CN108170922A - 一种微波滤波器的辅助调试方法、设备及存储设备 - Google Patents
一种微波滤波器的辅助调试方法、设备及存储设备 Download PDFInfo
- Publication number
- CN108170922A CN108170922A CN201711394178.9A CN201711394178A CN108170922A CN 108170922 A CN108170922 A CN 108170922A CN 201711394178 A CN201711394178 A CN 201711394178A CN 108170922 A CN108170922 A CN 108170922A
- Authority
- CN
- China
- Prior art keywords
- complex element
- filter
- spiro rod
- formula
- parameter
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01P—WAVEGUIDES; RESONATORS, LINES, OR OTHER DEVICES OF THE WAVEGUIDE TYPE
- H01P1/00—Auxiliary devices
- H01P1/20—Frequency-selective devices, e.g. filters
- H01P1/207—Hollow waveguide filters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Control Of Motors That Do Not Use Commutators (AREA)
Abstract
本发明提供了一种微波滤波器的辅助调试方法、设备及存储设备,通过改变电磁仿真软件里面的微波滤波器的螺栓长度或者实际滤波器的螺杆长度,获取耗散参数,形成样本数据,从耗散参数中提取出混合元素,获得混合元素特征与螺杆长度之间的数据集Data,通过训练该数据集,进而建立混合元素特征与螺杆长度之间的逆向机电特性模型Dmodel,将广义切比雪夫综合法设计得到的理想混合元素输入该模型中,得到螺杆的理想长度。一种微波滤波器的辅助调试方法设备及存储设备,用于实现一种微波滤波器的辅助调试方法。本发明提供的方法能够缩短调试时间,提高调试效率。
Description
技术领域
本发明涉及微波滤波器技术领域,尤其涉及一种微波滤波器的辅助调试方法、设备及存储设备。
背景技术
微波滤波器是无线通信系统必不可少的器件。微波滤波器在无线系统中广泛地应用。随着无线通信系统的快速发展,对微波器件的设计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,由于加工精度和装配误差的影响,滤波器生产出来之后往往达不到设计时的指标。为了补偿生产过程带来的影响,往往需要对滤波器进行后期调试,目前调试基本依靠人工经验,人工调试的过程耗时而且繁琐,并且需要经验丰富的调试人员,人工成本往往很高。目前,大多利用支持向量回归建立的正向模型和利用神经网络建立的逆向模型,利用支持向量回归建立的正向模型,进而优化该模型,但是需要一定的优化步骤,不能一次给出结果,并且使用的特征如耦合
矩阵元素值分布不够均匀,影响建模的精度;利用神经网络建立的逆向模型,泛化能力不强,并且使用的特征也需要进一步改善。为了降低人工成本,缩短调试周期,用计算机辅助调试方法取代人工调试变得亟需且有意义。
发明内容
为了解决上述问题,本发明将多输出最小二乘支持向量回归算法与混合元素特征结合,提出了一种微波滤波器的辅助调试方法、设备及存储设备,一种微波滤波器的辅助调试方法主要包括以下步骤:
步骤1:选择一个滤波器,改变其螺杆长度,获取所述滤波器的耗散参数,形成样本数据;
步骤2:对所述样本数据进行处理,将所述耗散参数转化为Y参数;
步骤3:利用矢量拟合方法提取Y参数的极点和留数,得到Y参数的解析形式;
步骤4:根据所述Y参数的解析形式,利用广义切比雪夫综合法,求出混合元素特征,并将耗散参数对螺杆长度的数据集转化为混合元素特征对螺杆长度的数据集;
步骤5:对所述混合元素特征对螺杆长度的数据集进行归一化处理,得到螺杆长度对混合元素特征的数据集;
步骤6:根据十折交叉验证的方法,将所述螺杆长度对混合元素特征的数据集分成训练数据和验证数据;
步骤7:根据所述训练数据,利用多输出最小二乘支持向量回归算法建立混合元素特征和螺杆长度之间的逆向机电特性模型;
步骤8:根据所述验证数据,以平均相关误差和相关系数对所述逆向机电特性模型的准确性进行验证;
