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(hào)稠密、設(shè)計(jì)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(jì)方法，在復(fù)雜場(chǎng)景下往往效率低、難以推廣。與此同時(shí)，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(shí)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(dòng)調(diào)制識(shí)別（CNN/CLDNN）、射頻指紋識(shí)別（RF Fingerprinting）、動(dòng)態(tài)頻譜管理（強(qiáng)化學(xué)習(xí)Gym平臺(tái)）、AI驅(qū)動(dòng)電路設(shè)計(jì)（AICircuit、監(jiān)督學(xué)習(xí)基準(zhǔn)），AI 已成為推動(dòng)無(wú)線通信和電路設(shè)計(jì)智能化的核心動(dòng)力。本課程順應(yīng) AI 與射頻深度融合的趨勢(shì)，系統(tǒng)呈現(xiàn)從算法、數(shù)據(jù)到工程應(yīng)用的完整知識(shí)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(jì)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(jì)、頻譜感知、調(diào)制識(shí)別與信號(hào)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(dòng)的射頻智能化設(shè)計(jì)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(dòng)調(diào)制識(shí)別、射頻指紋識(shí)別、動(dòng)態(tài)頻譜接入、智能電路參數(shù)預(yù)測(cè)）的一體化教學(xué)體系。課程通過(guò)“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(jì)等場(chǎng)景。

課程目標(biāo)

課程將培養(yǎng)學(xué)員掌握 AI 驅(qū)動(dòng)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(kāi)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(dòng)調(diào)制識(shí)別、Transformer 在電路參數(shù)預(yù)測(cè)、FNO 在非線性信號(hào)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(píng)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(dòng)調(diào)制識(shí)別、射頻指紋識(shí)別、頻譜感知與管理（RL/DRL）、信號(hào)分類與抗干擾建模。

5、學(xué)會(huì)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(jì)，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(cè)與優(yōu)化。

最終，使學(xué)員具備從 數(shù)據(jù)集構(gòu)建—算法建模—工程應(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(jì)的前沿研究與產(chǎn)業(yè)場(chǎng)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(jī)器學(xué)習(xí)數(shù)據(jù)集生成

本課程聚焦于如何利用 GNU Radio 平臺(tái)生成射頻信號(hào)的機(jī)器學(xué)習(xí)數(shù)據(jù)集，并結(jié)合深度學(xué)習(xí)方法開(kāi)展調(diào)制識(shí)別與信號(hào)分類研究。課程目標(biāo)是讓學(xué)生掌握構(gòu)建標(biāo)準(zhǔn)化數(shù)據(jù)集的流程，理解信道效應(yīng)對(duì)信號(hào)的影響，并能夠利用開(kāi)源工具開(kāi)展 AI 驅(qū)動(dòng)的無(wú)線通信實(shí)驗(yàn)。

課程首先介紹射頻機(jī)器學(xué)習(xí)的應(yīng)用背景。盡管圖像、語(yǔ)音和自然語(yǔ)言處理已經(jīng)有豐富的公開(kāi)數(shù)據(jù)集推動(dòng)深度學(xué)習(xí)的發(fā)展，但射頻信號(hào)處理領(lǐng)域長(zhǎng)期缺乏統(tǒng)一基準(zhǔn)數(shù)據(jù)集，導(dǎo)致模型難以比較。通過(guò) GNU Radio，研究者能夠構(gòu)建帶有已知標(biāo)簽、含真實(shí)信道效應(yīng)的合成射頻數(shù)據(jù)集，為調(diào)制識(shí)別和其他任務(wù)提供標(biāo)準(zhǔn)基準(zhǔn)。

在數(shù)據(jù)集生成部分，課程詳細(xì)講解 GNU Radio 中的數(shù)據(jù)構(gòu)建流程。學(xué)生將學(xué)習(xí)如何選擇信號(hào)源（語(yǔ)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(guò)模塊化設(shè)計(jì)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(fù)數(shù)信號(hào)表示為 I/Q 通道，以適應(yīng)主流 ML 框架（TensorFlow、Keras等）的訓(xùn)練需求。

在深度學(xué)習(xí)任務(wù)部分，課程以調(diào)制分類為核心應(yīng)用案例。學(xué)生將使用公開(kāi)的 RadioML 數(shù)據(jù)集（如 RML2016.10a），并通過(guò)卷積神經(jīng)網(wǎng)絡(luò)（CNN2）進(jìn)行訓(xùn)練與測(cè)試，學(xué)習(xí)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(xué)習(xí)方法的差異。

進(jìn)階內(nèi)容拓展到其他射頻任務(wù)，包括：

信號(hào)壓縮與稀疏表示：通過(guò)學(xué)習(xí)信號(hào)稀疏編碼實(shí)現(xiàn)高效壓縮；

信號(hào)注意力模型：自動(dòng)學(xué)習(xí)時(shí)間同步與信道歸一化；

端到端通信系統(tǒng)學(xué)習(xí)：利用自編碼器實(shí)現(xiàn)信道編碼與譯碼聯(lián)合優(yōu)化；

強(qiáng)化學(xué)習(xí)在頻譜搜索與調(diào)度中的應(yīng)用。

課程最后強(qiáng)調(diào)數(shù)據(jù)集在推動(dòng)射頻 AI 研究中的關(guān)鍵作用。學(xué)生將學(xué)習(xí)如何利用 GNU Radio 和 Python 工具鏈快速生成標(biāo)準(zhǔn)化射頻數(shù)據(jù)集，并理解未來(lái)研究中需要持續(xù)構(gòu)建更復(fù)雜、更具挑戰(zhàn)性的基準(zhǔn)數(shù)據(jù)，以推動(dòng) 5G/6G 和智能無(wú)線通信的發(fā)展。

第一天下午

基于射頻成像與深度學(xué)習(xí)的視覺(jué)識(shí)別(實(shí)操+代碼+演示)

本課程圍繞 PanoRadar 系統(tǒng)展開(kāi)，它是一種結(jié)合毫米波射頻成像與深度學(xué)習(xí)的創(chuàng)新方法，能夠在塵埃、霧霾或弱光等光學(xué)傳感器失效的環(huán)境中，提供接近激光雷達(dá)分辨率的三維感知，并支撐表面法向估計(jì)、語(yǔ)義分割和目標(biāo)檢測(cè)等視覺(jué)識(shí)別任務(wù)。

在深度學(xué)習(xí)部分，課程重點(diǎn)講解如何基于跨模態(tài)學(xué)習(xí)提升射頻成像的分辨率。學(xué)生將使用配對(duì)的 LiDAR 與 RF 數(shù)據(jù)，構(gòu)建訓(xùn)練和驗(yàn)證集，通過(guò)二維卷積神經(jīng)網(wǎng)絡(luò)替代三維卷積，顯著降低計(jì)算與存儲(chǔ)需求。教學(xué)中會(huì)詳細(xì)分析為何將射頻回波的距離維度視作通道輸入，從而實(shí)現(xiàn)“3D 學(xué)習(xí)的 2D 卷積”策略，并以 Python 代碼實(shí)操模型構(gòu)建、損失函數(shù)設(shè)計(jì)與訓(xùn)練過(guò)程。

在訓(xùn)練環(huán)節(jié)中，損失函數(shù)采用多項(xiàng)組合：一方面使用 L1 損失約束整體深度估計(jì)，另一方面引入感知損失（LPIPS）捕捉高頻細(xì)節(jié)，同時(shí)通過(guò)玻璃區(qū)域掩膜避免 LiDAR 無(wú)法穿透透明體帶來(lái)的監(jiān)督誤差。課程會(huì)演示如何在多路徑干擾場(chǎng)景下保持魯棒性，以及如何利用感知損失增強(qiáng)臺(tái)階、欄桿等復(fù)雜結(jié)構(gòu)的細(xì)節(jié)恢復(fù)。

進(jìn)階部分將介紹 PanoRadar 如何在下游任務(wù)中應(yīng)用深度學(xué)習(xí)模型。課程將展示如何在增強(qiáng)分辨率模型的輸出上附加表面法向預(yù)測(cè)頭、語(yǔ)義分割網(wǎng)絡(luò)和目標(biāo)檢測(cè)器，利用預(yù)訓(xùn)練 ResNet 與 FPN 結(jié)構(gòu)實(shí)現(xiàn)人和物體的定位與分類。學(xué)生將動(dòng)手實(shí)現(xiàn)這一流程，并通過(guò)跨建筑物數(shù)據(jù)集的訓(xùn)練與測(cè)試，體會(huì)模型的泛化能力。為突出 RF 學(xué)習(xí)的獨(dú)特性，課程還將演示“全景學(xué)習(xí)”的實(shí)現(xiàn)方法，即通過(guò)循環(huán)填充和邊界跨越 IoU 計(jì)算來(lái)提升全景圖像的檢測(cè)效果。

