真心建議做射頻天線的碩博士都把這篇文章學一遍！畢業就業贏麻了！

隨著 5G/6G 網絡、物聯網和智能感知技術的快速發展，射頻通信系統正面臨信道復雜、信號稠密、設計非線性、優化成本高等突出挑戰。傳統基于專家經驗的建模與電路設計方法，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域。從射頻數據集構建（GNU Radio、NIST、RadioML）、自動調制識別（CNN/CLDNN）、射頻指紋識別（RF Fingerprinting）、動態頻譜管理（強化學習Gym平臺）、AI驅動電路設計（AICircuit、監督學習基準），AI 已成為推動無線通信和電路設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，系統呈現從算法、數據到工程應用的完整知識鏈條。

課程一、AI賦能射頻技術

課程二、AI助力電磁天線設計與優化

課程一、AI賦能射頻技術

課程概述

本課程旨在為學員系統講解人工智能在模擬與射頻電路設計、頻譜感知、調制識別與信號處理等前沿領域的應用，結合深度學習、強化學習與監督學習等核心算法，幫助學員掌握 AI 驅動的射頻智能化設計與通信系統優化方法。課程內容涵蓋從數據集構建（RadioML、AICircuit 等）、深度學習模型（CNN、RNN、Transformer、FNO）、到應用案例（自動調制識別、射頻指紋識別、動態頻譜接入、智能電路參數預測）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、物聯網、毫米波雷達與模擬電路設計等場景。

課程目標

課程將培養學員掌握 AI 驅動射頻智能化研究的核心能力，主要目標包括：

1、系統掌握射頻領域的公開數據集構建與使用方法，包括 GNU Radio 合成數據集、RadioML 基準數據集、AICircuit 電路參數-性能數據集。

2、理解并能實現主流深度學習與機器學習方法在射頻中的應用：CNN/RNN 在自動調制識別、Transformer 在電路參數預測、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）完成從數據預處理、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 數據集與監督學習方法，實現模擬/射頻電路的智能化參數設計，能夠在發射機、接收機、LNA、VCO、PA 等電路中進行性能預測與優化。

最終，使學員具備從 數據集構建—算法建模—工程應用的全鏈條實戰能力，能夠將 AI 技術應用于射頻通信與電路設計的前沿研究與產業場景。

AI賦能射頻技術大綱

第一天 射頻學習數據生成與信號辨析實踐（代碼實踐+現場演練）

上午：開源平臺助力射頻學習數據生成與信號辨析實踐（代碼實踐+現場演練）

1. 前期準備（包括軟件安裝、環境配置、課程介紹等）

2. 機器學習神經網絡概念及其案例實操、射頻理論知識概述

3. 應用格局概述 開篇將審視射頻智能學習的應用格局，與圖像或音頻領域充裕的開源資源相比，射頻波形分析常因基準數據缺失而阻礙模型評估。借助GNU Radio，研究者可定制帶標簽的仿真數據集，融入實際信道動態，為辨析任務提供堅實支撐。

4. 數據集生成機制 數據集生成階段，學員將逐步拆解GNU Radio的構建機制：挑選源信號（如聲音或字符串輸入）、多樣調制模式（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、瑞利/萊斯衰減、AWGN噪聲），并以模塊拼裝方式輸出靈活數據集。同步解析數據清洗規范，例如將復數波形拆解為I/Q路徑，以匹配TensorFlow或Keras等平臺的輸入格式。

5. 神經網絡應用實操 重點實操轉向神經網絡應用，以調制辨析為標志性示例。學員導入RadioML基準庫（如RML2016.10a），采用二維卷積架構（CNN2）組裝辨析模塊，覆蓋迭代訓練、效果校驗及混淆圖譜解析。環節還將考察高/低信噪比下的辨析魯棒性，并對照手工特征工程與純數據驅動學習的效能差距。

6. 衍生挑戰擴展案例 進一步擴展至射頻處理的衍生挑戰，如：

波形精簡與稀疏建模：自適應編碼實現緊湊表示；

注意力層在波形優化：智能同步時域與信道均衡；

整體通信鏈路自適應：自編碼結構驅動的編碼-解碼協同；

強化機制下的頻譜探測與分配。

課程環節收尾 環節收尾突出數據集在射頻智能體系中的基石價值。學員將融合GNU Radio與Python工具組，迅捷產出合規數據集，并領悟迭代高難度基準數據的緊迫性，以驅動5G/6G及智慧無線生態的進步。

下午：毫米波雷達成像結合神經網絡的多源視覺解析應用（編程調試+效果展示）

1. 體系軸心介紹 這一模塊以PanoRadar體系為軸心，探究毫米波雷達成像與神經網絡的互補機制，在煙塵或昏暗條件下達成激光雷達般的三維場景重構，并賦能表面矢量推斷、語義拆分及目標追蹤等視覺解析流程。

