【技术实现步骤摘要】
本专利技术涉及通讯，尤其涉及的是一种基于pid控制器的滤波器辅助调试方法、系统及介质。
技术介绍
1、滤波器调试，俗称挖腔体，是指通过旋转调谐盖板上的调谐螺杆，将滤波器的s参数(以s11和s21为主)调整到要求的数据范围内。在具体调试时，通常是先将回波损耗调整下来，再调整差损及抑制，说起来简单，只需要旋转调谐螺杆即可，但在实际操作上，即使同样的产品，由不同的调试员来处理，所耗费的时间也相差甚大，简单的产品有些调试员可以在4～5分钟完成整个调试工作，有些调试员则需要半小时甚至一小时，差别极大，与调试员的经验、对相应类别滤波器的熟悉程度等因素都有关系，因此传统的滤波器调试方法存在调试效率低、时间消耗大以及对调试员经验的依赖较高的问题。
2、为了克服传统滤波器调试所存在的问题，滤波器辅助调试软件应用而生，比如申请号为2023112684330的专利技术专利申请公布了一种多调谐螺杆滤波器辅助调试方法、系统及存储介质，其包括步骤：
3、s100、接收人工输入的s参数理论数据；
4、s200、通过网络分析仪采集滤波器的s参数初始数据以及调试员调整滤波器每个调谐螺杆带来的s参数变化数据，并进行预处理后生成s参数数据集；
5、s300、利用机器学习算法构建耦合效应模型，并使用s参数数据集进行所述耦合效应模型的训练及验证，直至耦合效应模型输出的s参数验证数据与s参数理论数据之间的误差小于预设阈值；
6、s400、通过网络分析仪采集待调试滤波器的s参数当前数据；
7、s500、
8、s600、根据所述s参数预测数据设定目标函数；
9、s700、根据所设定的目标函数计算结果，确定应调整高度的螺杆、调整顺序及目标参数值，并显示于计算机屏幕；
10、s800、重复步骤s400至s700，直至滤波器调试完成。
11、该专利技术专利申请旨在利用机器学习算法构建耦合效应模型，利用该模型预测s参数的变化情况，以此来确定需要调整的螺杆及调整顺序，以解决传统滤波器辅助调试软件因多个误差累积导致最终调试结果与理论预期差别较大的问题；但在实际操作时，矢量网络分析仪本身存在的温度漂移导致s参数的测量稳定性较差(元器件在不同温度下的输出、灵敏度和稳定性会产生变化，是硬件存在的固有特性，基本不可能消除，对于滤波器辅助调试而言，源模块和混频器的温度漂移尤为关键)，也就导致调试结果的不确定性，尤其是机器学习算法在构建耦合效应模型时依赖于训练数据，而训练数据依赖矢量网络分析仪的测量稳定性。
12、可见，现有技术还有待于改进和发展。
技术实现思路
1、鉴于上述现有技术的不足，本专利技术的目的在于提供一种基于pid控制器的滤波器辅助调试方法、系统及介质，旨在解决现有滤波器辅助调试方法因矢量网络分析仪温漂导致训练数据不准确，进而导致所构建耦合效应模型泛化能力较差的问题。
2、本专利技术的技术方案如下：
3、一种基于pid控制器的滤波器辅助调试方法，其包括：
4、s100、采集标定实验中不同温度下的第一s参数，以及实际调试环境中不同温度下的第二s参数，并构建温度与数据误差关系模型；
5、s200、采集当前矢量网络分析仪内部温度，并利用所构建的温度与数据误差关系模型计算数据采集误差；
6、s300、利用矢量网络分析仪采集待调试滤波器的实际s参数，并根据目标s参数计算s参数误差；
7、s400、pid控制器以所述数据采集误差及s参数误差作为输入，通过以下公式计算输出数据：
8、
9、e(t)＝ω1*etem(t)+ω2*es(t)，
10、其中，μ(t)表示pid控制器所输出的数据，包括：各个调谐螺杆的应旋转方向及应旋转圈数；e(t)为对数据采集误差与s参数误差分配权重后计算所得综合误差；kp是比例增益，表示当前误差对输出的直接影响；ki是积分增益，表示误差随时间的积累对输出的影响；kd是微分增益，表示误差变化率对输出的影响；e(w)是误差信号，表示系统的期望输出与实际输出之间的差异，表示从0到t时刻的误差e(w)随时间的积分，etem(t)是温度误差，反映了实际温度与标定实验温度之间的差异；es(t)表示s参数误差；ω1和ω2分别为温度误差和s参数误差的权重系数；
11、s500、待调试人员旋转调谐螺杆后，重新执行步骤4，直至调试完成。
