成像結(jié)合神經(jīng)網(wǎng)絡(luò)的多源視覺解析應(yīng)用（編程調(diào)試+效果展示）

1. 體系軸心介紹 這一模塊以PanoRadar體系為軸心，探究毫米波雷達(dá)成像與神經(jīng)網(wǎng)絡(luò)的互補(bǔ)機(jī)制，在煙塵或昏暗條件下達(dá)成激光雷達(dá)般的三維場景重構(gòu)，并賦能表面矢量推斷、語義拆分及目標(biāo)追蹤等視覺解析流程。

2. 神經(jīng)網(wǎng)絡(luò)模塊詳述 神經(jīng)網(wǎng)絡(luò)模塊將細(xì)述跨域整合如何放大雷達(dá)成像的清晰度。學(xué)員利用LiDAR-雷達(dá)配對樣本編排訓(xùn)練/校驗(yàn)集，選用二維卷積網(wǎng)絡(luò)替代三維運(yùn)算以精簡資源消耗。調(diào)試中，將解讀將雷達(dá)回波的徑向維度作為通道饋入的“2D仿真3D網(wǎng)絡(luò)”理念，并經(jīng)Python腳本完成架構(gòu)拼合、損失策略定制及循環(huán)優(yōu)化。

3. 優(yōu)化階段整合 優(yōu)化階段整合復(fù)合損失框架：L1項(xiàng)鎖定整體深度一致，感知項(xiàng)（LPIPS）提煉微觀紋理，輔以玻璃區(qū)屏蔽規(guī)避LiDAR透視局限。展示將聚焦多徑回波干擾下的抗性，以及感知項(xiàng)對階梯或護(hù)欄等復(fù)雜輪廓的精細(xì)復(fù)原。

4. 衍生擴(kuò)展鏈接 衍生擴(kuò)展將鏈接至視覺下游鏈條：在分辨率提升結(jié)果上附加表面矢量估測、語義拆解及目標(biāo)追蹤分支，借ResNet骨干與FPN整合完成人物/物體定位。學(xué)員將手動編碼全鏈，并跨建筑樣本檢驗(yàn)遷移潛力。為彰顯雷達(dá)感知的專屬亮點(diǎn)，模塊還將演繹“環(huán)視整合”路徑，通過邊緣循環(huán)與跨界IoU度量優(yōu)化全景視圖的追蹤效能。

5. 學(xué)員將洞悉雷達(dá)波形與神經(jīng)架構(gòu)的聯(lián)動策略，在自主機(jī)器人載體上落地三維場景解析與視覺實(shí)驗(yàn)。本模塊超越純理論探討，更藉編程迭代與即時演示，鍛造信號解析、視覺計算及神經(jīng)學(xué)習(xí)的交叉專長。

第二天 深度學(xué)習(xí)賦能射頻頻譜管理與信號調(diào)制智能解析

上午：神經(jīng)網(wǎng)絡(luò)框架下的寬頻帶頻譜即時探測實(shí)驗(yàn)（編程實(shí)操+演示驗(yàn)證）

1. 背景與需求剖析 本環(huán)節(jié)將探討頻譜共享與探測的實(shí)際語境，闡明在WiFi與LTE等多協(xié)議并存的場景中，傳統(tǒng)能量掃描或壓縮采樣技術(shù)難以兼顧時效與精確度。本版本依托DeepSense架構(gòu)，通過MATLAB信號合成與Python神經(jīng)建模，模擬核心流程，實(shí)現(xiàn)無硬件依賴的完整探測對比實(shí)驗(yàn)。

2. 信號數(shù)據(jù)集合成 數(shù)據(jù)合成階段，學(xué)員將運(yùn)用MATLAB工具箱生成LTE、WiFi、OFDM等規(guī)范波形，疊加瑞利/萊斯衰減、采樣偏差及AWGN干擾，形成帶信道效應(yīng)的I/Q樣本庫。涵蓋不同信噪比的訓(xùn)練/驗(yàn)證/測試集構(gòu)建，此過程替代了GNU Radio或USRP的實(shí)地采集，確保高效標(biāo)簽化與環(huán)境模擬。

3. 神經(jīng)網(wǎng)絡(luò)架構(gòu)構(gòu)建 核心實(shí)操聚焦DeepSense的一維卷積網(wǎng)絡(luò)設(shè)計。學(xué)員將組裝輕量多標(biāo)簽CNN，以I/Q序列為輸入，對子帶占用狀態(tài)進(jìn)行預(yù)測。訓(xùn)練采用交叉熵?fù)p失與Adam求解器，利用仿真樣本完成迭代與校驗(yàn)。同時，對比CNN與能量探測器的效能，審視低信噪比下的魯棒差異。

4. 性能評估與模擬替代 評估模塊通過混淆矩陣、ROC曲線及信噪比-精度圖表系統(tǒng)審視模型表現(xiàn)。原硬件部署（如FPGA加速）轉(zhuǎn)為MATLAB延遲統(tǒng)計與曲線擬合演示，保留實(shí)時性檢驗(yàn)的核心邏輯。學(xué)員將體會深度學(xué)習(xí)在多變環(huán)境下的優(yōu)越性，而無需物理設(shè)備。

5. 工作流總結(jié) 環(huán)節(jié)尾聲強(qiáng)化純仿真路徑的價值：從MATLAB生成到Python建模的全鏈驗(yàn)證DeepSense精髓。學(xué)員將掌握信號合成、神經(jīng)訓(xùn)練及效能權(quán)衡的端到端技能，為無線頻譜智能決策奠基。

下午：數(shù)據(jù)驅(qū)動的調(diào)制方案自動辨識技術(shù)實(shí)踐（代碼編碼+結(jié)果解讀）

1. 概念基礎(chǔ)與傳統(tǒng)局限 本模塊將概述自動調(diào)制辨識（AMR）在認(rèn)知無線電、頻譜監(jiān)測及干擾排查中的樞紐地位，剖析基于似然比或特征的經(jīng)典方法在復(fù)雜信道下的計算負(fù)擔(dān)與適應(yīng)短板。隨后轉(zhuǎn)向深度學(xué)習(xí)路徑，突出其在高維特征挖掘與一體化建模上的突破。

2. 模型架構(gòu)多樣探索 模型環(huán)節(jié)詳解多類神經(jīng)網(wǎng)絡(luò)的部署：從無監(jiān)督自編碼器與深度信念網(wǎng)的表示學(xué)習(xí)，到DNN基于統(tǒng)計累積量的分類；再至CNN處理I/Q、星座或譜圖輸入的低噪魯棒設(shè)計，輕量變體融入不對稱核與注意力以適配5G低延時。學(xué)員將編碼GRU/LSTM的RNN序列捕捉，并融合CLDNN的時空混合，提升辨識精度。

3. 數(shù)據(jù)集與實(shí)驗(yàn)對比 配套RadioML2016.10a/10b、2018.01a及HisarMod2019.1等開源庫，學(xué)員將訓(xùn)練/測試14種DL-AMR變體，分析識別率、復(fù)雜度及收斂曲線。聚焦信噪比變異下的混淆模式（如16QAM與64QAM易錯），并探討數(shù)據(jù)增強(qiáng)與遷移學(xué)習(xí)在MIMO場景的擴(kuò)展應(yīng)用。