2. 神經網絡模塊詳述 神經網絡模塊將細述跨域整合如何放大雷達成像的清晰度。學員利用LiDAR-雷達配對樣本編排訓練/校驗集，選用二維卷積網絡替代三維運算以精簡資源消耗。調試中，將解讀將雷達回波的徑向維度作為通道饋入的“2D仿真3D網絡”理念，并經Python腳本完成架構拼合、損失策略定制及循環優化。

3. 優化階段整合 優化階段整合復合損失框架：L1項鎖定整體深度一致，感知項（LPIPS）提煉微觀紋理，輔以玻璃區屏蔽規避LiDAR透視局限。展示將聚焦多徑回波干擾下的抗性，以及感知項對階梯或護欄等復雜輪廓的精細復原。

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

5. 學員將洞悉雷達波形與神經架構的聯動策略，在自主機器人載體上落地三維場景解析與視覺實驗。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、視覺計算及神經學習的交叉專長。

第二天 深度學習賦能射頻頻譜管理與信號調制智能解析

上午：神經網絡框架下的寬頻帶頻譜即時探測實驗（編程實操+演示驗證）

1. 背景與需求剖析 本環節將探討頻譜共享與探測的實際語境，闡明在WiFi與LTE等多協議并存的場景中，傳統能量掃描或壓縮采樣技術難以兼顧時效與精確度。本版本依托DeepSense架構，通過MATLAB信號合成與Python神經建模，模擬核心流程，實現無硬件依賴的完整探測對比實驗。

2. 信號數據集合成 數據合成階段，學員將運用MATLAB工具箱生成LTE、WiFi、OFDM等規范波形，疊加瑞利/萊斯衰減、采樣偏差及AWGN干擾，形成帶信道效應的I/Q樣本庫。涵蓋不同信噪比的訓練/驗證/測試集構建，此過程替代了GNU Radio或USRP的實地采集，確保高效標簽化與環境模擬。

3. 神經網絡架構構建 核心實操聚焦DeepSense的一維卷積網絡設計。學員將組裝輕量多標簽CNN，以I/Q序列為輸入，對子帶占用狀態進行預測。訓練采用交叉熵損失與Adam求解器，利用仿真樣本完成迭代與校驗。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-精度圖表系統審視模型表現。原硬件部署（如FPGA加速）轉為MATLAB延遲統計與曲線擬合演示，保留實時性檢驗的核心邏輯。學員將體會深度學習在多變環境下的優越性，而無需物理設備。

5. 工作流總結 環節尾聲強化純仿真路徑的價值：從MATLAB生成到Python建模的全鏈驗證DeepSense精髓。學員將掌握信號合成、神經訓練及效能權衡的端到端技能，為無線頻譜智能決策奠基。

下午：數據驅動的調制方案自動辨識技術實踐（代碼編碼+結果解讀）

1. 概念基礎與傳統局限 本模塊將概述自動調制辨識（AMR）在認知無線電、頻譜監測及干擾排查中的樞紐地位，剖析基于似然比或特征的經典方法在復雜信道下的計算負擔與適應短板。隨后轉向深度學習路徑，突出其在高維特征挖掘與一體化建模上的突破。

2. 模型架構多樣探索 模型環節詳解多類神經網絡的部署：從無監督自編碼器與深度信念網的表示學習，到DNN基于統計累積量的分類；再至CNN處理I/Q、星座或譜圖輸入的低噪魯棒設計，輕量變體融入不對稱核與注意力以適配5G低延時。學員將編碼GRU/LSTM的RNN序列捕捉，并融合CLDNN的時空混合，提升辨識精度。

3. 數據集與實驗對比 配套RadioML2016.10a/10b、2018.01a及HisarMod2019.1等開源庫，學員將訓練/測試14種DL-AMR變體，分析識別率、復雜度及收斂曲線。聚焦信噪比變異下的混淆模式（如16QAM與64QAM易錯），并探討數據增強與遷移學習在MIMO場景的擴展應用。

4. 前沿機制與優化策略 擴展至GAN數據擴充、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。學員將審視這些機制如何強化泛化，滿足IoT與6G的功耗約束。

學員將精煉AMR的全棧流程：從樣本準備到優化部署，構建無線智能解析的實戰基礎。本模塊藉編碼迭代與效能剖析，鑄就通信工程與神經計算的融合素養。

第三天 高級時空與高效卷積框架下的調制信號智能辨識

上午：多通道時空神經架構在調制辨識中的集成實驗（代碼實操+可視化分析）

1. 傳統方法短板審視 開端將重溫自動調制辨識（AMR）在信號檢測與解調間的橋梁角色，剖析基于似然或特征的常規策略在動態信道下的泛化弱點與人工依賴。隨即導入神經學習路徑，審視CNN、RNN及CLDNN在時序與空間捕捉上的互補潛力。

2. 多通道學習理念 核心概念聚焦多通道輸入的邏輯：分離I/Q雙軌、單I或Q通道以挖掘互補線索，并與復合I/Q饋入協同建模，提升辨識穩定性。學員將理解此設計如何放大特征多樣性，奠定MCLDNN框架的時空融合基調。

