CN107766646B - Y参数的极点和留数构建的微波滤波器的处理方法及系统 - Google Patents

Y参数的极点和留数构建的微波滤波器的处理方法及系统 Download PDF

Info

Publication number
CN107766646B
CN107766646B CN201710974039.7A CN201710974039A CN107766646B CN 107766646 B CN107766646 B CN 107766646B CN 201710974039 A CN201710974039 A CN 201710974039A CN 107766646 B CN107766646 B CN 107766646B
Authority
CN
China
Prior art keywords
model
poles
residue
parameter
real
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710974039.7A
Other languages
English (en)
Other versions
CN107766646A (zh
Inventor
曹卫华
刘璨
袁艳
吴敏
吴生彪
庄晓龙
毕乐宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN201710974039.7A priority Critical patent/CN107766646B/zh
Publication of CN107766646A publication Critical patent/CN107766646A/zh
Application granted granted Critical
Publication of CN107766646B publication Critical patent/CN107766646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Control Of Motors That Do Not Use Commutators (AREA)

Abstract

一种Y参数的极点和留数构建的微波滤波器的处理方法及系统，首先获取通过改变已知的微波滤波器的螺栓长度而得到的滤波器耗散参数S21和S11，形成样本数据，以样本数据中每个个体的上述耗散参数分别转换成Y21和Y11，提取Y参数的极点和留数，从而得到螺栓长度关于Y参数的极点和留数的数据集T，根据数据集T利用神经网络算法建立螺栓长度和Y参数的极点和留数之间的关系模型Ymodel，进而得到螺栓长度与耗散参数S之间的关系模型Smodel，再根据Smodel，响应对微波滤波器的参数调整，直至达到微波滤波器的目标状态。本发明的建立了螺栓长度关于Y参数的极点和留数之间的关系模型，该模型精确，并且对于失谐较大情况也适用，本发明作为辅助调试策略提供平台，调试简单，调试速度快。