最終，學(xué)生將掌握如何將射頻信號(hào)處理與深度學(xué)習(xí)模型有效結(jié)合，在實(shí)際移動(dòng)機(jī)器人平臺(tái)上進(jìn)行三維環(huán)境感知與視覺(jué)識(shí)別實(shí)驗(yàn)。本課程不僅強(qiáng)調(diào)理論分析，還通過(guò)實(shí)操與代碼演練，培養(yǎng)學(xué)員將信號(hào)處理、計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)有機(jī)結(jié)合的能力。

圖1射頻圖像和PanoRadar的圖像識(shí)別對(duì)比

第二天

第二天上午

基于深度學(xué)習(xí)的寬帶頻譜實(shí)時(shí)感知(實(shí)操+代碼)

本課程圍繞 DeepSense 框架展開(kāi)，它是一種結(jié)合仿真信號(hào)與深度學(xué)習(xí)的寬帶頻譜感知方法，能夠在亞 6 GHz 頻段實(shí)現(xiàn)低延遲的頻譜洞檢測(cè)。不同于原始版本中依賴 USRP、FPGA、SDR 等硬件，本版本完全通過(guò) MATLAB 信號(hào)構(gòu)造與 Python 深度學(xué)習(xí)建模來(lái)實(shí)現(xiàn)核心實(shí)驗(yàn)流程，從而在無(wú)硬件條件下依然能夠完成完整的感知建模與性能對(duì)比。

教學(xué)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(cè)與壓縮感知等方法難以滿足實(shí)時(shí)性與高精度要求。在本版本中，原本通過(guò) GNU Radio 與 USRP 采集的真實(shí) WiFi/LTE 信號(hào)，替換為 MATLAB 生成的 LTE、WiFi、OFDM 等標(biāo)準(zhǔn)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(yīng)的 I/Q 樣本數(shù)據(jù)集。學(xué)生將學(xué)習(xí)如何使用 MATLAB 工具箱快速生成不同 SNR 條件下的訓(xùn)練集、驗(yàn)證集與測(cè)試集，這一部分替代了硬件信號(hào)獲取過(guò)程。

在深度學(xué)習(xí)部分，課程重點(diǎn)講解 DeepSense 所采用的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。學(xué)生將構(gòu)建輕量化的一維多標(biāo)簽 CNN，以 I/Q 樣本作為輸入，對(duì)各子頻段的占用情況進(jìn)行預(yù)測(cè)。訓(xùn)練環(huán)節(jié)采用交叉熵?fù)p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(yàn)證。學(xué)生將在實(shí)驗(yàn)中對(duì)比 CNN 與能量檢測(cè)器的性能，觀察二者在低信噪比條件下的差異，從而體會(huì)深度學(xué)習(xí)方法在復(fù)雜環(huán)境中的優(yōu)勢(shì)。原版課程中 FPGA 部署與 SDR 動(dòng)態(tài)發(fā)射的實(shí)測(cè)演示在此被替換為 MATLAB 統(tǒng)計(jì)推理延遲與性能曲線的近似模擬，從而達(dá)到展示實(shí)時(shí)性要求與感知效果的目的。

在結(jié)果分析中，學(xué)生將通過(guò)混淆矩陣、ROC 曲線以及 SNR-準(zhǔn)確率曲線對(duì)模型性能進(jìn)行系統(tǒng)評(píng)估，并比較 CNN 與傳統(tǒng)檢測(cè)器在不同信噪比條件下的表現(xiàn)。通過(guò)這一仿真流程，學(xué)生能夠完整體驗(yàn)從數(shù)據(jù)集構(gòu)建、模型訓(xùn)練到性能驗(yàn)證的全過(guò)程，而無(wú)需依賴任何物理射頻硬件。

最終，本純仿真版課程實(shí)現(xiàn)了基于深度學(xué)習(xí)的頻譜感知完整工作流，保留了 DeepSense 框架的核心思想。需要說(shuō)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(hào)生成，F(xiàn)PGA 部署替換為軟件延遲統(tǒng)計(jì)，SDR 動(dòng)態(tài)發(fā)射替換為仿真信號(hào)演示。這樣，學(xué)生即便在沒(méi)有硬件的條件下，也能夠掌握 CNN 在無(wú)線通信頻譜感知中的主要建模方法與性能優(yōu)勢(shì)。

最終，學(xué)生將掌握從數(shù)據(jù)采集、深度學(xué)習(xí)建模、訓(xùn)練與驗(yàn)證，到硬件部署和系統(tǒng)實(shí)測(cè)的完整流程，能夠獨(dú)立完成基于深度學(xué)習(xí)的實(shí)時(shí)頻譜感知實(shí)驗(yàn)。本課程不僅強(qiáng)調(diào)理論分析，還通過(guò)實(shí)操與代碼演練，培養(yǎng)學(xué)員將通信工程、硬件加速和深度學(xué)習(xí)有機(jī)結(jié)合的能力。

圖2工作流

圖3CNN結(jié)果對(duì)比

第二天下午

基于深度學(xué)習(xí)的自動(dòng)調(diào)制識(shí)別(實(shí)操+代碼)

本課程聚焦于自動(dòng)調(diào)制識(shí)別（AMR）的深度學(xué)習(xí)方法。AMR 是認(rèn)知無(wú)線電、頻譜感知、信號(hào)監(jiān)測(cè)和干擾識(shí)別中的核心環(huán)節(jié)，它能夠在缺乏先驗(yàn)信息的情況下自動(dòng)檢測(cè)接收信號(hào)的調(diào)制方式。

教學(xué)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(fù)雜信道環(huán)境下的性能與復(fù)雜度瓶頸。隨后課程進(jìn)入深度學(xué)習(xí)方法，強(qiáng)調(diào)其在高維特征提取與端到端建模方面的優(yōu)勢(shì)。學(xué)生將學(xué)習(xí) DL-AMR 的基本流程：數(shù)據(jù)采集與預(yù)處理、特征提取、調(diào)制分類，并通過(guò) Python 實(shí)驗(yàn)對(duì)比不同神經(jīng)網(wǎng)絡(luò)架構(gòu)的效果。

在模型部分，課程詳細(xì)介紹多種深度學(xué)習(xí)架構(gòu)的應(yīng)用。首先是無(wú)監(jiān)督模型，如稀疏自編碼器與深度置信網(wǎng)絡(luò)，用于從模糊特征中自學(xué)習(xí)表示；然后是 DNN 模型，通過(guò)統(tǒng)計(jì)特征和高階累積量實(shí)現(xiàn)調(diào)制分類；接著是 CNN 模型，重點(diǎn)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(shí)別率。課程還將介紹輕量化 CNN 的設(shè)計(jì)方法，例如采用不對(duì)稱卷積核與通道注意力機(jī)制，以滿足 5G/B5G 的低時(shí)延要求。最后是 RNN 模型，學(xué)生將動(dòng)手實(shí)現(xiàn) GRU 與 LSTM 網(wǎng)絡(luò)，理解其在捕捉時(shí)間序列相關(guān)性方面的優(yōu)勢(shì)，并進(jìn)一步探索 CNN 與 RNN 的混合模型（如 CLDNN），體會(huì)空間與時(shí)間特征融合帶來(lái)的性能提升。

課程將配套講解主流 AMR 開(kāi)放數(shù)據(jù)集，包括 RadioML2016.10a/10b、RadioML2018.01a 和 HisarMod2019.1 等，并結(jié)合實(shí)際實(shí)驗(yàn)對(duì)比 14 種典型 DL-AMR 模型的識(shí)別率、復(fù)雜度與收斂特性。學(xué)生將學(xué)習(xí)如何在不同信噪比條件下訓(xùn)練與評(píng)估模型，理解混淆矩陣中的典型錯(cuò)誤模式（如 16QAM 與 64QAM 的混淆），并掌握改進(jìn)方法。進(jìn)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(xué)習(xí)的 DL-AMR 方法，展示如何通過(guò)預(yù)編碼與信道均衡在多天線條件下實(shí)現(xiàn)調(diào)制識(shí)別。

在前沿方向部分，課程將探討生成對(duì)抗網(wǎng)絡(luò)（GAN）、注意力機(jī)制與 Transformer 在 AMR 中的潛力，說(shuō)明如何通過(guò)數(shù)據(jù)增強(qiáng)、特征選擇與跨模態(tài)融合提升模型的泛化與可解釋性。學(xué)生還將學(xué)習(xí)模型壓縮與知識(shí)蒸餾方法，以實(shí)現(xiàn)低復(fù)雜度、低功耗的嵌入式部署，滿足物聯(lián)網(wǎng)與 6G 網(wǎng)絡(luò)的需求。