3. 架構設計與訓練技巧 模型構建詳解MCLDNN結構：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。學員經Python編碼搭建網絡，伴隨權重可視化與中間激活圖，洞察多尺度信號模式。同步講解交叉熵損失、Adam迭代、學習率衰減及dropout防過擬合的實戰配置。

4. 數據集對比與效能檢驗 實驗采用RadioML2016.10a/10b基準，對MCLDNN與SOTA變體（如CNN-IQ、LSTM2、CLDNN、GRU2）展開精度比拼。學員將觀察-4dB以上信噪比的優越表現，尤其在16-QAM/64-QAM混淆上的改進，并通過混淆矩陣剖析WBFM與AM-DSB的易錯機制。

5. 效率權衡與擴展 評估參數規模、收斂速率及時長等指標，比較MCLDNN在精度-開銷間的平衡。學員將習得壓縮與冗余裁剪技巧，確保高效部署。本環節鑄就時空多通道的辨識精進路徑，為5G/6G智能無線鋪路。

下午：輕量化卷積網絡在調制分類中的部署實踐（編程搭建+優化演示）

1. 經典路徑瓶頸總結 模塊伊始回顧自動調制分類（AMC）在認知無線電及5G頻譜調控中的核心價值，指出似然基或特征基方法的計算密集與低噪短板。轉向卷積神經優勢，強調其在多尺度空間表示與自動特征上的領先。

2. MCNet網絡創新解析 設計詳述MCNet的核心元素：非對稱核（3×1/1×3）取代3×3以瘦身參數、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定。學員將Python實現全網，并在RadioML2018.01A數據集上迭代訓練/校驗。

3. 分類結果與誤判剖析 實操檢驗24種調制（PSK、QAM、APSK、模擬型）的低/高階表現，通過混淆矩陣揭示128APSK/256QAM的高誤區，并探討M-block深度對復雜度的調控。學員將量化信噪比下的精度曲線，優化網絡層級以適配邊緣場景。

4. 基準模型效能對標 對比ResNet、VGG及CNN-AMC等架構，展示+10dB下MCNet的23.7% VGG提升與12.4% ResNet領先，同時參數縮減40%-45%、推理加速。通過可視化，學員體會輕量設計在移動平臺的部署價值。

5. 設計精髓與應用展望 收官提煉MCNet理念：非對稱+殘差+精簡架構的精度-效率折衷，為6G實時分類注入活力。學員將統攬數據集處理、網絡組裝、調優及評估的全鏈，賦能復雜無線環境的神經應用。

第四天 深度學習的射頻指紋識別與射頻信號檢測應用實踐

上午：基于深度學習的射頻指紋識別大規模實驗研究 (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的微小射頻特征實現設備級別的身份識別。

1．射頻指紋識別利用發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”，為物聯網和無線網絡提供輕量化、抗篡改的安全認證機制 。

2. 教學首先介紹 RF 指紋識別的基本原理與傳統方法，指出傳統特征提取往往依賴通信協議，難以適應快速演進的無線標準。隨后引入卷積神經網絡（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、實現移位不變分類方面的優勢。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。

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

4.在模型設計部分，課程對比了 兩類深度 CNN 架構：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，緩解深層網絡中的梯度消失問題。學生將親手實現這兩種模型，并比較其在不同數據預處理下的性能。特別地，課程強調 WiFi 信號中的 部分均衡（Partial Equalization） 技術，展示如何在去除信道影響的同時保留設備特有特征。

5.在實驗部分，課程涵蓋多個關鍵任務：

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

多突發任務（Multiburst）：合并多個連續傳輸評估魯棒性；

訓練集規模任務：分析訓練樣本數量對模型精度的影響；

信道變化任務：跨日期、室內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。

實驗結果表明，基線 CNN 在部分場景下優于 ResNet-50-1D，說明“更深的網絡并不總是更好”；同時，數據增強（如在低 SNR 條件下訓練）能有效提升模型在噪聲環境中的魯棒性。

課程總結深度學習在 RF 指紋識別中的應用前景，強調其在大規模 IoT 安全認證中的實用性。學生將掌握從 數據預處理—模型構建—性能測試—結果分析 的完整流程，并理解在實際無線通信環境中部署深度學習模型所面臨的挑戰與機遇。

下午：基于深度學習的射頻信號檢測與分類的參考數據集構建 (實操+代碼)

本課程介紹射頻信號檢測與分類的參考數據集建設方法，強調其在人工智能與深度學習驅動的下一代無線通信系統中的關鍵作用。與語音識別、圖像分類等領域已有成熟公共數據集不同，射頻信號領域缺乏統一標準和大規模基準數據，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。

1．教學首先回顧 AI/ML 在無線通信中的典型應用場景，包括 5G 系統中的天線配置、波束賦形、自適應 MIMO 優化、以及共享頻譜中的動態接入管理。課程將強調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，保護優先用戶并高效利用頻譜資源。

2. 在數據構建部分，課程詳細分析了三類主要數據來源：

現場測量數據：最接近真實環境，但標簽難以獲取，受噪聲和干擾影響大；

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

仿真數據：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據的匹配度。

3.課程將介紹 NIST 提出的 RF 數據集構建原則，包括 目標導向（針對具體頻段與應用）、可追溯性（遵循 FAIR 數據管理原則）、精心策劃（涵蓋不同設備、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據、信道信息和設備特性，以確保數據的科學價值。

