一种基于神经网络的S参数拟合方法与流程

本发明涉及微波网络建模电子设计自动化，具体涉及一种基于神经网络的s参数拟合方法。

背景技术：

1、s参数即散射参数，是描述多端口射频网络高频反射与传输特性的核心参数。在射频集成电路设计、高速互连分析和电磁兼容仿真中，s参数通常以离散频点的形式通过全波电磁仿真或矢量网络分析仪测量获得。随着射频系统工作频率向毫米波频段延伸，电路结构中的寄生效应、多路径反射和谐振现象愈发显著，s参数在宽频带内呈现出多共振、相位快速旋转和局部非平稳的特征。

2、传统的s参数拟合方法主要包括有理函数拟合、样条插值和多项式拟合。有理函数拟合虽然能够表征系统的零极点特性，但在频点分布不均匀、谐振峰密集的区域对模型阶次和初始值高度敏感，容易在谐振尖峰附近出现局部失真，且难以同时严格满足因果性、无源性和互易性等物理约束。样条插值在平滑区间表现良好，但在谐振峰陡峭处会丢失局部细节，产生吉布斯现象。多项式拟合在阶次升高后容易出现龙格现象，导致边缘区域振荡失真。

3、现有基于神经网络的s参数拟合方法多采用纯数据驱动的前馈网络结构，直接将频率值映射为s参数实部和虚部。这类方法存在三方面固有缺陷。其一，原始频域s参数为高维复数序列，直接输入网络存在信息冗余，梯度传播不稳定，在稀疏采样条件下泛化能力不足。其二，s参数在宽频带内属于非平稳信号，仅靠单一频域特征无法捕捉谐振峰邻域的局部时变特性，对相位跳变和群时延突变的表达能力有限。其三，纯数据驱动的神经网络不具备物理先验，输出结果可能违反无源网络的能量守恒定律，出现非因果响应或无源性破坏，导致后续电路仿真发散。

4、因此，亟需一种能够在稀疏采样条件下同时保证局部拟合精度和物理一致性的s参数拟合方法。

技术实现思路

1、本发明的目的是解决现有技术中存在的缺点，而提出.一种基于神经网络的s参数拟合方法，由处理器执行以下步骤：

2、s1：获取待拟合射频网络在目标频率范围内的离散s参数数据；

3、s2：对所述离散s参数数据进行预处理，得到标准化s参数数据集；

4、s3：对所述标准化s参数数据集执行逆傅里叶变换得到时域脉冲响应，对所述时域脉冲响应执行时间门控得到门控时域信号，对所述门控时域信号执行连续小波变换得到时频联合特征；

5、s4：根据相邻频点变化量、二阶变化量和模型不确定度计算频点加密指标，依据所述频点加密指标在所述目标频率范围内确定待补充频率点，通过所述变分自编码器的前向推理在所述待补充频率点处生成s参数补充数据，将所述s参数补充数据加入所述标准化s参数数据集得到增强数据集；

6、s5：构建包括编码器和解码器的变分自编码器，将所述时频联合特征输入所述编码器得到均值向量和方差向量，对所述均值向量和所述方差向量执行重参数化操作得到潜在变量，将所述潜在变量输入所述解码器得到连续频率点的s参数拟合值；

7、s6：在所述变分自编码器训练过程中，将因果性约束项、无源性约束项和互易性约束项加入损失函数，基于所述增强数据集对所述变分自编码器的权重进行迭代更新；

8、s7：输出所述目标频率范围内连续的s参数拟合结果。

9、优选的，对所述离散s参数数据进行预处理包括：

10、将所述离散s参数数据统一换算至50欧姆参考阻抗；

11、对频率轴执行去重、排序和归一化处理；

12、将复数s参数分解为实部分量和虚部分量；对相位分量执行相位展开操作；根据相邻频点变化量、局部曲率和重复测量偏差识别异常数据点，对所述异常数据点执行剔除、修正或降权处理；

13、对互易网络的s12参数和s21参数执行一致性校验。

14、进一步优选的，对所述标准化s参数数据集执行逆傅里叶变换得到时域脉冲响应包括：

15、将所述标准化s参数数据集重采样至等间隔频率网格；

16、对每个s参数通道执行逆快速傅里叶变换得到时域脉冲，所述逆快速傅里叶变换满足：

17、;

