一种基于神经网络的微波滤波器耦合矩阵提取方法

1.本发明属于微波技术、人工智能应用领域，特别涉及微波滤波器耦合矩阵提取方法，具体提供一种基于神经网络的微波滤波器耦合矩阵提取方法，可用于微波滤波器的设计和调谐。


背景技术：

2.现代无线通信技术的发展对微波滤波器的设计和调试效率要求越来越高，在滤波器综合和参数提取领域，目前已经拥有完整系统的综合方法；但是，综合的滤波器初始全波仿真结果往往表现出较差的频率响应性能和不可预测性，需要对其继续优化，需耗费较长的时间，才能得到想要的结果；在此优化设计过程中，利用s参数提取滤波器的耦合矩阵，便可根据提取的耦合矩阵与设计的理想耦合矩阵的差值，决定下一步的调优方向。另外，针对于设计好的滤波器实物，在进行调谐时，通过对比测得s参数提取的耦合矩阵与理想耦合矩阵的差值，也可以明确滤波器实物的调谐方向，从而为人工调谐和全自动调谐提供帮助。
3.在滤波器耦合矩阵提取上，目前常见的方法主要为柯西法和优化法；二者各有其优劣，柯西法提取速度快，但在带外精度较低；优化法精度较高，但提取速度慢，需要大量时间进行优化。相比之下，神经网络技术则兼具了提取速度快和整体回归精度较为一致的特点，故将神经网络应用到滤波器耦合矩阵提取上，在计算机技术的辅助下，通过大量数据的学习，则有望解决该领域中存在的日益增长的复杂性和高耗时等问题。


技术实现要素：

4.本发明的目的在于提供一种基于神经网络的微波滤波器耦合矩阵提取方法，用以解决现有的柯西法、优化法等方法计算复杂及精确度不够的问题。
5.为实现上述目的，本发明采用的技术方案为：
6.一种基于神经网络的微波滤波器耦合矩阵提取方法，其特征在于，包括以下步骤：
7.s1：建立微波滤波器耦合矩阵计算s参数的正向数据集提取程序；
8.s2：通过程序提取包含s参数和微波滤波器耦合矩阵的训练数据集；
9.s3：构建卷积神经网络模型；
10.s4：利用训练数据集对卷积神经网络模型进行训练；
11.s5：利用训练完成的卷积神经网络模型进行微波滤波器耦合矩阵的逆向提取。
12.进一步的，步骤s1的具体过程为：
13.s1.1：设待求解的耦合矩阵为m，其对应微波滤波器的阶数为n、带宽为bw、中心频率为f0、品质因数为q、求解起始频率为fs、求解终止频率为fe、求解频率间隔为step；
14.s1.2：计算得到阶数n1：n1＝n 2，频率求解数量p：
15.s1.3：构建n1阶矩阵r：
[0016][0017]
s1.4：构建n1阶矩阵u：
[0018][0019]
s1.5：对于每个求解频率fi进行归一化：fi′
为fi的归一化结果；
[0020]
s1.6：计算求解频率fi处的阻抗矩阵zi：其中，j为虚数单位，则阻抗矩阵zi的逆为z
i-1
；
[0021]
s1.7：设矩阵a、b为矩阵z
i-1
的子矩阵：
[0022][0023][0024]
s1.8：计算求解频率fi处的s
11
为s
11
(fi)＝1 2j[z
i-1
]
1,1
；
[0025]
s1.9：计算求解频率fi处的s
21
为s
21
(fi)＝-2j[z
i-1
]
n1,1
；
[0026]
s1.10：计算求解频率fi处的群时延
[0027]
进一步的，步骤s2的具体过程为：
[0028]
s2.1：根据n阶滤波器设计目标，使用广义切比雪夫法综合出其n1阶理想耦合矩阵m
ideal
；
[0029]
s2.2：在其理想耦合矩阵m
ideal
的
±
error范围内，随机产生n
sample
组耦合矩阵，其中，error为滤波器的可能失谐范围；
[0030]
s2.3：利用正向数据集提取程序计算n
sample
组耦合矩阵对应的s
11
、s
21
、td参数，并将每组耦合矩阵的s
11
、s
21
、td参数组合作为输入、耦合矩阵作为标签向量构成训练样本，进而构建得到训练数据集。
[0031]
更进一步的，所述训练样本包括以下两种：
[0032]
第一种训练样本：将s
11