4.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建一個適用于 CBRS 頻段共享的雷達波形數據集，并分析商業 LTE 發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計特征的方法），揭示數據集中必須包含干擾樣本的重要性，否則會導致模型評估結果失真。

5.學生將掌握如何設計和管理面向深度學習的射頻信號數據集，理解數據來源、標簽策略與可復現性的重要性，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據集標準化和共享的能力，為未來 5G/6G 網絡中基于 AI 的頻譜管理提供支撐。

第五天 強化學習的認知無線電與AI驅動的模擬射頻電路設計應用實踐

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境。隨著無線設備數量的激增，射頻頻譜面臨嚴重擁塞和干擾問題，傳統方法如跳頻與擴頻已無法適應動態頻譜環境，而認知無線電結合強化學習被視為解決方案。

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

2.在平臺部分，課程系統講解 RFRL Gym 的架構。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），如恒定發射器、隨機跳頻器、敏捷跳頻器和干擾器，用于模擬真實環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、觀測模式、獎勵函數與干擾策略。

3.在實驗環節，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收斂；

多實體 DSA 場景：展現 RL 智能體如何同時規避多個信號實體，實現最優頻譜接入；

敏捷實體場景：揭示 RL 在非平穩環境下的不足，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頻譜分配與抗干擾中的應用理解。

3.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 聯動、真實射頻硬件對接、以及 GUI 的全流程集成。

4.學生將掌握如何利用 RFRL Gym 搭建實驗環境、設計頻譜接入與對抗任務，并實現 RL 算法的訓練與評估。本課程不僅培養學生在通信系統中的 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。

下午：AI驅動的模擬與射頻電路設計——數據集與監督學習方法(實操+代碼)

本課程圍繞 AICircuit 數據集 和 基于監督學習的電路設計方法 展開，系統介紹如何利用人工智能技術提升模擬與射頻電路設計的效率與精度。傳統電路設計依賴專家經驗與參數遍歷，效率低下且難以適應復雜非線性系統。本課程通過數據驅動與模型驅動兩方面結合，探索機器學習在電路自動化設計中的應用。

1.課程介紹 AICircuit 數據集 的構建過程。該數據集涵蓋七類常用的同質電路（共源放大器、級聯放大器、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系統（28 GHz 發射機與接收機）。通過 Cadence 仿真平臺進行參數掃描，生成數十萬條電路參數—性能指標的數據，為機器學習模型訓練提供堅實基礎 。

2.在方法部分，課程介紹基于 監督學習的逆向設計流程。不同于傳統的參數優化，本課程強調通過模型學習 性能指標（功耗、增益、帶寬、噪聲等）→電路參數（電阻、電容、晶體管寬度等） 的映射關系，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，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。

3.在實驗環節，課程將組織如下模塊：

基礎電路實驗：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，分析 Transformer 與 MLP 的優劣；

系統級實驗：在發射機與接收機電路上測試大數據集下的模型表現，展示數據規模對泛化能力的提升；

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

結果顯示，簡單電路（如 LNA） 由于參數-性能關系近似線性，ML 模型能夠實現極低誤差（0.3%）；而 復雜電路（如 PA 與 VCO） 則因高度非線性表現出更大預測挑戰，需要 Transformer 或 MLP 等深度模型才能較好刻畫。對于 異質系統，增加訓練數據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%，證明了監督學習方法的可擴展性和有效性。

4.AI驅動的電路設計正在從 數據集建設（AICircuit） 走向 算法優化（監督學習框架） 的深度融合。學生將掌握從數據生成、模型訓練到系統級驗證的完整流程，理解如何根據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、模擬電路優化相結合。團隊構建了完整的研究體系：

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

在工程實踐方面，團隊開發的 AI輔助射頻電路自動設計系統 已在毫米波雷達、物聯網與無線收發芯片設計中應用，實現了從電路仿真到參數優化的閉環自動化；在科研成果方面，教師主持多項 IEEE/ACM 發表的重要論文，涉及深度學習在射頻信號處理、頻譜共享和電路設計中的最新突破。課程將全面分享團隊在 AI+射頻 領域的前沿成果與實踐經驗，帶領學員掌握 AI 在射頻信號處理與模擬電路設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新能力。

課程二、AI助力電磁天線設計與優化

前沿背景

隨著高頻電子系統、6G天線、汽車雷達與太赫茲應用的持續發展，天線與電磁結構設計正從傳統的解析推導與經驗優化走向數值仿真與智能優化融合的階段。傳統設計方法高度依賴人工經驗和仿真參數掃描，在面對復雜結構、寬頻域需求或高維參數空間時效率低下。電磁仿真軟件提供了高精度全波求解能力，通過有限元法實現對復雜幾何、異質材料、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計提供精確結果。然而，當電磁結構尺寸增大或參數空間擴展時，計算成本急劇上升。近年來人工智能被引入電磁仿真與設計流程，作為加速仿真、實現代理建模與逆向設計的重要工具，使傳統“設計—仿真—調參”的流程過渡到“學習—推理—自優化”的新范式，成為電磁工程發展的重要趨勢。

