一种基于耦合矩阵的滤波器自迭代优化算法
本发明属于通信,具体涉及一种基于耦合矩阵的滤波器自迭代优化算法。
背景技术:
1、随着无线通信技术持续向高速率、低时延、广覆盖方向演进,5g、6g 及卫星通信等场景不断普及,系统对射频前端的插损、带外抑制、带宽适配性与稳定性等性能要求日益严苛。微波滤波器作为射频前端中实现频率选择与干扰抑制的关键器件,其性能直接决定通信系统的信号质量与抗干扰能力。
2、现有微波滤波器设计多依赖传统等效电路综合、经验参数迭代与常规电磁仿真优化,在现代通信高频化、集成化、宽带化需求下存在明显局限。首先,设计依赖人工经验与固定拓扑,传统方法基于经典滤波器结构,需工程师根据指标反复调整耦合矩阵、谐振单元尺寸,难以应对复杂场景下的非规则、多约束结构,创新性拓扑挖掘能力不足。其次,迭代效率低、周期长。常规电磁仿真单次计算耗时久,多参数优化需大量迭代,面对宽带、小型化滤波器时,参数空间复杂度陡增,易陷入局部最优解,无法快速获得全局最优结构,难以适配当前高速迭代的技术节奏。再者,多物理场与工程约束适配性差。现有设计方法多侧重电磁性能优化,对加工公差、温度漂移、介质损耗、装配误差等实际工程因素考虑不足,仿真结果与实物性能偏差较大,后期调试成本高。同时,针对封装集成、多端口复用等场景,缺乏一体化协同设计能力,易出现寄生耦合、带内波动恶化等问题。此外,智能化与自动化程度低。传统算法难以高效处理高维、非线性设计空间,虽引入部分智能优化算法,但模型泛化性弱,对不同频段、不同结构滤波器需重新训练或调整参数,无法实现快速迁移设计。整体而言,现有方法在设计效率、优化精度、工程鲁棒性及智能化水平上均存在短板,已难以满足新一代射频器件高性能、小型化、高可靠性的设计需求。
技术实现思路
1、人工神经网络(artificial neural network,简称ann)是受生物神经元结构启发构建的计算模型,由多层节点相互连接构成,通过数据训练自主学习输入与输出间的非线性映射关系。它具备拟合复杂函数、处理高维信息和模式识别的能力,广泛用于优化、预测与智能设计。
2、针对现有微波滤波器设计方法的局限性,本发明提供一种基于耦合矩阵的滤波器自迭代优化算法,通过构建“仿真-提取-优化-验证”的闭环架构,实现从初始几何参数到频率响应的自动化迭代寻优。该算法无需预先建立全参数空间的代理模型,而是借助耦合矩阵实现频率响应与几何参数的高效映射,结合ann代理模型以及其他优化模块调整几何变量,从而快速完成微波滤波器的设计。
3、如图1所示,本发明所述的滤波器自迭代优化算法,其包括以下实施步骤:
4、步骤g1,电磁建模仿真。使用电磁仿真软件对待设计的微波滤波器进行建模和电磁仿真,得到以s2p文件存放的s参数数据;
5、步骤g2,s参数转化。从s2p文件提取s参数数据,进行矢量拟合,并转化为与微波滤波器拓扑对应的耦合矩阵,并将耦合矩阵的元素提取出来构建一个一维向量,称为耦合矩阵元素向量,最终形成几何参数向量-耦合矩阵元素向量数据集;
6、步骤g3,目标耦合矩阵调整。通过分析当前所有数据集中的耦合矩阵与目标耦合矩阵之间的差距,判定是否调整目标耦合矩阵;
7、步骤g4,几何参数优化调整。对几何参数向量-耦合矩阵元素向量数据集进行预处理,将其导入到优化算法模块中,各自迭代给出最佳几何参数;
8、步骤g5,仿真验证。将最佳几何参数代入电磁仿真软件进行仿真验证。如果仿真结果达到微波滤波器的技术指标要求,则设计完成;否则,返回到步骤1,继续进行迭代。
9、进一步,在步骤g2中,通过矢量拟合算法将s参数转换为耦合矩阵表示,使用旋转消元与特征值优化相结合的策略实现耦合矩阵的准确提取。针对大规模数据处理场景,设计了基于文件时间戳的缓存机制以提升处理效率。
10、进一步,在步骤g2中,将实际频率响应变换为归一化低通频域中的频率响应。
11、 (1)
12、其中,f是实际频率响应的频率变量,是中心频率,是相对带宽,f1和f2为通带边界。s=jω是归一化低通频域中的频率变量。
13、进一步,在步骤g2中,对归一化低通频域中的频率响应进行矢量拟合,获得留数r、极点p和常数d。通过滤波多项式f(s)和p(s)计算反射零点zr,i和传输零点zt,i。