的实部、s
11
的虚部，s
21
的实部与s
21
的虚部分别作为一个通道，构成四通道输入数据；
[0033]
第二种训练样本：将s
11
、s
21
与与td分别作为一个通道，采用以db为单位的形式，构成三通道输入数据。
[0034]
进一步的，步骤s3中，卷积神经网络模型包括按顺序依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三池化层、第一全连接层、第二全连接层、第三全连接层和输出层。
[0035]
更进一步的，输入层为四通道输入数据或三通道输入数据；第一卷积层及第二卷积层采用elu函数作为激活函数，卷积核大小均为3
×
1；第一池化层、第二池化层及第三池化层均采用最大池化，过滤器大小为2
×
1；第一全连接层神经元个数为1024，第二全连接层神经元个数为256，第三全连接层神经元个数为64，均采用elu函数作为激活函数；输出层为耦合矩阵，以一维向量的形式输出。
[0036]
进一步的，步骤s4的具体训练过程为：
[0037]
s4.1：将训练样本中输入数据作为神经网络模型的输入，由神经网络模型输出预测向量；
[0038]
s4.2：设置smoothl1损失函数为神经网络的损失函数：
[0039][0040]
其中，x为预测向量与标签向量之间元素差值的绝对值的平均值；
[0041]
s4.3：设定神经网络训练终止目标完成模型训练：训练轮数达到预设阈值或损失函数达到预设阈值时停止训练，若训练轮数达到预设阈值且损失函数仍未达到预设阈值，则重复步骤s2，采集更多样本数据，重新训练直至损失函数达到预设阈值。
[0042]
进一步的，步骤s5的具体过程为：通过测试或仿真得到待提取微波滤波器的s参数与td参数、并构成神经网络模型的输入数据，由训练完成的神经网络模型输出对应的耦合矩阵。
[0043]
与现有技术相比，本发明的有益效果在于：
[0044]
本发明提供一种基于神经网络的微波滤波器耦合矩阵提取方法，在基于s参数提取微波滤波器耦合矩阵的过程中，引入神经网络，只需要大量的数据进行训练，避免复杂的公式推导和简化，方便快捷；训练完成以后，使用训练好的卷积神经网络模型即可迅速的根据s参数逆向提取得到微波滤波器的耦合矩阵，实时性较强；另外，基于本发明提出的数据集构建方式，数据采集速度快，从而避免了数据采集阶段耗费大量时间。
附图说明
[0045]
图1为示例的六阶耦合矩阵对应的s参数图。
[0046]
图2为示例的八阶耦合矩阵对应的s参数图。
[0047]
图3为本发明中一维卷积神经网络的结构示意图。
[0048]
图4为本发明中基于神经网络的微波滤波器耦合矩阵提取方法的流程图。
[0049]
图5为四阶腔体滤波器的等效电路图。
[0050]
图6为图5所示四阶腔体滤波器等效电路的s参数图。
[0051]
图7为图5所示四阶腔体滤波器等效电路失谐状态下的s参数。
[0052]
图8为本发明对图4所示四阶腔体滤波器进行耦合矩阵提取后的s参数曲线及对比图。
具体实施方式
[0053]
为使本发明的目的、技术方案与有益效果更加清楚明白，下面结合附图和实施例对本发明做进一步详细说明。
[0054]
实施例1
[0055]
本实施例提供的一种基于神经网络的微波滤波器耦合矩阵提取方法，如图4所示；其中，神经网络作为机器学习中一种模仿动物神经网络行为特征的进行分布式并行信息处理的算法数学模型，能够依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的；基于此，本实施例具体包括以下步骤：
[0056]
s1：根据公式建立微波滤波器耦合矩阵计算s参数的正向数据集提取程序；
[0057]
s2：通过程序提取包含s参数和微波滤波器耦合矩阵的训练数据集；
[0058]
s3：构建卷积神经网络模型；
[0059]
s4：利用训练数据集对卷积神经网络模型进行训练；
[0060]
s5：利用训练完成的卷积神经网络模型进行微波滤波器耦合矩阵的逆向提取。