4. 前沿機(jī)制與優(yōu)化策略 擴(kuò)展至GAN數(shù)據(jù)擴(kuò)充、注意力/Transformer的解釋性提升，以及模型壓縮/知識蒸餾的嵌入式適配。學(xué)員將審視這些機(jī)制如何強(qiáng)化泛化，滿足IoT與6G的功耗約束。

學(xué)員將精煉AMR的全棧流程：從樣本準(zhǔn)備到優(yōu)化部署，構(gòu)建無線智能解析的實(shí)戰(zhàn)基礎(chǔ)。本模塊藉編碼迭代與效能剖析，鑄就通信工程與神經(jīng)計算的融合素養(yǎng)。

第三天 高級時空與高效卷積框架下的調(diào)制信號智能辨識

上午：多通道時空神經(jīng)架構(gòu)在調(diào)制辨識中的集成實(shí)驗(yàn)（代碼實(shí)操+可視化分析）

1. 傳統(tǒng)方法短板審視 開端將重溫自動調(diào)制辨識（AMR）在信號檢測與解調(diào)間的橋梁角色，剖析基于似然或特征的常規(guī)策略在動態(tài)信道下的泛化弱點(diǎn)與人工依賴。隨即導(dǎo)入神經(jīng)學(xué)習(xí)路徑，審視CNN、RNN及CLDNN在時序與空間捕捉上的互補(bǔ)潛力。

2. 多通道學(xué)習(xí)理念 核心概念聚焦多通道輸入的邏輯：分離I/Q雙軌、單I或Q通道以挖掘互補(bǔ)線索，并與復(fù)合I/Q饋入?yún)f(xié)同建模，提升辨識穩(wěn)定性。學(xué)員將理解此設(shè)計如何放大特征多樣性，奠定MCLDNN框架的時空融合基調(diào)。

3. 架構(gòu)設(shè)計與訓(xùn)練技巧 模型構(gòu)建詳解MCLDNN結(jié)構(gòu)：融合1D/2D卷積的空間提取、LSTM的序列依賴捕捉，以及全連接的分類型輸出。學(xué)員經(jīng)Python編碼搭建網(wǎng)絡(luò)，伴隨權(quán)重可視化與中間激活圖，洞察多尺度信號模式。同步講解交叉熵?fù)p失、Adam迭代、學(xué)習(xí)率衰減及dropout防過擬合的實(shí)戰(zhàn)配置。

4. 數(shù)據(jù)集對比與效能檢驗(yàn) 實(shí)驗(yàn)采用RadioML2016.10a/10b基準(zhǔn)，對MCLDNN與SOTA變體（如CNN-IQ、LSTM2、CLDNN、GRU2）展開精度比拼。學(xué)員將觀察-4dB以上信噪比的優(yōu)越表現(xiàn)，尤其在16-QAM/64-QAM混淆上的改進(jìn)，并通過混淆矩陣剖析WBFM與AM-DSB的易錯機(jī)制。

5. 效率權(quán)衡與擴(kuò)展 評估參數(shù)規(guī)模、收斂速率及時長等指標(biāo)，比較MCLDNN在精度-開銷間的平衡。學(xué)員將習(xí)得壓縮與冗余裁剪技巧，確保高效部署。本環(huán)節(jié)鑄就時空多通道的辨識精進(jìn)路徑，為5G/6G智能無線鋪路。

下午：輕量化卷積網(wǎng)絡(luò)在調(diào)制分類中的部署實(shí)踐（編程搭建+優(yōu)化演示）

1. 經(jīng)典路徑瓶頸總結(jié) 模塊伊始回顧自動調(diào)制分類（AMC）在認(rèn)知無線電及5G頻譜調(diào)控中的核心價值，指出似然基或特征基方法的計算密集與低噪短板。轉(zhuǎn)向卷積神經(jīng)優(yōu)勢，強(qiáng)調(diào)其在多尺度空間表示與自動特征上的領(lǐng)先。

2. MCNet網(wǎng)絡(luò)創(chuàng)新解析 設(shè)計詳述MCNet的核心元素：非對稱核（3×1/1×3）取代3×3以瘦身參數(shù)、多路M-block（3×1、1×3、1×1流）定向特征挖掘，以及跨層殘差橋接的梯度穩(wěn)定。學(xué)員將Python實(shí)現(xiàn)全網(wǎng)，并在RadioML2018.01A數(shù)據(jù)集上迭代訓(xùn)練/校驗(yàn)。

3. 分類結(jié)果與誤判剖析 實(shí)操檢驗(yàn)24種調(diào)制（PSK、QAM、APSK、模擬型）的低/高階表現(xiàn)，通過混淆矩陣揭示128APSK/256QAM的高誤區(qū)，并探討M-block深度對復(fù)雜度的調(diào)控。學(xué)員將量化信噪比下的精度曲線，優(yōu)化網(wǎng)絡(luò)層級以適配邊緣場景。

4. 基準(zhǔn)模型效能對標(biāo) 對比ResNet、VGG及CNN-AMC等架構(gòu)，展示+10dB下MCNet的23.7% VGG提升與12.4% ResNet領(lǐng)先，同時參數(shù)縮減40%-45%、推理加速。通過可視化，學(xué)員體會輕量設(shè)計在移動平臺的部署價值。

5. 設(shè)計精髓與應(yīng)用展望 收官提煉MCNet理念：非對稱+殘差+精簡架構(gòu)的精度-效率折衷，為6G實(shí)時分類注入活力。學(xué)員將統(tǒng)攬數(shù)據(jù)集處理、網(wǎng)絡(luò)組裝、調(diào)優(yōu)及評估的全鏈，賦能復(fù)雜無線環(huán)境的神經(jīng)應(yīng)用。

第四天 深度學(xué)習(xí)的射頻指紋識別與射頻信號檢測應(yīng)用實(shí)踐

上午：基于深度學(xué)習(xí)的射頻指紋識別大規(guī)模實(shí)驗(yàn)研究 (實(shí)操+代碼)

本課程聚焦于射頻指紋識別（RF Fingerprinting）的深度學(xué)習(xí)方法，探索如何通過硬件相關(guān)的微小射頻特征實(shí)現(xiàn)設(shè)備級別的身份識別。

1．射頻指紋識別利用發(fā)射機(jī)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(dú)特“簽名”，為物聯(lián)網(wǎng)和無線網(wǎng)絡(luò)提供輕量化、抗篡改的安全認(rèn)證機(jī)制 。

2. 教學(xué)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(yīng)快速演進(jìn)的無線標(biāo)準(zhǔn)。隨后引入卷積神經(jīng)網(wǎng)絡(luò)（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(shí)現(xiàn)移位不變分類方面的優(yōu)勢。學(xué)生將學(xué)習(xí) 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。

3.在數(shù)據(jù)部分，課程重點(diǎn)講解論文使用的 大規(guī)模真實(shí)數(shù)據(jù)集。實(shí)驗(yàn)涵蓋兩個無線標(biāo)準(zhǔn)：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(jī)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(xué)習(xí)模型在大規(guī)模設(shè)備環(huán)境下的可擴(kuò)展性提供了基準(zhǔn)。