18、式中为频率采样点数，为第个频率点的频率值，为第个频率点的s参数复数值；根据所述时域脉冲响应的主瓣能量分布设置时间门控区间，所述时间门控区间的起始位置为主瓣峰值前5%等效时延位置，所述时间门控区间的结束位置为主瓣峰值后5%等效时延位置。

19、进一步优选的，对所述门控时域信号执行连续小波变换得到时频联合特征包括：采用morlet母小波对所述门控时域信号执行连续小波变换，所述连续小波变换满足：;式中为尺度参数，为平移参数，为母小波函数的复共轭；所述尺度参数的取值数量为32个；将原始频域特征、所述门控时域信号和连续小波变换输出特征在特征维度进行拼接，得到所述时频联合特征。

20、进一步优选的，根据相邻频点变化量、二阶变化量和模型不确定度计算频点加密指标包括：所述频点加密指标满足：

21、;

22、式中为第个频率点处s参数相对于第个频率点的一阶差分，为第个频率点处s参数的二阶差分，为第个频率点处的模型预测不确定度，、以及为权重系数；所述权重系数、以及满足；依据所述频点加密指标对所述目标频率范围内的频率区间按数值从大到小排序，在前30%的频率区间内插入所述待补充频率点。

23、进一步优选的，构建包括编码器和解码器的变分自编码器包括：

24、所述编码器包括多级一维卷积层、批归一化层和silu激活函数；所述一维卷积层的运算满足：

25、;

26、式中为卷积核权重参数，为偏置参数，为silu激活函数，所述silu激活函数满足；

27、所述解码器包括多层全连接层，所述全连接层的输出维度等于所述目标频率范围内频率点总数的2倍，分别对应s参数实部和虚部。

28、进一步优选的，对所述均值向量和所述方差向量执行重参数化操作得到潜在变量包括：所述潜在变量的近似后验分布表示为，式中为所述均值向量，为所述方差向量；所述重参数化操作满足：

29、

30、式中为从标准正态分布中采样得到的随机变量，为所述潜在变量。

31、进一步优选的，将因果性约束项、无源性约束项和互易性约束项加入损失函数包括：所述损失函数为联合损失函数，所述联合损失函数满足：

32、;

33、式中为重构损失项，为kl散度正则项，为因果性损失项，为无源性损失项，为互易性损失项，为平滑性损失项，、、以及为各项损失的权重系数；所述重构损失项分别计算s参数实部预测值与真实值的均方误差和s参数虚部预测值与真实值的均方误差；所述无源性损失项约束每个频率点处s参数矩阵的最大奇异值不大于1；所述互易性损失项约束s12参数预测值与s21参数预测值的差值的l2范数。

34、进一步优选的，基于所述增强数据集对所述变分自编码器的权重进行迭代更新包括：

35、采用adam优化器对所述变分自编码器进行端到端训练；

36、在反向传播过程中执行梯度裁剪操作，所述梯度裁剪操作将梯度范数限制在1.0以下；

37、当验证集连续20轮训练迭代的损失值未下降时停止训练；

38、当验证集上s参数幅值误差超过0.5db或存在频率点处s参数矩阵最大奇异值大于1时，返回执行频点加密指标计算步骤，重新确定待补充频率点并对所述变分自编码器进行再次训练。

39、进一步优选的，获取待拟合射频网络在目标频率范围内的离散s参数数据包括：

40、通过矢量网络分析仪对待拟合射频网络进行扫频测量得到测量s参数数据；或者，在电子设计自动化环境中调用全波电磁求解器对参数化版图结构进行电磁仿真得到仿真s参数数据；

41、或者，将所述测量s参数数据和所述仿真s参数数据在频率维度进行合并得到组合s参数数据；

42、所述待拟合射频网络包括片上电感、射频滤波器、连接器、封装互连结构和高速传输通道。

43、技术效果：本发明通过逆傅里叶变换将频域s参数映射至时域，经时间门控抑制非物理反射分量，再通过连续小波变换提取多分辨率时频特征，解决了单一频域特征对非平稳谐振特性表达不足的问题。基于频点变化量和模型不确定度的自适应加密机制，在谐振区和相位快速变化区动态补充采样点，降低了稀疏采样条件下的局部失真。变分自编码器架构结合重参数化技巧提升了模型泛化能力，因果性、无源性和互易性多物理约束的联合训练保证了拟合结果严格符合射频网络物理规律，输出结果可直接用于后续电路仿真。