Description

Y参数的极点和留数构建的微波滤波器的处理方法及系统
技术领域
本发明涉及微波滤波器技术领域，具体是Y参数的极点和留数构建的微波滤波器的处理方法及系统，为微波滤波器的调试提供调试测试平台。
背景技术
微波滤波器是无线通信系统必不可少的器件。随着无线通信系统的快速发展，对新型微波器件提出更加严苛的指标要求。然而，按照严格指标设计出来的微波滤波器，在生产出来之后，由于制造公差以及材料的不确定性，滤波器往往达不到设计的指标。为了补偿生产过程带来的非理想因素，调试是整个滤波器生产过程中的重要一环。现在的调试过程基本依靠人工进行，人工调试的过程耗时而且繁琐，人工成本往往也很高。用计算机辅助调试方法取代人工调试变得亟需且有意义。
为了实现计算机辅助调试的目标，先对滤波器螺杆变化量对输出的耗散参数进行建模，得到调试螺杆模型，这种模型对于电磁仿真软件是一种很好的替代，可以看做一个微波滤波器的辅助调试测试平台，相关调试策略可以在该平台上面进行测试，测试完毕后，可以根据测试后形成的调试策略对滤波器进行调试，实现计算机辅助调试具有重要意义。
目前，在国内外公开的关于构建微波滤波器计算机辅助调试仿真实验平台所用的方法。
基于神经网络建立的代理模型，根据得到的耗散参数，采用提取其特征参数的方法，但是存在一些问题，例如在文献Ding X,Devabhaktuni V K,Chattaraj B,etal.Neural-network approaches to electromagnetic-based modeling of passivecomponents and their applications to high-frequency and high-speed nonlinearcircuit optimization[J].IEEE Transactions on Microwave Theory Techniques,2004,52(1):436-449.和文献Cao Y,Wang G,Zhang Q J.A New Training Approach forParametric Modeling of Microwave Passive Components Using Combined NeuralNetworks and Transfer Functions[J].IEEE Transactions on Microwave Theory&Techniques,2009,57(11):2727-2742.用传递函数表示原来的耗散参数，传递函数的分子和分母系数可作为建模的输出量。但是当滤波器的阶数比较高或者微波器件的几何结构变量比较多时，传递函数系数对几何机构参数变化量较为敏感，不连续问题将要出现。文献Guo Z,Gao J,Cao,et al.Passivity enforcement for passive component modelingsubject to variations of geometrical parameters using neural networks[J].IEEEMTT-S International Microwave Symposium digest.IEEE MTT-S InternationalMicrowave Symposium,2012:1-3.用传递函数表示原来的耗散参数，传递函数的极点和留数作为建模的输出量，虽然解决了前面文献中遇到的问题，但是其极点和留数的阶次可能变化。文献Feng F,Zhang C,Ma J,et al.Parametric Modeling of EM Behavior ofMicrowave Components Using Combined Neural Networks and Pole-Residue-BasedTransfer Functions[J].IEEE Transactions on Microwave Theory&Techniques,2016,64(1):60-77.解决了传递函数的极点和留数阶次变化的问题，但是这些方法主要是提取S参数的传递函数用其极点和留数表示，并且其主要是应用在简单的微波器件结构上，将所有的尺寸都作为变量，进行建模，与我们只关注调谐杆的变化，提取Y建模，最后综合出Smodel,建立螺杆长度与输出的Y的极点和留数之间的关系，进而建立与S参数之间的关系有本质的不同。
基于支持向量机建立的调试模型，利用支持向量回归算法建立耦合矩阵与调试螺杆长度之间的关系，文献“基于支持向量回归的腔体滤波器机电耦合建模与优化”[J].电子与信息学报,2011,33(11):2780-2784.周金柱,黄进,薛欣建立的耦合矩阵变化量与尺寸变化量之间的关系，后续的文献Zhou J,Duan B,Huang J.Support-vector modeling ofelectromechanical coupling for microwave filter tuning[J].InternationalJournal of RF and Microwave Computer-Aided Engineering,2013,23(1):127–139.和文献Zhou J,Huang J.Intelligent tuning for microwave filters based on multi-kernel machine learning model[C].IEEE,International Symposium on Microwave,Antenna,Propagation and Emc Technologies for Wireless Communications.IEEE,2013:259-266.以及文献Zhou J,Huang J,Li P,et al.Hybrid modeling of microwavedevices using multi-kernel support vector regression with prior knowledge[J].International Journal of RF and Microwave Computer-Aided Engineering,2015,25(3):219-228.重要的在于对支持向量回归算法本身进行改进，但是这些方法的不足之处是对于失谐较大情况，耦合矩阵的提取不够准确，或者不能正确提取出正确得到耦合矩阵。
发明内容
本发明要解决的技术问题在于，针对上述的现有微波滤波器的调试过程基本依靠人工进行，人工调试的过程耗时而且繁琐，人工成本往往也很高的技术缺陷，提供了一种基于Y参数的极点和留数构建的处理方法及系统，为微波滤波器的调试提供调试测试平台。
根据本发明的其中一方面，本发明为解决其技术问题，提供了一种基于Y参数的极点和留数构建的微波滤波器的处理方法，包括如下步骤：
(1)获取通过改变已知的微波滤波器的螺栓长度而得到的滤波器耗散参数S21和S11，形成样本数据；
(2)对样本数据进行预处理，以样本数据中每个个体的耗散参数S21和S11分别转换成Y21和Y11，通过矢量拟合法提取Y参数的极点和留数，从而得到螺栓长度关于Y参数的极点和留数的数据集T螺栓长度关于Y参数的极点和留数；
(3)利用神经网络算法处理数据集T，建立螺栓长度关于Y参数的极点和留数之间的关系模型Ymodel；
(4)根据关系模型Ymodel，进而得到螺栓长度与耗散参数S之间的关系模型Smodel；
(5)根据关系模型Smodel，响应对微波滤波器的参数调整，直至达到微波滤波器的目标状态。
在本发明的处理方法中，步骤(1)中微波滤波器的螺栓包含具有耦合杆的螺栓和具有谐振杆的螺栓，样本数据中包含分别只改变每个耦合杆的形成的数据w和分别只改变每个谐振杆的形成的数据v，步骤(2)中数据集T对应的包含分别只改变每个耦合杆的形成的数据W和分别只改变每个谐振杆的形成的数据V，步骤(2)具体包括：
首先将数据集T所有的数据集按照如下公式转换成Y参数：
Figure GDA0002185568260000031
Figure GDA0002185568260000032
Figure GDA0002185568260000033
Figure GDA0002185568260000034
其中，Y参数的用极点和留数表达：
Figure GDA0002185568260000035
