1.一种基于半监督宽度学习系统的天线优化设计方法，其特征在于，包括步骤：

步骤一、构建待优化天线的结构模型，并设定待优化天线所需要优化的尺寸范围；

步骤二、生成天线尺寸参数和对应的回波损耗值构成的数据集；将数据集划分为初始训练集、测试集和未标记样本数据集；

步骤三、采用初始训练集对卷积—宽度学习系统进行训练，包括：采用卷积神经网络的卷积算子对初始训练集进行特征提取，并将提取的数据特征与初始训练集进行数据融合形成增强数据，输入到宽度学习系统得到卷积—宽度学习系统；

步骤四、采用初始训练集对卷积—堆叠宽度学习系统进行训练；

步骤五、将未标记样本数据集输入到训练后的卷积—宽度学习系统、训练后卷积—堆叠宽度学习系统进行预测得到伪标记数据，将伪标记数据加入到有标记样本训练数据集中，包括：在未标记样本数据集中选取若干数据输入到训练后的卷积—宽度学习系统中进行预测得到第一伪标记数据，将第一伪标记数据加入到第一有标记样本训练集中，得到卷积—宽度学习系统更新的第一样本训练集；在未标记样本数据集中选取若干数据输入到训练后的卷积—堆叠宽度学习系统中进行预测得到第二伪标记数据，将第二伪标记数据加入到第二有标记样本训练集中，得到卷积—堆叠宽度学习系统更新的第二样本训练集；

步骤六、采用卷积—宽度学习系统更新后的有标记样本训练数据集、卷积—堆叠宽度学习系统更新后的有标记样本训练数据集对卷积—宽度学习系统、卷积—堆叠宽度学习系统进行交叉训练、协同训练，直到得到满足设定规则的学习系统；

所述采用卷积—宽度学习系统更新后的有标记样本训练数据集、卷积—堆叠宽度学习系统更新后的有标记样本训练数据集对卷积—宽度学习系统、卷积—堆叠宽度学习系统进行交叉训练的步骤，包括；

采用第二样本训练集对卷积—宽度学习系统进行训练得到第三伪标记数据，并采用测试集对卷积—宽度学习系统进行测试，得到两者之间的第一误差；

采用第一样本训练集对卷积—堆叠宽度学习系统进行训练得到第四伪标记数据，并采用测试集对卷积—堆叠宽度学习系统进行测试，得到两者之间的第二误差；

将误差更小的伪标记数据增加到初始训练集中，更新标记样本训练集，从未标记样本数据集中删除该部分数据，更新未标记样本数据集；

采用卷积—宽度学习系统更新后的有标记样本训练数据集、卷积—堆叠宽度学习系统更新后的有标记样本训练数据集对卷积—宽度学习系统、卷积—堆叠宽度学习系统进行协同训练的步骤，包括：采用经过交叉训练而更新后的标记样本训练集对卷积—宽度学习系统进行训练，并采用测试集对卷积—宽度学习系统进行测试，得到两者之间的第三误差；

采用经过交叉训练而更新后的标记样本训练集对卷积—堆叠宽度学习系统进行训练，并采用测试集对卷积—堆叠宽度学习系统进行测试，得到两者之间的第四误差；

若第三误差、第四误差中较小的值满足设定规则，则完成训练；若经过交叉训练、协同训练后不满足设定规则，则返回至所述步骤三；

在所述步骤四中，采用卷积神经网络的卷积算子对初始训练集进行特征提取，并将提取的数据特征与初始训练集进行数据融合形成增强数据，输入到宽度学习系统，再根据设置的宽度学习系统特征窗口个数、特征节点个数、增强节点个数，依次生成特征节点和增强节点，并生成特征节点层和增强节点层，利用网格搜索法和岭回归算法计算底层宽度学习系统输出层的输出，并记录底层输出预测标记；进行堆叠层的计算，即使用底层输出作为上一层网络的输入，新构建一个宽度学习系统，期望输出是原输入样本数据的标记数据，以得到卷积—堆叠宽度学习系统。

2.根据权利要求1所述的天线优化设计方法，其特征在于，在所述步骤六之后，还包括步骤：步骤七、依据满足设定规则的学习系统优化设计天线，并对天线结构进行仿真，将学习系统的预测结果与仿真结果进行对比，验证学习系统的性能，得到天线的最终设计结果。

3.一种计算机设备，其特征在于，包括处理器和储存器，所述储存器中储存有程序代码，所述处理器执行所述程序代码以执行权利要求1或2所述的天线优化设计方法。

4.一种计算机可读存储介质，其特征在于，所述可读存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1或2所述的天线优化设计方法。