4.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(yīng)用于一維卷積，緩解深層網(wǎng)絡(luò)中的梯度消失問題。學(xué)生將親手實(shí)現(xiàn)這兩種模型，并比較其在不同數(shù)據(jù)預(yù)處理下的性能。特別地，課程強(qiáng)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。

5.在實(shí)驗(yàn)部分，課程涵蓋多個關(guān)鍵任務(wù)：

可擴(kuò)展性任務(wù)：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(wù)（Multiburst）：合并多個連續(xù)傳輸評估魯棒性；

訓(xùn)練集規(guī)模任務(wù)：分析訓(xùn)練樣本數(shù)量對模型精度的影響；

信道變化任務(wù)：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(wù)：探討在不同信噪比訓(xùn)練/測試組合下的泛化規(guī)律；

比特相同任務(wù)：驗(yàn)證模型是否依賴 MAC 地址信息，而非硬件特征。

實(shí)驗(yàn)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(luò)并不總是更好”；同時，數(shù)據(jù)增強(qiáng)（如在低 SNR 條件下訓(xùn)練）能有效提升模型在噪聲環(huán)境中的魯棒性。

課程總結(jié)深度學(xué)習(xí)在 RF 指紋識別中的應(yīng)用前景，強(qiáng)調(diào)其在大規(guī)模 IoT 安全認(rèn)證中的實(shí)用性。學(xué)生將掌握從 數(shù)據(jù)預(yù)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(shí)際無線通信環(huán)境中部署深度學(xué)習(xí)模型所面臨的挑戰(zhàn)與機(jī)遇。

下午：基于深度學(xué)習(xí)的射頻信號檢測與分類的參考數(shù)據(jù)集構(gòu)建 (實(shí)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(qiáng)調(diào)其在人工智能與深度學(xué)習(xí)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(biāo)準(zhǔn)和大規(guī)?；鶞?zhǔn)數(shù)據(jù)，這限制了深度學(xué)習(xí)算法在認(rèn)知無線電和共享頻譜中的應(yīng)用。

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

2. 在數(shù)據(jù)構(gòu)建部分，課程詳細(xì)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(shí)環(huán)境，但標(biāo)簽難以獲取，受噪聲和干擾影響大；

實(shí)驗(yàn)室測試平臺：使用真實(shí)射頻設(shè)備，在可控條件下采集，便于標(biāo)簽化，但環(huán)境代表性有限；

仿真數(shù)據(jù)：可補(bǔ)充難以獲取的信號類型（如機(jī)密雷達(dá)波形），但需要驗(yàn)證其與真實(shí)數(shù)據(jù)的匹配度。

3.課程將介紹 NIST 提出的 RF 數(shù)據(jù)集構(gòu)建原則，包括 目標(biāo)導(dǎo)向（針對具體頻段與應(yīng)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(xué)價值。

4.在應(yīng)用案例部分，課程選取 3.5 GHz 頻段雷達(dá)檢測 作為示例。學(xué)生將學(xué)習(xí)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(dá)波形數(shù)據(jù)集，并分析商業(yè) LTE 發(fā)射和鄰頻雷達(dá)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(dǎo)致模型評估結(jié)果失真。

5.學(xué)生將掌握如何設(shè)計和管理面向深度學(xué)習(xí)的射頻信號數(shù)據(jù)集，理解數(shù)據(jù)來源、標(biāo)簽策略與可復(fù)現(xiàn)性的重要性，并能夠在實(shí)驗(yàn)中評估不同信號分類算法的性能。通過本課程，學(xué)員將具備推動射頻數(shù)據(jù)集標(biāo)準(zhǔn)化和共享的能力，為未來 5G/6G 網(wǎng)絡(luò)中基于 AI 的頻譜管理提供支撐。

第五天 強(qiáng)化學(xué)習(xí)的認(rèn)知無線電與AI驅(qū)動的模擬射頻電路設(shè)計應(yīng)用實(shí)踐

上午：基于強(qiáng)化學(xué)習(xí)的認(rèn)知無線電測試平臺（RFRL Gym）(實(shí)操+代碼)

本課程介紹 RFRL Gym 框架，這是一個用于認(rèn)知無線電應(yīng)用的強(qiáng)化學(xué)習(xí)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(shí)驗(yàn)環(huán)境。隨著無線設(shè)備數(shù)量的激增，射頻頻譜面臨嚴(yán)重?fù)砣透蓴_問題，傳統(tǒng)方法如跳頻與擴(kuò)頻已無法適應(yīng)動態(tài)頻譜環(huán)境，而認(rèn)知無線電結(jié)合強(qiáng)化學(xué)習(xí)被視為解決方案。

1.教學(xué)首先回顧認(rèn)知無線電的基本概念和動態(tài)頻譜接入（DSA）的需求，強(qiáng)調(diào)強(qiáng)化學(xué)習(xí)在預(yù)測未來頻譜空洞、主動規(guī)避干擾方面的獨(dú)特優(yōu)勢。學(xué)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(shí)現(xiàn)自適應(yīng)決策，并在 Python 代碼實(shí)操中體驗(yàn)該過程。

2.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(shí)體（Non-Player Entities），如恒定發(fā)射器、隨機(jī)跳頻器、敏捷跳頻器和干擾器，用于模擬真實(shí)環(huán)境下的通信對象和對抗者。學(xué)生將學(xué)習(xí)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。

3.在實(shí)驗(yàn)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(shí)體干擾場景：驗(yàn)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(shí)體 DSA 場景：展現(xiàn) RL 智能體如何同時規(guī)避多個信號實(shí)體，實(shí)現(xiàn)最優(yōu)頻譜接入；

敏捷實(shí)體場景：揭示 RL 在非平穩(wěn)環(huán)境下的不足，并引出更先進(jìn)的深度 Q 學(xué)習(xí)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(xué)生可直觀觀察智能體與實(shí)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(shí)驗(yàn)，學(xué)生將加深對強(qiáng)化學(xué)習(xí)在動態(tài)頻譜分配與抗干擾中的應(yīng)用理解。

3.進(jìn)階部分將探討未來擴(kuò)展方向：包括 多智能體強(qiáng)化學(xué)習(xí)（MARL） 在合作與對抗場景下的應(yīng)用、CNN 信號分類與 RL 聯(lián)動、真實(shí)射頻硬件對接、以及 GUI 的全流程集成。

4.學(xué)生將掌握如何利用 RFRL Gym 搭建實(shí)驗(yàn)環(huán)境、設(shè)計頻譜接入與對抗任務(wù)，并實(shí)現(xiàn) RL 算法的訓(xùn)練與評估。本課程不僅培養(yǎng)學(xué)生在通信系統(tǒng)中的 AI 應(yīng)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)。

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(xué)習(xí)方法(實(shí)操+代碼)

本課程圍繞 AICircuit 數(shù)據(jù)集 和 基于監(jiān)督學(xué)習(xí)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(yàn)與參數(shù)遍歷，效率低下且難以適應(yīng)復(fù)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(jī)器學(xué)習(xí)在電路自動化設(shè)計中的應(yīng)用。