課程概述

本課程圍繞“人工智能 + 電磁仿真 + 智能天線設計”構建統一的工程方法體系，面向下一代智能電磁結構設計需求，系統介紹天線電磁理論基礎、仿真建模方法與AI在電磁結構設計中的創新應用。課程強調以Maxwell方程為物理基礎，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、從仿真到智能優化的完整鏈路。課程內容不僅基于經典電磁理論和數值計算方法，同時融入工業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構優化、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計中的嚴謹性與可操作性，最終實現電磁設計的算法化、數據化和智能化演進。

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能力，使其不僅掌握電磁場理論與經典天線輻射機理，還能夠建立符合工程規范的仿真模型，并具備將機器學習與深度學習方法應用于電磁結構優化的能力。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的數值處理原理、天線輸入和遠場參數的物理意義，掌握在軟件中構建微帶天線、介電諧振天線和拋物面反射天線模型的方法，能夠對仿真模型進行網格控制和收斂性分析，并初步理解如何將仿真數據與AI算法結合，形成可擴展的智能天線設計流程。課程最終目標是培養兼具理論深度、仿真能力與智能建模素養的復合型工程人才。

AI助力電磁天線設計與優化大綱

主題1：天線設計理論基礎 —— 電磁輻射與結構原理

本課程首先從電磁場基本理論出發，建立天線工作原理的物理基礎與數學基礎。通過對麥克斯韋方程組的系統介紹，理解位移電流概念提出后輻射機理的發展過程，推導電磁波在均勻介質中的傳播規律，介紹時域與頻域兩種理論表述方式，為后續的數值仿真和高頻模型構建打下理論基礎。進一步講解輻射與能量傳輸的基本規律，結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值解算所必須的邊界截斷策略，并關聯到CST studio電磁波頻域模型中對輻射邊界處理與PML包絡的具體設置方法。通過此節課程，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化的實現方式，以及電磁仿真中頻域建模與穩態響應求解的必要性.

主題2：基于深度學習的電磁場優化與設計

本課程集中介紹深度學習在電磁設計中的應用，特別是如何通過深度學習技術優化光學與電磁設備設計。課程通過 Meent 平臺，講解深度學習與電磁仿真（如嚴格耦合波分析RCWA）結合，解決傳統仿真方法中的計算瓶頸，實現高效的電磁仿真和優化。Meent框架支持自動微分（AD），使得電磁仿真可以與深度學習模型無縫結合，進一步加速計算過程并優化設計。

課程重點介紹 Fourier神經算子（FNO） 在光學設計中的應用，展示如何利用神經PDE求解器解決Maxwell方程，提升電磁場預測效率。與傳統FDTD方法對比，FNO能顯著加速仿真過程，同時在不同分辨率下實現超分辨率能力，展示其在電磁場建模中的優勢。

接下來，課程講解了 生成式深度學習（cDCGAN） 在電磁結構的全局逆向設計中的應用，重點展示如何通過優化目標光譜來自動生成多種電磁結構。該方法突破了傳統電磁優化的局限，能夠實現跨結構類別的自由形態設計優化，減少人工干預，提升設計效率。

在 深度強化學習（DRL） 應用部分，學生將了解如何通過強化學習優化 可重構智能表面（RIS） 天線系統的波束形成與相位控制。通過 Meent 仿真平臺，學生將使用DRL算法（如DDPG）進行天線系統的優化，理解AI如何提升RIS系統的能效與適應性。

課程總結時，強調深度學習與電磁仿真結合的前景，展望AI在電磁設計中的自動化與智能化趨勢，推動從傳統物理模型向數據驅動設計的轉變。

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。真實值與預測值對比

主題3：基于深度學習的電磁仿真與優化

本課程重點講解如何利用深度學習技術優化電磁場仿真和光學設計，尤其是在 Maxwell方程 求解中，結合 前向模式微分（FMD） 和 自動微分（AD） 技術來提升電磁設備的設計效率和準確性。課程首先回顧了傳統的電磁仿真方法，如 FDTD 和 FEM，指出這些方法在進行高維優化和大規模參數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，課程介紹了深度學習在電磁場建模中的應用，特別是如何通過深度學習加速仿真過程，并提高設計優化的速度和精度。

課程將深入探討 前向模式微分（FMD） 在電磁仿真中的應用，展示了如何利用這一方法進行電磁設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 等參數對設計變量的導數。FMD提供了與傳統數值微分方法（如有限差分法）相比的顯著優勢，能夠在仿真中直接計算出準確的梯度，而無需設置數值步長，避免了傳統方法中因步長選擇不當導致的誤差問題。

進一步地，課程介紹了 生成式深度學習（如GAN） 在電磁設備設計中的全局逆向優化能力，特別是在 反射超表面天線設計 和 元光柵優化 中的應用。通過 條件生成對抗網絡（cDCGAN），學生將了解如何根據 目標光譜 自動生成結構設計，從而解決傳統設計方法中對于初始假設的依賴，支持跨結構類別的設計優化。