通過(guò)本課程，學(xué)生將全面掌握自動(dòng)調(diào)制識(shí)別的深度學(xué)習(xí)方法，能夠完成從數(shù)據(jù)集準(zhǔn)備、模型構(gòu)建、實(shí)驗(yàn)對(duì)比到系統(tǒng)優(yōu)化的完整實(shí)踐流程，并為未來(lái)在無(wú)線通信與智能感知中的研究與應(yīng)用奠定基礎(chǔ)。

圖4流程圖對(duì)比

第三天

第三天上午

多通道時(shí)空深度學(xué)習(xí)框架在自動(dòng)調(diào)制識(shí)別中的應(yīng)用(實(shí)操+代碼)

本課程介紹自動(dòng)調(diào)制識(shí)別（AMR）的多通道時(shí)空學(xué)習(xí)方法，重點(diǎn)圍繞 MCLDNN 框架的設(shè)計(jì)與實(shí)驗(yàn)展開(kāi)。AMR 是信號(hào)檢測(cè)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(fù)雜信道環(huán)境中存在泛化性差、手工特征依賴強(qiáng)等問(wèn)題 。

教學(xué)首先回顧傳統(tǒng) AMR 的局限性，隨后引入深度學(xué)習(xí)方法在通信信號(hào)處理中的突破。學(xué)生將學(xué)習(xí) CNN、RNN 和 CLDNN 等經(jīng)典架構(gòu)在 AMR 中的應(yīng)用，并理解它們?cè)跁r(shí)序特征提取、空間特征建模上的優(yōu)缺點(diǎn)。課程特別強(qiáng)調(diào)多通道學(xué)習(xí)的直覺(jué)：通過(guò)分別輸入 I/Q 雙通道、I 通道和 Q 通道，可以捕捉互補(bǔ)特征，并與整體 I/Q 數(shù)據(jù)聯(lián)合建模，從而提升識(shí)別精度 。

在模型部分，課程詳細(xì)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(shí)序特征，最后通過(guò)全連接層實(shí)現(xiàn)分類。學(xué)生將在 Python 實(shí)驗(yàn)中搭建該網(wǎng)絡(luò)，并通過(guò)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(hào)特征。課程還將講解損失函數(shù)（交叉熵）、優(yōu)化方法（Adam）、學(xué)習(xí)率調(diào)整與 dropout 正則化等關(guān)鍵訓(xùn)練技巧 。

在實(shí)驗(yàn)部分，課程將采用公開(kāi)數(shù)據(jù)集 RadioML2016.10a 和 RadioML2016.10b，對(duì)比 MCLDNN 與多種 SoA 模型（如 CNN-IQ、LSTM2、CLDNN、GRU2 等）的性能。通過(guò)實(shí)驗(yàn)，學(xué)生將看到 MCLDNN 在 -4dB 以上 SNR 的識(shí)別率明顯優(yōu)于其他方法，尤其在 16-QAM 與 64-QAM 混淆問(wèn)題上表現(xiàn)更佳。課程還會(huì)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(chǎng)景下的改進(jìn)效果 。

在復(fù)雜度分析部分，課程將介紹如何通過(guò)參數(shù)量、收斂速度與訓(xùn)練時(shí)間評(píng)估模型效率，比較 MCLDNN 與其他模型在計(jì)算開(kāi)銷與精度之間的權(quán)衡。學(xué)生還將學(xué)習(xí)模型壓縮與特征冗余削減的方法，體會(huì)如何在保持性能的同時(shí)降低復(fù)雜度。

最終，學(xué)生將掌握如何利用時(shí)空多通道結(jié)構(gòu)提升調(diào)制識(shí)別精度，并具備獨(dú)立完成數(shù)據(jù)準(zhǔn)備、模型設(shè)計(jì)、訓(xùn)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(lái)在 5G/6G 網(wǎng)絡(luò)下的智能無(wú)線通信提供了可行方案。

圖5工作流

圖6不同深度學(xué)習(xí)方法的精度對(duì)比

第三天下午

高效卷積神經(jīng)網(wǎng)絡(luò)在自動(dòng)調(diào)制識(shí)別中的應(yīng)用（MCNet 框架）

本課程聚焦于自動(dòng)調(diào)制分類（AMC）的深度學(xué)習(xí)方法，重點(diǎn)介紹一種高效卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) MCNet。AMC 是認(rèn)知無(wú)線電和 5G 系統(tǒng)中的關(guān)鍵技術(shù)，能夠在多標(biāo)準(zhǔn)、多協(xié)議環(huán)境下識(shí)別接收信號(hào)的調(diào)制方式，實(shí)現(xiàn)高效頻譜管理。

教學(xué)首先回顧傳統(tǒng) AMC 方法的局限，包括基于似然的方法在計(jì)算復(fù)雜度上的瓶頸，以及基于人工特征方法在復(fù)雜調(diào)制和低信噪比下的性能不足。隨后引出深度學(xué)習(xí)在特征自動(dòng)提取與分類上的優(yōu)勢(shì)，特別是卷積神經(jīng)網(wǎng)絡(luò)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(luò)設(shè)計(jì)。學(xué)生將學(xué)習(xí)如何利用 非對(duì)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(guò)多路卷積流（3×1、1×3、1×1）捕捉不同方向上的信號(hào)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(guò) Python 實(shí)操，學(xué)生將搭建 MCNet，并在 DeepSig (RadioML 2018.01A) 數(shù)據(jù)集上進(jìn)行訓(xùn)練與測(cè)試。

實(shí)驗(yàn)部分將重點(diǎn)展示 MCNet 在 24 種調(diào)制方式下的分類結(jié)果。學(xué)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(shí)別精度表現(xiàn)。通過(guò)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(jìn)方法。此外，學(xué)生還將學(xué)習(xí)如何通過(guò)改變 M-block 的數(shù)量平衡精度與復(fù)雜度，觀察網(wǎng)絡(luò)深度對(duì)性能的影響。

在性能對(duì)比環(huán)節(jié)，課程將比較 MCNet 與 ResNet、VGG、CNN-AMC 等深度學(xué)習(xí)模型的效果。結(jié)果顯示，在 +10 dB SNR 下，MCNet 的識(shí)別準(zhǔn)確率比 VGG 高 23.7%，比 ResNet 高 12.4%，同時(shí)參數(shù)量減少約 40%–45%，推理時(shí)間也具備優(yōu)勢(shì)。通過(guò)實(shí)驗(yàn)，學(xué)生將體會(huì)到高效網(wǎng)絡(luò)架構(gòu)在移動(dòng)和邊緣計(jì)算平臺(tái)部署中的重要性。

課程最后將總結(jié) MCNet 的設(shè)計(jì)思想：通過(guò)非對(duì)稱卷積、殘差連接與輕量化架構(gòu)，在保證高精度的同時(shí)降低復(fù)雜度，為 5G 與未來(lái) 6G 系統(tǒng)的實(shí)時(shí)調(diào)制識(shí)別提供了實(shí)用方案。學(xué)生將掌握完整的 AMC 實(shí)踐流程，包括數(shù)據(jù)集使用、網(wǎng)絡(luò)搭建、模型優(yōu)化和性能分析，具備在復(fù)雜無(wú)線環(huán)境下應(yīng)用深度學(xué)習(xí)技術(shù)的能力。

圖7工作流

第四天

第四天上午

基于深度學(xué)習(xí)的射頻指紋識(shí)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(shí)別（RF Fingerprinting）的深度學(xué)習(xí)方法，探索如何通過(guò)硬件相關(guān)的微小射頻特征實(shí)現(xiàn)設(shè)備級(jí)別的身份識(shí)別。射頻指紋識(shí)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(hào)中形成無(wú)法偽造的獨(dú)特“簽名”，為物聯(lián)網(wǎng)和無(wú)線網(wǎng)絡(luò)提供輕量化、抗篡改的安全認(rèn)證機(jī)制 。

教學(xué)首先介紹 RF 指紋識(shí)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(wú)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(dòng)提取判別性特征、實(shí)現(xiàn)移位不變分類方面的優(yōu)勢(shì)。學(xué)生將學(xué)習(xí) CNN 在射頻指紋中的適配方法，包括時(shí)間序列建模和特征可視化。

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(gè)無(wú)線標(biāo)準(zhǔn)：其一是包含 5117 臺(tái)設(shè)備、采樣率 200 MS/s 的 WiFi 數(shù)據(jù)集；其二是包含 5000 臺(tái)設(shè)備、采樣率 100 MS/s 的 ADS-B 飛機(jī)廣播數(shù)據(jù)集。每個(gè)設(shè)備的多條傳輸信號(hào)形成總計(jì) 400GB 的數(shù)據(jù)集，為評(píng)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)。

在模型設(shè)計(jì)部分，課程對(duì)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(wèn)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(hào)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(shí)保留設(shè)備特有特征。

在實(shí)驗(yàn)部分，課程涵蓋多個(gè)關(guān)鍵任務(wù)：

可擴(kuò)展性任務(wù)：在 50–10,000 臺(tái)設(shè)備的不同規(guī)模下測(cè)試模型的分類能力；

多突發(fā)任務(wù)（Multiburst）：合并多個(gè)連續(xù)傳輸評(píng)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(duì)模型精度的影響；