1.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(jī)與接收機(jī)）。通過 Cadence 仿真平臺進(jìn)行參數(shù)掃描，生成數(shù)十萬條電路參數(shù)—性能指標(biāo)的數(shù)據(jù)，為機(jī)器學(xué)習(xí)模型訓(xùn)練提供堅實(shí)基礎(chǔ) 。

2.在方法部分，課程介紹基于 監(jiān)督學(xué)習(xí)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(qiáng)調(diào)通過模型學(xué)習(xí) 性能指標(biāo)（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(yù)測滿足性能需求的電路配置。學(xué)生將學(xué)習(xí)多種模型的實(shí)現(xiàn)，包括 多層感知機(jī)（MLP）、Transformer、支持向量回歸（SVR）、隨機(jī)森林（RF）、kNN，并對比它們在不同電路類型上的表現(xiàn)。

3.在實(shí)驗(yàn)環(huán)節(jié)，課程將組織如下模塊：

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

復(fù)雜電路實(shí)驗(yàn)：在 VCO 和 PA 上觀察非線性與耦合效應(yīng)帶來的挑戰(zhàn)，分析 Transformer 與 MLP 的優(yōu)劣；

系統(tǒng)級實(shí)驗(yàn)：在發(fā)射機(jī)與接收機(jī)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(fù)雜電路（如 PA 與 VCO） 則因高度非線性表現(xiàn)出更大預(yù)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(xùn)練數(shù)據(jù)量可將誤差顯著降低，接收機(jī)電路的預(yù)測誤差最低可達(dá) 0.23%，證明了監(jiān)督學(xué)習(xí)方法的可擴(kuò)展性和有效性。

4.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(xué)習(xí)框架） 的深度融合。學(xué)生將掌握從數(shù)據(jù)生成、模型訓(xùn)練到系統(tǒng)級驗(yàn)證的完整流程，理解如何根據(jù)電路復(fù)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。

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(tuán)隊，長期致力于將機(jī)器學(xué)習(xí)方法與無線通信、模擬電路優(yōu)化相結(jié)合。團(tuán)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(luò)的射頻指紋識別模型、基于強(qiáng)化學(xué)習(xí)的動態(tài)頻譜接入平臺（RFRL Gym）、基于監(jiān)督學(xué)習(xí)的電路設(shè)計預(yù)測框架；

在工程實(shí)踐方面，團(tuán)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(dá)、物聯(lián)網(wǎng)與無線收發(fā)芯片設(shè)計中應(yīng)用，實(shí)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(xiàng) IEEE/ACM 發(fā)表的重要論文，涉及深度學(xué)習(xí)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(tuán)隊在 AI+射頻 領(lǐng)域的前沿成果與實(shí)踐經(jīng)驗(yàn)，帶領(lǐng)學(xué)員掌握 AI 在射頻信號處理與模擬電路設(shè)計中的完整應(yīng)用路徑，助力科研人員與工程師快速提升跨學(xué)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?yán)走_(dá)與太赫茲應(yīng)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(dǎo)與經(jīng)驗(yàn)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(yàn)和仿真參數(shù)掃描，在面對復(fù)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(shí)現(xiàn)對復(fù)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(yuǎn)場計算等方法為工程設(shè)計提供精確結(jié)果。然而，當(dāng)電磁結(jié)構(gòu)尺寸增大或參數(shù)空間擴(kuò)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(shí)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(xué)習(xí)—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(yīng)用。課程強(qiáng)調(diào)以Maxwell方程為物理基礎(chǔ)，通過掌握電磁波傳播、輻射機(jī)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(yuǎn)場特性分析以及高頻電磁場多尺度建模思想，引導(dǎo)學(xué)習(xí)者理解電磁仿真在工程設(shè)計中的嚴(yán)謹(jǐn)性與可操作性，最終實(shí)現(xiàn)電磁設(shè)計的算法化、數(shù)據(jù)化和智能化演進(jìn)。

課程目標(biāo)

本課程旨在建立學(xué)習(xí)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(jī)理，還能夠建立符合工程規(guī)范的仿真模型，并具備將機(jī)器學(xué)習(xí)與深度學(xué)習(xí)方法應(yīng)用于電磁結(jié)構(gòu)優(yōu)化的能力。通過本課程學(xué)習(xí)，學(xué)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(yuǎn)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(jìn)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(kuò)展的智能天線設(shè)計流程。課程最終目標(biāo)是培養(yǎng)兼具理論深度、仿真能力與智能建模素養(yǎng)的復(fù)合型工程人才。

AI助力電磁天線設(shè)計與優(yōu)化大綱

主題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(xué)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(jī)理的發(fā)展過程，推導(dǎo)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(jìn)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(yuǎn)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(dǎo)體（PEC）、完美磁導(dǎo)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CST studio電磁波頻域模型中對輻射邊界處理與PML包絡(luò)的具體設(shè)置方法。通過此節(jié)課程，學(xué)生不僅掌握天線理論分析方法，同時初步認(rèn)識到理論模型向工程仿真轉(zhuǎn)化的實(shí)現(xiàn)方式，以及電磁仿真中頻域建模與穩(wěn)態(tài)響應(yīng)求解的必要性.

主題2：基于深度學(xué)習(xí)的電磁場優(yōu)化與設(shè)計

本課程集中介紹深度學(xué)習(xí)在電磁設(shè)計中的應(yīng)用，特別是如何通過深度學(xué)習(xí)技術(shù)優(yōu)化光學(xué)與電磁設(shè)備設(shè)計。課程通過 Meent 平臺，講解深度學(xué)習(xí)與電磁仿真（如嚴(yán)格耦合波分析RCWA）結(jié)合，解決傳統(tǒng)仿真方法中的計算瓶頸，實(shí)現(xiàn)高效的電磁仿真和優(yōu)化。Meent框架支持自動微分（AD），使得電磁仿真可以與深度學(xué)習(xí)模型無縫結(jié)合，進(jìn)一步加速計算過程并優(yōu)化設(shè)計。

課程重點(diǎn)介紹 Fourier神經(jīng)算子（FNO） 在光學(xué)設(shè)計中的應(yīng)用，展示如何利用神經(jīng)PDE求解器解決Maxwell方程，提升電磁場預(yù)測效率。與傳統(tǒng)FDTD方法對比，F(xiàn)NO能顯著加速仿真過程，同時在不同分辨率下實(shí)現(xiàn)超分辨率能力，展示其在電磁場建模中的優(yōu)勢。

接下來，課程講解了 生成式深度學(xué)習(xí)（cDCGAN） 在電磁結(jié)構(gòu)的全局逆向設(shè)計中的應(yīng)用，重點(diǎn)展示如何通過優(yōu)化目標(biāo)光譜來自動生成多種電磁結(jié)構(gòu)。該方法突破了傳統(tǒng)電磁優(yōu)化的局限，能夠?qū)崿F(xiàn)跨結(jié)構(gòu)類別的自由形態(tài)設(shè)計優(yōu)化，減少人工干預(yù)，提升設(shè)計效率。