步骤9:判断所述逆向机电特性模型的准确性是否达到预设的准确性要求,若是,则到步骤10;若不是,则回到步骤7;
步骤10:根据广义切比雪夫综合设计法求取标准的混合元素特征,将所述理想混合元素特征作为最终逆向机电特性模型的输入,输出滤波器螺杆的理想长度;
步骤11:将所述螺杆的理想长度输入到电磁仿真软件的滤波器变量中,辅助调试微波滤波器。
进一步地,在步骤1中,微波滤波器的螺杆包含具有耦合杆的螺杆和具有谐振杆的螺杆,采用均匀取样本的方法改变每个螺杆长度,并取得改变的螺杆长度的数据;所述耗散参数包括反射参数S11和传输参数S21。
进一步地,在步骤2中,所述耗散参数根据公式(1)、公式(2)、公式(3)和公式(4)转化为Y参数:
其中,S11和S22为反射参数,S12和S21为传输参数。
进一步地,在步骤3中,Y参数解析形式如公式(5)所示:
其中,ai为Y参数的极点,ci为Y参数的留数。
进一步地,在步骤4中,所述混合元素是指:b=[TNK,T1k,R1,RN,λk],利用公式(6)和公式(7)求取混合元素特征:
其中,a1、a2分别为Y参数Y11(s)、Y21(s)的极点,c11、c21为Y参数Y11(s)、Y21(s)的留数;
令s=jω,则得到如公式(8)和公式(9)所示的公式:
其中,c21、c22为Y参数Y11(s)、Y21(s)的留数, 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。
进一步地在步骤4中,所述耗散参数对螺杆长度的数据集转化为混合元素特征对螺杆长度的数据集为:W={(D,B),D∈RN×L,B∈RN×f},其中,D=[dj1,dj2,...djk],djk为第k个螺杆的长度,B=[bj1,bj2,...bjk],bjk为混合元素特征的第k个特征,N为样本个数,L为螺杆个数,f为混合元素特征个数,j为样本序号。
进一步地,步骤7中,所述混合元素特征和螺杆长度之间的逆向机电特性模型为:d=Dmodel(b),其中,d为螺杆长度,b为混合元素特征。
进一步地,步骤9中,所述预设的准确性要求是指:平均相关误差趋近于零,相关系数趋近于1。
一种存储设备,其特征在于:所述存储设备存储指令及数据用于实现一种微波滤波器的辅助调试方法。
一种微波滤波器的辅助调试设备,其特征在于:包括:处理器及所述存储设备;所述处理器加载并执行所述存储设备中的指令及数据用于实现一种微波滤波器的辅助调试方法。
本发明提供的技术方案带来的有益效果是:本发明提供的方法能够缩短调试时间,提高调试效率,且能一次性得到螺杆的理想长度,为微波滤波器的设计和调试起到积极的指导作用。
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是本发明实施例中一种微波滤波器的辅助调试方法的流程图;
图2是本发明实施例中基于混合元素建立的逆向模型的微波滤波器的辅助调试平台的操作界面图;
图3是本发明实施例中基于混合元素建立的逆向模型的微波滤波器的辅助调试方法在调试平台上的结果图;
图4是本发明实施例中硬件设备工作的示意图。
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。
本发明的实施例提供了一种混合元素建立的逆向模型的微波滤波器的辅助调试方法、设备及存储设备,通过改变电磁仿真软件里面的微波滤波器的螺栓长度或者实际滤波器的螺杆长度,获取对应的耗散参数S,形成样本数据集,从耗散参数中提取出混合元素,进而获得混合元素特征与螺杆长度之间的数据集Data,通过训练该数据集,进而建立混合元素特征与螺杆长度之间的逆向机电特性模型Dmodel,将广义切比雪夫综合法设计得到的理想混合元素输入该模型中,得到理想的尺寸值,进而指导调试过程;一种混合元素建立的逆向模型的微波滤波器的辅助调试方法设备及存储设备,用于实现一种混合元素建立的逆向模型的微波滤波器的辅助调试方法。
请参考图1,图1是本发明实施例中一种微波滤波器的辅助调试方法的流程图,具体包括如下步骤:
S101:选择一个滤波器,改变其螺杆长度,获取所述滤波器的耗散参数,形成样本数据;本实施例以六阶同轴腔体滤波器为基础,产生由螺杆长度和耗散参数组成的数据对;微波滤波器的螺杆包含具有耦合杆的螺杆和具有谐振杆的螺杆,采用均匀取样本的方法改变每个螺杆长度,并取得改变的螺杆长度的数据;所述耗散参数包括反射参数S11和传输参数S21。
S102:对所述样本数据进行处理,将所述耗散参数转化为Y参数;所述耗散参数根据公式(1)、公式(2)、公式(3)和公式(4)转化为Y参数:
其中,S11和S22为反射参数,S12和S21为传输参数。