14、 (2)
15、再利用feldtkeller方程构建滤波多项式e(s),进而得到y参数,根据y参数与耦合矩阵元素关系得到耦合矩阵元素mi,j,其中,i or j=1, …, n,n是耦合矩阵的阶数。
16、 (3)
17、其中,pi为y参数的第i个极点,r22,i和r21,i为对应y参数的第i个留数。将所得到的耦合矩阵元素构建全横向拓扑的耦合矩阵,通过旋转矩阵消元将其转换为与微波滤波器物理拓扑对应的耦合矩阵。在实际操作中,耦合矩阵的某些矩阵元素本应为零,但是由于数值误差可能出现微小非零值。因此,采用特征值约束优化进行精细修正,得到新耦合矩阵。精细修正通过最小化以下目标函数loss实现。
18、 (4)
19、其中,为耦合矩阵的第k个特征值,为新耦合矩阵的第k个特征值,μk为耦合矩阵去除首行首列子矩阵的第k个特征值,为新耦合矩阵去除首行首列子矩阵的第k个特征值,为耦合矩阵去除末行末列子矩阵的第k个特征值,为新耦合矩阵去除末行末列子矩阵的第k个特征值。
20、由于耦合矩阵是对称矩阵,仅保留上三角元素,将其作为耦合元素向量,与几何参数构成的向量形成几何参数向量-耦合矩阵元素向量数据。
21、另外,由于耦合矩阵每一次的提取逻辑是提取指定文件夹下的所有数据,可能会导致重复提取的情况发生。当数据库不断增大时,这一重复过程会显著拖慢程序运行。于是添加了数据缓存策略。该数据缓存策略会将每一次提取的结果进行缓存,并以s2p文件的生成时间作为识别码。当检测到一个s2p文件的文件名和生成时间与缓存数据相同时,会自动调用缓存数据而不重新提取,减少提取时间。该策略可将增量处理的时间复杂度从o(n)降至o(),其中n为文件总数,为新增/修改文件数。
22、在步骤g3中,目标耦合矩阵必须严格对应微波滤波器的物理拓扑,如果两者之间存在偏差,则会导致设计始终无法满足微波滤波器的技术指标要求。例如,波滤波器的物理拓扑中可能会存在一些额外的耦合,如果目标耦合矩阵没有考虑这些耦合,就会存在偏差。在设计迭代过程中,需要调整目标耦合矩阵,使其严格对应微波滤波器的物理拓扑。本发明提供了目标耦合矩阵的自适应调整算法,其包括以下实施步骤:
23、步骤t1,在已得到的s2p文件集中,选取最接近待设计微波滤波器技术指标的那个s2p文件。
24、步骤t2,指定其阶数、零点和通带频率,将该s2p文件转化为耦合矩阵,作为目标耦合矩阵自适应调整的初值。
25、步骤t3,指定冻结元素和构建损失函数。冻结元素是指将耦合矩阵中部分耦合矩阵元素值固定,不参与优化。例如,受加工工艺或物理机制限制,某些几何参数已到达模型尺寸极限,所对应的耦合矩阵元素无法继续增大或减小;存在额外耦合,难以进行优化调整;等等。冻结这些耦合矩阵元素后再对其余耦合矩阵元素进行优化,得到的新目标耦合矩阵更贴近微波滤波器的物理拓扑,易于实现。损失函数ltotal由两部分构成:s参数损失项(l11in、l21l、l21r和l21in)和耦合矩阵元素损失项lcm。
26、① s参数损失项l11in、l21l、l21r和l21in。这些损失项定义为当前耦合矩阵转换得到的s参数数据与性能指标偏差的l2范数。
27、 (5)
28、其中,s11in为通带内回波数据,s21l为通带左侧阻带抑制数据,s21r为通带右侧阻带抑制数据,s21in为通带内插损数据;t11in、t21l、t21r和t21in分别为对应性能指标。权重a用于将s参数放缩,提高指定数量级的灵敏度。
29、②耦合矩阵元素损失项lcm。该损失项为
30、 (6)
31、其中,为目标耦合矩阵初值元素所构成的向量,为待求解的目标耦合矩阵元素所构成的向量。
32、③ 损失函数ltotal由以上两项进行加权求和得到。
33、(7)
34、其中,β、w11、w21l、w21r和w21in皆为权重。
35、步骤t4,根据当前的情况,调整权重w11、w21l、w21r、w21in、a和β,并利用优化算法进行迭代,得到最佳的目标耦合矩阵元素向量。
36、步骤t5,将目标耦合矩阵元素向量重组为新的目标耦合矩阵,并计算该目标耦合矩阵所对应的频率响应并导出为s2p文件。