式中，ai、ci分别是Y参数的极点、留数，s为频域变量，N为滤波器的阶数；
对于数据W，用矢量拟合分别从Y21和Y11中提取出极点eig1，eig2和留数r21，r22，将极点的虚部和留数的实部这部分数据集放在一起形成一个数据集a，取极点的实部和留数的虚部这部分数据放在一起作为一个数据集b，
a＝[imag(eig1)；imag(eig2)；real(r21)；real(r22)]，
b＝[real(eig1)；real(eig2)；imag(r21)；iamg(r22)]，
然后将b放大到1000倍后，作为新的b，式中，imag表示虚部，real表示实部分；
对于数据V，采用下述步骤进行处理:
第一步，分别提取Y11和Y21的极点和留数；
第二步，判断每个数据提取到的极点的维数与滤波器阶次的大小，如果提取到的极点的维数和滤波器的阶次大小相等，继续判断这些极点的的实部的绝对值是否大于1，如果大于1，则此提取到的极点和留数不符合要求，将第几个极点的序号保存，此提取到的极点和留数不保存，如果小于1或者等于，保存此提取到的极点和留数；如果提取到的极点的维数和滤波器的阶次大小不相等，则此提取到的极点和留数不符合要求，将第几个极点的序号保存，此提取到的极点和留数不保存；
第三步，对第二步中提取到的不符合要求的极点和留数进行处理，将滤波器阶次的大小加一后作为新的滤波器阶次，判断极点的维数与滤波器阶次的大小是否相等，如果不相等则舍弃提取到的极点和留数，如果相等则继续判断这些极点的实部的绝对值是否大于1，若是，则舍弃提取到的极点和留数，若否，则保存此提取到的极点和留数；
然后，对于数据V，将所有提取到的极点和留数进行下面处理方式，将提取到的极点的虚部和留数的实部当作一个数据集a1，另外一部分取极点的实部和留数的虚部放在一起，作为一个数据集b1。
a1＝[imag(eig1)；imag(eig2)；real(r21)；real(r22)]
b1＝[real(eig1)；real(eig2)；imag(r21)；iamg(r22)]
然后将b1放大到1000倍后，作为新的b1，式中；
最后将数据集a和数据集a1合并成数据集A，将数据集b和数据集b1合并成数据集B。
在本发明的处理方法中，步骤(3)中所述利用神经网络算法建立螺栓长度关于Y参数的极点和留数之间的关系Ymodel，按照如下过程进行：
将合并之后的数据集B分为训练样本和测试样本两个部分，根据训练样本，使用神经网络算法建立螺栓长度关于Y参数的极点和留数之间的模型为：
Figure GDA0002185568260000041
Figure GDA0002185568260000042
x1＝x2＝[d1,d2,…d11]
y1＝[A]＝[imag(eig1)；imag(eig2)；real(r21)；real(r22)]
y2＝[B]＝[real(eig1)；real(eig2)；imag(r21)；iamg(r22)]
式中，滤波器的阶数N为隐藏节点个数，vi，σi分别表示第i个隐藏高斯基函数中心和扩展常数，Wn为连接隐藏层和输出层的权值，d1,d2,…d11表示11个螺栓的长度。
利用Quasi-Newton输法训练网络，设定训练误差γ，当误差小于γ，结束训练过程，从而得到螺栓长度关于Y参数的极点和留数的关系Ymodel：
Ymodel＝f(d)
式中d为螺栓长度。
在本发明的处理方法中，步骤(4)中所述根据关系模型Ymodel，进而得到螺栓长度与耗散参数S之间的关系模型Smodel，按照如下公式进行：
Figure GDA0002185568260000051
Figure GDA0002185568260000052
式中
Figure GDA0002185568260000053
为关系
Figure GDA0002185568260000054
得到的留数，
Figure GDA0002185568260000055
为关系
Figure GDA0002185568260000056
得到的留数，
Figure GDA0002185568260000057
为关系
Figure GDA0002185568260000058
得到的极点，
Figure GDA0002185568260000059
为关系
Figure GDA00021855682600000510
得到的极点，
Figure GDA00021855682600000511
分别为Y21、Y22所对应的Ymodel；
Figure GDA00021855682600000512
Figure GDA00021855682600000513
式中s＝jω，
Figure GDA00021855682600000514
R1表示滤波器输入端口与相谐振器的耦合，RN表示滤波器输出端口与相邻谐振器的耦合，j为虚数单位，jλk、jλ'k分别等于
对正交矩阵的第一行T1k和最后一行TNK元素做下面运算，剩余的行通过正交化得到；
Figure GDA0002185568260000061
Figure GDA0002185568260000062
式中
Figure GDA0002185568260000063
根据得到的正交矩阵的所有元素，到整个网络的耦合矩阵：
-M＝T·∧·Tt
式中，Tt为T的转置；
根据得到的耦合矩阵M，将Ymodel成Smodel：
Figure GDA0002185568260000064
Figure GDA0002185568260000065
式中A＝ωU-jR+M，U是单位矩阵，ω是归一化的角频率，R表示滤波器输入输出与外部的耦合矩阵，
Figure GDA0002185568260000066
分别为
Figure GDA0002185568260000067
对应的Smodel；
通过上面步骤的转换，将螺栓长度与Y参数之间的关系模型Ymodel，转换为螺栓长度与耗散参数S之间的关系模型Smodel：
Smodel＝f(d)，
式中d为螺栓长度。
在本发明的处理方法中，还包括步骤：
根据达到微波滤波器的目标状态所进行的参数调整，控制微波滤波器的调节装置进行调节。
根据本发明的另一方面，本发明为解决其技术问题，还提供了一种基于Y参数的极点和留数构建的微波滤波器的处理系统，包括如下模块：
样本数据形成模块，用于获取通过改变已知的微波滤波器的螺栓长度而得到的滤波器耗散参数S21和S11，形成样本数据；
数据提取模块，用于对样本数据进行预处理，以样本数据中每个个体的耗散参数S21和S11分别转换成Y21和Y11，通过矢量拟合法提取Y参数的极点和留数，从而得到螺栓长度关于Y参数的极点和留数螺栓长度关于Y参数的极点和留数的数据集T；
模型Ymodel建立模块，用于利用神经网络算法处理数据集T，建立螺栓长度关于Y参数的极点和留数之间的关系模型Ymodel；
模型Smodel建立模块，用于根据关系模型Ymodel，进而得到螺栓长度与耗散参数S之间的关系模型Smodel；
参数调整模块，用于根据关系模型Smodel，响应对微波滤波器的参数调整，直至达到微波滤波器的目标状态。
在本发明的处理系统中，微波滤波器的螺栓包含具有耦合杆的螺栓和具有谐振杆的螺栓，样本数据形成模块中样本数据中包含只改变耦合杆的形成的数据w和只改变谐振杆的形成的数据v，数据提取模块中数据集T对应的包含只改变耦合杆的形成的数据W和只改变谐振杆的形成的数据V，数据提取模块具体包括：
Y参数转换子模块，用于将数据集T所有的数据集按照如下公式转换成Y参数：
Figure GDA0002185568260000071
Figure GDA0002185568260000072
Figure GDA0002185568260000073
Figure GDA0002185568260000074
其中，Y参数的用极点和留数表达：
Figure GDA0002185568260000075
式中，ai、ci分别是Y参数的极点、留数，s为频率变量，N为滤波器的阶数；
数据W处理子模块，用于对于数据W，用矢量拟合分别从Y21和Y11中提取出极点eig1，eig2和留数r21，r22，将极点的虚部和留数的实部这部分数据集放在一起形成一个数据集a，取极点的实部和留数的虚部这部分数据放在一起作为一个数据集b，
a＝[imag(eig1)；imag(eig2)；real(r21)；real(r22)]，
b＝[real(eig1)；real(eig2)；imag(r21)；iamg(r22)]，
