CN109783905A - 基于粒子群优化算法的微波腔体滤波器智能调试方法 - Google Patents

Abstract

本发明提供了基于粒子群优化算法的微波腔体滤波器智能调试方法，首先，随机改变微波腔体滤波器电磁仿真模型中各耦合螺钉伸入腔体中的长度D，获取对应的耗散参数S，构建原始的样本数据集；然后，对样本数据集中的数据进行预处理；基于分块建模法和BP神经网络，训练得到微波腔体滤波器的机电特性模型；最后，基于机电特性模型和粒子群优化算法，对待调节的微波腔体滤波器进行调试；通过粒子群优化算法，确定各耦合螺钉的调节量，使得价值函数的值不断减小，直到微波腔体滤波器的输出满足预设的性能指标，即完成了微波腔体滤波器的调试过程。本发明的有益效果是：降低了调试难度，提高了调试精度和调试速度，实用性和适用性强。

Description

基于粒子群优化算法的微波腔体滤波器智能调试方法

技术领域

本发明涉及滤波器调试技术领域，尤其涉及基于粒子群优化算法的微波腔体滤波器智能调试方法。

背景技术

随着信息产业的飞速发展，无线通信技术已成为21世纪最热门的技术之一，而微波腔体滤波器作为无线通信系统中关键的选频装置，受到了广泛的关注。由于微波腔体滤波器的理论设计过程存在理论误差，加工制造过程存在公差以及金属凃层特性、厚度存在差异等原因，批量生产加工完成的微波腔体滤波器无法满足出厂指标，微波腔体滤波器的调试过程必不可少。长期以来，微波腔体滤波器的调试多由经验丰富的技术人员手工完成，但是，人工调试盲目性大、调试周期长、生产成本高，低效的人工调试方式已成为微波腔体滤波器批量生产的瓶颈，这与“中国制造2025”提出的突破核心基础零部件工程化、产业化瓶颈这一要求相悖。因此，微波腔体滤波器智能调试方法的研究必不可少。

目前，微波腔体滤波器调试方法多基于耦合矩阵，对于结构较为简单的微波腔体滤波器取得了良好的效果。但是，微波腔体滤波器性能要求日益提高，结构日益复杂，耦合矩阵的精确提取也变得日益困难。因此，本发明针对微波腔体滤波器调试过程中调试难度最大的调试后期，选择适用性强、提取精度高的Y参数来反映微波腔体滤波器的性能，建立了调试后期耦合螺钉长度与Y参数之间的机电特性模型，并设计了基于人工调试经验和机电特性模型特点的PSO价值函数，使得微波腔体滤波器调试后期兼具灵活性、准确性和快速性；针对于结构复杂的微波腔体滤波器，本调试方法同样具有可行性。

发明内容

为了解决上述问题，本发明提供了基于粒子群优化算法的微波腔体滤波器智能调试方法，主要包括以下步骤：

S101：随机改变微波腔体滤波器电磁仿真模型中耦合螺钉伸入腔体中的长度D，获取对应的耗散参数S，一组耦合螺钉伸入腔体中的长度D与对应的耗散参数S构成一个样本，多个样本构成样本数据集；

S102：对样本数据集中的数据进行预处理，每一个样本的处理方式如下：

首先，对耗散参数S进行移除相位加载处理，得到理想参数S_ideal；通过等价变换公式将理想参数S_ideal转换为导纳参数Y；

然后，通过矢量拟合法对导纳参数Y进行处理，得到导纳参数Y的极点和留数组成的参数Y_{res_pole}；

最后，以参数Y_{res_pole}中的部分元素组成参数Y’_{res_pole}；所述部分元素能够反映参数Y_{res_pole}的特性；

S103：基于分块建模法，构建微波腔体滤波器机电特性模型，该模型包含多个基于BP神经网络建立的子模型；以耦合螺钉伸入腔体中的长度D与对应的参数Y’_{res_pole}构成一个训练样本，多个训练样本构成训练样本集；以训练样本集对各子模型进行训练，进而得到微波腔体滤波器的机电特性模型：

通过梯度下降法，以训练集样本集中的样本对每个基于BP神经网络的子模型进行训练，并通过D-K迭代法对每个基于BP神经网络的子模型的隐层神经元数目和学习率进行迭代优化；