在 深度強(qiáng)化學(xué)習(xí)（DRL） 應(yīng)用部分，學(xué)生將了解如何通過強(qiáng)化學(xué)習(xí)優(yōu)化 可重構(gòu)智能表面（RIS） 天線系統(tǒng)的波束形成與相位控制。通過 Meent 仿真平臺，學(xué)生將使用DRL算法（如DDPG）進(jìn)行天線系統(tǒng)的優(yōu)化，理解AI如何提升RIS系統(tǒng)的能效與適應(yīng)性。

課程總結(jié)時，強(qiáng)調(diào)深度學(xué)習(xí)與電磁仿真結(jié)合的前景，展望AI在電磁設(shè)計中的自動化與智能化趨勢，推動從傳統(tǒng)物理模型向數(shù)據(jù)驅(qū)動設(shè)計的轉(zhuǎn)變。

圖 1 每種建模類型的特征; Metagrating及其抽象表示; FNO 對麥克斯韋方程的近似。真實(shí)值與預(yù)測值對比

主題3：基于深度學(xué)習(xí)的電磁仿真與優(yōu)化

本課程重點(diǎn)講解如何利用深度學(xué)習(xí)技術(shù)優(yōu)化電磁場仿真和光學(xué)設(shè)計，尤其是在 Maxwell方程 求解中，結(jié)合 前向模式微分（FMD） 和 自動微分（AD） 技術(shù)來提升電磁設(shè)備的設(shè)計效率和準(zhǔn)確性。課程首先回顧了傳統(tǒng)的電磁仿真方法，如 FDTD 和 FEM，指出這些方法在進(jìn)行高維優(yōu)化和大規(guī)模參數(shù)空間搜索時面臨的高計算代價和低通用性問題。為了解決這些挑戰(zhàn)，課程介紹了深度學(xué)習(xí)在電磁場建模中的應(yīng)用，特別是如何通過深度學(xué)習(xí)加速仿真過程，并提高設(shè)計優(yōu)化的速度和精度。

課程將深入探討 前向模式微分（FMD） 在電磁仿真中的應(yīng)用，展示了如何利用這一方法進(jìn)行電磁設(shè)備性能的靈敏度分析，計算 光場分布、回波損耗 和 功率耦合效率 等參數(shù)對設(shè)計變量的導(dǎo)數(shù)。FMD提供了與傳統(tǒng)數(shù)值微分方法（如有限差分法）相比的顯著優(yōu)勢，能夠在仿真中直接計算出準(zhǔn)確的梯度，而無需設(shè)置數(shù)值步長，避免了傳統(tǒng)方法中因步長選擇不當(dāng)導(dǎo)致的誤差問題。

進(jìn)一步地，課程介紹了 生成式深度學(xué)習(xí)（如GAN） 在電磁設(shè)備設(shè)計中的全局逆向優(yōu)化能力，特別是在 反射超表面天線設(shè)計 和 元光柵優(yōu)化 中的應(yīng)用。通過 條件生成對抗網(wǎng)絡(luò)（cDCGAN），學(xué)生將了解如何根據(jù) 目標(biāo)光譜 自動生成結(jié)構(gòu)設(shè)計，從而解決傳統(tǒng)設(shè)計方法中對于初始假設(shè)的依賴，支持跨結(jié)構(gòu)類別的設(shè)計優(yōu)化。

此外，課程還介紹了如何使用 深度強(qiáng)化學(xué)習(xí)（DRL） 優(yōu)化 可重構(gòu)智能表面（RIS） 系統(tǒng)的波束控制與相位優(yōu)化。通過與 Meent仿真平臺 的結(jié)合，學(xué)生將通過訓(xùn)練 DRL智能體 來優(yōu)化RIS系統(tǒng)的性能，提升系統(tǒng)在復(fù)雜信道環(huán)境下的適應(yīng)性和能效。

在實(shí)驗(yàn)環(huán)節(jié)，學(xué)生將使用 FMD與FDTD結(jié)合 的方法進(jìn)行光電場的精確計算，并通過 Meent仿真平臺 完成 電磁結(jié)構(gòu)的全局逆向設(shè)計，生成優(yōu)化結(jié)構(gòu)并進(jìn)行電磁仿真驗(yàn)證。學(xué)生將通過實(shí)驗(yàn)深入理解深度學(xué)習(xí)與電磁仿真結(jié)合的優(yōu)勢，掌握如何通過生成式模型快速反演設(shè)計結(jié)構(gòu)。

課程總結(jié)時，討論了 深度學(xué)習(xí)與電磁仿真結(jié)合 的前景，強(qiáng)調(diào) 自動微分 和 生成模型 在未來電磁設(shè)計中的潛力，特別是在 AI驅(qū)動的自適應(yīng)陣列優(yōu)化 和 多頻段超表面設(shè)計 中的應(yīng)用，展望AI如何推動從基于物理模型的電磁設(shè)計向基于數(shù)據(jù)驅(qū)動的智能設(shè)計轉(zhuǎn)型。

圖 2 樣本問題中 FMD 與數(shù)值導(dǎo)數(shù)的對比 .光柵耦合器光譜的 FMD 分析

主題4： PGGAN在雙頻天線設(shè)計中的應(yīng)用

本案例探討了生成對抗網(wǎng)絡(luò)的漸進(jìn)式增長（PGGAN）在雙頻天線設(shè)計中的應(yīng)用，重點(diǎn)介紹了如何利用深度學(xué)習(xí)方法改進(jìn)天線結(jié)構(gòu)生成過程，以解決傳統(tǒng)設(shè)計方法中的局限性。PGGAN通過逐步增加生成器和判別器的分辨率，從低分辨率數(shù)據(jù)開始，逐漸細(xì)化細(xì)節(jié)，這種方式能夠避免標(biāo)準(zhǔn)生成對抗網(wǎng)絡(luò)（GAN）常見的模式崩潰問題，并且能夠在每3秒生成一個新的雙頻PIFA類天線設(shè)計，從而顯著提高設(shè)計效率。在訓(xùn)練過程中，結(jié)合了拉丁超立方體抽樣（LHS）方法，確保輸入樣本的多樣性，這對于處理高維度問題（如天線設(shè)計）至關(guān)重要。此外，霍夫變換在論文中被用于增強(qiáng)天線設(shè)計的特征提取，將天線的物理特征與頻率特性之間的關(guān)系進(jìn)行關(guān)聯(lián)，這些特征作為標(biāo)簽為PGGAN的學(xué)習(xí)過程提供指導(dǎo)。通過這種方法，PGGAN能夠有效地生成符合預(yù)期的天線結(jié)構(gòu)。論文還與條件生成對抗網(wǎng)絡(luò)（CGAN）進(jìn)行了對比，指出CGAN在多頻天線設(shè)計中存在的困難，而PGGAN能夠更好地處理天線結(jié)構(gòu)與頻率響應(yīng)之間的復(fù)雜非線性關(guān)系，特別是在雙頻天線設(shè)計中。最終，研究表明，PGGAN框架能夠在特定頻率帶（如2.45和5.2 GHz）下生成高質(zhì)量的雙頻天線，并且仿真與實(shí)際測量結(jié)果一致性良好，展示了這一方法在天線設(shè)計中的巨大潛力。