然后将b放大到1000倍后，作为新的b，式中，imag表示虚部，real表示实部分；
数据V处理子模块，用于对于数据V，采用下述步骤进行处理:
第一步，分别提取Y11和Y21的极点和留数；
第二步，判断每个数据提取到的极点的维数与滤波器阶次的大小，如果提取到的极点的维数和滤波器的阶次大小相等，继续判断这些极点的的实部的绝对值是否大于1，如果大于1，则此提取到的极点和留数不符合要求，将第几个极点的序号保存，此提取到的极点和留数不保存，如果小于或者等于1，保存此提取到的极点和留数；如果提取到的极点的维数和滤波器的阶次大小不相等，则此提取到的极点和留数不符合要求，将第几个极点的序号保存，此提取到的极点和留数不保存；
第三步，对第二步中提取到的不符合要求的极点和留数进行处理，将滤波器阶次的大小加一后作为新的滤波器阶次，判断极点的维数与滤波器阶次的大小是否相等，如果不相等则舍弃提取到的极点和留数，如果相等则继续判断这些极点的实部的绝对值是否大于1，若是，则舍弃提取到的极点和留数，若否，则保存此提取到的极点和留数；
然后，对于数据V，将所有提取到的极点和留数进行下面处理方式，将提取到的极点的虚部和留数的实部当作一个数据集a1，另外一部分取极点的实部和留数的虚部放在一起，作为一个数据集b1。
a1＝[imag(eig1)；imag(eig2)；real(r21)；real(r22)]
b1＝[real(eig1)；real(eig2)；imag(r21)；iamg(r22)]
然后将b1放大到1000倍后，作为新的b1，式中；
最后将数据集a和数据集a1合并成数据集A，将数据集b和数据集b1合并成数据集B。
在本发明的处理系统中，模型Ymodel建立模块中所述利用神经网络算法建立螺栓长度关于Y参数的极点和留数之间的关系Ymodel，按照如下过程进行：
将合并之后的数据集B分为训练样本和测试样本两个部分，根据训练样本，使用神经网络算法建立螺栓长度关于Y参数的极点和留数之间的模型为：
Figure GDA0002185568260000081
Figure GDA0002185568260000082
x1＝x2＝[d1,d2,…d11]
y1＝[A]＝[imag(eig1)；imag(eig2)；real(r21)；real(r22)]
y2＝[B]＝[real(eig1)；real(eig2)；imag(r21)；iamg(r22)]
式中，滤波器的阶数N为隐藏节点个数，vi，σi分别表示第i个隐藏高斯基函数中心和扩展常数，Wn为连接隐藏层和输出层的权值，d1,d2,…d11表示11个螺栓的长度。
利用Quasi-Newton输法训练网络，设定训练误差γ，当误差小于γ，结束训练过程，从而得到螺栓长度关于Y参数的极点和留数的关系Ymodel：
Ymodel＝f(d)
式中d为螺栓长度。
在本发明的处理系统中，模型Smodel建立模块中所述根据关系模型Ymodel，进而得到螺栓长度与耗散参数S之间的关系模型Smodel，按照如下公式进行：
Figure GDA0002185568260000091
Figure GDA0002185568260000092
式中
Figure GDA0002185568260000093
为关系
Figure GDA0002185568260000094
得到的留数，
Figure GDA0002185568260000095
为关系
Figure GDA0002185568260000096
得到的留数，
Figure GDA0002185568260000097
为关系
Figure GDA0002185568260000098
得到的极点，
Figure GDA0002185568260000099
为关系
Figure GDA00021855682600000910
得到的极点，
Figure GDA00021855682600000911
分别为Y21、Y22所对应的Ymodel；
Figure GDA00021855682600000912
Figure GDA00021855682600000913
式中s＝jω，
Figure GDA00021855682600000914
R1表示滤波器输入端口与相谐振器的耦合，RN表示滤波器输出端口与相邻谐振器的耦合，j为虚数单位，jλk、jλ'k分别等于
Figure GDA00021855682600000915
对正交矩阵的第一行T1k和最后一行TNK元素做下面运算，剩余的行通过正交化得到；
Figure GDA0002185568260000101
Figure GDA0002185568260000102
式中
Figure GDA0002185568260000103
根据得到的正交矩阵的所有元素，到整个网络的耦合矩阵：
-M＝T·∧·Tt
式中，Tt为T的转置；
根据得到的耦合矩阵M，将Ymodel变成Smodel：
Figure GDA0002185568260000104
Figure GDA0002185568260000105
式中A＝ωU-jR+M，U是单位矩阵，ω是归一化的角频率，R表示滤波器输入输出与外部的耦合矩阵，
Figure GDA0002185568260000106
分别为
Figure GDA0002185568260000107
对应的Smodel；
通过上面步骤的转换，将螺栓长度与Y参数之间的关系模型Ymodel，转换为螺栓长度与耗散参数S之间的关系模型Smodel：
Smodel＝f(d)，
式中d为螺栓长度。
在本发明的处理系统中，还包括：调节装置控制模块，用于根据达到微波滤波器的目标状态所进行的参数调整，控制微波滤波器的调节装置进行调节。
本发明的Y参数的极点和留数构建的微波滤波器的处理方法及系统建立了，螺栓长度关于Y参数的极点和留数之间的关系模型，该模型精确，并且对于失谐较大情况也适用。本发明作为辅助调试策略提供平台，建立基于实际滤波器的关系模型，调试参数也适用在同类型的滤波器的调试之中。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明的Y参数的极点和留数构建的微波滤波器的处理方法一优选实施例的流程图；
图2为本的发明建立螺栓长度关于Y参数的极点和留数之间关系的流程图；
图3为本发明的Y参数的极点和留数构建的微波滤波器的处理系统操作界面；
图4为本发明的Y参数的极点和留数构建的微波滤波器的处理系统测试调试策略的结果图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
参照图1所示，本发明的实施过程如下：
(1)获取通过改变已知的微波滤波器的螺栓长度而得到的滤波器耗散参数S21和S11，形成样本数据；步骤(1)中微波滤波器的螺栓包含具有耦合杆的螺栓和具有谐振杆的螺栓，这里分别提取数据，分为分别只改变每个耦合杆(改变耦合杆而不改变谐振杆)得到数据w，和分别只改变每个谐振杆(改变谐振杆而不改变耦合杆)取得数据v，这里采用均匀取样本的方法进行提取数据。本实施例以以6阶同轴腔体滤波器为基础，产生需要的数据。
(2)对样本数据进行预处理，根据得到的耗散参数S21和S11，将其转化为Y参数，这样就得到螺杆长度d对Y参数变化的样本数据集T，样本数据集合T分为两部分，一部分是分别只改变每个耦合杆的数据W，一部分是分别只改变每个谐振杆的数据V。然后通过矢量拟合法提取Y参数的极点和留数。
参考图2，Y参数的极点和留数的提取，按照如下过程进行：样本数据分为集合T分为两部分，一部分是分别只改变每个耦合杆的数据W，一部分是分别只改变每个谐振杆的数据V，采用分别提取的方法，最后综合的方法。
首先将所有的数据集按照如下公式进行转换：
Figure GDA0002185568260000111
Figure GDA0002185568260000112
Figure GDA0002185568260000113
Figure GDA0002185568260000114
Y参数的解析形式可以用极点和留数表达，
Figure GDA0002185568260000121
ai及ci分别是Y参数的极点和留数，s为频域变量，N为滤波器的阶数。
对于第一部分数据W，用矢量拟合分别从Y21和Y11中提取出极点eig1，eig2和留数r21，r22，因为极点和留数都是复数形式，必须分别处理，极点的虚部和留数的实部占据主要数值部分，这里我们将这部分数据集放在一起，当作一个数据a，另外一部分即取极点的实部和留数的虚部放在一起，作为一个数据集b。