当训练的基于BP神经网络的子模型的精度满足预设精度或者基于D-K迭代法进行迭代优化的次数达到预设迭代次数时，训练完成，多个基于BP神经网络的子模型组合得到满足要求的微波腔体滤波器的机电特性模型；

S104：基于机电特性模型和粒子群优化算法，对待调节的微波腔体滤波器进行调试；根据用于评估微波腔体滤波器性能的价值函数，通过粒子群优化算法，确定各耦合螺钉的调节量，使得价值函数的值不断减小，直到微波腔体滤波器的输出满足预设的性能指标，即完成了微波腔体滤波器的调试过程；其中，价值函数值越小，微波腔体滤波器的性能越好。

进一步地，在步骤S102中，所述等价变换公式为：

其中，S₁₁、S₁₂、S₂₁和S₂₂为理想参数S_ideal中的元素，Y₀为单位矩阵，Y₁₁、Y₁₂、Y₂₁和Y₂₂为导纳参数Y中的元素。

进一步地，在步骤S102中，导纳参数Y的矩阵为：

其中，s＝jω，λ_k为导纳参数Y中各元素的极点，r_11k、r_12k、r_21k和r_22k为与极点λ_k对应的留数。

进一步地，在步骤S102中，根据导纳参数Y的极点和留数，赋值极点实部和留数虚部为零，以极点虚部和留数实部代表参数Y_{res_pole}，以参数Y_{res_pole}中的元素：Y₁₁的极点虚部imag(λ_k)、Y₁₁的留数实部real(r_11k)和Y₂₁的留数实部real(r_21k)组成参数Y’_{res_pole}，参数Y’_{res_pole}用来反映微波腔体滤波器的电磁特性。

进一步地，在步骤S103中，得到微波腔体滤波器的机电特性模型的具体过程为：基于分块建模法，构建微波腔体滤波器机电特性模型，该模型包括多个基于BP神经网络的子模型，各子模型的隐层层数都设定为3层；各个所述子模型的隐层神经元数目和各神经元之间的学习率都不确定，但隐层神经元数目和各神经元之间的学习率会影响到机电特性模型的精度，因此需要结合D-K迭代法对每个基于BP神经网络的子模型进行迭代优化，得到各子模型的隐层神经元数目及各神经元之间的学习率；

同时，基于梯度下降法，以训练样本集对各个基于BP神经网络的子模型进行训练，待训练的参数为各个神经元之间的权值，每改变一次隐层神经元数目和各神经元间的学习率，就需要对各个子模型进行一次训练；直到各个子模型的精度满足预设精度，或者是基于D-K迭代法进行迭代优化的次数达到预设迭代次数，训练结束，即得到微波腔体滤波器机电特性模型；当把耦合螺钉伸入腔体中的任意长度值输入微波腔体滤波器机电特性模型后，输出分别最接近于当前微波腔体滤波器的极点虚部imag(λ_11k)、Y₂₁的留数实部real(r_21k)、Y₁₂的留数实部real(r_12k)。

进一步地，在步骤S103中，迭代优化过程为：(1)初始化各个神经元之间的学习率、学习率变化范围和隐层的神经元数目的变化范围；(2)保持各个神经元之间的学习率不变，只改变隐层的神经元数目；(3)综合预设精度及网络复杂度，选择使所述神经网络的输出最接近于参数Y’_{res_pole}中的极点虚部imag(λ_k)、Y₁₁的留数实部real(r_11k)和Y₂₁的留数实部real(r_21k)时隐层的神经元数目；(4)保持选择的隐层的神经元数目不变，只改变各个神经元之间的学习率，确定达到预设精度时对应的各个神经元之间的学习率；(5)判断在得到的隐层的神经元数目和各个神经元之间的学习率的情况下，机电特性模型的精度是否达到预设精度或者预设迭代次数，若是，则迭代优化结束；若否，则回到步骤(2)继续进行迭代优化。

进一步地，在步骤S103中，将机电特性模型输出的参数Y’_{res_pole}通过变换公式转换为耗散参数S_m，耗散参数S_m的幅频响应曲线反映了微波腔体滤波器的性能指标，可用来判断调试结果是否满足给定的性能指标。