圖 3 網(wǎng)絡(luò)架構(gòu)和學(xué)習(xí)表示

主題5 利用深度學(xué)習(xí)替代 FDTD 求解器的電磁場模擬

本課程以時間域電磁仿真的加速為核心，介紹如何使用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和逼近 Maxwell’s Equations 時域行為，從而實(shí)現(xiàn)比傳統(tǒng) FDTD 方法更快的預(yù)測。

先從傳統(tǒng)的 FDTD 方法入手，講解 Maxwell 方程在時間域內(nèi)進(jìn)行網(wǎng)格化推進(jìn)（如 Yee 格子的構(gòu)建、邊界條件處理、PML／Dirichlet 等法）的基本流程和瓶頸。接著引出深度學(xué)習(xí)在電磁仿真中的潛力：如果網(wǎng)絡(luò)可以學(xué)習(xí)「波傳播時域演化邊界效應(yīng)」這些物理規(guī)律，那么它可能替代部分 FDTD 步驟，從而顯著降低計算量。

重點(diǎn)講解 PDENet 這一種「神經(jīng)網(wǎng)絡(luò)可學(xué)習(xí)偏微分算子」的方法——在該項(xiàng)目中，模型通過卷積核學(xué)習(xí)近似離散的時間推進(jìn)算子（即 FDTD 中的差分算子） (“order of sumrule” 是一個設(shè)計約束) 。網(wǎng)絡(luò)結(jié)構(gòu)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不同：它將物理域（網(wǎng)格）、時間步、卷積核權(quán)重等作為可訓(xùn)練參數(shù)，并且受限于設(shè)計規(guī)則以嵌入物理先驗(yàn)。學(xué)生將學(xué)習(xí)如何從數(shù)據(jù)生成 (2D FDTD 數(shù)據(jù)集)、濾波器設(shè)計、網(wǎng)絡(luò)訓(xùn)練、預(yù)測使用等流程理解這一模型。

圖 4 預(yù)測和真實(shí)值對比

主題6：基于深度學(xué)習(xí)的電磁場仿真加速與優(yōu)化：PDE-Net-FDTD方法應(yīng)用

本課程主要講解如何利用深度學(xué)習(xí)替代傳統(tǒng)的 FDTD（有限差分時域法） 進(jìn)行電磁場的仿真與計算。課程從傳統(tǒng)電磁仿真方法的局限性入手，介紹了深度學(xué)習(xí)如何通過學(xué)習(xí)物理算子來加速 Maxwell 方程的解算過程，進(jìn)而提高仿真效率。在這一過程中，課程重點(diǎn)介紹了 PDE?Net 模型架構(gòu)及其在電磁仿真中的應(yīng)用。PDE?Net 通過使用卷積神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)和近似電磁波傳播的時間步算子，借助神經(jīng)網(wǎng)絡(luò)的非線性表達(dá)能力，能夠在保持物理精度的同時顯著提升計算速度。

接著，課程講解了如何通過 PDE?Net?FDTD 模型進(jìn)行訓(xùn)練和測試，學(xué)生將學(xué)習(xí)如何利用 FDTD 數(shù)據(jù)集（如二維電磁場傳播數(shù)據(jù)）來訓(xùn)練模型，并通過訓(xùn)練結(jié)果實(shí)現(xiàn)電磁場的預(yù)測。通過與傳統(tǒng) FDTD 方法進(jìn)行對比，學(xué)生將理解 深度學(xué)習(xí) 在解決電磁仿真問題時帶來的優(yōu)勢，尤其在計算復(fù)雜系統(tǒng)、長時間步預(yù)測和提高計算效率等方面。

在實(shí)驗(yàn)環(huán)節(jié)，學(xué)生將親自實(shí)踐如何使用 PDE?Net?FDTD 進(jìn)行 2D 電磁場的模擬，并通過訓(xùn)練模型來預(yù)測電磁波在不同條件下的傳播情況。學(xué)生將使用預(yù)處理后的仿真數(shù)據(jù)，完成模型訓(xùn)練、參數(shù)調(diào)整、訓(xùn)練結(jié)果可視化等任務(wù)。通過與傳統(tǒng) FDTD 仿真結(jié)果的對比，學(xué)生將理解深度學(xué)習(xí)模型在解決復(fù)雜電磁問題中的精確度和速度優(yōu)勢。

最后，課程將探討該方法的工程應(yīng)用，討論如何將 PDE?Net?FDTD 方法應(yīng)用于實(shí)際的電磁設(shè)計問題，特別是在實(shí)時仿真、大規(guī)模仿真和復(fù)雜場景下的應(yīng)用。課程總結(jié)時，學(xué)生將理解 深度學(xué)習(xí) 在電磁仿真中的核心作用，并能夠掌握如何將傳統(tǒng)的數(shù)值計算方法與深度學(xué)習(xí)結(jié)合，形成更加高效和智能的電磁場仿真解決方案。

圖 5 Lat-Net architecture工作流 預(yù)測值和真實(shí)值對比

主題7: 點(diǎn)云驅(qū)動的深度學(xué)習(xí)電磁仿真流程

本課程聚焦如何利用點(diǎn)云數(shù)據(jù)與深度學(xué)習(xí)模型替代傳統(tǒng)網(wǎng)格迭代電磁仿真方法，從而實(shí)現(xiàn)更快速、更靈活的電磁設(shè)計與驗(yàn)證流程。課程首先介紹傳統(tǒng)電磁仿真（如有限差分法、有限元法）中網(wǎng)格劃分和迭代求解所帶來的計算瓶頸，從而引出點(diǎn)云數(shù)據(jù)驅(qū)動方法：即直接利用結(jié)構(gòu)幾何與材料信息生成點(diǎn)云輸入，不需網(wǎng)格劃分即可供深度網(wǎng)絡(luò)訓(xùn)練與推理。

教學(xué)的第一階段將演示如何從仿真軟件CST Studio Suite中導(dǎo)出STP和JSON格式的幾何／材料數(shù)據(jù)，接著使用MindElec提供的腳本將這些數(shù)據(jù)轉(zhuǎn)換為點(diǎn)云張量格式。學(xué)生將學(xué)習(xí)如何配置 export_stp.py 調(diào)用路徑、設(shè)置 sample_nums 和 bbox_args 來控制點(diǎn)云采樣以及理解點(diǎn)云數(shù)據(jù)與電磁結(jié)構(gòu)之間的映射關(guān)系。隨后教學(xué)將引導(dǎo)學(xué)生使用模型壓縮流程，通過訓(xùn)練自編碼模型對點(diǎn)云數(shù)據(jù)進(jìn)行降維，減低后續(xù)網(wǎng)絡(luò)訓(xùn)練和推理的內(nèi)存與計算負(fù)荷。