a＝[imag(eig1)；imag(eig2)；real(r21)；real(r22)]
b＝[real(eig1)；real(eig2)；imag(r21)；iamg(r22)]
b乘以1000后作为新的b；
式中，imag表示虚部，real表示实部分。
具体验证提取参数准确性过程如下：
为了验证提取前后参数的准确性，用矢量拟合提取Y21和Y11的极点eig1，eig2和留数r21，r22，然后通过综合法综合出S参数，将提取前后的S参数曲线放在一起进行对比，可以发现提取前后的曲线吻合的很好，这说明可以用提取Y21和Y11的极点eig1，eig2和留数r21，r22来代表原来的曲线，这样就可以将原来的耗散参数转化耗散参数极点和留数的表现形式。
对于第二部分数据V，这里涉及到大失谐情况，所以里面存在提取不正确的情形，这里必须经过下面方式进行处理。
第一步，分别提取Y21和Y11的极点和留数。
第二步，判断每个数据提取到的极点的维数与滤波器阶次的大小，
if Dim(eig(Y(i))＝＝N
if abs(real(eig(Y(i))>1
此数据提取不够准确，留作二次处理。将序号i保存，此提取数据不保存。
else
说明该数据提取准确，保存该数据。
else
此数据提取不够准确，留作二次处理，并且将i保存，此提取数据不保存。
本领域普通技术人员可以理解的是，上述程序含义为：判断每个数据提取到的极点的维数与滤波器阶次的大小，如果提取到的极点的维数和滤波器的阶次大小相等，继续判断这些极点的的实部的绝对值是否大于1，如果大于1，则此提取到的极点和留数不符合要求，将第几个极点的序号保存，此提取到的极点和留数不保存，如果小于或者等于1，保存此提取到的极点和留数；如果提取到的极点的维数和滤波器的阶次大小不相等，则此提取到的极点和留数不符合要求，将第几个极点的序号保存，此提取到的极点和留数不保存。
对于第二步中提取不符合要求的数据，需要第三步处理，首先，因为提取了Y21和Y11的极点和留数，如果Y21和Y11中有一个满足第二步条件，说明此序号的数据提取成功，不再进行第三步处理，第三步重要的处理是提高矢量拟合的阶次，将N变为N+1，进行新的判断if Dim(eig(Y(i))＝＝N+1，即判断每个数据提取到的极点的维数与滤波器阶次的大小是否相等，如果相等则将此次数据求得的N+1个极点分别进行以下判断，如果它们中的实部绝对值大于1，将此极点去掉，并且将其对应的留数也去掉，否则保留此数据。
然后，对于数据V，将所有提取到的极点和留数进行下面处理方式，将提取到的极点的虚部和留数的实部当作一个数据集a1，另外一部分即取极点的实部和留数的虚部放在一起，作为一个数据集b1。
a1＝[imag(eig1)；imag(eig2)；real(r21)；real(r22)]
b1＝[real(eig1)；real(eig2)；imag(r21)；iamg(r22)]
b1＝b1*1000
最后将数据集a和数据集a1合并成数据集A，将数据集b和数据集b1合并成数据集B。
具体验证提取参数准确性过程如下：
采用当前的步骤，用矢量拟合提取Y21和Y11的极点eig1，eig2和留数r21，r22，经过特殊处理，然后通过综合法综合出S参数，将提取前后的S参数曲线放在一起进行对比，可以发现提取前后的曲线吻合的很好，这说明可以用提取Y21和Y11的极点eig1，eig2和留数r21，r22来代表原来的曲线，这样就可以将原来的耗散参数转化耗散参数极点和留数的表现形式。
(3)利用神经网络算法处理数据集T，建立螺栓长度关于Y参数的极点和留数之间的模型Ymodel。具体可按照如下过程进行：
将合并之后的数据集B分为训练样本和测试样本两个部分，根据训练样本，使用神经网络算法建立螺栓长度关于Y参数的极点和留数之间的模型为：
Figure GDA0002185568260000141
Figure GDA0002185568260000142
x1＝x2＝[d1,d2,…d11]
y1＝[A]＝[imag(eig1)；imag(eig2)；real(r21)；real(r22)]
y2＝[B]＝[real(eig1)；real(eig2)；imag(r21)；iamg(r22)]
式中，滤波器的阶数N为隐藏节点个数，vi，σi分别表示第i个隐藏高斯基函数中心和扩展常数，Wn为连接隐藏层和输出层的权值，d1,d2,…d11表示11个螺栓的长度；
利用Quasi-Newton法训练网络，设定训练误差γ，当误差小于γ，结束训练过程，从而得到螺栓长度关于Y参数的极点和留数的关系Ymodel：
Ymodel＝f(d)
式中d为螺栓长度。
(4)根据模型Ymodel，根据微波滤波器综合理论，进而得到螺栓长度与耗散参数S之间的关系模型Smodel。按照如下公式进行：
Figure GDA0002185568260000143
Figure GDA0002185568260000144
式中
Figure GDA0002185568260000145
为关系
Figure GDA0002185568260000146
得到的留数，
Figure GDA0002185568260000147
为关系
Figure GDA0002185568260000148
得到的留数，
Figure GDA0002185568260000149
为关系
Figure GDA00021855682600001410
得到的极点，
Figure GDA00021855682600001411
为关系
Figure GDA00021855682600001412
得到的极点，
Figure GDA00021855682600001413
分别为Y21、Y22所对应的Ymodel；
Figure GDA0002185568260000151
Figure GDA0002185568260000152
式中s＝jω，
Figure GDA0002185568260000153
R1表示滤波器输入端口与相谐振器的耦合，RN表示滤波器输出端口与相邻谐振器的耦合，j为虚数单位，jλk、jλ'k分别等于
Figure GDA0002185568260000154
对正交矩阵的第一行T1k和最后一行TNK元素做下面运算，剩余的行通过正交化得到；
Figure GDA0002185568260000155
Figure GDA0002185568260000156
式中
Figure GDA0002185568260000157
根据得到的正交矩阵的所有元素，到整个网络的耦合矩阵：
-M＝T·∧·Tt
式中，Tt为T的转置；
根据得到的耦合矩阵M，将Ymodel变成Smodel：
Figure GDA0002185568260000158
Figure GDA0002185568260000159
式中A＝ωU-jR+M，U是单位矩阵，ω是归一化的角频率，R表示滤波器输入输出与外部的耦合矩阵，
Figure GDA00021855682600001510
分别为
Figure GDA00021855682600001511
对应的Smodel；
通过上面步骤的转换，将螺栓长度与Y参数之间的关系模型Ymodel，转换为螺栓长度与耗散参数S之间的关系模型Smodel：
Smodel＝f(d)，
式中d为螺栓长度。
(5)根据关系模型Smodel，响应对微波滤波器的参数调整，直至达到微波滤波器的目标状态。
(6)根据达到微波滤波器的目标状态所进行的参数调整，控制微波滤波器的调节装置进行调节。
本发明的优点可以通过实际的滤波器在处理系统上面进行调试进一步说明。该处理系统操作界面如图3所示，该处理系统的滤波器的模型指标：中心频率f0为2.25GHz，带宽0.117GHz，带内回波损耗为20dB。本发明以图3的波形为起始位置，这里也可以是其他任意不满足要求的曲线的位置，加载优化算法的按钮可以加载其他形式的优化算法。图4是加载优化算法之后的波形情况，将图3和图4进行对比观察，可以发现，该平台可以作为调试策略的验证平台，该平台验证了渐进空间映射算法的有效性，并且也进行一步说明了该平台的有效性，该平台可以取代仿真滤波器软件，对调试策略进行验证，大大缩减了调试策略验证的时间，为调试策略验证提供了可靠的平台。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.Y参数的极点和留数构建的微波滤波器的处理方法，其特征在于，包括如下步骤：