S103:利用矢量拟合方法提取Y参数的极点和留数,得到Y参数的解析形式;Y参数解析形式如公式(5)所示:
其中,ai为Y参数的极点,ci为Y参数的留数。
S104:根据所述Y参数的解析形式,利用广义切比雪夫综合法,求出混合元素特征,并将耗散参数对螺杆长度的数据集转化为混合元素对螺杆长度的数据集W;所述混合元素是指:b=[TNK,T1k,R1,RN,λk],根据公式(6)和公式(7)求取混合元素特征:
其中,a1、a2分别为Y参数Y11(s)、Y21(s)的极点,c11、c21为Y参数Y11(s)、Y21(s)的留数;
令s=jω,则得到如公式(8)和公式(9)所示的公式:
其中,其中,c21、c22为Y参数Y11(s)、Y21(s)的留数,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;
所述耗散参数S对螺杆长度d的数据集转化为混合元素a对螺杆长度d的数据集W为:W={(D,B),D∈RN×L,B∈RN×f},其中,D=[dj1,dj2,...djk],djk为第k个螺杆的长度,B=[bj1,bj2,...bjk],bjk为混合元素特征的第k个特征,N为样本个数,L为螺杆个数,f为混合元素特征个数,j为样本序号。
S105:对所述混合元素特征对螺杆长度的数据集进行归一化处理,得到螺杆长度对混合元素特征的数据集Data;所述螺杆长度和对应的混合元素特征之间的数据集Data,Data={(x,y),x∈RN×M,y∈RN×L},其中,y=[dj1,dj2,...djk],djk是第k个螺杆的长度,x=[bj1,bj2,...bjk],bjk为混合元素的第k个特征。N为样本个数,L为螺杆个数,M为混合元素特征个数,j为样本序号。
S106:根据十折交叉验证的方法,将所述螺杆长度对混合元素特征的数据集Data分成训练数据T和验证数据V,用于建立混合参数特征和螺杆长度之间的逆向机电特性模型,验证数据V用于验证所述逆向机电特性模型的准确性。
S107:根据所述训练数据T,利用多输出最小二乘支持向量回归算法建立混合元素特征和螺杆长度之间的逆向机电特性模型;由所述螺杆长度对混合元素特征的数据集Data={(x,y),x∈RN×M,y∈RN×L}可知:输入数据x∈RN×M,输出数据y∈RN×L,使用非线性映射函数构建如公式(10)的多输出最小二乘支持向量回归模型:
式中,ω是权重向量,b是偏置项。根据SVR理论,在多输出的情况下,最小化结构风险等价于如方程组(11)所示的约束优化问题:
其中,C0为样本整体误差的惩罚系数;ηi为第i个样本的整体拟合误差;C为对单维输出拟合误差的惩罚系数;ei,j为第i个样本的第j维输出误差;
为解决方程组(11)所示的约束优化问题,引入拉格朗日乘子α,构造如公式(12)所示的拉格朗日函数:
其中,对ωj、bj、ei,j、αi,j求偏导数,消去ωj、ei,j,得到矩阵(13):
其中,βj=[α1j,α2j,...αNj]T,I为单位矩阵,μj为l维列向量,其取值如下,
通过上述求解,得到如公式(10)的多输出最小二乘支持向量回归模型中的ω和b,再通过引入核函数κ求解出非线性映像函数最终得到如(14)混合元素特征和螺杆长度之间的逆向机电特性模型:
d=Dmodel(b) (14)
其中,d为螺杆长度,b为混合元素特征。
S108:根据所述验证数据V,以平均相关误差δ和相关系数R对所述逆向机电特性模型的准确性进行验证;平均相关误差δ和相关系数R的计算公式分别如公式(14)和公式(15)所示:
其中,yi和分别是实际的输出和预测的输出,和实际和预测输出的均值,N为样本个数。
S109:判断所述逆向机电特性模型的准确性是否达到预设的准确性要求,若是,则到步骤S110;若不是,则回到步骤S107;所述预设的准确性要求是指:平均相关误差趋近于零,相关系数趋近于1。
S110:根据广义切比雪夫综合设计法求取标准的混合元素特征b,将所述理想混合元素特征b作为最终逆向机电特性模型d=Dmodel(b)的输入,输出滤波器螺杆的理想长度d,其中,b为标准的混合元素特征,d为滤波器螺杆的理想长度。
S111:将所述螺杆的理想长度d输入到电磁仿真软件的滤波器变量中,辅助调试微波滤波器。
请参考图2,图2是本发明实施例中基于混合元素建立的逆向模型的微波滤波器的辅助调试平台的操作界面图,S11和S22为反射参数,S12和S21为传输参数,采用的滤波器的指标:中心频率f0为2.25GHz,带宽为0.117GHz,带内回波损耗为20dB,以图2的波形为起始位置,通过训练,得到逆向机电特性模型,然后通过所述逆向机电特性模型,用理想的混合元素特征输入到该逆向机电特性模型,可以得到如图3所示的螺杆的理想长度。
