基于粒子群优化算法的微波腔体滤波器智能调试方法技术

技术编号:21184931 阅读:25 留言:0更新日期:2019-05-22 15:32
本发明专利技术提供了基于粒子群优化算法的微波腔体滤波器智能调试方法,首先,随机改变微波腔体滤波器电磁仿真模型中各耦合螺钉伸入腔体中的长度D,获取对应的耗散参数S,构建原始的样本数据集;然后,对样本数据集中的数据进行预处理;基于分块建模法和BP神经网络,训练得到微波腔体滤波器的机电特性模型;最后,基于机电特性模型和粒子群优化算法,对待调节的微波腔体滤波器进行调试;通过粒子群优化算法,确定各耦合螺钉的调节量,使得价值函数的值不断减小,直到微波腔体滤波器的输出满足预设的性能指标,即完成了微波腔体滤波器的调试过程。本发明专利技术的有益效果是:降低了调试难度,提高了调试精度和调试速度,实用性和适用性强。

Intelligent debugging method of microwave cavity filter based on particle swarm optimization

The invention provides an intelligent debugging method of microwave cavity filter based on particle swarm optimization algorithm. Firstly, the length D of each coupling screw in the electromagnetic simulation model of microwave cavity filter is randomly changed, the corresponding dissipation parameter S is obtained, and the original sample data set is constructed; then, the data in the sample data set is preprocessed; based on block modeling method and BP neural network. Finally, based on the electromechanical characteristics model and particle swarm optimization (PSO) algorithm, the tuned microwave cavity filters are debugged. The tuning amount of each coupling screw is determined by PSO algorithm, so that the value function decreases continuously until the output of the microwave cavity filters meets the preset performance index. That is to say, the debugging process of microwave cavity filter has been completed. The invention has the advantages of reducing the difficulty of debugging, improving the precision and speed of debugging, and having strong practicability and applicability.

【技术实现步骤摘要】
基于粒子群优化算法的微波腔体滤波器智能调试方法
本专利技术涉及滤波器调试
,尤其涉及基于粒子群优化算法的微波腔体滤波器智能调试方法。
技术介绍
随着信息产业的飞速发展,无线通信技术已成为21世纪最热门的技术之一,而微波腔体滤波器作为无线通信系统中关键的选频装置,受到了广泛的关注。由于微波腔体滤波器的理论设计过程存在理论误差,加工制造过程存在公差以及金属凃层特性、厚度存在差异等原因,批量生产加工完成的微波腔体滤波器无法满足出厂指标,微波腔体滤波器的调试过程必不可少。长期以来,微波腔体滤波器的调试多由经验丰富的技术人员手工完成,但是,人工调试盲目性大、调试周期长、生产成本高,低效的人工调试方式已成为微波腔体滤波器批量生产的瓶颈,这与“中国制造2025”提出的突破核心基础零部件工程化、产业化瓶颈这一要求相悖。因此,微波腔体滤波器智能调试方法的研究必不可少。目前,微波腔体滤波器调试方法多基于耦合矩阵,对于结构较为简单的微波腔体滤波器取得了良好的效果。但是,微波腔体滤波器性能要求日益提高,结构日益复杂,耦合矩阵的精确提取也变得日益困难。因此,本专利技术针对微波腔体滤波器调试过程中调试难度最大的调试后期,选择适用性强、提取精度高的Y参数来反映微波腔体滤波器的性能,建立了调试后期耦合螺钉长度与Y参数之间的机电特性模型,并设计了基于人工调试经验和机电特性模型特点的PSO价值函数,使得微波腔体滤波器调试后期兼具灵活性、准确性和快速性;针对于结构复杂的微波腔体滤波器,本调试方法同样具有可行性。
技术实现思路
为了解决上述问题,本专利技术提供了基于粒子群优化算法的微波腔体滤波器智能调试方法,主要包括以下步骤:S101:随机改变微波腔体滤波器电磁仿真模型中耦合螺钉伸入腔体中的长度D,获取对应的耗散参数S,一组耦合螺钉伸入腔体中的长度D与对应的耗散参数S构成一个样本,多个样本构成样本数据集;S102:对样本数据集中的数据进行预处理,每一个样本的处理方式如下:首先,对耗散参数S进行移除相位加载处理,得到理想参数Sideal;通过等价变换公式将理想参数Sideal转换为导纳参数Y;然后,通过矢量拟合法对导纳参数Y进行处理,得到导纳参数Y的极点和留数组成的参数Yres_pole;最后,以参数Yres_pole中的部分元素组成参数Y’res_pole;所述部分元素能够反映参数Yres_pole的特性;S103:基于分块建模法,构建微波腔体滤波器机电特性模型,该模型包含多个基于BP神经网络建立的子模型;以耦合螺钉伸入腔体中的长度D与对应的参数Y’res_pole构成一个训练样本,多个训练样本构成训练样本集;以训练样本集对各子模型进行训练,进而得到微波腔体滤波器的机电特性模型:通过梯度下降法,以训练集样本集中的样本对每个基于BP神经网络的子模型进行训练,并通过D-K迭代法对每个基于BP神经网络的子模型的隐层神经元数目和学习率进行迭代优化;当训练的基于BP神经网络的子模型的精度满足预设精度或者基于D-K迭代法进行迭代优化的次数达到预设迭代次数时,训练完成,多个基于BP神经网络的子模型组合得到满足要求的微波腔体滤波器的机电特性模型;S104:基于机电特性模型和粒子群优化算法,对待调节的微波腔体滤波器进行调试;根据用于评估微波腔体滤波器性能的价值函数,通过粒子群优化算法,确定各耦合螺钉的调节量,使得价值函数的值不断减小,直到微波腔体滤波器的输出满足预设的性能指标,即完成了微波腔体滤波器的调试过程;其中,价值函数值越小,微波腔体滤波器的性能越好。进一步地,在步骤S102中,所述等价变换公式为:其中,S11、S12、S21和S22为理想参数Sideal中的元素,Y0为单位矩阵,Y11、Y12、Y21和Y22为导纳参数Y中的元素。进一步地,在步骤S102中,导纳参数Y的矩阵为:其中,s=jω,λk为导纳参数Y中各元素的极点,r11k、r12k、r21k和r22k为与极点λk对应的留数。进一步地,在步骤S102中,根据导纳参数Y的极点和留数,赋值极点实部和留数虚部为零,以极点虚部和留数实部代表参数Yres_pole,以参数Yres_pole中的元素:Y11的极点虚部imag(λk)、Y11的留数实部real(r11k)和Y21的留数实部real(r21k)组成参数Y’res_pole,参数Y’res_pole用来反映微波腔体滤波器的电磁特性。进一步地,在步骤S103中,得到微波腔体滤波器的机电特性模型的具体过程为:基于分块建模法,构建微波腔体滤波器机电特性模型,该模型包括多个基于BP神经网络的子模型,各子模型的隐层层数都设定为3层;各个所述子模型的隐层神经元数目和各神经元之间的学习率都不确定,但隐层神经元数目和各神经元之间的学习率会影响到机电特性模型的精度,因此需要结合D-K迭代法对每个基于BP神经网络的子模型进行迭代优化,得到各子模型的隐层神经元数目及各神经元之间的学习率;同时,基于梯度下降法,以训练样本集对各个基于BP神经网络的子模型进行训练,待训练的参数为各个神经元之间的权值,每改变一次隐层神经元数目和各神经元间的学习率,就需要对各个子模型进行一次训练;直到各个子模型的精度满足预设精度,或者是基于D-K迭代法进行迭代优化的次数达到预设迭代次数,训练结束,即得到微波腔体滤波器机电特性模型;当把耦合螺钉伸入腔体中的任意长度值输入微波腔体滤波器机电特性模型后,输出分别最接近于当前微波腔体滤波器的极点虚部imag(λ11k)、Y21的留数实部real(r21k)、Y12的留数实部real(r12k)。进一步地,在步骤S103中,迭代优化过程为:(1)初始化各个神经元之间的学习率、学习率变化范围和隐层的神经元数目的变化范围;(2)保持各个神经元之间的学习率不变,只改变隐层的神经元数目;(3)综合预设精度及网络复杂度,选择使所述神经网络的输出最接近于参数Y’res_pole中的极点虚部imag(λk)、Y11的留数实部real(r11k)和Y21的留数实部real(r21k)时隐层的神经元数目;(4)保持选择的隐层的神经元数目不变,只改变各个神经元之间的学习率,确定达到预设精度时对应的各个神经元之间的学习率;(5)判断在得到的隐层的神经元数目和各个神经元之间的学习率的情况下,机电特性模型的精度是否达到预设精度或者预设迭代次数,若是,则迭代优化结束;若否,则回到步骤(2)继续进行迭代优化。进一步地,在步骤S103中,将机电特性模型输出的参数Y’res_pole通过变换公式转换为耗散参数Sm,耗散参数Sm的幅频响应曲线反映了微波腔体滤波器的性能指标,可用来判断调试结果是否满足给定的性能指标。进一步地,在步骤S104中,价值函数fcost可通过6个评价函数加权求和得到,如以下公式所示:其中,ci为权重,fi是基于微波腔体滤波器性能指标设计的评价函数,i=1,2,3,4,5,6;价值函数fcost的值越小,表明当前微波腔体滤波器的性能越好。进一步地,在步骤S104中,价值函数fcost中的权重ci和评价函数fi在Sm幅频响应曲线中的具体含义如下:1)评价函数f1为最大回波波峰与-20dB之间的差值,c1为评价函数f1的权重,评价函数f1反映了通带内的损耗,评价函本文档来自技高网...