深度學(xué)習(xí)部分重點(diǎn)講解從點(diǎn)云數(shù)據(jù)到電磁響應(yīng)的監(jiān)督學(xué)習(xí)流程。課程將展示如何調(diào)用 train.py 對 MindElec 模型進(jìn)行訓(xùn)練，包括模型結(jié)構(gòu)、損失函數(shù)、優(yōu)化器以及學(xué)習(xí)率衰減策略。學(xué)生將理解如何定義網(wǎng)絡(luò)輸入（如位置 + 材料通道）、輸出（如場分布或 S參數(shù)）以及如何使用 Solver API 執(zhí)行訓(xùn)練與評估。通過具體案例（如手機(jī)天線S參數(shù)預(yù)測），學(xué)生將觀察到模型如何在推理階段使用點(diǎn)云輸入快速預(yù)測電磁場分布或反射參數(shù)。

實(shí)驗(yàn)環(huán)節(jié)將安排學(xué)生使用訓(xùn)練好的深度網(wǎng)絡(luò)模型執(zhí)行推理任務(wù)。學(xué)生將加載網(wǎng)絡(luò)參數(shù)、使用壓縮后的點(diǎn)云輸入調(diào)用 eval.py，并通過結(jié)果輸出的 L2誤差或 MSE 評價模型精度。隨后，課程將探討該方法在實(shí)際電磁設(shè)計流程中的應(yīng)用場景，如快速原型驗(yàn)證、天線布置優(yōu)化、材料參數(shù)敏感性分析等。學(xué)生將明白深度學(xué)習(xí)仿真流程如何顯著縮短迭代周期，從而支持工程研發(fā)中的快速評估需求。

主題8: 機(jī)器學(xué)習(xí)驅(qū)動的太赫茲（THz）天線設(shè)計與6G通信應(yīng)用

本課程聚焦機(jī)器學(xué)習(xí)在太赫茲（Terahertz, THz）天線設(shè)計中的應(yīng)用，講解如何利用智能算法實(shí)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(luò)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(qiáng)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(jī)器學(xué)習(xí)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(dǎo)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(xué)生將理解實(shí)現(xiàn)6G通信所需的天線技術(shù)指標(biāo)，如高增益、寬帶寬與低干擾方向輻射等。教學(xué)指出，通過3D打印與離子束刻蝕等先進(jìn)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(jìn)入機(jī)器學(xué)習(xí)在THz天線優(yōu)化中的核心應(yīng)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(yù)測回波損耗作為輸出性能指標(biāo)。通過Python與Google Colab平臺訓(xùn)練四類回歸模型——KNN、決策樹、隨機(jī)森林與XGBoost——學(xué)生將理解不同算法在預(yù)測精度、收斂速度與泛化能力上的差異。教學(xué)同時分析性能指標(biāo)包括均方誤差（MSE）、平均絕對誤差（MAE）、R2擬合度及訓(xùn)練與預(yù)測時間等，幫助學(xué)生掌握模型評估與選擇方法。

實(shí)驗(yàn)環(huán)節(jié)中，學(xué)生將復(fù)現(xiàn)論文中的關(guān)鍵過程：以HFSS生成的仿真數(shù)據(jù)訓(xùn)練模型，并利用未參與訓(xùn)練的新幾何組合（如L?=3.5 μm, W?=5.5 μm）進(jìn)行性能預(yù)測。通過對比仿真結(jié)果與預(yù)測曲線，學(xué)生可直觀觀察機(jī)器學(xué)習(xí)模型對天線回波損耗預(yù)測的準(zhǔn)確性與趨勢一致性。實(shí)驗(yàn)結(jié)果表明，隨機(jī)森林模型在本案例中表現(xiàn)最優(yōu)，預(yù)測精度達(dá)82%，均方誤差僅為3.816，優(yōu)于其他模型，充分展示了機(jī)器學(xué)習(xí)在天線性能快速預(yù)測中的優(yōu)勢。

課程總結(jié)部分強(qiáng)調(diào)，機(jī)器學(xué)習(xí)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(fù)雜參數(shù)空間中自動識別高性能結(jié)構(gòu)組合，從而實(shí)現(xiàn)智能化、數(shù)據(jù)驅(qū)動的設(shè)計流程。

圖 6 預(yù)測值與真實(shí)值對比

主題9: 基于深度學(xué)習(xí)的天線設(shè)計與優(yōu)化——HyperHyperNetwork 方法

本課程主要介紹利用深度學(xué)習(xí)方法，特別是 HyperHyperNetwork 體系，來優(yōu)化天線和天線陣列設(shè)計。隨著電子設(shè)備的小型化，設(shè)計符合尺寸限制和目標(biāo)輻射模式的小天線變得愈發(fā)重要。課程首先回顧傳統(tǒng)天線設(shè)計方法的瓶頸，尤其是在考慮物理約束和輻射模式要求時的復(fù)雜性，并介紹如何通過深度學(xué)習(xí)方法來高效解決這些設(shè)計問題。

在單天線設(shè)計部分，學(xué)生將學(xué)習(xí)如何利用 深度神經(jīng)網(wǎng)絡(luò)（DNN） 來模擬和預(yù)測天線的輻射模式，特別是在給定尺寸約束和輻射模式要求的情況下。該方法結(jié)合了 仿真網(wǎng)絡(luò) 和 超網(wǎng)絡(luò)（hypernetwork） 的思想，仿真網(wǎng)絡(luò)用于替代傳統(tǒng)的數(shù)值求解器，通過訓(xùn)練數(shù)據(jù)快速推斷天線結(jié)構(gòu)與輻射模式之間的關(guān)系。通過該方法，設(shè)計師可以在短時間內(nèi)獲得符合目標(biāo)輻射模式和結(jié)構(gòu)要求的天線設(shè)計，而不需要反復(fù)進(jìn)行高計算量的仿真。

對于天線陣列設(shè)計，課程進(jìn)一步引入了 超超網(wǎng)絡(luò)（hyper-hypernetwork） 的概念。這個框架通過在多級設(shè)計中加入層次結(jié)構(gòu)，實(shí)現(xiàn)了對天線陣列中每個天線的設(shè)計參數(shù)（如位置、數(shù)目等）的優(yōu)化。超網(wǎng)絡(luò)接受目標(biāo)陣列增益（array gain）作為輸入，并生成每個天線的設(shè)計參數(shù)。通過 超網(wǎng)絡(luò)-超網(wǎng)絡(luò)結(jié)構(gòu)，能夠在全局層次上優(yōu)化多個天線的布局，解決傳統(tǒng)方法中由于設(shè)計空間過大而難以快速找到最優(yōu)解的問題。

在實(shí)驗(yàn)部分，學(xué)生將實(shí)踐如何使用該方法設(shè)計實(shí)際的天線和天線陣列，包括對給定目標(biāo)輻射模式的設(shè)計約束進(jìn)行優(yōu)化。通過對比傳統(tǒng)的設(shè)計方法和基于 HyperHyperNetwork 的方法，學(xué)生將觀察到深度學(xué)習(xí)在設(shè)計準(zhǔn)確性、效率和計算資源方面的顯著優(yōu)勢。實(shí)驗(yàn)還包括對不同網(wǎng)絡(luò)架構(gòu)（如 ResNet 和 Transformer）進(jìn)行比較，探索不同架構(gòu)在天線設(shè)計任務(wù)中的表現(xiàn)差異。