12、上述方案的效果在于：温度与数据误差关系模型充分考虑了环境温度对s参数的影响，包括元器件在不同温度下的输出、灵敏度和稳定性的变化，因此它能够准确解读环境温度引起的测量误差，为后续pid控制器的输出提供了准确的基础数据；而采集当前矢量网络分析仪内部温度，并结合温度与数据误差关系模型，系统能够精准地计算数据采集误差，确保了系统对于温度变化导致的误差能够得到及时、准确的补偿，从而提高了整个系统的稳定性和可靠性；而后，pid控制器通过比例、积分和微分三个控制参数对数据采集误差和s参数误差进行综合调整，由于温度与数据误差关系模型提供了准确的温度影响下的实际数据，pid控制器在输出时能够更加准确地了解系统的实际状态，从而更有针对性地进行调整，使得系统具备了更强的适应性和鲁棒性，能够更好地适应不同环境条件下的调试需求；总的来说，通过温度与数据误差关系模型的准确解读，系统能够更好地理解环境温度对测量误差的影响，从而在pid控制器输出时提供准确的实际数据，进而使得系统整体性能得到显著提升，有效解决了传统调试方法中因温度漂移引起的数据不准确的问题。
13、在进一步地优选方案中，所述s100具体包括：
14、进行标定实验，在不同温度下采集第一s参数，并采集实际调试环境中的第二s参数，同时记录温度和相应的数据误差；
15、对采集的数据进行预处理，并将所采集的数据分为训练集及验证集；
16、设定线性关系为e(t)＝β0+β1*温度+ε的线性回归模型，其中，温度为当前的温度，β0和β1为线性回归模型的参数，ε为误差项；
17、通过最小二乘法利用所述训练集对线性回归模型进行训练；
18、使用所述验证集验证所述线性回归模型的性能，若验证不通过则对β0和β1进行优化并重新训练及验证，直至验证通过。
19、上述方案的效果在于：数据集包含了在不同温度条件下滤波器的真实响应，为构建温度与数据误差关系模型提供了可靠的基础；而之所以选择线性回归模型是因为它能够较好地描述温度与数据误差之间的趋势关系；模型中的参数β0和β1通过最小二乘法进行训练，确保了模型能够准确地反映温度对数据误差的影响；而后，训练集和验证集确保了模型对于不同温度下的数据误差的准确拟合和泛化能力；最终所建立的温度与数据误差关系模型提高了系统对环境温度变化的适应性，即使在矢量网络分析仪温度漂移引起的不稳定情况下，温度与数据本文档来自技高网...
【技术保护点】
1.一种基于PID控制器的滤波器辅助调试方法，其特征在于，包括：
2.根据权利要求1所述的基于PID控制器的滤波器辅助调试方法，其特征在于，所述S100具体包括：
3.根据权利要求2所述的基于PID控制器的滤波器辅助调试方法，其特征在于，所述通过最小二乘法利用所述训练集对线性回归模型进行训练的步骤具体包括：
4.根据权利要求2所述的基于PID控制器的滤波器辅助调试方法，其特征在于，所述使用所述验证集验证所述线性回归模型的性能，若验证不通过则对β0和β1进行优化并重新训练及验证，直至验证通过的步骤包括：
5.根据权利要求1所述的基于PID控制器的滤波器辅助调试方法，其特征在于，所述S400中微分项的计算方法为：定义时间步长为Δt，并利用前向差分估算公式计算微分项
6.根据权利要求1所述的基于PID控制器的滤波器辅助调试方法，其特征在于，所述S400中积分增益和微分增益的确定方法包括步骤：
7.根据权利要求1所述的基于PID控制器的滤波器辅助调试方法，其特征在于，所述温度误差ω1和S参数误差ω2的权重系数确定方法
8.一种用于实现基于PID控制器的滤波器辅助调试方法的系统，其特征在于，包括存储器及处理器，所述存储器用于存储基于PID控制器的滤波器辅助调试程序，所述处理器用于运行基于PID控制器的滤波器辅助调试程序以实现如权利要求1至7中任意一项所述的基于PID控制器的滤波器辅助调试方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于PID控制器的滤波器辅助调试方法的步骤。
...【技术特征摘要】
1.一种基于pid控制器的滤波器辅助调试方法，其特征在于，包括：
2.根据权利要求1所述的基于pid控制器的滤波器辅助调试方法，其特征在于，所述s100具体包括：
3.根据权利要求2所述的基于pid控制器的滤波器辅助调试方法，其特征在于，所述通过最小二乘法利用所述训练集对线性回归模型进行训练的步骤具体包括：
4.根据权利要求2所述的基于pid控制器的滤波器辅助调试方法，其特征在于，所述使用所述验证集验证所述线性回归模型的性能，若验证不通过则对β0和β1进行优化并重新训练及验证，直至验证通过的步骤包括：
5.根据权利要求1所述的基于pid控制器的滤波器辅助调试方法，其特征在于，所述s400中微分项的计算方法为：定义时间步长为δt，并利用前向差分估算公式计算微分项
6.根据...
【专利技术属性】
技术研发人员：储杰，叶建刚，王世慧，王世远，
申请(专利权)人：苏州旭澜达通讯技术有限公司，
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。