(1)获取通过改变已知的微波滤波器的螺栓长度而得到的滤波器耗散参数S21和S11，形成样本数据；
(2)对样本数据进行预处理，以样本数据中每个个体的耗散参数S21和S11分别转换成Y21和Y11，通过矢量拟合法提取Y参数的极点和留数，从而得到螺栓长度关于Y参数的极点和留数的数据集T；
(3)利用神经网络算法处理数据集T，建立螺栓长度关于Y参数的极点和留数之间的关系模型Ymodel；
(4)根据关系模型Ymodel，进而得到螺栓长度与耗散参数S之间的关系模型Smodel；
(5)根据关系模型Smodel，响应对微波滤波器的参数调整，直至达到微波滤波器的目标状态。
2.如权利要求1所述的处理方法，其特征在于，
步骤(1)中微波滤波器的螺栓包含具有耦合杆的螺栓和具有谐振杆的螺栓，样本数据中包含分别只改变每个耦合杆形成的数据w和分别只改变每个谐振杆形成的数据v，步骤(2)中数据集T对应的包含分别只改变每个耦合杆的形成的数据W和分别只改变每个谐振杆的形成的数据V，步骤(2)具体包括：
首先将数据集T所有的数据集按照如下公式转换成Y参数：
Figure FDA0002185568250000011
Figure FDA0002185568250000012
Figure FDA0002185568250000013
Figure FDA0002185568250000014
其中，Y参数的用极点和留数表达：
Figure FDA0002185568250000015
式中，ai、ci分别是Y参数的极点、留数，s为频域变量，N为滤波器的阶数；
对于数据W，用矢量拟合分别从Y21和Y11中提取出极点eig1，eig2和留数r21，r22，将极点的虚部和留数的实部这部分数据集放在一起形成一个数据集a，取极点的实部和留数的虚部这部分数据放在一起作为一个数据集b，
a＝[imag(eig1)；imag(eig2)；real(r21)；real(r22)]，
b＝[real(eig1)；real(eig2)；imag(r21)；iamg(r22)]，
然后将b放大到1000倍后，作为新的b，式中，imag表示虚部，real表示实部分；
对于数据V，采用下述步骤进行处理:
第一步，分别提取Y11和Y21的极点和留数；
第二步，判断每个数据提取到的极点的维数与滤波器阶次的大小，如果提取到的极点的维数和滤波器的阶次大小相等，继续判断这些极点的的实部的绝对值是否大于1，如果大于1，则此提取到的极点和留数不符合要求，将第几个极点的序号保存，此提取到的极点和留数不保存，如果小于或者等于1，保存此提取到的极点和留数；如果提取到的极点的维数和滤波器的阶次大小不相等，则此提取到的极点和留数不符合要求，将第几个极点的序号保存，此提取到的极点和留数不保存；
第三步，对第二步中提取到的不符合要求的极点和留数进行处理，将滤波器阶次的大小加一后作为新的滤波器阶次，判断极点的维数与滤波器阶次的大小是否相等，如果不相等则舍弃提取到的极点和留数，如果相等则继续判断这些极点的实部的绝对值是否大于1，若是，则舍弃提取到的极点和留数，若否，则保存此提取到的极点和留数；
然后，对于数据V，将所有提取到的极点和留数进行下面处理方式，将提取到的极点的虚部和留数的实部当作一个数据集a1，另外一部分取极点的实部和留数的虚部放在一起，作为一个数据集b1：
a1＝[imag(eig1)；imag(eig2)；real(r21)；real(r22)]
b1＝[real(eig1)；real(eig2)；imag(r21)；iamg(r22)]
然后将b1放大到1000倍后，作为新的b1；
最后将数据集a和数据集a1合并成数据集A，将数据集b和数据集b1合并成数据集B。
3.如权利要求2所述的处理方法，其特征在于，步骤(3)中所述利用神经网络算法建立螺栓长度关于Y参数的极点和留数之间的关系Ymodel，按照如下过程进行：
将合并之后的数据集B分为训练样本和测试样本两个部分，根据训练样本，使用神经网络算法建立螺栓长度关于Y参数的极点和留数之间的模型为：
Figure FDA0002185568250000031
Figure FDA0002185568250000032
x1＝x2＝[d1,d2,…d11]
y1＝[A]＝[imag(eig1)；imag(eig2)；real(r21)；real(r22)]
y2＝[B]＝[real(eig1)；real(eig2)；imag(r21)；iamg(r22)]
式中，滤波器的阶数N为隐藏节点个数，vi、σi分别表示第i个隐藏高斯基函数中心和扩展常数，Wn为连接隐藏层和输出层的权值，d1,d2,…d11表示11个螺栓的长度；
利用Quasi-Newton法训练网络，设定训练误差γ，当误差小于γ，结束训练过程，从而得到螺栓长度关于Y参数的极点和留数的关系Ymodel：
Ymodel＝f(d)
式中d为螺栓长度。
4.如权利要求2所述的处理方法，其特征在于，步骤(4)中所述根据关系模型Ymodel，进而得到螺栓长度与耗散参数S之间的关系模型Smodel，按照如下公式进行：
Figure FDA0002185568250000033
Figure FDA0002185568250000034
式中
Figure FDA0002185568250000035
为关系
Figure FDA0002185568250000036
得到的留数，
Figure FDA0002185568250000037
为关系
Figure FDA0002185568250000038
得到的留数，
Figure FDA0002185568250000039
为关系
Figure FDA00021855682500000310
得到的极点，
Figure FDA00021855682500000311
为关系
Figure FDA00021855682500000312
得到的极点，
Figure FDA00021855682500000313
分别为Y21、Y22所对应的Ymodel；
Figure FDA00021855682500000314
Figure FDA00021855682500000315
式中s＝jω，
Figure FDA0002185568250000041
R1表示滤波器输入端口与相谐振器的耦合，RN表示滤波器输出端口与相邻谐振器的耦合，j为虚数单位，jλk、jλ'k分别等于
Figure FDA0002185568250000042
对正交矩阵的第一行T1k和最后一行TNK元素做下面运算，剩余的行通过正交化得到；
Figure FDA0002185568250000043
Figure FDA0002185568250000044
式中
Figure FDA0002185568250000045
根据得到的正交矩阵的所有元素，到整个网络的耦合矩阵：
-M＝T·∧·Tt
式中，Tt为T的转置；
根据得到的耦合矩阵M，将Ymodel变成Smodel：
Figure FDA0002185568250000046
Figure FDA0002185568250000047
式中A＝ωU-jR+M，U是单位矩阵，ω是归一化的角频率，R表示滤波器输入输出与外部的耦合矩阵，
Figure FDA0002185568250000048
分别为
Figure FDA0002185568250000049
对应的Smodel；
通过上面步骤的转换，将螺栓长度与Y参数之间的关系模型Ymodel，转换为螺栓长度与耗散参数S之间的关系模型Smodel：
Smodel＝f(d)，
式中d为螺栓长度。
5.如权利要求1所述的处理方法，其特征在于，还包括步骤：
根据达到微波滤波器的目标状态所进行的参数调整，控制微波滤波器的调节装置进行调节。
6.Y参数的极点和留数构建的微波滤波器的处理系统，其特征在于，包括如下模块：
样本数据形成模块，用于获取通过改变已知的微波滤波器的螺栓长度而得到的滤波器耗散参数S21和S11，形成样本数据；
数据提取模块，用于对样本数据进行预处理，以样本数据中每个个体的耗散参数S21和S11分别转换成Y21和Y11，通过矢量拟合法提取Y参数的极点和留数，从而得到螺栓长度关于Y参数的极点和留数的数据集T螺栓长度关于Y参数的极点和留数；