[0061]
进一步的，步骤s1的具体过程为：
[0062]
s1.1：设待求解的耦合矩阵为m，其对应微波滤波器的阶数为n、带宽为bw、中心频率为f0、品质因数为q、求解起始频率为fs、求解终止频率为fe、求解频率间隔为step；本实施例中示例性的给出四阶滤波器对应的六阶耦合矩阵、六阶滤波器对应的八阶耦合矩阵，但本发明应用范围并不局限于这两种形式；所述四阶滤波器对应的六阶耦合矩阵如表1所示，对应的s参数如图1所示；
[0063]
表1
[0064]
matrix1s1234ls01.035154000011.03515400.91058000200.9105800.699925003000.69992500.91058040000.9105801.035154l00001.0351540
[0065]
所述六阶滤波器对应的八阶耦合矩阵如表2所示，其对应的s参数如图2所示；
[0066]
表2
[0067]
matrix2s123456ls01.02941800000011.02941800.89831600000200.89831600.6823200003000.6823200.37111800.753555040000.37111800.11042800500000.11042800.489005060000.75355500.48900501.029418l0000001.0294180
[0068]
s1.2：计算得到阶数n1：n1＝n 2，频率求解数量p：
[0069]
s1.3：构建n1阶矩阵r：
[0070][0071]
s1.4：构建n1阶矩阵u：
[0072][0073]
s1.5：对于每个求解频率fi进行归一化：fi′
为fi的归一化结果；
[0074]
s1.6：计算求解频率fi处的阻抗矩阵zi：其中，j为虚数单位，则阻抗矩阵zi的逆为z
i-1
；
[0075]
s1.7：设矩阵a、b为矩阵z
i-1
的子矩阵：
[0076]
[0077][0078]
s1.8：计算求解频率fi处的s
11
为s
11
(fi)＝1 2j[z
i-1
]
1,1
；
[0079]
s1.9：计算求解频率fi处的s
21
为
[0080]
s1.10：计算求解频率fi处的群时延
[0081]
进一步的，步骤s2的具体过程为：
[0082]
s2.1：根据n阶滤波器设计目标，使用广义切比雪夫法综合出其n1阶理想耦合矩阵m
ideal
；
[0083]
s2.2：在其理想耦合矩阵m
ideal
附近
±
error范围内，随机产生n
sample
组耦合矩阵，其中，error为滤波器的可能失谐范围；
[0084]
s2.3：采用步骤s1计算n
sample
组耦合矩阵对应的s
11
、s
21
、td参数，并将每组耦合矩阵的s
11
、s
21
、td参数组合作为输入、耦合矩阵作为标签向量构成训练样本，进而构建得到用于神经网络训练的训练数据集；所述训练样本的具体形式可根据实际需要进行适应性调整，包括下述两种形式：
[0085]
第一种训练样本：将s
11
的实部、s
11
的虚部，s
21
的实部与s
21
的虚部分别作为一个通道，构成四通道输入数据；
[0086]
第二种训练样本：将s
11
、s
21
与与td分别作为一个通道，采用以db为单位的形式，构成三通道输入数据。
[0087]
进一步的，步骤s3中，所述卷积神经网络模型包括按顺序依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三池化层、第一全连接层、第二全连接层、第三全连接层和输出层，如图3所示；更为的讲：输入层为四通道输入数据或三通道输入数据，对应通道数为128
×
4或128
×
3；第一卷积层及第二卷积层采用elu函数作为激活函数，卷积核大小均为3
×
1，第一卷积层、第二卷积层的通道数为128
×
32、64
×