此外，課程還介紹了如何使用 深度強化學習（DRL） 優化 可重構智能表面（RIS） 系統的波束控制與相位優化。通過與 Meent仿真平臺 的結合，學生將通過訓練 DRL智能體 來優化RIS系統的性能，提升系統在復雜信道環境下的適應性和能效。

在實驗環節，學生將使用 FMD與FDTD結合 的方法進行光電場的精確計算，并通過 Meent仿真平臺 完成 電磁結構的全局逆向設計，生成優化結構并進行電磁仿真驗證。學生將通過實驗深入理解深度學習與電磁仿真結合的優勢，掌握如何通過生成式模型快速反演設計結構。

課程總結時，討論了 深度學習與電磁仿真結合 的前景，強調 自動微分 和 生成模型 在未來電磁設計中的潛力，特別是在 AI驅動的自適應陣列優化 和 多頻段超表面設計 中的應用，展望AI如何推動從基于物理模型的電磁設計向基于數據驅動的智能設計轉型。

圖 2 樣本問題中 FMD 與數值導數的對比 .光柵耦合器光譜的 FMD 分析

主題4： PGGAN在雙頻天線設計中的應用

本案例探討了生成對抗網絡的漸進式增長（PGGAN）在雙頻天線設計中的應用，重點介紹了如何利用深度學習方法改進天線結構生成過程，以解決傳統設計方法中的局限性。PGGAN通過逐步增加生成器和判別器的分辨率，從低分辨率數據開始，逐漸細化細節，這種方式能夠避免標準生成對抗網絡（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類天線設計，從而顯著提高設計效率。在訓練過程中，結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（如天線設計）至關重要。此外，霍夫變換在論文中被用于增強天線設計的特征提取，將天線的物理特征與頻率特性之間的關系進行關聯，這些特征作為標簽為PGGAN的學習過程提供指導。通過這種方法，PGGAN能夠有效地生成符合預期的天線結構。論文還與條件生成對抗網絡（CGAN）進行了對比，指出CGAN在多頻天線設計中存在的困難，而PGGAN能夠更好地處理天線結構與頻率響應之間的復雜非線性關系，特別是在雙頻天線設計中。最終，研究表明，PGGAN框架能夠在特定頻率帶（如2.45和5.2 GHz）下生成高質量的雙頻天線，并且仿真與實際測量結果一致性良好，展示了這一方法在天線設計中的巨大潛力。

圖 3 網絡架構和學習表示

主題5 利用深度學習替代 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，介紹如何使用神經網絡學習和逼近 Maxwell’s Equations 時域行為，從而實現比傳統 FDTD 方法更快的預測。

先從傳統的 FDTD 方法入手，講解 Maxwell 方程在時間域內進行網格化推進（如 Yee 格子的構建、邊界條件處理、PML／Dirichlet 等法）的基本流程和瓶頸。接著引出深度學習在電磁仿真中的潛力：如果網絡可以學習「波傳播時域演化邊界效應」這些物理規律，那么它可能替代部分 FDTD 步驟，從而顯著降低計算量。

重點講解 PDENet 這一種「神經網絡可學習偏微分算子」的方法——在該項目中，模型通過卷積核學習近似離散的時間推進算子（即 FDTD 中的差分算子） (“order of sumrule” 是一個設計約束) 。網絡結構與傳統神經網絡不同：它將物理域（網格）、時間步、卷積核權重等作為可訓練參數，并且受限于設計規則以嵌入物理先驗。學生將學習如何從數據生成 (2D FDTD 數據集)、濾波器設計、網絡訓練、預測使用等流程理解這一模型。

圖 4 預測和真實值對比

主題6：基于深度學習的電磁場仿真加速與優化：PDE-Net-FDTD方法應用

本課程主要講解如何利用深度學習替代傳統的 FDTD（有限差分時域法） 進行電磁場的仿真與計算。課程從傳統電磁仿真方法的局限性入手，介紹了深度學習如何通過學習物理算子來加速 Maxwell 方程的解算過程，進而提高仿真效率。在這一過程中，課程重點介紹了 PDE?Net 模型架構及其在電磁仿真中的應用。PDE?Net 通過使用卷積神經網絡來學習和近似電磁波傳播的時間步算子，借助神經網絡的非線性表達能力，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 模型進行訓練和測試，學生將學習如何利用 FDTD 數據集（如二維電磁場傳播數據）來訓練模型，并通過訓練結果實現電磁場的預測。通過與傳統 FDTD 方法進行對比，學生將理解 深度學習 在解決電磁仿真問題時帶來的優勢，尤其在計算復雜系統、長時間步預測和提高計算效率等方面。

在實驗環節，學生將親自實踐如何使用 PDE?Net?FDTD 進行 2D 電磁場的模擬，并通過訓練模型來預測電磁波在不同條件下的傳播情況。學生將使用預處理后的仿真數據，完成模型訓練、參數調整、訓練結果可視化等任務。通過與傳統 FDTD 仿真結果的對比，學生將理解深度學習模型在解決復雜電磁問題中的精確度和速度優勢。