模型Ymodel建立模块，用于利用神经网络算法处理数据集T，建立螺栓长度关于Y参数的极点和留数之间的关系模型Ymodel；
模型Smodel建立模块，用于根据关系模型Ymodel，进而得到螺栓长度与耗散参数S之间的关系模型Smodel；
参数调整模块，用于根据关系模型Smodel，响应对微波滤波器的参数调整，直至达到微波滤波器的目标状态。
7.如权利要求6所述的处理系统，其特征在于，
微波滤波器的螺栓包含具有耦合杆的螺栓和具有谐振杆的螺栓，样本数据形成模块中样本数据中包含分别只改变每个耦合杆的形成的数据w和分别只改变每个谐振杆的形成的数据v，数据提取模块中数据集T对应的包含分别只改变每个耦合杆的形成的数据W和分别只改变每个谐振杆的形成的数据V，数据提取模块具体包括：
Y参数转换子模块，用于将数据集T所有的数据集按照如下公式转换成Y参数：
Figure FDA0002185568250000051
Figure FDA0002185568250000052
Figure FDA0002185568250000053
Figure FDA0002185568250000054
其中，Y参数的用极点和留数表达：
Figure FDA0002185568250000055
式中，ai、ci分别是Y参数的极点、留数，s为频域变量，N为滤波器的阶数；
数据W处理子模块，用于对于数据W，用矢量拟合分别从Y21和Y11中提取出极点eig1，eig2和留数r21，r22，将极点的虚部和留数的实部这部分数据集放在一起形成一个数据集a，取极点的实部和留数的虚部这部分数据放在一起作为一个数据集b，
a＝[imag(eig1)；imag(eig2)；real(r21)；real(r22)]，
b＝[real(eig1)；real(eig2)；imag(r21)；iamg(r22)]，
然后将b放大到1000倍后，作为新的b，式中，imag表示虚部，real表示实部分；
数据V处理子模块，用于对于数据V，采用下述步骤进行处理:
第一步，分别提取Y11和Y21的极点和留数；
第二步，判断每个数据提取到的极点的维数与滤波器阶次的大小，如果提取到的极点的维数和滤波器的阶次大小相等，继续判断这些极点的的实部的绝对值是否大于1，如果大于1，则此提取到的极点和留数不符合要求，将第几个极点的序号保存，此提取到的极点和留数不保存，如果小于或者等于1，保存此提取到的极点和留数；如果提取到的极点的维数和滤波器的阶次大小不相等，则此提取到的极点和留数不符合要求，将第几个极点的序号保存，此提取到的极点和留数不保存；
第三步，对第二步中提取到的不符合要求的极点和留数进行处理，将滤波器阶次的大小加一后作为新的滤波器阶次，判断极点的维数与滤波器阶次的大小是否相等，如果不相等则舍弃提取到的极点和留数，如果相等则继续判断这些极点的实部的绝对值是否大于1，若是，则舍弃提取到的极点和留数，若否，则保存此提取到的极点和留数；
然后，对于数据V，将所有提取到的极点和留数进行下面处理方式，将提取到的极点的虚部和留数的实部当作一个数据集a1，另外一部分取极点的实部和留数的虚部放在一起，作为一个数据集b1：
a1＝[imag(eig1)；imag(eig2)；real(r21)；real(r22)]
b1＝[real(eig1)；real(eig2)；imag(r21)；iamg(r22)]
然后将b1放大到1000倍后，作为新的b1，式中；
最后将数据集a和数据集a1合并成数据集A，将数据集b和数据集b1合并成数据集B。
8.如权利要求7所述的处理系统，其特征在于，模型Ymodel建立模块中所述利用神经网络算法建立螺栓长度关于Y参数的极点和留数之间的关系Ymodel，按照如下过程进行：
将合并之后的数据集B分为训练样本和测试样本两个部分，根据训练样本，使用神经网络算法建立螺栓长度关于Y参数的极点和留数之间的模型为：
Figure FDA0002185568250000071
Figure FDA0002185568250000072
x1＝x2＝[d1,d2,…d11]
y1＝[A]＝[imag(eig1)；imag(eig2)；real(r21)；real(r22)]
y2＝[B]＝[real(eig1)；real(eig2)；imag(r21)；iamg(r22)]
式中，滤波器的阶数N为隐藏节点个数，vi，σi分别表示第i个隐藏高斯基函数中心和扩展常数，Wn为连接隐藏层和输出层的权值，d1,d2,…d11表示11个螺栓的长度；
利用Quasi-Newton法训练网络，设定训练误差γ，当误差小于γ，结束训练过程，从而得到螺栓长度关于Y参数的极点和留数的关系Ymodel：
Ymodel＝f(d)
式中d为螺栓长度。
9.如权利要求7所述的处理系统，其特征在于，模型Smodel建立模块中所述根据关系模型Ymodel，进而得到螺栓长度与耗散参数S之间的关系模型Smodel，按照如下公式进行：
Figure FDA0002185568250000073
Figure FDA0002185568250000074
式中
Figure FDA0002185568250000075
为关系
Figure FDA0002185568250000076
得到的留数，
Figure FDA0002185568250000077
为关系
Figure FDA0002185568250000078
得到的留数，
Figure FDA0002185568250000079
为关系
Figure FDA00021855682500000710
得到的极点，
Figure FDA00021855682500000711
为关系
Figure FDA00021855682500000712
得到的极点，
Figure FDA00021855682500000713
分别为Y21、Y22所对应的Ymodel；
Figure FDA00021855682500000714
Figure FDA00021855682500000715
式中s＝jω，
Figure FDA0002185568250000081
R1表示滤波器输入端口与相谐振器的耦合，RN表示滤波器输出端口与相邻谐振器的耦合，j为虚数单位，jλk、jλ'k分别等于
Figure FDA0002185568250000082
对正交矩阵的第一行T1k和最后一行TNK元素做下面运算，剩余的行通过正交化得到；
Figure FDA0002185568250000083
Figure FDA0002185568250000084
式中
Figure FDA0002185568250000085
根据得到的正交矩阵的所有元素，到整个网络的耦合矩阵：
-M＝T·∧·Tt
式中，Tt为T的转置；
根据得到的耦合矩阵M，将Ymodel变成Smodel：
Figure FDA0002185568250000086
Figure FDA0002185568250000087
式中A＝ωU-jR+M，U是单位矩阵，ω是归一化的角频率，R表示滤波器输入输出与外部的耦合矩阵，
Figure FDA0002185568250000088
分别为
Figure FDA0002185568250000089
对应的Smodel；
通过上面步骤的转换，将螺栓长度与Y参数之间的关系模型Ymodel，转换为螺栓长度与耗散参数S之间的关系模型Smodel：
Smodel＝f(d)，
式中d为螺栓长度。
10.如权利要求6所述的处理系统，其特征在于，还包括：
调节装置控制模块，用于根据达到微波滤波器的目标状态所进行的参数调整，控制微波滤波器的调节装置进行调节。
CN201710974039.7A 2017-10-13 2017-10-13 Y参数的极点和留数构建的微波滤波器的处理方法及系统 Active CN107766646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710974039.7A CN107766646B (zh) 2017-10-13 2017-10-13 Y参数的极点和留数构建的微波滤波器的处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710974039.7A CN107766646B (zh) 2017-10-13 2017-10-13 Y参数的极点和留数构建的微波滤波器的处理方法及系统