进一步地，在步骤S104中，价值函数f_cost可通过6个评价函数加权求和得到，如以下公式所示：

其中，c_i为权重，f_i是基于微波腔体滤波器性能指标设计的评价函数，i＝1,2,3,4,5,6；价值函数f_cost的值越小，表明当前微波腔体滤波器的性能越好。

进一步地，在步骤S104中，价值函数f_cost中的权重c_i和评价函数f_i在S_m幅频响应曲线中的具体含义如下：

1)评价函数f₁为最大回波波峰与-20dB之间的差值，c₁为评价函数f₁的权重，评价函数f₁反映了通带内的损耗，评价函数f₁越小表示微波腔体滤波器通带内的损耗越小，微波腔体滤波器的性能越好；

2)评价函数f₂为回波峰值位置的标准差，c₂为评价函数f₂的权重，评价函数f₂反映了微波腔体滤波器回波横向分布的均匀程度，在其他条件相同的情况下，评价函数f₂越小，微波腔体滤波器的回波位置分布越均匀，经过微波腔体滤波器后带内信号失真程度越小，微波腔体滤波器的性能越好；

3)评价函数f₃为回波波峰幅值的标准差，c₃为评价函数f₃的权重，评价函数f₃反映了微波腔体滤波器回波波峰峰值分布的均匀程度，在其他条件相同的情况下，评价函数f₃越小，回波波峰峰值差距越小，经过微波腔体滤波器后带内信号失真程度越小，微波腔体滤波器的性能越好；

4)评价函数f₄为回波波峰个数，c₄为评价函数f₄的权重，波峰个数越多，处于良好谐振状态的腔体数目越多；

5)评价函数f₅为回波第一个波谷的位置，c₅为评价函数f₅的权重，波谷位置越靠近微波腔体滤波器的通带边缘，微波腔体滤波器的带内回波损耗越平坦；

6)评价函数f₆为回波第一个波谷的幅值，c₆为评价函数f₆的权重，波谷幅值的绝对值越大，微波腔体滤波器的频率的选择性越好。

本发明提供的技术方案带来的有益效果是：降低了建模难度和调试难度，提高了调试精度和调试速度，具有较强的实用性和适用性。

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是本发明实施例中基于粒子群优化算法的微波腔体滤波器智能调试方法的流程图；

图2是本发明实施例中六阶同轴微波腔体滤波器的示意图；

图3是本发明实施例中样本数据集中的数据预处理流程图；

图4是是本发明实施例中机电特性模型的结构图；

图5是本发明实施例迭代优化的流程图；

图6是本发明实施例理想S_i幅频响应曲线与最终的机电特性模型间接输出的S_m的幅频响应曲线之间的关系图；

图7是本发明实施例评价函数f₁、f₄、f₅和f₆在S_m的幅频曲线中的代表含义图；

图8是本发明实施例PSO收敛曲线图；

图9是本发明实施例关键种群代数对应的S_m的幅频响应曲线图；

图10是本发明实施例两种模型调试方法对比图。

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基于粒子群优化算法的微波腔体滤波器智能调试方法。

请参考图1，图1是本发明实施例中基于粒子群优化算法的微波腔体滤波器智能调试方法的流程图，具体包括如下步骤：

S101：随机改变微波腔体滤波器电磁仿真模型中耦合螺钉伸入腔体中的长度D，获取对应的耗散参数S，一组耦合螺钉伸入腔体中的长度D与对应的耗散参数S构成一个样本，多个样本构成样本数据集；

本实施例中的数据来源于如图2所示的基于电磁仿真软件HFSS设计的中心频率为2.25GHz，带宽为117MHz的六阶同轴微波腔体滤波器，其包括6个谐振腔，6个谐振杆和5个耦合螺钉；所述的一组耦合螺钉内就包含这5个耦合螺钉；

在微波腔体滤波器调试后期，需要对微波腔体滤波器进行精确调试，也即进行微调使微波腔体滤波器精确，这时只对耦合螺钉进行调节，各耦合螺钉伸入腔体中的长度记作D＝[k12,k23,k34,k45,k56]，每改变一次D，通过电磁仿真软件HFSS可得到对应输出的耗散参数S，随机改变D 400次，可构成微波腔体滤波器耦合螺钉长度D与对应输出的耗散参数S组成原始的样本数据集；