信道變化任務(wù)：跨日期、室內(nèi)外場(chǎng)景比較模型在信道波動(dòng)下的性能；

SNR 任務(wù)：探討在不同信噪比訓(xùn)練/測(cè)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(chǎng)景下優(yōu)于 ResNet-50-1D，說(shuō)明“更深的網(wǎng)絡(luò)并不總是更好”；同時(shí)，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。

最終，課程總結(jié)深度學(xué)習(xí)在 RF 指紋識(shí)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(cè)試—結(jié)果分析 的完整流程，并理解在實(shí)際無(wú)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。

圖8CNN模型執(zhí)行步驟

圖9不同深度學(xué)習(xí)模型計(jì)算結(jié)果對(duì)比

第四天下午

基于深度學(xué)習(xí)的射頻信號(hào)檢測(cè)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(hào)檢測(cè)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(dòng)的下一代無(wú)線通信系統(tǒng)中的關(guān)鍵作用。與語(yǔ)音識(shí)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(hào)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(wú)線電和共享頻譜中的應(yīng)用。

教學(xué)首先回顧 AI/ML 在無(wú)線通信中的典型應(yīng)用場(chǎng)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(dòng)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(cè)和分類不同信號(hào)，保護(hù)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(xì)分析了三類主要數(shù)據(jù)來(lái)源：

現(xiàn)場(chǎng)測(cè)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(cè)試平臺(tái)：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(hào)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。

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(duì)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(guò)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(jià)值。

在應(yīng)用案例部分，課程選取 3.5 GHz 頻段雷達(dá)檢測(cè) 作為示例。學(xué)生將學(xué)習(xí)如何通過(guò)采集和模擬構(gòu)建一個(gè)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(duì)檢測(cè)器性能的影響。課程將演示如何通過(guò)對(duì)比不同分類器（如基于峰值分析和高階統(tǒng)計(jì)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(huì)導(dǎo)致模型評(píng)估結(jié)果失真。

最終，學(xué)生將掌握如何設(shè)計(jì)和管理面向深度學(xué)習(xí)的射頻信號(hào)數(shù)據(jù)集，理解數(shù)據(jù)來(lái)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(píng)估不同信號(hào)分類算法的性能。通過(guò)本課程，學(xué)員將具備推動(dòng)射頻數(shù)據(jù)集標(biāo)準(zhǔn)化和共享的能力，為未來(lái) 5G/6G 網(wǎng)絡(luò)中基于 AI 的頻譜管理提供支撐。

第五天

第五天上午

基于強(qiáng)化學(xué)習(xí)的認(rèn)知無(wú)線電測(cè)試平臺(tái)（RFRL Gym）(實(shí)操+代碼)

本課程介紹 RFRL Gym 框架，這是一個(gè)用于認(rèn)知無(wú)線電應(yīng)用的強(qiáng)化學(xué)習(xí)仿真平臺(tái)，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(wú)線設(shè)備數(shù)量的激增，射頻頻譜面臨嚴(yán)重?fù)砣透蓴_問(wèn)題，傳統(tǒng)方法如跳頻與擴(kuò)頻已無(wú)法適應(yīng)動(dòng)態(tài)頻譜環(huán)境，而認(rèn)知無(wú)線電結(jié)合強(qiáng)化學(xué)習(xí)被視為解決方案。

教學(xué)首先回顧認(rèn)知無(wú)線電的基本概念和動(dòng)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(cè)未來(lái)頻譜空洞、主動(dòng)規(guī)避干擾方面的獨(dú)特優(yōu)勢(shì)。學(xué)生將理解 Q-learning 等 RL 算法如何通過(guò)“狀態(tài)—?jiǎng)幼鳌?jiǎng)勵(lì)”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(guò)程。

在平臺(tái)部分，課程系統(tǒng)講解 RFRL Gym 的架構(gòu)。該平臺(tái)基于 OpenAI Gym API，支持與第三方 RL 庫(kù)（如 MushroomRL、Stable Baselines）無(wú)縫對(duì)接，便于算法快速部署。平臺(tái)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(duì)象和對(duì)抗者。學(xué)生將學(xué)習(xí)如何通過(guò) JSON 文件或圖形化界面（GUI）自定義場(chǎng)景，定義信道數(shù)、觀測(cè)模式、獎(jiǎng)勵(lì)函數(shù)與干擾策略。

在實(shí)驗(yàn)環(huán)節(jié)，課程通過(guò)四類代表性場(chǎng)景展示 RL 在頻譜管理中的效果：

單實(shí)體干擾場(chǎng)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(chǎng)景：演示非馬爾可夫性帶來(lái)的次優(yōu)收斂；

多實(shí)體 DSA 場(chǎng)景：展現(xiàn) RL 智能體如何同時(shí)規(guī)避多個(gè)信號(hào)實(shí)體，實(shí)現(xiàn)最優(yōu)頻譜接入；

敏捷實(shí)體場(chǎng)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(tái)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(guò)程，以及獎(jiǎng)勵(lì)隨時(shí)間的變化曲線。通過(guò)動(dòng)手實(shí)驗(yàn)，學(xué)生將加深對(duì)強(qiáng)化學(xué)習(xí)在動(dòng)態(tài)頻譜分配與抗干擾中的應(yīng)用理解。

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

最終，學(xué)生將掌握如何利用 RFRL Gym 搭建實(shí)驗(yàn)環(huán)境、設(shè)計(jì)頻譜接入與對(duì)抗任務(wù)，并實(shí)現(xiàn) RL 算法的訓(xùn)練與評(píng)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(lái)無(wú)線頻譜管理與智能電磁對(duì)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(dòng)的模擬與射頻電路設(shè)計(jì)——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(jì)方法 展開(kāi)，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(jì)的效率與精度。傳統(tǒng)電路設(shè)計(jì)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(guò)數(shù)據(jù)驅(qū)動(dòng)與模型驅(qū)動(dòng)兩方面結(jié)合，探索機(jī)器學(xué)習(xí)在電路自動(dòng)化設(shè)計(jì)中的應(yīng)用。

首先，課程介紹 AICircuit 數(shù)據(jù)集 的構(gòu)建過(guò)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(jí)聯(lián)放大器、兩級(jí)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(gè)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(guò) Cadence 仿真平臺(tái)進(jìn)行參數(shù)掃描，生成數(shù)十萬(wàn)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(jiān)實(shí)基礎(chǔ) 。

在方法部分，課程介紹基于 監(jiān)督學(xué)習(xí)的逆向設(shè)計(jì)流程。不同于傳統(tǒng)的參數(shù)優(yōu)化，本課程強(qiáng)調(diào)通過(guò)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(cè)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(duì)比它們?cè)诓煌娐奉愋蜕系谋憩F(xiàn)。

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(cè)能力，體會(huì)簡(jiǎn)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(lái)的挑戰(zhàn)，分析 Transformer 與 MLP 的優(yōu)劣；

系統(tǒng)級(jí)實(shí)驗(yàn)：在發(fā)射機(jī)與接收機(jī)電路上測(cè)試大數(shù)據(jù)集下的模型表現(xiàn)，展示數(shù)據(jù)規(guī)模對(duì)泛化能力的提升；

對(duì)比分析：通過(guò)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(chǎng)景。

結(jié)果顯示，簡(jiǎn)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(cè)挑戰(zhàn)，需要 Transformer 或 MLP 等深度模型才能較好刻畫(huà)。對(duì)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(cè)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。

課程最后總結(jié)：AI驅(qū)動(dòng)的電路設(shè)計(jì)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(jí)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(dòng) 5G/6G 等高頻射頻電路設(shè)計(jì)智能化的能力。

圖12不同模型誤差對(duì)比

代碼運(yùn)行環(huán)境要求

為保證課程中涉及的深度學(xué)習(xí)建模、數(shù)據(jù)集處理與電路仿真代碼能夠順利運(yùn)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(yùn)行 GNU Radio、Cadence 工具鏈）

macOS（可運(yùn)行大部分 Python 實(shí)驗(yàn)，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(chǔ)：至少 200 GB 可用空間（保存數(shù)據(jù)集、模型檢查點(diǎn)和仿真結(jié)果）

Python 與依賴

Python：3.8 / 3.9（推薦）

核心庫(kù)：

numpy / scipy / pandas（科學(xué)計(jì)算與數(shù)據(jù)處理）

matplotlib / seaborn（可視化）

scikit-learn（機(jī)器學(xué)習(xí)基礎(chǔ)算法）

torch ≥ 1.12 / tensorflow ≥ 2.8（深度學(xué)習(xí)框架，任選其一或同時(shí)安裝）

keras（高層深度學(xué)習(xí)接口）

h5py（數(shù)據(jù)存儲(chǔ)）

PyQt5（可視化 GUI，用于 RFRL Gym 實(shí)驗(yàn)）

射頻與信號(hào)處理相關(guān)庫(kù)

