基于核机器学习的微波滤波器辅助调试方法技术

本发明专利技术公开了一种基于核机器学习的微波滤波器辅助调试方法，主要解决现有技术没有建立螺栓调整量与耦合矩阵变化量之间关系模型的问题。该方法根据工程中测量的滤波器Ｓ参数，通过抽取其耦合矩阵和进行数据处理，得到归一化的螺栓调整量和耦合矩阵变化量的数据样本集；根据这些样本集，使用核机器学习算法建立了螺栓调整量对耦合矩阵变化量影响的模型，通过修正理想耦合矩阵，获得了螺栓调整量对电性能影响的机器学习模型；最后根据此机器学习模型，构建了滤波器螺栓调整量的最优调整模型；求解该最优调整模型，计算得到滤波器各个调整螺栓的调整量。本发明专利技术能够快速、准确地进行滤波器辅助调试，可用于大批量生产的滤波器辅助调试。

【技术实现步骤摘要】

本专利技术属于微波滤波器
，具体是一种基于核机器学习的微波滤波器辅助调试 方法，用于指导或辅助微波滤波器的调试。
技术介绍
微波滤波器广泛地应用于通信系统中。在实际生产中，由于加工精度和装配误差的影 响，滤波器的调试不可缺少。然而，由于滤波器的调整螺栓对电性能的影响规律非常复杂， 使得调试工作困难。目前工程中都是依靠人工经验进行调试，调试过程比较费时、费力， 并且需要调试人员的经验丰富；对于新调试人员，很难胜任这样的工作。如果要大批量生 产滤波器，通常要聘请很多经验丰富的调试人员，使得滤波器的生产成本增加，周期延长。 因此，为了减轻滤波器调试的难度，縮短调试时间以及对降低调试人员调试经验的要求， 研究微波滤波器辅助调试方法以指导和帮助滤波器的调试，这是非常必要的。 目前，在国内外公开的微波滤波器辅助调试方法主要有如下几种(1) 使用等效电路模型和耦合矩阵的优化调试。根据滤波器的实测S参数，采用优化方 法逼近得到时域和频域等效电路模型的耦合矩阵，然后与理想(设计)耦合矩阵进行对比， 根据它们之间的差异来指导调试。这种方法仅仅给出耦合矩阵之间的差异，不能得到滤波 器调整螺栓的调整量以直接指导工程人员调试。如在MasoudKahrzi， Safieddin Safavi-Naeini, Sujeet K. Chaudhuri,et al. Computer Diagnosis and Tuning of RF and Microwave Filters Using Model-Based Parameter Estimation. IEEE Transactions on Circuits and Systems, vol.49,no.9,2002.中采用了频域的等效模型得到耦合矩阵。在《空间电子技术》2004年第1 期的文献"一种微波滤波器的机辅调试的新方法"(李胜先等着)中采用了时域方法得到 其耦合矩阵。(2) 使用耦合矩阵抽取和灵敏度的调整方法。该方法通过优化的方法抽取得到耦合矩阵， 然后灵敏度采用线性化假设，建立了螺栓调整量和耦合矩阵变化量之间的近似模型。由于 螺栓调整量和耦合矩阵变化量之间的关系是非线性的，线性化的假设限制了该方法的应用 范围。这禾中方法在Peter Harscher, Rudiger Vahldieck,Smain Amari争Automated Filter Tuning Using Generalized Low-Pass Prototype Networks and Gradient-Based Parameter Extraction.IEEE Transaction on Microwave Theory and Techniques, vol.49, no. 12,2001 .中有报导。(3) 基于模式识别和自适应信号处理技术的机器学习调整方法。该方法采用模式识别中 的聚类方法对实测的S参数数据抽取得到特征参数，使用自适应信号处理技术建立了螺栓 调整量和特征参数的之间的关系模型。该方法应用的不足是特征参数抽取的准确性。该方 法在文献Ahmad R. Mirzai, Colin F. N. Cowean, Tom M. Crawford. Intelligent Alignment of Waveguide Filters Using a Machine Learning Approach. IEEE Transaction on Microwave Theory and Techniques, vol.37，no.1,1989.中有报导。(4) 基于模糊逻辑的辅助调试方法。该方法利用模糊逻辑、耦合矩阵的综合方法以及人 类的专家信息结合在一起实现辅助调试。然而该方法只能给出耦合矩阵之间的差异，不能 得到调整量以直接指导工程人员调试，并且存在需要较多的模糊规则库和数据样本以及专 家知识获取的困难。该方法在文献Vahid Miraftab, Raafat R. Computer-aided Tuning of Microwave Filters Using Fuzzy Logic, IEEE Transaction on Microwave Theory and Techniques, vol.50，no. 12，2002.中有报导。上面文献提出的滤波器辅助调试方法存在以下几个缺陷l)从滤波器实测S参数中抽 取耦合矩阵，并与设计耦合矩阵对比，该方法只能给出二者之间的差异，不能直接给出滤 波器螺栓的调整量，无法在实际的工程中应用。2)调整量对耦合矩阵变化量影响的灵敏 度采用线性化假设，该假设与实际不符合，使得调试效果受到限制。3)基于模糊逻辑和 模式识别的调整方法存在需要较多的模糊规则库和数据样本以及特征参数准确抽取和专 家知识获取的困难。
技术实现思路
本专利技术的目的是避免现有方法的不足，提供一种基于核机器学习的微波滤波器辅助调 试方法，它可以用于指导或辅助微波滤波器的调试。它比较适合大规模批量生产的微波滤 波器调试中，以縮短调试时间，提高滤波器的调试效率。实现本专利技术目的的技术方案是，根据工程中测量的滤波器S参数，通过抽取其耦合矩 阵和进行数据处理，得到归一化的螺栓调整量和耦合矩阵变化量的数据样本集；根据这些 样本集，使用核机器学习算法建立了螺栓调整量对耦合矩阵变化量影响的模型，通过修正 理想耦合矩阵，获得了螺栓调整量对电性能影响的机器学习模型；最后根据此机器学习模 型，构建了滤波器螺栓调整量的最优调整模型；求解该最优调整模型，计算得到滤波器各 个调整螺栓的调整量。具体过程包括(1)针对一个预先设定基准Z^的滤波器，通过改变螺栓调整量AD，使用矢网测量对7应的滤波器传输参数521和反射参数5 ;(2) 根据测量的521和5,,，抽取对应的耦合矩阵，获得实验的螺栓调整量和对应的耦合 矩阵数据样本集i ;(3) 对数据样本/ 进行归一化，得到实验的螺栓调整量和对应的耦合矩阵变化量的数据 集Z;(4) 根据所得到的资料集Z ，利用核机器学习算法建立螺栓调整量和耦合矩阵变化量之 间的核机器学习模型JM，并使用J3/对耦合矩阵修正，建立实验的螺栓调整量对滤波器 电性能影响的机器学习模型&7^'(/)和ST1,/);(5) 根据机器学习模型&7^(/)和s;rd"(/)，离线建立微波滤波器实验的螺栓调整量的优化调整模型；(6) 将所述的传输参数&,和反射参数Su数输入到离线建立的优化调整模型中，通过 计算机在线计算，得到滤波器各个螺栓的实际调整量，辅助滤波器调试。步骤(4)所述的"利用核机器学习算法建立螺栓调整量和耦合矩阵变化量之间的核机器 学习模型JA/"，按如下过程进行a) 将归一化后的数据样本集合Z分成训练样本r和检验样本F两部分；b) 根据训练样本r，使用核机器学习算法分别建立螺栓调整量和耦合矩阵中各单元变化量的元模型A^为；式中K(AD,AZ^卜p(AZ)。^(AZ))表示核函数，它是非线性映像函数p(AZ)J在高维特 征空间的内积，A表示拉格朗日乘子，6表示偏置项；c)利用检验数据样本7验证所建立的各个元模型么附,,的准确性，如果模型本文档来自技高网...