Publications (2)

Publication Number Publication Date
CN107766646A CN107766646A (zh) 2018-03-06
CN107766646B true CN107766646B (zh) 2020-05-22

Family

ID=61268945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710974039.7A Active CN107766646B (zh) 2017-10-13 2017-10-13 Y参数的极点和留数构建的微波滤波器的处理方法及系统

Country Status (1)

Country Link
CN (1) CN107766646B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108879047B (zh) * 2018-07-17 2020-08-07 中国地质大学（武汉） 一种用于调试微波腔体滤波器的方法、设备及存储设备
CN109783905B (zh) * 2018-12-28 2020-09-25 中国地质大学（武汉） 基于粒子群优化算法的微波腔体滤波器智能调试方法
CN113745789A (zh) * 2020-05-29 2021-12-03 上海特普瑞通讯科技有限公司 一种滤波器调试中间阶段的调试方法和系统
CN114079131B (zh) * 2020-08-11 2024-03-26 苏州畅恒通信科技有限公司 一种腔体滤波器调试方法
CN112257196B (zh) * 2020-10-15 2021-07-20 扬州市宜楠科技有限公司 一种腔体滤波器调试方法、装置、电子设备及存储介质
CN112906335B (zh) * 2021-03-22 2022-04-15 北京华大九天科技股份有限公司 一种用于集成电路系统的无源性校正方法及装置
CN113536567A (zh) * 2021-07-14 2021-10-22 北京华大九天科技股份有限公司 一种用于多目标矢量拟合的方法
CN115184716B (zh) * 2022-09-13 2022-11-29 苏州畅恒通信科技有限公司 用于射频滤波器或双工器电性能检测的载具差异修正方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101303379A (zh) * 2008-05-07 2008-11-12 中国电子科技集团公司第十研究所 单端口测试微波腔体滤波器级间耦合系数的测量方法
CN101478069A (zh) * 2009-01-16 2009-07-08 西安电子科技大学 基于核机器学习的微波滤波器辅助调试方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101937476B (zh) * 2009-06-29 2012-05-23 鸿富锦精密工业（深圳）有限公司 过孔阻抗匹配方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101303379A (zh) * 2008-05-07 2008-11-12 中国电子科技集团公司第十研究所 单端口测试微波腔体滤波器级间耦合系数的测量方法
CN101478069A (zh) * 2009-01-16 2009-07-08 西安电子科技大学 基于核机器学习的微波滤波器辅助调试方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Parametric Modeling of EM Behavior of Microwave Components Using Combined Neural Networks and Pole-Residue-Based Transfer Functions;Feng Feng, et al.;《IEEE TRANSACTIONS ON MICROWAVE THEORY AND THECHNIQUES》;20160131;第64卷(第1期);第60--77页 *
基于遗传优化与矢量拟合的滤波器参数提取;蒋廷利 等;《压电与声光》;20150831;第37卷(第4期);第701-706页 *

Also Published As

Publication number Publication date
CN107766646A (zh) 2018-03-06

Similar Documents

Publication Publication Date Title
CN107766646B (zh) Y参数的极点和留数构建的微波滤波器的处理方法及系统
Koziel et al. Space mapping
CN101478069B (zh) 基于核机器学习的微波滤波器辅助调试方法
CN108170922B (zh) 一种微波滤波器的辅助调试方法、设备及存储设备
CN109255173B (zh) 考虑区间不确定性的结构失效概率区间计算方法
JP5227254B2 (ja) プロセスモデルの状態量のリアルタイム計算方法およびシミュレータ
CN108509671B (zh) 微波滤波器耦合参数提取方法
JP2019507405A (ja) 統合システム用の共同シミュレーションを構成する方法
CN113702838B (zh) 基于扰动观测器的锂离子电池荷电状态估算方法
US20070250559A1 (en) Broadband transfer function synthesis using orthonormal rational bases
CN106372348A (zh) 一种线性系统中基于误差控制的矢量拟合模型降阶方法
Li et al. SOC estimation for lithium‐ion batteries based on a novel model
JP2006227847A (ja) パラメータ抽出方法およびパラメータ抽出プログラム
CN111832213B (zh) 一种基于混合寻优算法的滤波器耦合矩阵解耦变换方法
CN113376969A (zh) 套刻误差的补偿方法、曝光系统、服务器及可读存储介质
Zanco et al. High-dimensional parameterized macromodeling with guaranteed stability
García-Lampérez et al. Multilevel aggressive space mapping applied to coupled-resonator filters
CN116203430A (zh) 核极限学习机与容积卡尔曼滤波融合的soc估计方法
CN115392068A (zh) 一种基于恢复型后验误差估计的网格自适应方法
CN114928302A (zh) 电机控制器的母线电压采样方法及装置
Li et al. Simulation-Inserted Optimization of Four-Order Waveguide Filter Using Combined Quasi-Newton Method With Lagrangian Method
de Menezes et al. Modeling device manufacturing uncertainty in electromagnetic simulations
CN111414724A (zh) 电路仿真优化的方法
Zhang et al. Knowledge-based neural models for modelling high-frequency electronics circuits
TW202006568A (zh) 提升產品製程品質之回饋系統及其方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant