【技术实现步骤摘要】
一种知识驱动粒子群优化的微波滤波器调试方法
[0001]本专利技术涉及微波滤波器调试
，尤其涉及一种知识驱动粒子群优化的微波滤波器调试方法。
技术介绍
[0002]5G基站建设作为我国“新基建”之首，微波滤波器是5G基站中的核心选频器件，其滤波性能对选频质量影响较大。生产过程中，由于设计误差和加工公差的存在，微波滤波器的性能通常需要通过调试才能满足要求。传统的人工调试方法效率低、成本高。随着机器学习和人工智能快速发展，智能优化与控制已被应用于滤波器调谐过程，包括基于模糊逻辑的调试、基于强化学习的调试和基于群智能优化的调试。基于模糊逻辑的调试根据经验设计调试规则，逐个改变微波滤波器的可调变量。这种方法忽略了各变量之间的耦合关系，调试效率较低。基于强化学习的调试将连续的可调变量离散化，调试精度不高。基于群智能优化的调试技术可通过粒子群优化实现。该技术在连续空间同时改变所有可调变量，充分考虑了各变量间的耦合。然而，由于可调变量和性能指标间关系复杂，算法迭代次数多，限制调试效率提高。
[0003]在人工调试过程中，经验...
【技术保护点】
【技术特征摘要】
1.一种知识驱动粒子群优化的微波滤波器调试方法，其特征在于：包括：S1：在微波滤波器上多次改变可调部件的可调变量u
*
，获得S矩阵S
*
，利用矢量网络分析仪采样测量S参数s，构建调试数据集；S2：根据所述调试数据集，基于卷积神经网络建立知识模型，其输入为性能指标I
*
，幅频响应R
a
和相频响应输出为可调变量u
*
，所述知识模型的输入由S参数s计算得到，该知识模型包括卷积层、激活层、池化层、全连接层和输出层，并利用随机梯度下降方法对所述知识模型进行训练，得到训练好的知识模型；S3：向训练好的知识模型中输入满足需求的性能指标I
*
、幅频响应R
a
和相频响应得到对应的输出构成调试知识；S4：将调试知识用于确定粒子群算法的优化范围，根据该优化范围、性能指标及其要求设计评估函数，以及族群规模、惯性权重、加速度权重、停止标准和调试调准参数，进行迭代优化；S5：将S矩阵S
*
转化为Y参数y
p
，并使用埃尔曼神经网络构建调试过程模型，结合步骤S4中的迭代优化结果，得到可调变量的优化结果，用于反映微波滤波器的性能指标；S6：当达到调试标准后，根据步骤S5的优化结果对实际微波滤波器进行调试，并对该微波滤波器整体性能进行综合评估。2.如权利要求1所述的一种知识驱动粒子群优化的微波滤波器调试方法，其特征在于：步骤S2中，训练知识模型用到的损失函数为：其中，N是训练集中样本的数目，m为微波滤波器可调变量u
*
的维数，t表示m个变量中的第t个，n表示调试数据中的第n个样本，m、n和t均为大于或等于1的正整数，为第n个样本的第t个可调变量与模型输出的误差，且：其中，是第n个样本第t个变量的模型输出结果，是第n个样本第t个变量的样本值；当损失函数的值小于允许的损失误差，即最大损失值δ
loss
时，知识模型训练完成，即：Ll2loss＜δ
loss
。3.如权利要求1所述的一种知识驱动粒子群优化的微波滤波器调试方法，其特征在于：步骤S3中，调试知识表示由知识模型预测得到的、满足指标要求的性能对应的可调变量，为知识矩阵，记为各可调变量变化范围记为其中，b表示为知识数量，即向训练好的知识模型中输入的满足要求的性能指标个数，t表示为第t个可调变量，t＝1,
…
,m，m为可调变量个数。
4.如权利要求1所述的一种知识驱动粒子群优化的微波滤波器调试方法，其特征在于：步骤S4中，每个可调变量的变化范围由输出中对应可调变量的范围决定，即b表示为知识数量，即向训练好的知识模型中输入的满足要求的性能指标个数，t表示为第t个可调变量，t＝1,
…
,m，m为可调变量个数。5.如权利要求1所述的一种知识驱动粒子群优化的微波滤波器调试方法，其特征在于：步骤S5中，Y矩阵表示为：Y矩阵表示为：ω是角频率，i是虚数单位，λ
k
是Y矩阵的第k个极点，记为λ
k
＝[λ1,...,λ
m
]
T
，r
11k
是Y
11
和Y
21
的第k个留数，分别记为r
11
＝[r
111
,...
【专利技术属性】
技术研发人员：陈泓旭，曹卫华，郭琳炜，毕乐宇，杨豫龙，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：
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。