【技术保护点】
1.基于粒子群优化算法的微波腔体滤波器智能调试方法,其特征在于:包括以下步骤:S101:随机改变微波腔体滤波器电磁仿真模型中耦合螺钉伸入腔体中的长度D,获取对应的耗散参数S,一组耦合螺钉伸入腔体中的长度D与对应的耗散参数S构成一个样本,多个样本构成样本数据集;S102:对样本数据集中的数据进行预处理,每一个样本的处理方式如下:首先,对耗散参数S进行移除相位加载处理,得到理想参数Sideal;通过等价变换公式将理想参数Sideal转换为导纳参数Y;然后,通过矢量拟合法对导纳参数Y进行处理,得到导纳参数Y的极点和留数组成的参数Yres_pole;最后,以参数Yres_pole中的部分元素组成参数Y’res_pole;所述部分元素能够反映参数Yres_pole的特性;S103:基于分块建模法,构建微波腔体滤波器机电特性模型,该模型包含多个基于BP神经网络建立的子模型;以耦合螺钉伸入腔体中的长度D与对应的参数Y’res_pole构成一个训练样本,多个训练样本构成训练样本集;以训练样本集对各子模型进行训练,进而得到微波腔体滤波器的机电特性模型:通过梯度下降法,以训练集样本集中的样本对每个基于BP神经网络的子模型进行训练,并通过D‑K迭代法对每个基于BP神经网络的子模型的隐层神经元数目和学习率进行迭代优化;当训练的基于BP神经网络的子模型的精度满足预设精度或者基于D‑K迭代法进行迭代优化的次数达到预设迭代次数时,训练完成,多个基于BP神经网络的子模型组合得到满足要求的微波腔体滤波器的机电特性模型;S104:基于机电特性模型和粒子群优化算法,对待调节的微波腔体滤波器进行调试;根据用于评估微波腔体滤波器性能的价值函数,通过粒子群优化算法,确定各耦合螺钉的调节量,使得价值函数的值不断减小,直到微波腔体滤波器的输出满足预设的性能指标,即完成了微波腔体滤波器的调试过程;其中,价值函数值越小,微波腔体滤波器的性能越好。...