最后，課程將探討該方法在 實(shí)際應(yīng)用中的潛力，例如在移動設(shè)備（如 iPhone 11 Pro Max 的天線陣列設(shè)計）中的應(yīng)用，展示如何通過該方法優(yōu)化現(xiàn)有的天線設(shè)計，提高信號接收質(zhì)量和天線性能。通過這些實(shí)驗(yàn)，學(xué)生將掌握 HyperHyperNetwork 在天線設(shè)計中的應(yīng)用，以及如何利用深度學(xué)習(xí)在多層設(shè)計和復(fù)雜約束下高效優(yōu)化天線結(jié)構(gòu)。

圖 7 (a) 合成測試場景中點(diǎn)屬于有效天線的概率分布，約束平面用黑色標(biāo)出。(b) 同一樣本中，正確分類為天線的區(qū)域用棕色標(biāo)注，誤分類區(qū)域用紅色標(biāo)注。(c) 槽天線陣列的真實(shí)分布情況。(d) 我們提出的網(wǎng)絡(luò)設(shè)計方案。

主題10: 基于 Uniform Cross-Entropy 優(yōu)化的多頻帶微帶天線自動化設(shè)計

本課程聚焦于通過 Cross-Entropy 優(yōu)化 方法自動化設(shè)計 多頻帶微帶天線，特別是在電磁設(shè)計中的應(yīng)用。課程首先介紹微帶天線的基本概念和傳統(tǒng)設(shè)計方法，重點(diǎn)講解 Cross-Entropy 優(yōu)化 作為一種蒙特卡洛采樣技術(shù)，如何在給定目標(biāo) S11 反射參數(shù)曲線的約束下，優(yōu)化微帶天線的幾何結(jié)構(gòu)。

在課程的第一部分，學(xué)生將學(xué)習(xí)如何通過 Uniform Cross-Entropy（UCE） 優(yōu)化方法進(jìn)行 天線幾何結(jié)構(gòu)的自動化設(shè)計。UCE 通過隨機(jī)從目標(biāo)分布中采樣，評估每個候選解的性能，并根據(jù)最優(yōu)樣本更新分布參數(shù)，從而收斂到一個最優(yōu)解。課程將展示如何應(yīng)用此方法進(jìn)行微帶天線設(shè)計，特別是在沒有先驗(yàn)的 S11 頻率響應(yīng)的情況下，如何通過優(yōu)化目標(biāo) S11 曲線來自動生成天線結(jié)構(gòu)。

接著，課程將介紹 天線仿真與優(yōu)化 的整合過程，學(xué)生將通過數(shù)值仿真工具（如 Method of Moments（MoM） 方法）來計算 S11 曲線，并根據(jù)仿真結(jié)果優(yōu)化天線幾何。學(xué)生還將通過編寫 Python 腳本進(jìn)行仿真和優(yōu)化，使用 UCE 方法 調(diào)整天線設(shè)計，直至獲得最符合目標(biāo)曲線的天線結(jié)構(gòu)。

在實(shí)驗(yàn)環(huán)節(jié)，學(xué)生將使用提供的開源代碼，通過 UCE 優(yōu)化 方法進(jìn)行多頻帶微帶天線設(shè)計的實(shí)踐。具體包括使用 隨機(jī)初始化 和 不同采樣方式 比較優(yōu)化效果，訓(xùn)練過程中學(xué)生還將學(xué)習(xí)如何調(diào)整仿真與優(yōu)化步驟，以提高 S11 曲線 精度，特別是在設(shè)計多頻帶微帶天線時如何滿足多頻段響應(yīng)需求。

最后，課程總結(jié)將討論 UCE 優(yōu)化方法的優(yōu)勢，如計算效率高、優(yōu)化結(jié)果精度高、易于實(shí)施等，特別是在傳統(tǒng)的 遺傳算法（GA） 和 粒子群優(yōu)化（PSO） 方法面臨計算量大的問題時，UCE 方法提供了一個更高效且準(zhǔn)確的解決方案。學(xué)生將了解如何將這一優(yōu)化方法應(yīng)用于實(shí)際的天線設(shè)計項(xiàng)目，如 移動通信設(shè)備中的天線陣列設(shè)計，并且通過對比不同優(yōu)化方法，理解UCE在多個優(yōu)化指標(biāo)下的優(yōu)勢。

圖 8 優(yōu)化流程圖

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(shí)驗(yàn)室的教師主講，長期從事人工智能與計算電磁學(xué)的交叉研究，研究方向涵蓋AI驅(qū)動的天線優(yōu)化、強(qiáng)化學(xué)習(xí)在智能波束控制中的應(yīng)用、生成式AI在電磁結(jié)構(gòu)生成中的實(shí)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(xiàng)國家重點(diǎn)研發(fā)計劃項(xiàng)目與企業(yè)聯(lián)合課題，具有豐富的工程實(shí)踐經(jīng)驗(yàn)，能夠?qū)I算法理論、仿真驗(yàn)證與實(shí)際工程設(shè)計緊密結(jié)合，帶領(lǐng)學(xué)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(yīng)用前景。

授課時間

AI助力電磁天線設(shè)計與優(yōu)化

2026.1.10-----2026.1.11全天授課(上午9:00-11:30下午13:30-17:00)

2026.1.12-----2026.1.13晚上授課(晚上19:00-22:00)

2026.1.17-----2026.1.18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)

2025.12.27-----2025.12.28全天授課(上午9:00-11:30下午13:30-17:00)

2025.12.29-----2025.12.30晚上授課(晚上19:00-22:00)

2026.1.02-----2026.1.03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(fèi)用

AI賦能射頻技術(shù)/AI助力電磁天線設(shè)計與優(yōu)化

費(fèi)用：每人每班￥4980元 （含報名費(fèi)、培訓(xùn)費(fèi)、資料費(fèi)）

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(fèi)學(xué)員+轉(zhuǎn)發(fā)到朋友圈或者到學(xué)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）

報名費(fèi)用可開具正規(guī)報銷發(fā)票及提供相關(guān)繳費(fèi)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(xùn)福利

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

培訓(xùn)答疑與互動

在培訓(xùn)中進(jìn)行答疑和問題互動，以幫助學(xué)員深入理解課程內(nèi)容和解決實(shí)際問題。

學(xué)員可以提出疑問，講師將提供詳細(xì)解答，特別是針對技術(shù)難點(diǎn)和復(fù)雜算法。

通過小組討論和案例分享，學(xué)員將有機(jī)會交流經(jīng)驗(yàn)，獲得實(shí)時反饋，并進(jìn)行實(shí)踐操作演示。

展示學(xué)員的學(xué)習(xí)成果，并提供進(jìn)一步的提升建議和資源支持，為學(xué)員在未來的學(xué)習(xí)和工作中提供幫助和指導(dǎo)。

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(yù)習(xí)視頻提前發(fā)送給學(xué)員，所有培訓(xùn)使用軟件都會發(fā)送給學(xué)員，附贈安裝教程和指導(dǎo)安裝，培訓(xùn)采取開麥共享屏幕和微信群解疑，學(xué)員和老師交流、學(xué)員與學(xué)員交流，培訓(xùn)完畢后老師針對與培訓(xùn)內(nèi)容長期解疑，培訓(xùn)群不解散，往期培訓(xùn)學(xué)員對于培訓(xùn)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）