请参见图3,图3是本发明实施例中基于混合元素建立的逆向模型的微波滤波器的辅助调试方法在调试平台上的结果图,S11和S22为反射参数,S12和S21为传输参数,将所述逆向机电特性模型得到螺杆的理想长度输入到电磁仿真软件的滤波器变量中,辅助调试微波滤波器,得到如图3所示的波形结果图。
请参见图4,图4是本发明实施例的硬件设备工作示意图,所述硬件设备具体包括:一种微波滤波器的辅助调试设备401、处理器402及存储设备403。
一种混合元素建立的逆向模型的微波滤波器的辅助调试设备401:所述一种混合元素建立的逆向模型的微波滤波器的辅助调试设备401实现所述一种混合元素建立的逆向模型的微波滤波器的辅助调试方法。
处理器402:所述处理器402加载并执行所述存储设备403中的指令及数据用于实现所述一种微波滤波器的辅助调试方法。
存储设备403:所述存储设备403存储指令及数据;所述存储设备403用于实现所述一种微波滤波器的辅助调试方法。
本发明的有益效果是:本发明提供的方法能够缩短调试时间,提高调试效率,且能一次性得到螺杆的理想长度,为微波滤波器的设计和调试起到积极的指导作用。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种微波滤波器的辅助调试方法,其特征在于:包括以下步骤:
步骤1:选择一个滤波器,改变其螺杆长度,获取所述滤波器的耗散参数,形成样本数据;
步骤2:对所述样本数据进行处理,将所述耗散参数转化为Y参数;
步骤3:利用矢量拟合方法提取Y参数的极点和留数,得到Y参数的解析形式;
步骤4:根据所述Y参数的解析形式,利用广义切比雪夫综合法,求出混合元素特征,并将耗散参数对螺杆长度的数据集转化为混合元素特征对螺杆长度的数据集;
步骤5:对所述混合元素特征对螺杆长度的数据集进行归一化处理,得到螺杆长度对混合元素特征的数据集;
步骤6:根据十折交叉验证的方法,将所述螺杆长度对混合元素特征的数据集分成训练数据和验证数据;
步骤7:根据所述训练数据,利用多输出最小二乘支持向量回归算法建立混合元素特征和螺杆长度之间的逆向机电特性模型;
步骤8:根据所述验证数据,以平均相关误差和相关系数对所述逆向机电特性模型的准确性进行验证;
步骤9:判断所述逆向机电特性模型的准确性是否达到预设的准确性要求,若是,则到步骤10;若不是,则回到步骤7;
步骤10:根据广义切比雪夫综合设计法求取标准的混合元素特征,将所述理想混合元素特征作为最终逆向机电特性模型的输入,输出滤波器螺杆的理想长度;
步骤11:将所述螺杆的理想长度输入到电磁仿真软件的滤波器变量中,辅助调试微波滤波器。
2.如权利要求1所述的一种微波滤波器的辅助调试方法,其特征在于:在步骤1中,微波滤波器的螺杆包含具有耦合杆的螺杆和具有谐振杆的螺杆,采用均匀取样本的方法改变每个螺杆长度,并取得改变的螺杆长度的数据;所述样本数据由耗散参数形成;所述耗散参数包括反射参数S11和传输参数S21。
3.如权利要求1所述的一种微波滤波器的辅助调试方法,其特征在于:在步骤2中,所述耗散参数根据公式(1)、公式(2)、公式(3)和公式(4)转化为Y参数:
其中,S11和S22为反射参数,S12和S21为传输参数。
4.如权利要求1所述的一种微波滤波器的辅助调试方法,其特征在于:在步骤3中,Y参数解析形式如公式(5)所示:
其中,ai为Y参数的极点,ci为Y参数的留数。
5.如权利要求1所述的一种微波滤波器的辅助调试方法,其特征在于:在步骤4中,所述混合元素是指:b=[TNK,T1k,R1,RN,λk],利用公式(6)和公式(7)求取混合元素特征:
其中,a1、a2分别为Y参数Y11(s)、Y21(s)的极点,c11、c21为Y参数Y11(s)、Y21(s)的留数;
令s=jω,则得到如公式(8)和公式(9)所示的公式:
其中,c21、c22为Y参数Y11(s)、Y21(s)的留数, 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。
6.如权利要求1所述的一种微波滤波器的辅助调试方法,其特征在于:在步骤4中,所述耗散参数对螺杆长度的数据集转化为混合元素特征对螺杆长度的数据集为:W={(D,B),D∈RN×L,B∈RN×f},其中,D=[dj1,dj2,...djk],djk为第k个螺杆的长度,B=[bj1,bj2,...bjk],bjk为混合元素特征的第k个特征,N为样本个数,L为螺杆个数,f为混合元素特征个数,j为样本序号。
7.如权利要求1所述的一种微波滤波器的辅助调试方法,其特征在于:步骤7中,所述混合元素特征和螺杆长度之间的逆向机电特性模型为:d=Dmodel(b),其中,d为螺杆长度,b为混合元素特征。