GNU Radio ≥ 3.8（數(shù)據(jù)集生成、信號(hào)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(jí) DSP 庫(kù)）

PySDR（Python 射頻信號(hào)處理工具包）

電路設(shè)計(jì)與仿真工具（部分實(shí)驗(yàn)需要）

Cadence Virtuoso（模擬/射頻電路設(shè)計(jì)，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(chǎng)建模任務(wù)）

環(huán)境管理工具

推薦使用 Anaconda / Miniconda 進(jìn)行 Python 環(huán)境管理：

AI賦能射頻老師

本課程授課教師來(lái)自 人工智能+射頻智能通信與電路設(shè)計(jì) 的頂尖研究團(tuán)隊(duì)，長(zhǎng)期致力于將機(jī)器學(xué)習(xí)方法與無(wú)線通信、模擬電路優(yōu)化相結(jié)合。團(tuán)隊(duì)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(shí)別方法、基于深度殘差網(wǎng)絡(luò)的射頻指紋識(shí)別模型、基于強(qiáng)化學(xué)習(xí)的動(dòng)態(tài)頻譜接入平臺(tái)（RFRL Gym）、基于監(jiān)督學(xué)習(xí)的電路設(shè)計(jì)預(yù)測(cè)框架；

在工程實(shí)踐方面，團(tuán)隊(duì)開(kāi)發(fā)的 AI輔助射頻電路自動(dòng)設(shè)計(jì)系統(tǒng) 已在毫米波雷達(dá)、物聯(lián)網(wǎng)與無(wú)線收發(fā)芯片設(shè)計(jì)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(dòng)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(hào)處理、頻譜共享和電路設(shè)計(jì)中的最新突破。課程將全面分享團(tuán)隊(duì)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(hào)處理與模擬電路設(shè)計(jì)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(jì)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(jì)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(jì)方法高度依賴人工經(jīng)驗(yàn)和仿真參數(shù)掃描，在面對(duì)復(fù)雜結(jié)構(gòu)、寬頻域需求或高維參數(shù)空間時(shí)效率低下。電磁仿真軟件提供了高精度全波求解能力，通過(guò)有限元法實(shí)現(xiàn)對(duì)復(fù)雜幾何、異質(zhì)材料、電磁邊界條件的精確建模，并通過(guò)吸收邊界層（PML）、頻域求解、端口激勵(lì)與遠(yuǎn)場(chǎng)計(jì)算等方法為工程設(shè)計(jì)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(shí)，計(jì)算成本急劇上升。近年來(lái)人工智能被引入電磁仿真與設(shè)計(jì)流程，作為加速仿真、實(shí)現(xiàn)代理建模與逆向設(shè)計(jì)的重要工具，使傳統(tǒng)“設(shè)計(jì)—仿真—調(diào)參”的流程過(guò)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(shì)。

課程概述

本課程圍繞“人工智能 + 電磁仿真 + 智能天線設(shè)計(jì)”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(jì)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(jì)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(guò)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(jì)算方法，同時(shí)融入工業(yè)級(jí)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(chǎng)特性分析以及高頻電磁場(chǎng)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(jì)中的嚴(yán)謹(jǐn)性與可操作性，最終實(shí)現(xiàn)電磁設(shè)計(jì)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(chǎng)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(guò)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(chǎng)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(jì)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(jì)與優(yōu)化大綱

第一天

Day 1-1 天線設(shè)計(jì)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(chǎng)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(guò)對(duì)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(guò)程，推導(dǎo)電磁波在均勻介質(zhì)中的傳播規(guī)律，介紹時(shí)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(kāi)口天線等基本輻射體的方向性、極化形式與遠(yuǎn)場(chǎng)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(shuō)明開(kāi)放電磁問(wèn)題數(shù)值解算所必須的邊界截?cái)嗖呗?，并關(guān)聯(lián)到COMSOL電磁波頻域模型中對(duì)輻射邊界處理與PML包絡(luò)的具體設(shè)置方法（參見(jiàn)COMSOL介電諧振天線模型中PML應(yīng)用示例）。通過(guò)此節(jié)課程，學(xué)生不僅掌握天線理論分析方法，同時(shí)初步認(rèn)識(shí)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.

Day 1-2 基于深度學(xué)習(xí)的反射超表面天線逆向設(shè)計(jì) —— 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(jì)為核心，系統(tǒng)講解如何利用深度學(xué)習(xí)實(shí)現(xiàn)從幾何參數(shù)到電磁特性的雙向預(yù)測(cè)與自動(dòng)化反演設(shè)計(jì)。課程首先回顧傳統(tǒng)超表面單元設(shè)計(jì)方法的瓶頸——依賴經(jīng)驗(yàn)選點(diǎn)與大量全波仿真導(dǎo)致的高計(jì)算代價(jià)與低通用性，進(jìn)而引出統(tǒng)計(jì)隨機(jī)數(shù)據(jù)篩選（Statistically Random Data Filtering, SRDF）方法作為突破口。該方法通過(guò)在仿真前基于幾何統(tǒng)計(jì)特征隨機(jī)選取0.01%候選樣本，僅用2400個(gè)單元完成原需數(shù)萬(wàn)次仿真的設(shè)計(jì)訓(xùn)練，在顯著降低計(jì)算成本的同時(shí)保持設(shè)計(jì)精度。

教學(xué)首先從“單元幾何離散化與特征提取”展開(kāi)，學(xué)生將學(xué)習(xí)如何將單元結(jié)構(gòu)劃分為細(xì)尺度像素化微單元（pico-cell），通過(guò)二進(jìn)制編碼矩陣表征導(dǎo)體與介質(zhì)分布，實(shí)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(dá)能力。通過(guò)最小化重建誤差與KL散度，網(wǎng)絡(luò)實(shí)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(jì)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(yīng)的關(guān)系。

課程第二部分重點(diǎn)講解“逆向設(shè)計(jì)算法”的實(shí)現(xiàn)原理。通過(guò)在潛空間中定義目標(biāo)相位分布，學(xué)生將學(xué)習(xí)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(duì)應(yīng)的單元幾何，實(shí)現(xiàn)從“期望相位”到“結(jié)構(gòu)生成”的端到端設(shè)計(jì)。課程中將對(duì)比傳統(tǒng)經(jīng)驗(yàn)選點(diǎn)法與SRDF方法在數(shù)據(jù)選擇前后仿真代價(jià)上的差異，理解數(shù)據(jù)多樣性對(duì)模型泛化能力的影響。同時(shí)，課程通過(guò)可視化工具（t-SNE嵌入）展示訓(xùn)練數(shù)據(jù)在潛空間中的分布，使學(xué)生能夠直觀理解模型如何在有限樣本間進(jìn)行插值與預(yù)測(cè)。

在實(shí)驗(yàn)環(huán)節(jié)，學(xué)生將使用Python和CST仿真平臺(tái)，完成從樣本生成、DCVAE訓(xùn)練、潛空間優(yōu)化到反射超表面重建的完整流程。通過(guò)案例驗(yàn)證——分別設(shè)計(jì)在30°與60°偏軸方向形成主波束的反射超表面，學(xué)生將觀察預(yù)測(cè)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(lái)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(dòng)方法在天線設(shè)計(jì)中的工程意義：如何在仿真前主動(dòng)篩選數(shù)據(jù)以降低成本、如何通過(guò)生成模型實(shí)現(xiàn)快速結(jié)構(gòu)反演，以及深度學(xué)習(xí)在超表面天線設(shè)計(jì)自動(dòng)化中的未來(lái)趨勢(shì)（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(dǎo)學(xué)生理解深度學(xué)習(xí)在復(fù)雜電磁設(shè)計(jì)任務(wù)中的創(chuàng)新路徑，為后續(xù)“AI驅(qū)動(dòng)的自適應(yīng)陣列優(yōu)化與多頻帶超表面設(shè)計(jì)”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(jì)隨機(jī)數(shù)據(jù)過(guò)濾方法篩選的單元胞在10 GHz頻段的統(tǒng)計(jì)相位分布。(C)深度卷積變分自編碼器（DCVAE）網(wǎng)絡(luò)架構(gòu)，包含變分自編碼器（VAE）和多層感知網(wǎng)絡(luò)。(D)LMSE算法對(duì)不同z維度的影響效果。(E)通過(guò)DCVAE網(wǎng)絡(luò)從訓(xùn)練數(shù)據(jù)映射得到的低維空間。

第二天：

Day 2-1 深度學(xué)習(xí)驅(qū)動(dòng)的低剖面寬帶天線能效設(shè)計(jì)