64；第一池化层、第二池化层及第三池化层均采用最大池化，过滤器大小为2
×
1，第一池化层、第二池化层、第三池化层的通道数为64
×
32、32
×
64、16
×
64；第一全连接层神经元个数为1024，第二全连接层神经元个数为256，第三全连接层神经元个数为64，均采用elu函数作为激活函数；输出层为耦合矩阵，以一维向量的形式输出，通道数为10
×
1。
[0088]
进一步的，步骤s4中，采用步骤s2中数据集对步骤s3中神经网络模型进行训练，具体训练过程为：
[0089]
s4.1：将训练样本中输入数据作为神经网络模型的输入，由神经网络模型输出预测向量；
[0090]
s4.2：设置smoothl1损失函数为神经网络的损失函数，其形式如下：
[0091][0092]
其中，x为预测向量与标签向量之间元素差值的绝对值的平均值；
[0093]
s4.3：设定神经网络训练终止目标：训练轮数达到预设阈值或损失函数达到预设阈值时停止训练，若训练轮数达到预设阈值且损失函数仍未达到预设阈值，则重复步骤s2，采集更多样本数据，重新训练直至损失函数达到预设阈值。
[0094]
进一步的，步骤s5的具体过程为：通过测试或仿真得到待提取微波滤波器的s参数与td参数、并构成神经网络模型的输入数据，由训练完成的神经网络模型输出对应的耦合矩阵。
[0095]
下面结合附图及具体实际案例对本发明的效果作进一步描述。
[0096]
为了表示本发明对于微波滤波器耦合矩阵提取的有效性，本实施例对一个四阶腔体滤波器的等效电路模型进行耦合矩阵参数提取，并对微波滤波器进行参数提取后的响应曲线与参数提取前的响应曲线作比较，由此体现本发明中能够精确提取微波滤波器的耦合矩阵。具体而言，所述测试环境为：matlab2020b、python3.8、pytorch1.10.0、pycharm2021.2.3、an aconda navigator 2.1.0、ads 2020，测试设备为：cpu：i7-6700hq、gpu：gtx 1060、内存：16gb；所述四阶腔体滤波器的等效电路模型如图5所示，其理想的s参数如图6所示，对于这个四阶腔体滤波器，中心频率为1.95ghz，带宽为140mhz，并且含有两个传输零点，其理想的耦合矩阵m如表3所示：
[0097]
表3
[0098][0099][0100]
基于该滤波器的理想耦合矩阵，在ads2020中对其进行失谐处理，失谐处理后的耦合矩阵m如表4所示：
[0101]
表4
[0102]
matrixs1234ls01.2335000011.233501.132500.42130201.132500.5825003000.582500.98620400.421300.986201.0892
l00001.08920
[0103]
该滤波器失谐状态下的s参数如图7所示，提取该滤波器失谐状态下的s参数，并利用本发明提取其耦合矩阵，构建数据集时间花费10s，神经网络训练共2000轮，时间花费200s，在测试集上的平均绝对值误差maeloss为0.0008359，提取后的耦合矩阵非零项与其真实的非零项对比如表5所示：
[0104]
表5
[0105] ms1m12m23m34m4lm14真实值1.23351.13250.58250.98621.08920.4213本发明提取值1.23261.13260.58250.98731.09000.4212百分比误差0.0730％0.0088％0.0000％0.1115％0.07345％0.0237％
[0106]
同时，如图8所示为利用本发明对图5所示四阶腔体滤波器进行耦合矩阵提取后的s参数曲线及其与真实s参数曲线的对比图，由表5与图8所示，本发明根据s参数提取出的微波滤波器耦合矩阵参数与其实际的耦合矩阵参数误差极小，其对应的s参数与真实s参数曲线一致性较好，达到了较高的精度。
[0107]
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。