8.如权利要求1所述的一种微波滤波器的辅助调试方法,其特征在于:步骤9中,所述预设的准确性要求是指:平均相关误差趋近于零,相关系数趋近于1。
9.一种存储设备,其特征在于:所述存储设备存储指令及数据用于实现权利要求1~8所述的任意一种微波滤波器的辅助调试方法。
一种微波滤波器的辅助调试设备,其特征在于:包括:处理器及所述存储设备;所述处理器加载并执行所述存储设备中的指令及数据用于实现权利要求1~8所述的任意一种微波滤波器的辅助调试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711394178.9A CN108170922B (zh) | 2017-12-21 | 2017-12-21 | 一种微波滤波器的辅助调试方法、设备及存储设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711394178.9A CN108170922B (zh) | 2017-12-21 | 2017-12-21 | 一种微波滤波器的辅助调试方法、设备及存储设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108170922A true CN108170922A (zh) | 2018-06-15 |
CN108170922B CN108170922B (zh) | 2021-05-14 |
Family
ID=62523010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711394178.9A Active CN108170922B (zh) | 2017-12-21 | 2017-12-21 | 一种微波滤波器的辅助调试方法、设备及存储设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108170922B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108879047A (zh) * | 2018-07-17 | 2018-11-23 | 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 |
CN109301428A (zh) * | 2018-09-05 | 2019-02-01 | 中国地质大学(武汉) | 一种滤波器的耦合矩阵元素的优化方法、设备及存储设备 |
CN109696618A (zh) * | 2019-02-21 | 2019-04-30 | 徐晨阳 | 一种射频器件的调试方法、装置、设备、存储介质及系统 |
CN109783905A (zh) * | 2018-12-28 | 2019-05-21 | 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 |
CN111639812A (zh) * | 2020-06-01 | 2020-09-08 | 南京星火技术有限公司 | 电子产品的性能调试方法、装置及相关产品 |
CN111791103A (zh) * | 2020-06-30 | 2020-10-20 | 北京百度网讯科技有限公司 | 滤波器调试方法、装置、电子设备和可读存储介质 |
CN113128119A (zh) * | 2021-04-21 | 2021-07-16 | 复旦大学 | 基于深度学习的滤波器逆向设计和优化方法 |
CN113158541A (zh) * | 2021-01-29 | 2021-07-23 | 中国地质大学(武汉) | 一种微波滤波器多特征融合建模调试方法 |
CN113270707A (zh) * | 2021-06-01 | 2021-08-17 | 苏州芯迈智能科技有限公司 | 一种介质滤波器的智能辅助调试方法及装置 |
CN113569105A (zh) * | 2021-06-02 | 2021-10-29 | 江汉大学 | 一种螺钉数据预测模型的处理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US9129080B2 (en) * | 2006-11-17 | 2015-09-08 | Resonant, Inc. | Low-loss tunable radio frequency filter |