本課程聚焦于人工智能在低剖面寬帶微帶天線設(shè)計(jì)中的應(yīng)用，講解如何通過(guò)深度學(xué)習(xí)實(shí)現(xiàn)能效最優(yōu)、快速預(yù)測(cè)與自動(dòng)化設(shè)計(jì)。課程首先分析傳統(tǒng)天線設(shè)計(jì)中大量重復(fù)仿真帶來(lái)的能耗問(wèn)題，介紹深度學(xué)習(xí)在結(jié)構(gòu)—性能雙向預(yù)測(cè)中的潛力。

隨后課程系統(tǒng)講解兩步式設(shè)計(jì)框架：特征提取與網(wǎng)絡(luò)訓(xùn)練。學(xué)生將學(xué)習(xí)如何通過(guò)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(shí)顯著減少樣本量與訓(xùn)練成本。課程講解基于多層感知機(jī)網(wǎng)絡(luò)（MLP-DL）的映射建模過(guò)程，實(shí)現(xiàn)從幾何參數(shù)到反射損耗（|S11|）與增益（G）的快速預(yù)測(cè)，并通過(guò)均方誤差（MSE）指標(biāo)評(píng)估模型精度。

在實(shí)驗(yàn)部分，學(xué)生將使用訓(xùn)練好的網(wǎng)絡(luò)完成小樣本驅(qū)動(dòng)的大規(guī)模數(shù)據(jù)擴(kuò)展（如400萬(wàn)樣本生成），并利用模型進(jìn)行多頻段天線自動(dòng)設(shè)計(jì)（2.4 GHz Wi-Fi、2.6 GHz 與 3.3 GHz 5G 頻段）。通過(guò)仿真與測(cè)量對(duì)比，驗(yàn)證深度學(xué)習(xí)設(shè)計(jì)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(xué)習(xí)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(dòng)設(shè)計(jì)。通過(guò)本模塊學(xué)習(xí)，學(xué)生將掌握：

天線幾何特征提取與參數(shù)降維方法；

深度學(xué)習(xí)在結(jié)構(gòu)—性能映射中的應(yīng)用；

小樣本驅(qū)動(dòng)的大規(guī)模設(shè)計(jì)數(shù)據(jù)生成技術(shù)；

AI賦能的能效設(shè)計(jì)理念與驗(yàn)證流程。

圖 2 圖2.MLP-DL網(wǎng)絡(luò)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(cè)試數(shù)據(jù)集中隨機(jī)選取的天線在1.5-3.5GHz頻段的S11參數(shù)仿真曲線與預(yù)測(cè)曲線；(b)從測(cè)試數(shù)據(jù)集中隨機(jī)選取的100個(gè)天線在2.45 GHz頻段的增益仿真曲線與預(yù)測(cè)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(xué)習(xí)的電磁結(jié)構(gòu)全局逆向設(shè)計(jì) —— 從目標(biāo)譜到結(jié)構(gòu)生成

本課程介紹如何利用生成式深度學(xué)習(xí)（Generative Deep Learning）方法實(shí)現(xiàn)電磁結(jié)構(gòu)的全局逆向設(shè)計(jì)（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(shí)現(xiàn)自動(dòng)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(duì)抗網(wǎng)絡(luò)（cDCGAN）方法為核心案例，講解AI如何結(jié)合全波電磁仿真，實(shí)現(xiàn)跨結(jié)構(gòu)類別的自由形態(tài)設(shè)計(jì)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(jì)挑戰(zhàn)，指出由于材料色散、幾何自由度高和耦合機(jī)制復(fù)雜，傳統(tǒng)基于FDTD/FEM的優(yōu)化方法在高維設(shè)計(jì)空間中易陷入局部最優(yōu)，難以進(jìn)行大規(guī)模搜索。論文中提出的全局逆設(shè)計(jì)框架通過(guò)深度學(xué)習(xí)直接建立“目標(biāo)光譜 → 材料+結(jié)構(gòu)”映射，實(shí)現(xiàn)了對(duì)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(dòng)生成設(shè)計(jì)，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(diǎn)講解論文中的創(chuàng)新編碼策略：通過(guò)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(shí)編碼進(jìn)三通道彩色圖像，實(shí)現(xiàn)對(duì)幾何+材料雙空間設(shè)計(jì)參數(shù)的統(tǒng)一學(xué)習(xí). 隨后基于FDTD仿真生成包含20,000個(gè)訓(xùn)練樣本的數(shù)據(jù)集，用軟件完成吸收譜計(jì)算作為學(xué)習(xí)目標(biāo)（光譜向量長(zhǎng)度800點(diǎn)）用于監(jiān)督訓(xùn)練.

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

實(shí)驗(yàn)環(huán)節(jié)將帶領(lǐng)學(xué)生復(fù)現(xiàn)實(shí)驗(yàn)流程：

使用Python構(gòu)建cDCGAN模型（PyTorch）

復(fù)現(xiàn)幾何/材料RGB編碼

調(diào)用FDTD模擬生成訓(xùn)練數(shù)據(jù)

實(shí)現(xiàn)譜到結(jié)構(gòu)的逆向生成

用EM仿真驗(yàn)證設(shè)計(jì)的光譜精度

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

通過(guò)本節(jié)課程學(xué)習(xí)，學(xué)生將理解生成式AI如何與FDTD電磁仿真融合，實(shí)現(xiàn)復(fù)雜電磁結(jié)構(gòu)的可學(xué)習(xí)優(yōu)化路徑，為實(shí)現(xiàn)自主結(jié)構(gòu)生成與多目標(biāo)工程設(shè)計(jì)奠定基礎(chǔ)。

圖 3 cDCGAN訓(xùn)練設(shè)計(jì)流程。

第三天：

Day 3-1 物理驅(qū)動(dòng)下的電磁場(chǎng)快速預(yù)測(cè) —— 基于Transformer與圖神經(jīng)網(wǎng)絡(luò)的FDTD動(dòng)態(tài)建模

本課程聚焦人工智能在電磁場(chǎng)數(shù)值仿真加速中的應(yīng)用，重點(diǎn)介紹如何利用Transformer與圖神經(jīng)網(wǎng)絡(luò)（GNN）構(gòu)建電磁傳播動(dòng)態(tài)的物理代理模型（Physics-informed Surrogates），實(shí)現(xiàn)時(shí)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(shí)間步推進(jìn)過(guò)程，實(shí)現(xiàn)14×計(jì)算加速的同時(shí)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(jì)算挑戰(zhàn)。通過(guò)Yee網(wǎng)格與時(shí)間推進(jìn)公式的講解，說(shuō)明傳統(tǒng)FDTD在處理復(fù)雜散射問(wèn)題時(shí)的計(jì)算瓶頸，并引出通過(guò)機(jī)器學(xué)習(xí)進(jìn)行時(shí)間演化預(yù)測(cè)的必要性。論文中將FDTD場(chǎng)序列類比為“物理視頻序列”，即將每一時(shí)刻的Ex、Ey、Hz場(chǎng)優(yōu)化為三通道張量用于學(xué)習(xí)，實(shí)現(xiàn)電磁問(wèn)題向AI時(shí)序?qū)W習(xí)問(wèn)題的形式轉(zhuǎn)化.

課程重點(diǎn)解析兩種AI模型架構(gòu)：

Transformer代理模型：通過(guò)自注意力機(jī)制學(xué)習(xí)電磁場(chǎng)的時(shí)空依賴關(guān)系，實(shí)現(xiàn)波前傳播預(yù)測(cè)與場(chǎng)動(dòng)態(tài)外推。該模型無(wú)需卷積操作即可捕捉長(zhǎng)程物理關(guān)聯(lián)，訓(xùn)練后可連續(xù)預(yù)測(cè)多個(gè)時(shí)間步，實(shí)現(xiàn)14×速度提升（相較MEEP仿真）.

圖神經(jīng)網(wǎng)絡(luò)（GNN）代理模型：通過(guò)將Yee網(wǎng)格視作圖結(jié)構(gòu)，節(jié)點(diǎn)表示網(wǎng)格單元、邊表示耦合關(guān)系，實(shí)現(xiàn)基于拓?fù)涞膱?chǎng)傳播建模雖然僅適合一步預(yù)測(cè)，但訓(xùn)練效率高且物理結(jié)構(gòu)清晰。

在實(shí)驗(yàn)部分，學(xué)生將學(xué)習(xí)論文數(shù)據(jù)構(gòu)建策略，包括：

使用自編FDTD求解器生成訓(xùn)練數(shù)據(jù)（隨機(jī)PEC散射場(chǎng)場(chǎng)景）；

采用連續(xù)預(yù)測(cè)模式（Continuous Prediction）評(píng)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(guò)示例展示精度與速度權(quán)衡。通過(guò)實(shí)驗(yàn)，學(xué)生將掌握基于AI的時(shí)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(xué)習(xí)型求解器，并為后續(xù)課程（Day 5：AI驅(qū)動(dòng)的全自主仿真系統(tǒng)、智能電磁設(shè)計(jì)工作流）打下基礎(chǔ).