【技术特征摘要】
1.基于粒子群优化算法的微波腔体滤波器智能调试方法,其特征在于:包括以下步骤:S101:随机改变微波腔体滤波器电磁仿真模型中耦合螺钉伸入腔体中的长度D,获取对应的耗散参数S,一组耦合螺钉伸入腔体中的长度D与对应的耗散参数S构成一个样本,多个样本构成样本数据集;S102:对样本数据集中的数据进行预处理,每一个样本的处理方式如下:首先,对耗散参数S进行移除相位加载处理,得到理想参数Sideal;通过等价变换公式将理想参数Sideal转换为导纳参数Y;然后,通过矢量拟合法对导纳参数Y进行处理,得到导纳参数Y的极点和留数组成的参数Yres_pole;最后,以参数Yres_pole中的部分元素组成参数Y’res_pole;所述部分元素能够反映参数Yres_pole的特性;S103:基于分块建模法,构建微波腔体滤波器机电特性模型,该模型包含多个基于BP神经网络建立的子模型;以耦合螺钉伸入腔体中的长度D与对应的参数Y’res_pole构成一个训练样本,多个训练样本构成训练样本集;以训练样本集对各子模型进行训练,进而得到微波腔体滤波器的机电特性模型:通过梯度下降法,以训练集样本集中的样本对每个基于BP神经网络的子模型进行训练,并通过D-K迭代法对每个基于BP神经网络的子模型的隐层神经元数目和学习率进行迭代优化;当训练的基于BP神经网络的子模型的精度满足预设精度或者基于D-K迭代法进行迭代优化的次数达到预设迭代次数时,训练完成,多个基于BP神经网络的子模型组合得到满足要求的微波腔体滤波器的机电特性模型;S104:基于机电特性模型和粒子群优化算法,对待调节的微波腔体滤波器进行调试;根据用于评估微波腔体滤波器性能的价值函数,通过粒子群优化算法,确定各耦合螺钉的调节量,使得价值函数的值不断减小,直到微波腔体滤波器的输出满足预设的性能指标,即完成了微波腔体滤波器的调试过程;其中,价值函数值越小,微波腔体滤波器的性能越好。2.如权利要求1所述的基于粒子群优化算法的微波腔体滤波器智能调试方法,其特征在于:在步骤S102中,所述等价变换公式为:其中,S11、S12、S21和S22为理想参数Sideal中的元素,Y0为单位矩阵,Y11、Y12、Y21和Y22为导纳参数Y中的元素。3.如权利要求2所述的基于粒子群优化算法的微波腔体滤波器智能调试方法,其特征在于:在步骤S102中,导纳参数Y的矩阵为:其中,s=jω,λk为导纳参数Y中各元素的极点,r11k、r12k、r21k和r22k为与极点λk对应的留数。4.如权利要求2所述的基于粒子群优化算法的微波腔体滤波器智能调试方法,其特征在于:在步骤S102中,根据导纳参数Y的极点和留数,赋值极点实部和留数虚部为零,以极点虚部和留数实部代表参数Yres_pole,以参数Yres_pole中的元素:Y11的极点虚部imag(λk)、Y11的留数实部real(r11k)和Y21的留数实部real(r21k)组成参数Y’res_pole,参数Y’res_pole用来反映微波腔体滤波器的电磁特性。5.如权利要求3所述的基于粒子群优化算法的微波腔体滤波器智能调试方法,其特征在于:在步骤S103中,得到微波腔体滤波器的机电特性模型的具体过程为:基于分块建模法,构建微波腔体滤波器机电特性模型,该模型包括多个基于BP神经网络的子模型,各子模型的隐层层数都设定为3层;各个所述子模型的隐层神经元数目和各神经元之间的学习率都不确定,但隐层神经元数目和各神经元之间的学习率会影响到机电特性模型的精度,因此需要结合D-K迭代法对每个基于BP神经网络的子模型进行迭代优化,得到各子模型的隐层神经元数目及各神经元之间的学习率;同时,基于梯度下降法,以训练样本集对各个基于BP神经网...

【专利技术属性】
技术研发人员:曹卫华毕乐宇袁艳吴敏刘璨庄晓龙
申请(专利权)人:中国地质大学武汉
类型:发明
国别省市:湖北,42

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1