CN105789812A (zh) * | 2015-12-31 | 2016-07-20 | 中国科学院深圳先进技术研究院 | 一种腔体滤波器自动调节方法及系统 |
CN106650054A (zh) * | 2016-12-06 | 2017-05-10 | 李彦瑾 | 基于分布参数‑集总参数等效的传输线滤波器设计方法 |
-
2017
- 2017-12-21 CN CN201711394178.9A patent/CN108170922B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9129080B2 (en) * | 2006-11-17 | 2015-09-08 | Resonant, Inc. | Low-loss tunable radio frequency filter |
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 |
CN105789812A (zh) * | 2015-12-31 | 2016-07-20 | 中国科学院深圳先进技术研究院 | 一种腔体滤波器自动调节方法及系统 |
CN106650054A (zh) * | 2016-12-06 | 2017-05-10 | 李彦瑾 | 基于分布参数‑集总参数等效的传输线滤波器设计方法 |
Non-Patent Citations (4)
Title |
---|
LEI ZHANG 等: "Efficient Analytical Formulation and Sensitivity Analysis of Neuro-Space Mapping for Nonlinear Microwave Device Modeling", 《IEEE TRANSACTIONS ON MICROWAVE THEORY AND TECHNIQUES》 * |
SHENGBIAO WU等: "A new method for hybrid diagnosis and tuning of coaxial cavity filter", 《2017 36TH CHINESE CONTROL CONFERENCE (CCC)》 * |
WEI MENG: "Analytical Diagnosis and Tuning of Narrowband Multicoupled Resonator Filters", 《IEEE TRANSACTIONS ON MICROWAVE THEORY AND TECHNIQUES》 * |
李良: "微波滤波器调试方法及智能调试平台研究", 《万方数据企业知识服务平台》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108879047A (zh) * | 2018-07-17 | 2018-11-23 | 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 |
CN109301428A (zh) * | 2018-09-05 | 2019-02-01 | 中国地质大学(武汉) | 一种滤波器的耦合矩阵元素的优化方法、设备及存储设备 |
CN109783905A (zh) * | 2018-12-28 | 2019-05-21 | 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 |
CN109696618A (zh) * | 2019-02-21 | 2019-04-30 | 徐晨阳 | 一种射频器件的调试方法、装置、设备、存储介质及系统 |
CN111639812A (zh) * | 2020-06-01 | 2020-09-08 | 南京星火技术有限公司 | 电子产品的性能调试方法、装置及相关产品 |
CN111791103B (zh) * | 2020-06-30 | 2022-04-29 | 北京百度网讯科技有限公司 | 滤波器调试方法、装置、电子设备和可读存储介质 |
CN111791103A (zh) * | 2020-06-30 | 2020-10-20 | 北京百度网讯科技有限公司 | 滤波器调试方法、装置、电子设备和可读存储介质 |
US11469975B2 (en) | 2020-06-30 | 2022-10-11 | Beijing Baidu Netcom Science & Technology Co., Ltd | Filter debugging method, device, electronic apparatus and readable storage medium |