圖 4 卷積圖神經(jīng)網(wǎng)絡(luò)架構(gòu)

Day 3-2 深度強(qiáng)化學(xué)習(xí)在可重構(gòu)智能表面（RIS）天線系統(tǒng)設(shè)計(jì)中的應(yīng)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(qiáng)化學(xué)習(xí)（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(shuō)明其通過(guò)可編程超材料實(shí)現(xiàn)對(duì)電磁波相位與幅度的精確調(diào)控，從而在無(wú)射頻鏈路條件下實(shí)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(jiǎn)單、能耗低、易集成的優(yōu)勢(shì)，為6G智能無(wú)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(hào)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(wèn)題。學(xué)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(wèn)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(shí)時(shí)應(yīng)用中難以高效收斂，因此課程引入基于深度強(qiáng)化學(xué)習(xí)的端到端智能優(yōu)化框架。

課程重點(diǎn)介紹基于深度確定性策略梯度（DDPG）的算法機(jī)制，闡述AI智能體如何通過(guò)“狀態(tài)—?jiǎng)幼鳌?jiǎng)勵(lì)”的閉環(huán)交互學(xué)習(xí)最優(yōu)波束與相位分布。教學(xué)將結(jié)合網(wǎng)絡(luò)結(jié)構(gòu)解析，說(shuō)明Actor–Critic雙網(wǎng)絡(luò)架構(gòu)、經(jīng)驗(yàn)回放與梯度更新策略的設(shè)計(jì)原理。通過(guò)這一過(guò)程，學(xué)生將理解DRL如何在無(wú)顯式信道模型的情況下自主學(xué)習(xí)環(huán)境規(guī)律，實(shí)現(xiàn)從信道狀態(tài)到最優(yōu)控制策略的映射。

實(shí)驗(yàn)環(huán)節(jié)中，學(xué)生將使用Python與PyTorch搭建RIS–DRL仿真平臺(tái)，完成從信道生成、網(wǎng)絡(luò)訓(xùn)練到性能驗(yàn)證的全過(guò)程。通過(guò)對(duì)比DRL與傳統(tǒng)WMMSE、ZF算法的性能，學(xué)生將觀察AI算法在譜效率提升與計(jì)算復(fù)雜度降低方面的優(yōu)勢(shì)，并分析學(xué)習(xí)率、系統(tǒng)規(guī)模等參數(shù)對(duì)收斂性的影響。實(shí)驗(yàn)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(yīng)性。

課程最后總結(jié)DRL賦能RIS設(shè)計(jì)的工程價(jià)值與研究前景。通過(guò)將智能學(xué)習(xí)機(jī)制引入波束控制與相位優(yōu)化，天線系統(tǒng)能夠在復(fù)雜信道中實(shí)現(xiàn)自適應(yīng)、低延遲的動(dòng)態(tài)調(diào)優(yōu)，體現(xiàn)AI在未來(lái)6G智能無(wú)線通信中的關(guān)鍵作用。學(xué)生將在本課程中形成對(duì)AI驅(qū)動(dòng)天線設(shè)計(jì)的系統(tǒng)認(rèn)識(shí)，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(luò)在多參數(shù)天線設(shè)計(jì)建模中的應(yīng)用 —— 從幾何變量到性能映射

本課程圍繞人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network, ANN）在天線多參數(shù)建模中的應(yīng)用展開(kāi)，重點(diǎn)講解如何通過(guò)AI方法在復(fù)雜電磁系統(tǒng)中建立從幾何結(jié)構(gòu)到性能指標(biāo)的非線性映射模型，實(shí)現(xiàn)天線設(shè)計(jì)的快速預(yù)測(cè)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(shí)現(xiàn)方法。該模型通過(guò)引入三條獨(dú)立分支，分別預(yù)測(cè)S參數(shù)、增益與輻射方向圖，實(shí)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(luò)模型只能輸出單一性能指標(biāo)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(xùn)練階段和測(cè)試階段。在訓(xùn)練階段，通過(guò)矢量擬合（Vector Fitting）方法提取電磁仿真響應(yīng)的傳遞函數(shù)系數(shù)，并采用支持向量機(jī)（SVM）分類技術(shù)對(duì)不同幾何樣本按傳遞函數(shù)階次進(jìn)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(xùn)練對(duì)應(yīng)的ANN分支，使模型能夠準(zhǔn)確學(xué)習(xí)幾何變量與傳遞函數(shù)參數(shù)之間的非線性關(guān)系。測(cè)試階段中，輸入幾何變量經(jīng)SVM分類后被送入相應(yīng)的ANN分支，即可得到S參數(shù)、增益或輻射方向圖的預(yù)測(cè)結(jié)果。這種“分類+并行學(xué)習(xí)”的結(jié)構(gòu)有效解決了高維、多輸出天線性能預(yù)測(cè)的精度問(wèn)題

Day 4-2 機(jī)器學(xué)習(xí)驅(qū)動(dòng)的太赫茲（THz）天線設(shè)計(jì)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(jì)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(duì)天線性能提出的新要求出發(fā)，說(shuō)明THz頻段（1–3 THz）因其超高帶寬和低時(shí)延特性，已成為未來(lái)無(wú)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(jì)算量巨大、耗時(shí)長(zhǎng)，因此引入機(jī)器學(xué)習(xí)成為突破設(shè)計(jì)瓶頸的重要途徑。

課程首先介紹THz天線設(shè)計(jì)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(guò)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(jì)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(zhǎng)度L?與寬度W?）及工作頻率為輸入，回歸預(yù)測(cè)回波損耗作為輸出性能指標(biāo)。通過(guò)Python與Google Colab平臺(tái)訓(xùn)練四類回歸模型——KNN、決策樹(shù)、隨機(jī)森林與XGBoost——學(xué)生將理解不同算法在預(yù)測(cè)精度、收斂速度與泛化能力上的差異。教學(xué)同時(shí)分析性能指標(biāo)包括均方誤差（MSE）、平均絕對(duì)誤差（MAE）、R2擬合度及訓(xùn)練與預(yù)測(cè)時(shí)間等，幫助學(xué)生掌握模型評(píng)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(guò)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(cè)。通過(guò)對(duì)比仿真結(jié)果與預(yù)測(cè)曲線，學(xué)生可直觀觀察機(jī)器學(xué)習(xí)模型對(duì)天線回波損耗預(yù)測(cè)的準(zhǔn)確性與趨勢(shì)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(cè)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(cè)中的優(yōu)勢(shì)。

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(jì)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(dòng)識(shí)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(dòng)的設(shè)計(jì)流程。這種從仿真數(shù)據(jù)到性能預(yù)測(cè)的遷移，使AI成為未來(lái)天線工程的重要工具。學(xué)生將理解，AI技術(shù)正推動(dòng)天線設(shè)計(jì)從“基于物理模型”向“基于數(shù)據(jù)學(xué)習(xí)”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(jì)思路與實(shí)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(jì)算電磁學(xué)與天線設(shè)計(jì)工作流 —— 從仿真自動(dòng)化到設(shè)計(jì)生成

本課程講解人工智能在計(jì)算電磁學(xué)（Computational Electromagnetics, CEM）與天線設(shè)計(jì)流程中的系統(tǒng)化應(yīng)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(shí)現(xiàn)設(shè)計(jì)的智能化、自動(dòng)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(shuō)明AI不僅能加速求解器的迭代過(guò)程，更能在仿真數(shù)據(jù)中提取設(shè)計(jì)規(guī)律，為電磁系統(tǒng)的“自學(xué)習(xí)”設(shè)計(jì)提供技術(shù)支撐 。

課程首先回顧傳統(tǒng)計(jì)算電磁學(xué)的核心問(wèn)題——在復(fù)雜邊界條件與多尺度參數(shù)下，求解電磁場(chǎng)分布與散射特性需耗費(fèi)大量計(jì)算資源。學(xué)生將理解AI技術(shù)在CEM中的介入點(diǎn)：通過(guò)神經(jīng)網(wǎng)絡(luò)或代理模型（Surrogate Models）替代部分高代價(jià)仿真，實(shí)現(xiàn)從輸入幾何到輸出電磁響應(yīng)的快速預(yù)測(cè)。課程引入“AI–Solver耦合體系”的概念，即將深度學(xué)習(xí)模型嵌入CEM求解流程中，用于指導(dǎo)網(wǎng)格劃分、參數(shù)抽樣及收斂路徑預(yù)測(cè)。通過(guò)這種智能迭代策略，可顯著降低仿真收斂時(shí)間，并在高頻結(jié)構(gòu)計(jì)算中實(shí)現(xiàn)10倍以上的加速。