最后，課程將探討該方法的工程應用，討論如何將 PDE?Net?FDTD 方法應用于實際的電磁設計問題，特別是在實時仿真、大規模仿真和復雜場景下的應用。課程總結時，學生將理解 深度學習 在電磁仿真中的核心作用，并能夠掌握如何將傳統的數值計算方法與深度學習結合，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 預測值和真實值對比

主題7: 點云驅動的深度學習電磁仿真流程

本課程聚焦如何利用點云數據與深度學習模型替代傳統網格迭代電磁仿真方法，從而實現更快速、更靈活的電磁設計與驗證流程。課程首先介紹傳統電磁仿真（如有限差分法、有限元法）中網格劃分和迭代求解所帶來的計算瓶頸，從而引出點云數據驅動方法：即直接利用結構幾何與材料信息生成點云輸入，不需網格劃分即可供深度網絡訓練與推理。

教學的第一階段將演示如何從仿真軟件CST Studio Suite中導出STP和JSON格式的幾何／材料數據，接著使用MindElec提供的腳本將這些數據轉換為點云張量格式。學生將學習如何配置 export_stp.py 調用路徑、設置 sample_nums 和 bbox_args 來控制點云采樣以及理解點云數據與電磁結構之間的映射關系。隨后教學將引導學生使用模型壓縮流程，通過訓練自編碼模型對點云數據進行降維，減低后續網絡訓練和推理的內存與計算負荷。

深度學習部分重點講解從點云數據到電磁響應的監督學習流程。課程將展示如何調用 train.py 對 MindElec 模型進行訓練，包括模型結構、損失函數、優化器以及學習率衰減策略。學生將理解如何定義網絡輸入（如位置 + 材料通道）、輸出（如場分布或 S參數）以及如何使用 Solver API 執行訓練與評估。通過具體案例（如手機天線S參數預測），學生將觀察到模型如何在推理階段使用點云輸入快速預測電磁場分布或反射參數。

實驗環節將安排學生使用訓練好的深度網絡模型執行推理任務。學生將加載網絡參數、使用壓縮后的點云輸入調用 eval.py，并通過結果輸出的 L2誤差或 MSE 評價模型精度。隨后，課程將探討該方法在實際電磁設計流程中的應用場景，如快速原型驗證、天線布置優化、材料參數敏感性分析等。學生將明白深度學習仿真流程如何顯著縮短迭代周期，從而支持工程研發中的快速評估需求。

主題8: 機器學習驅動的太赫茲（THz）天線設計與6G通信應用

本課程聚焦機器學習在太赫茲（Terahertz, THz）天線設計中的應用，講解如何利用智能算法實現高頻通信天線的高效建模與快速優化。課程從6G通信對天線性能提出的新要求出發，說明THz頻段（1–3 THz）因其超高帶寬和低時延特性，已成為未來無線網絡的關鍵技術方向。THz天線需兼顧高效率、低損耗、寬帶寬、方向性強與結構緊湊等特性，而傳統電磁仿真與優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計瓶頸的重要途徑。

課程首先介紹THz天線設計的基本概念與挑戰，包括表面粗糙度、導電損耗及微型化制造工藝的影響。結合論文中展示的圖1，學生將理解實現6G通信所需的天線技術指標，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，可有效降低表面損耗、提升輻射效率，為AI輔助設計提供更可控的結構輸入條件。

隨后，課程進入機器學習在THz天線優化中的核心應用。以Ansys HFSS仿真生成的天線樣本數據為基礎，課程講解如何構建多參數數據集，以天線幾何參數（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。

實驗環節中，學生將復現論文中的關鍵過程：以HFSS生成的仿真數據訓練模型，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。實驗結果表明，隨機森林模型在本案例中表現最優，預測精度達82%，均方誤差僅為3.816，優于其他模型，充分展示了機器學習在天線性能快速預測中的優勢。

課程總結部分強調，機器學習方法不僅能在THz天線設計中顯著縮短迭代周期、減少仿真次數，還能在復雜參數空間中自動識別高性能結構組合，從而實現智能化、數據驅動的設計流程。

圖 6 預測值與真實值對比

主題9: 基于深度學習的天線設計與優化——HyperHyperNetwork 方法

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

在單天線設計部分，學生將學習如何利用 深度神經網絡（DNN） 來模擬和預測天線的輻射模式，特別是在給定尺寸約束和輻射模式要求的情況下。該方法結合了 仿真網絡 和 超網絡（hypernetwork） 的思想，仿真網絡用于替代傳統的數值求解器，通過訓練數據快速推斷天線結構與輻射模式之間的關系。通過該方法，設計師可以在短時間內獲得符合目標輻射模式和結構要求的天線設計，而不需要反復進行高計算量的仿真。