CN113158541A (zh) * | 2021-01-29 | 2021-07-23 | 中国地质大学(武汉) | 一种微波滤波器多特征融合建模调试方法 |
CN113128119A (zh) * | 2021-04-21 | 2021-07-16 | 复旦大学 | 基于深度学习的滤波器逆向设计和优化方法 |
CN113128119B (zh) * | 2021-04-21 | 2022-04-12 | 复旦大学 | 基于深度学习的滤波器逆向设计和优化方法 |
CN113270707A (zh) * | 2021-06-01 | 2021-08-17 | 苏州芯迈智能科技有限公司 | 一种介质滤波器的智能辅助调试方法及装置 |
CN113569105A (zh) * | 2021-06-02 | 2021-10-29 | 江汉大学 | 一种螺钉数据预测模型的处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108170922B (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108170922A (zh) | 一种微波滤波器的辅助调试方法、设备及存储设备 | |
CN101478069B (zh) | 基于核机器学习的微波滤波器辅助调试方法 | |
CN106021682A (zh) | 基于阻抗网络模型的次同步振荡分析方法和装置 | |
CN106021813B (zh) | 一种基于动态更新代理模型的快速多目标天线设计方法 | |
CN108462184B (zh) | 一种电力系统线路串补优化配置方法 | |
CN105789812B (zh) | 一种腔体滤波器自动调节方法及系统 | |
Cao et al. | Simple and efficient high-dimensional parametric modeling for microwave cavity filters using modular neural network | |
CN107766646A (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 | |
CN108984985A (zh) | 基于神经网络的天线结构设计方法 | |
CN111181164B (zh) | 一种改进的主从分裂输配协同潮流计算方法及系统 | |
CN109301428A (zh) | 一种滤波器的耦合矩阵元素的优化方法、设备及存储设备 | |
CN106777620A (zh) | 一种用于功率晶体管的神经网络空间映射建模方法 | |
CN105809286B (zh) | 一种基于代表数据重构的增量svr负荷预测方法 | |
Li et al. | SOC estimation for lithium‐ion batteries based on a novel model | |
CN107748806A (zh) | 微波热解污泥电磁场强度及其分布规律的计算和模拟方法 | |
CN103065015A (zh) | 一种基于内力路径几何形态的承载结构低碳节材设计方法 | |
Wu et al. | Parametric model for microwave filter by using multiple hidden layer output matrix extreme learning machine | |
CN103474737A (zh) | 支持向量机对膜片建模的毫米波e面滤波器及膜片建模方法 | |
CN109117545A (zh) | 基于神经网络的天线快速设计方法 | |
CN105893667A (zh) | 一种异构仿真数据的统一集成可视方法 | |
CN101976294A (zh) | 基于空间映射算法的微波器件计算机自动辅助调谐的设计方法 | |
CN106451437B (zh) | 一种并网变换器多机系统建模稳定性分析设计方法 | |
Feng et al. | Recent advances in EM centric multi-physics parametric modeling | |
CN116542135A (zh) | 微波滤波器形性耦合关系混合建模方法、设备及存储设备 | |
CN106682245A (zh) | Aca加速矩量法结合流形映射优化集总加载天线的方法 |
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 |