用于微波负群时延电路谐振结构的联合仿真优化方法及系统技术方案

本发明专利技术提供了一种用于微波负群时延电路谐振结构的联合仿真优化方法及系统，方法如下：

【技术实现步骤摘要】
用于微波负群时延电路谐振结构的联合仿真优化方法及系统


[0001]本专利技术属于微波谐振器
，特别是涉及一种微波负群时延电路谐振结构的联合仿真优化方法及系统
。

技术介绍

[0002]微波信号的延迟是微波领域最具有挑战性的问题之一，它会对现代的通信系统性能产生很大的影响
。
为了克服这一个问题，目前引入了一种具有群时延
(GD)
斜率控制的全通滤波器，从而提高了模拟信号的处理分辨率
。
但大多数全通滤波器技术通常复杂且不足以抵抗群时延效应
。
一种基于负群时延
(NGD)
函数的新兴技术通过具有
NGD
功能的电路来中和
GD
效应
。
微波负群时延电路是一种在微波频率范围内实现了信号的群速度大于相速度，导致信号包络前沿的出现超前于信号的本身的现象
。
该技术在雷达
、
通信系统和信号处理系统中发挥了很大的作用，
NGD
均衡技术可以消除信号完整性工程师经常遇到的电阻电容
(RC)
和电感电容
(LC)
互联效应
。
除了延迟问题外，
NGD
功能还被用来改善射频和微波器件的性能，如前馈放大器线性化
、
独立频率相移器
、
通过消除波束斜视的天线阵列等
。NGD
功能最初是在微波频率下通过非常复杂且损耗极大的电路来实验的，因此存在巨大的局限性
。
因此，出现了一种基于传输线
(TL)
和耦合线
(CL)
的设计，就设计过程而言，串联和并联
RLC
谐振网络是基本且常见的
NGD
电路单元
。
而通常来说，人工设计微波负群时延电路的谐振单元是复杂和困难的，因而找出对微波负群时延电路的谐振单元优化方法是亟需解决的问题
。

技术实现思路

[0003]针对上述现有技术存在的问题，本专利技术提供了一种用于微波负群时延电路谐振结构的联合仿真优化方法及系统，相较于现有技术，本专利技术可以快速
、
可靠
、
方便的得到性能优良的微波负群时延电路的谐振结构布局，且不需要依靠过多的专家经验，使得该优化技术的通用性更高
。
[0004]本专利技术采用以下技术方案：
[0005]一种用于微波负群时延电路谐振结构的联合仿真优化方法，其步骤包括：
[0006]S1、
初始设定需要优化的谐振器所在区域，并将该区域网格化为
M
×
N
个同等大小的矩形单元
。
[0007]S2、
初始化描述谐振结构环境状态的状态集和用于调整谐振结构的动作集
。
[0008]S3、
初始化定义的网络模型参数，包括新的策略网络和旧的策略网络，以及价值网络的网络参数
。
[0009]S4、
根据对当前谐振结构环境状态的状态描述，从旧的策略网络获取下一个调整的动作，并对动作添加随机噪声用于增强探索能力，将与环境交互后得到的当前状态
、
当前动作
、
下一个状态
、
奖励值存放到经验回放池中
。
[0010]S5、
重复步骤
S4
，直至达到设定的最大迭代次数，总迭代次数大约等于网格化的数量即
M
×
N。
[0011]S6、
通过获得的最终谐振结构的环境状态矩阵，建立微波负群时延电路的模型脚本进行协同仿真，自动构建环境状态所描述的谐振器结构，以及整个微波负群时延电路，获得仿真数据
。
[0012]S7、
根据得到的仿真数据，获取所需要的负群时延和传输系数，通过这些数据来计算奖励值
。
[0013]S8、
通过经验回放池中存放的当前状态集
、
下一个状态集
、
当前动作集和奖励集来计算优势函数
。
[0014]S9、
通过步骤
S8
计算得到的优势函数来计算新的策略网络和价值网络的损失函数，从而多次更新新的策略网络和价值网络的参数
。
[0015]S10、
将多次更新后新的策略网络的参数复制给旧的策略网络
。
[0016]S11、
重复步骤
S4
‑
S10
，直至策略网络和价值网络收敛，最终得到优化后的谐振结构
。
[0017]进一步的，步骤
S2
中表述的谐振结构状态集，表示为：
[0018]S
t
＝
{z1,z2,
…
,z
M
×
N
‑1,z
M
×
N
}
[0019]其中，
S
t
表示谐振结构的状态集；
M
和
N
分别表示网格化后的谐振结构的行数和列数；
z
M
×
N
表示第
M
行
N
列的状态值，被描述为1或0，1代表覆铜
、0
代表刻蚀
。
[0020]特别的，步骤
S2
中表述的动作集可以表述为多种方式，包括：
[0021]1、A
t
＝
{Etch,non
‑
Etch}
[0022]其中，
A
t
表示谐振结构调整的动作集；
Etch
和
non
‑
Etch
用于表示是否侵蚀；在该动作方式下，会轮流对整个环境状态进行判断，从第1行第1列的单元到第
M
行第
N
列的单元判断是否需要侵蚀
。
[0023]2、A
t
＝
{X
t
,Y
t
}
[0024]其中，
A
t
表示谐振结构调整的动作集；
X
t
和
Y
t
分别表示在规定的谐振器优化区域中的坐标位置；选定的目标位置将会覆上一块标准面积的铜，其余位置被侵蚀
。
[0025]3、A
t
＝
{round(X
t
),round(Y
t
)}
[0026]其中，
A
t
表示谐振结构调整的动作集；
round(X
t
)
和
round(Y
t...