【技术保护点】
一种基于核机器学习的微波滤波器辅助调试方法，包括如下过程：　（１）针对一个预先设定基准Ｄ↓［０］的滤波器，通过改变螺栓调整量ΔＤ，使用矢网测量对应的滤波器传输参数Ｓ↓［２１］和反射参数Ｓ↓［１１］；　（２）根据测量的Ｓ↓［２１］ 和Ｓ↓［１１］，抽取对应的耦合矩阵，获得实验的螺栓调整量和对应的耦合矩阵数据样本集Ｒ；　（３）对数据样本Ｒ进行归一化，得到实验的螺栓调整量和对应的耦合矩阵变化量的数据集Ｚ；　（４）根据所得到的数据集Ｚ，利用核机器学习算法建立螺栓 调整量和耦合矩阵变化量之间的核机器学习模型ΔＭ，并使用ΔＭ对耦合矩阵修正，建立实验的螺栓调整量对滤波器电性能影响的机器学习模型↓［２１］↑［ｍｏｄｅｌ］（ｆ）和Ｓ↓［１１］↑［ｍｏｄｅｌ］（ｆ）；　（５）根据机器学习模型Ｓ↓［２１］↑ ［ｍｏｄｅｌ］（ｆ）和Ｓ↓［１１］↑［ｍｏｄｅｌ］（ｆ），离线建立微波滤波器实验的螺栓调整量的优化调整模型；　（６）将所述的传输参数Ｓ↓［２１］和反射参数Ｓ↓［１１］数输入到离线建立的优化调整模型中，通过计算机在线计算，得到滤波器各个 螺栓的实际调整量，辅助滤波器调试。...

【技术特征摘要】

【专利技术属性】
技术研发人员：段宝岩，黄进，唐波，王一凡，熊长武，周金柱，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87[中国|西安]