對于天線陣列設計，課程進一步引入了 超超網絡（hyper-hypernetwork） 的概念。這個框架通過在多級設計中加入層次結構，實現了對天線陣列中每個天線的設計參數（如位置、數目等）的優化。超網絡接受目標陣列增益（array gain）作為輸入，并生成每個天線的設計參數。通過 超網絡-超網絡結構，能夠在全局層次上優化多個天線的布局，解決傳統方法中由于設計空間過大而難以快速找到最優解的問題。

在實驗部分，學生將實踐如何使用該方法設計實際的天線和天線陣列，包括對給定目標輻射模式的設計約束進行優化。通過對比傳統的設計方法和基于 HyperHyperNetwork 的方法，學生將觀察到深度學習在設計準確性、效率和計算資源方面的顯著優勢。實驗還包括對不同網絡架構（如 ResNet 和 Transformer）進行比較，探索不同架構在天線設計任務中的表現差異。

最后，課程將探討該方法在 實際應用中的潛力，例如在移動設備（如 iPhone 11 Pro Max 的天線陣列設計）中的應用，展示如何通過該方法優化現有的天線設計，提高信號接收質量和天線性能。通過這些實驗，學生將掌握 HyperHyperNetwork 在天線設計中的應用，以及如何利用深度學習在多層設計和復雜約束下高效優化天線結構。

圖 7 (a) 合成測試場景中點屬于有效天線的概率分布，約束平面用黑色標出。(b) 同一樣本中，正確分類為天線的區域用棕色標注，誤分類區域用紅色標注。(c) 槽天線陣列的真實分布情況。(d) 我們提出的網絡設計方案。

主題10: 基于 Uniform Cross-Entropy 優化的多頻帶微帶天線自動化設計

本課程聚焦于通過 Cross-Entropy 優化 方法自動化設計 多頻帶微帶天線，特別是在電磁設計中的應用。課程首先介紹微帶天線的基本概念和傳統設計方法，重點講解 Cross-Entropy 優化 作為一種蒙特卡洛采樣技術，如何在給定目標 S11 反射參數曲線的約束下，優化微帶天線的幾何結構。

在課程的第一部分，學生將學習如何通過 Uniform Cross-Entropy（UCE） 優化方法進行 天線幾何結構的自動化設計。UCE 通過隨機從目標分布中采樣，評估每個候選解的性能，并根據最優樣本更新分布參數，從而收斂到一個最優解。課程將展示如何應用此方法進行微帶天線設計，特別是在沒有先驗的 S11 頻率響應的情況下，如何通過優化目標 S11 曲線來自動生成天線結構。

接著，課程將介紹 天線仿真與優化 的整合過程，學生將通過數值仿真工具（如 Method of Moments（MoM） 方法）來計算 S11 曲線，并根據仿真結果優化天線幾何。學生還將通過編寫 Python 腳本進行仿真和優化，使用 UCE 方法 調整天線設計，直至獲得最符合目標曲線的天線結構。

在實驗環節，學生將使用提供的開源代碼，通過 UCE 優化 方法進行多頻帶微帶天線設計的實踐。具體包括使用 隨機初始化 和 不同采樣方式 比較優化效果，訓練過程中學生還將學習如何調整仿真與優化步驟，以提高 S11 曲線 精度，特別是在設計多頻帶微帶天線時如何滿足多頻段響應需求。

最后，課程總結將討論 UCE 優化方法的優勢，如計算效率高、優化結果精度高、易于實施等，特別是在傳統的 遺傳算法（GA） 和 粒子群優化（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確的解決方案。學生將了解如何將這一優化方法應用于實際的天線設計項目，如 移動通信設備中的天線陣列設計，并且通過對比不同優化方法，理解UCE在多個優化指標下的優勢。

圖 8 優化流程圖

AI助力電磁天線設計與優化老師

本課程由來自國內頂尖高校電磁智能設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驅動的天線優化、強化學習在智能波束控制中的應用、生成式AI在電磁結構生成中的實現等。教師在國際頂級期刊與會議上發表多篇高水平論文，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計劃項目與企業聯合課題，具有豐富的工程實踐經驗，能夠將AI算法理論、仿真驗證與實際工程設計緊密結合，帶領學生從“懂電磁”到“用AI”跨越式提升，全面理解AI在天線與通信系統設計中的創新潛力與應用前景。

授課時間

AI助力電磁天線設計與優化

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

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）

課程費用

AI賦能射頻技術/AI助力電磁天線設計與優化

費用：每人每班￥4980元 （含報名費、培訓費、資料費）

優惠政策

優惠一: 兩門同報9080元

優惠二:提前報名繳費學員+轉發到朋友圈或者到學術交流群可享受每人300元優惠（僅限15名）

年報優惠：16800元（可在一年內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）

報名費用可開具正規報銷發票及提供相關繳費證明、邀請函，可提前開具報銷發票、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，從零基礎開始講解，電子PPT和教程＋預習視頻提前發送給學員，所有培訓使用軟件都會發送給學員，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容長期解疑，培訓群不解散，往期培訓學員對于培訓質量和授課方式一致評價極高

課程咨詢報名聯系方式

聯系人：黃老師

報名咨詢電話｜15516685015（同微信）