【技术保护点】

【技术特征摘要】
1.
用于微波负群时延电路谐振结构的联合仿真优化方法，其特征是包括如下步骤：
S1、
初始设定需要优化的谐振器所在区域，并将该区域网格化为
M
×
N
个同等大小的矩形单元；
S2、
初始化描述谐振结构环境状态的状态集和用于调整谐振结构的动作集；
S3、
初始化定义的网络模型参数，包括新的策略网络和旧的策略网络以及价值网络的网络参数；
S4、
根据对当前谐振结构环境状态的状态描述，从旧的策略网络获取下一个调整的动作，并对动作添加随机噪声，将与环境交互后得到的当前状态
、
当前动作
、
下一个状态
、
奖励值存放到经验回放池中；
S5、
重复步骤
S4
，直至达到设定的最大迭代次数；
S6、
通过获得的最终谐振结构的环境状态矩阵，建立微波负群时延电路的模型脚本进行协同仿真，自动构建环境状态所描述的谐振器结构，以及整个微波负群时延电路，获得仿真数据；
S7、
根据得到的仿真数据，获取所需要的负群时延和传输系数，计算奖励值；
S8、
通过经验回放池中存放的当前状态集
、
下一个状态集
、
当前动作集和奖励集计算优势函数；
S9、
通过步骤
S8
计算得到的优势函数计算新的策略网络和价值网络的损失函数，从而多次更新新的策略网络和价值网络的参数；
S10、
将多次更新后新的策略网络的参数复制给旧的策略网络；
S11、
重复步骤
S4
‑
S10
，直至策略网络和价值网络收敛，最终得到优化后的谐振结构
。2.
如权利要求1所述用于微波负群时延电路谐振结构的联合仿真优化方法，其特征是，步骤
S2
中，谐振结构环境状态的状态集表示为：
S
t
＝
{z1,z2,
…
,z
M
×
N
‑1,z
M
×
N
}
其中，
S
t
表示谐振结构的状态集；
M
和
N
分别表示网格化后的谐振结构的行数和列数；
z
M
×
N
表示第
M
行
N
列的状态值，被描述为1或0，1代表覆铜
、0
代表刻蚀
。3.
如权利要求1所述用于微波负群时延电路谐振结构的联合仿真优化方法，其特征是，步骤
S2
中，的动作集包括：
1)A
t
＝
{Etch,non
‑
Etch}
其中，
A
t
表示谐振结构调整的动作集；
Etch
和
non
‑
Etch
分别表示侵蚀和不侵蚀；在该动作方式下，轮流对整个环境状态进行判断，从第1行第1列的单元到第
M
行第
N
列的单元判断是否需要侵蚀；
2)A
t
＝
{X
t
,Y
t
}
其中，
A
t
表示谐振结构调整的动作集；
X
t
和
Y
t
分别表示在规定的谐振器优化区域中的坐标位置；选定的目标位置将覆上一块标准面积的铜，其余位置被侵蚀；
3)A
t
＝
{round(X
t
),round(Y
t
)}
其中，
A
t
表示谐振结构调整的动作集；
round(X
t
)
和
round(Y
t
)
分别表示获取一个第
X
t
行第
Y
t
列的坐标点，该坐标点位置将覆上一块标准面积的铜，其余位置将被侵蚀
。4.
如权利要求1所述用于微波负群时延电路谐振结构的联合仿真优化方法，其特征是，步骤
S3
中，网络模型由卷积神经网络构成，其中策略网络输出的动作值遵从
Beta
分布，表示
为：其中，
f(x
；
α
,
β
)
表示
Beta
分布的概率密度函数，
B(
α
,
β
)
为
Beta
函数，
Γ
为
Gamma
函数，是阶乘函数在实数与复数上扩展的一类函数；
α
和
β
是
Beta
分布的系数，用以控制
Beta
分布的概率密度函数
。5.
如权利要求1所述用于微波负群时延电路谐振结构的联合仿真优化方法，其特征是，步骤
S4
中，旧的策略网络根据当前的环境状态获取下一个动作，并在动作中添加随机的动作噪声，表示为：其中，
A
t
表示根据当前环境状态
S
t
得到的下一个动作值；表示旧的策略网络；
θ
A
表示旧的策略网络的网络参数；
N
t
表示为随机噪声；
β
表示当前所用的动作集
。6.
如权利要求1所述用于微波负群时延电路谐振结构的联合仿真优化方法，其特征是，步骤
S6
中，基于全波电磁仿真软件的协同仿真由
python
和
HFSS
联合仿真来完成
。7.
如权利要求1所述用于微波负群时延电路谐振结构的联合仿真优化方法，其特征是，步骤
S7
中，根据得到的仿真数据，计算...

【专利技术属性】
技术研发人员：潘佳浩，胡晓萍，钱程，徐军明，赵文生，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：