37、在步骤g4中,优化算法模块包括ann代理模型。ann代理模型擅长构建参数之间的非线性关系。本发明构建ann代理模型,将目标耦合矩阵元素向量输入ann代理模型,其将输出满足微波滤波器技术指标要求的几何参数向量。具体流程如下:
38、步骤l1,数据预处理。记几何参数向量-耦合矩阵元素向量数据集为,其中表示第i个几何参数向量,表示第i个耦合矩阵元素向量,i=1,2,…,q。对所有几何参数向量进行归一化处理,得到归一化后的几何参数向量,其中和分别为几何参数向量的上限值和下限值。
39、步骤l2,构建神经网络层。需要注意的是,神经网络层和激活函数的选取可以根据实际情况进行灵活选取。不失一般性,此处举例四层全连接神经网络。第一层结构为linear(n,n),采用sigmoid函数;第二层结构为linear(n,m),采用leakyrelu函数;第三层结构为linear(m,m),采用leakyrelu函数;第四层结构为linear(m,m),直接进行线性输出。其中,n为神经网络层的输入维度,即目标耦合矩阵元素向量长度;m为输出维度,即几何参数向量长度。
40、步骤l3,神经网络训练。例如,可以考虑采用adamw优化器进行神经网络训练。先进行前向传播,计算神经网络输出;再采用均方误差(mse)计算损失函数;将其进行反向传播,接着计算损失函数对各层可训练参数的梯度、,其中和分别为第l层的可训练权重和偏置;最后使用adamw优化器更新网络参数。
41、步骤l4,预测几何参数。将目标耦合矩阵元素向量输入到神经网络,输出得到,进行反归一化即可得到预测的几何参数向量。
42、在步骤g4中,优化算法模块还可以包括hum(heuristic update method)方法,其核心思想是差异化关注。首先选取最接近待设计微波滤波器技术指标的一个耦合矩阵元素向量,将其与目标耦合矩阵元素向量进行比较并找出前者中偏差最大的元素,来寻找几何参数向量的优化方向。hum方法的具体做法如下:
43、步骤m1,首先将几何参数向量-耦合矩阵元素向量数据集中每个耦合矩阵元素向量与目标耦合矩阵元素向量相减,得到q组几何参数向量-耦合矩阵元素偏差向量数据集,记为。其中为第i个几何参数向量,为第i个耦合矩阵元素偏差值向量,记为中第j个元素。对所有的求范数,将范数最小的标记为,对应的几何参数向量即为。在中选择绝对值最大的元素作为关键元素并且记为,非关键元素表示为。
44、步骤m2,对于每个非范数最小的耦合矩阵元素偏差向量(其中i≠q),去掉关键元素后计算耦合矩阵元素向量的差值范数,即,作为该数据与最优数据的几何距离。并计算该几何距离权重,其中c为放缩因子用于控制调整距离衰减速度。几何距离越近的数据权重应该越大。
45、步骤m3,合成寻优方向。对于每个非范数最小的耦合矩阵元素偏差向量(其中i≠q),计算相对偏差比例;最后,利用上述得到的和计算寻优方向,即以偏差比例和几何距离为权重,合成寻优方向。
46、步骤m4,将上述的寻优方向进行归一化,并乘以步长因子,得到修正量,并最终得到预测的几何参数向量。
47、综上所述,由于采取了上述技术方案,本发明的有益效果是:本发明所述的滤波器自迭代优化算法使用耦合矩阵作为中间变量,对微波滤波器响应的表征更加符合物理意义。这使得优化模块更加容易构建良好的映射关系,找到设计优化方向。优化算法模块包含了ann代理模型和hum方法,两者结合,相比传统的梯度优化方法具有更强的效率。ann代理模型法通过构建整个数据集的全局映射关系,从而预测优化方向,虽然其迭代速度较慢,但这能够很大程度上避免陷入局部最优;而hum算法则在当前最优解处进行局部寻优,虽然容易陷入局部最优并出现震荡,但迭代速度较快。两者结合起来,以ann代理模型法为全局指导,以hum法为局部快速寻优,使得优化算法模块能够快速地逼近目标。总之,本发明所述的滤波器自迭代优化算法能够自动地迭代微波滤波器的几何参数,寻找出最佳的滤波器响应,减少人工干预,大大提高了微波滤波器的设计效率。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com