教學(xué)重點(diǎn)放在AI輔助天線設(shè)計(jì)的系統(tǒng)化工作流上。課程展示如何利用強(qiáng)化學(xué)習(xí)與生成模型在設(shè)計(jì)空間中主動(dòng)搜索，自動(dòng)生成滿足性能指標(biāo)的天線幾何結(jié)構(gòu)。結(jié)合論文中的AI工作流框圖（參見(jiàn)第3頁(yè)圖2），學(xué)生將理解設(shè)計(jì)任務(wù)如何通過(guò)“數(shù)據(jù)采集–特征編碼–性能評(píng)估–優(yōu)化更新”的閉環(huán)進(jìn)行。課程詳細(xì)講解生成式AI（Generative AI）在天線設(shè)計(jì)中的作用，如利用變分自編碼器（VAE）或生成對(duì)抗網(wǎng)絡(luò)（GAN）構(gòu)建幾何分布空間，實(shí)現(xiàn)天線拓?fù)涞淖詣?dòng)創(chuàng)新與性能導(dǎo)向優(yōu)化 。

在實(shí)驗(yàn)環(huán)節(jié)，學(xué)生將實(shí)踐基于AI的仿真自動(dòng)化流程：首先在HFSS或CST中生成樣本數(shù)據(jù)，再通過(guò)Python環(huán)境調(diào)用深度神經(jīng)網(wǎng)絡(luò)模型完成預(yù)測(cè)與設(shè)計(jì)生成。實(shí)驗(yàn)任務(wù)包括建立輸入幾何與S參數(shù)之間的映射模型，自動(dòng)調(diào)整天線尺寸以達(dá)到目標(biāo)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(guò)實(shí)際演示，學(xué)生將體會(huì)AI模型在仿真加速、結(jié)構(gòu)創(chuàng)新和多目標(biāo)權(quán)衡中的顯著優(yōu)勢(shì)。

課程最后總結(jié)AI在電磁仿真與天線設(shè)計(jì)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(jì)范式——從“仿真驅(qū)動(dòng)”轉(zhuǎn)向“數(shù)據(jù)驅(qū)動(dòng)”，從被動(dòng)優(yōu)化轉(zhuǎn)向主動(dòng)生成。課程指出，未來(lái)的智能天線設(shè)計(jì)將依托AI–CEM融合體系，實(shí)現(xiàn)模型自演化、自收斂與自優(yōu)化的閉環(huán)。通過(guò)本課程的學(xué)習(xí)，學(xué)生將掌握AI輔助設(shè)計(jì)的核心思路與實(shí)踐方法，為構(gòu)建高效、智能、可泛化的電磁設(shè)計(jì)平臺(tái)奠定基礎(chǔ)。

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

本節(jié)課程以物理約束神經(jīng)網(wǎng)絡(luò)（Physics-constrained Neural Network, PCNN）為核心案例，講授如何將深度學(xué)習(xí)引入麥克斯韋方程的求解過(guò)程，實(shí)現(xiàn)對(duì)電磁場(chǎng)分布的快速建模與結(jié)構(gòu)化預(yù)測(cè)。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(shí)域推進(jìn)或矩陣分解，而是通過(guò)學(xué)習(xí)型算子構(gòu)建電磁場(chǎng)的近似映射關(guān)系，從而實(shí)現(xiàn)高速計(jì)算與端到端可學(xué)習(xí)推理。課程基于Scheinker等人的研究工作展開(kāi)，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(guò)生成向量勢(shì)A(r,t)和標(biāo)量勢(shì)?(r,t)來(lái)重構(gòu)電磁場(chǎng)，使重建的磁場(chǎng)嚴(yán)格滿足無(wú)散約束??B=0，同時(shí)通過(guò)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(xué)習(xí)模型對(duì)電磁規(guī)律的表達(dá)能力.

課程首先回顧麥克斯韋方程組與電磁勢(shì)函數(shù)描述形式，指出在電磁場(chǎng)神經(jīng)建模中直接預(yù)測(cè)電場(chǎng)和磁場(chǎng)往往難以內(nèi)嵌物理規(guī)律，而PCNN通過(guò)先學(xué)習(xí)向量勢(shì)再通過(guò)B=?×A構(gòu)造磁場(chǎng)，實(shí)現(xiàn)對(duì)物理規(guī)律的硬約束嵌入。課堂對(duì)比了三種學(xué)習(xí)范式：普通神經(jīng)網(wǎng)絡(luò)僅做數(shù)據(jù)擬合、PINN通過(guò)損失函數(shù)引入軟物理約束、PCNN通過(guò)網(wǎng)絡(luò)結(jié)構(gòu)直接內(nèi)嵌方程形式實(shí)現(xiàn)硬約束。該對(duì)比在論文圖1中清晰展示了三種方法的差異，并說(shuō)明PCNN在物理一致性與泛化能力上的優(yōu)勢(shì).

隨后課程分析PCNN的網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn)。論文采用三維卷積自編碼架構(gòu)對(duì)128×128×128體素?cái)?shù)據(jù)進(jìn)行物理場(chǎng)建模，其中輸入為電流密度J(r,t)，輸出為向量勢(shì)A(r,t)，并通過(guò)自定義不可訓(xùn)練的差分卷積算子計(jì)算旋度操作實(shí)現(xiàn)?×A，整個(gè)過(guò)程保持了自動(dòng)可微與GPU優(yōu)化能力（圖3網(wǎng)絡(luò)結(jié)構(gòu)示意）。通過(guò)該方式，模型避免了PINN需要反復(fù)計(jì)算殘差項(xiàng)的訓(xùn)練開(kāi)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(kuò)展性 。

實(shí)驗(yàn)部分課程將復(fù)現(xiàn)實(shí)驗(yàn)結(jié)果，理解PCNN如何在高維電磁場(chǎng)數(shù)據(jù)中保持物理場(chǎng)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(guò)損失函數(shù)調(diào)整權(quán)重以平衡精度和物理約束，PCNN在測(cè)試集中展現(xiàn)出更低的散度誤差和更好的長(zhǎng)時(shí)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(cè)試中表現(xiàn)出優(yōu)越的穩(wěn)健性，即使輸入分布超出訓(xùn)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(chǎng)重建結(jié)果.

本節(jié)課程通過(guò)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(guò)與電磁物理定律融合發(fā)展為“新型可學(xué)習(xí)電磁求解器”。學(xué)生將理解物理約束學(xué)習(xí)的關(guān)鍵思想、掌握PCNN與PINN在電磁問(wèn)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(luò)方法，用于根據(jù)電流密度J生成磁場(chǎng)B

AI助力電磁天線設(shè)計(jì)與優(yōu)化老師

本課程由來(lái)自國(guó)內(nèi)頂尖高校電磁智能設(shè)計(jì)實(shí)驗(yàn)室的教師主講，長(zhǎng)期從事人工智能與計(jì)算電磁學(xué)的交叉研究，研究方向涵蓋AI驅(qū)動(dòng)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(guó)際頂級(jí)期刊與會(huì)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(guó)際會(huì)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(guó)家重點(diǎn)研發(fā)計(jì)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(jì)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(jì)中的創(chuàng)新潛力與應(yīng)用前景。

授課時(shí)間

AI助力電磁天線設(shè)計(jì)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(huì)議 線上授課（共五天授課時(shí)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(huì)議 線上授課（共五天授課時(shí)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(jì)與優(yōu)化

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

優(yōu)惠政策

優(yōu)惠一: 兩門(mén)同報(bào)9080元

優(yōu)惠二:提前報(bào)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(bào)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(bào)名福利：

報(bào)名即可贈(zèng)送往期課程回放專題（任選一門(mén)包含全程回放和完整代碼案例等資料）

（內(nèi)容詳情可點(diǎn)擊上方課程名稱查看，多買(mǎi)多得）

報(bào)名費(fèi)用可開(kāi)具正規(guī)報(bào)銷發(fā)票及提供相關(guān)繳費(fèi)證明、邀請(qǐng)函，可提前開(kāi)具報(bào)銷發(fā)票、文件用于報(bào)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(duì)與培訓(xùn)課程內(nèi)容 進(jìn)行長(zhǎng)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(dòng)

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

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

通過(guò)小組討論和案例分享，學(xué)員將有機(jī)會(huì)交流經(jīng)驗(yàn)，獲得實(shí)時(shí)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(lái)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(guò)騰訊會(huì)議線上直播，從零基礎(chǔ)開(kāi)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(huì)發(fā)送給學(xué)員，附贈(zèng)安裝教程和指導(dǎo)安裝，培訓(xùn)采取開(kāi)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(duì)與培訓(xùn)內(nèi)容長(zhǎng)期解疑，培訓(xùn)群不解散，往期培訓(xùn)學(xué)員對(duì)于培訓(xùn)質(zhì)量和授課方式一致評(píng)價(jià)極高

課程咨詢報(bào)名聯(lián)系方式

聯(lián)系人：黃老師

報(bào)名咨詢電話｜15516685015（同微信）