耗散参数S的表达式如式(1)所示，

耗散参数S是唯一可通过测量仪器直接获得的微波二端口网络参数，耗散参数S的幅频响应曲线可直接反映微波腔体滤波器的性能指标，耗散参数S幅频响应曲线反映了能量的传输与损耗，但包含的内部信息量较少，所以需要将耗散矩阵S转变为导纳参数Y，用来反映内部信息量；

S102：对样本数据集中的数据进行预处理，每一个样本的处理方式如下：

首先，对样本数据集中的耗散参数S进行移除相位加载处理，得到理想参数S_ideal；通过等价变换公式将理想参数S_ideal转换为导纳参数Y；其中，所述等价变换公式为：

其中，S₁₁、S₁₂、S₂₁和S₂₂为理想参数S_ideal中的元素，Y₀为单位矩阵，Y₁₁、Y₁₂、Y₂₁和Y₂₂为导纳参数Y中的元素。

然后，通过矢量拟合法对导纳参数Y进行处理，得到导纳参数Y的极点和留数组成的参数Y_{res_pole}；

最后，以参数Y_{res_pole}中的部分元素组成参数Y’_{res_pole}；所述部分元素能够反映参数Y_{res_pole}的特性；

导纳参数Y由S矩阵等价转换而来，其描述微波腔体滤波器等效电路电压和电流之间的关系，包含丰富的机理信息，而且其表达形式规范，实现了提取难度与信息量的折中。导纳参数Y的表达式如式(2)所示，

其中，s＝jω，λ_k为导纳参数Y中各元素的极点，r_11k、r_12k、r_21k和r_22k为与极点λ_k对应的留数；

选择导纳参数Y作为表示微波腔体滤波器特性的特征参数，导纳参数Y内的元素都是复数，且各部分之间具有较强的冗余性，为了保证微波腔体滤波器机电特性建模过程的精度和速度，对模型训练集数据的预处理必不可少。

矢量拟合法作为一种提取复数系统多项式极点和留数的方法，因其提取的准确性和快速性而被广泛使用，因此利用矢量拟合法提取出导纳参数Y的极点和留数；

导纳参数Y包含四个部分，由于Y₁₁和Y₂₂、Y₂₁和Y₁₂性质基本一致，在本实施例中选择Y₁₁和Y₂₁来反映导纳参数Y，使导纳参数Y冗余性大大降低；虽然导纳参数Y内的元素都是复数，但其极点实部和留数虚部在理论上都为0，实际提取过程中为极小值，相关实验表明，将导纳参数Y的极点实部和留数虚部赋值为0对最终的拟合效果基本不会有影响，所以，根据导纳参数Y的极点和留数，赋值极点实部和留数虚部为零，以极点虚部和留数实部代表参数Y_{res_pole}，以参数Y_{res_pole}中的元素：Y₁₁的极点虚部imag(λ_k)、Y₁₁的留数实部real(r_11k)和Y₂₁的留数实部real(r_21k)组成参数Y’_{res_pole}，参数Y’_{res_pole}用来反映微波腔体滤波器的电磁特性。

请参考图3，图3是本发明实施例中样本数据集中的数据预处理流程图，图3中，耦合螺钉伸入腔体中的长度D与耗散参数S组成原始的样本数据集(D，S)，S为基于电磁仿真软件HFSS输出的耗散参数，移除其具有的相位加载之后，可以得到理想参数S_ideal，相位加载的移除可采用较为简单成熟的现有技术，在此不再做说明；通过恒等变换，可得到导纳参数Y离散数据Y1；之后，通过矢量拟合法得到参数Y_{res_pole}；最后，对参数Y_{res_pole}进行分析，得到了信息量相对完整、维度大大降低的参数Y’_{res_pole}。

S103：基于分块建模法，构建微波腔体滤波器机电特性模型，该模型包含多个基于BP神经网络建立的子模型；以耦合螺钉伸入腔体中的长度D与对应的参数Y’_{res_pole}构成一个训练样本，多个训练样本构成训练样本集；以训练样本集对各子模型进行训练，进而得到微波腔体滤波器的机电特性模型：

通过梯度下降法，以训练集样本集中的样本对每个基于BP神经网络的子模型进行训练，并通过D-K迭代法对每个基于BP神经网络的子模型的隐层神经元数目和学习率进行迭代优化；

当训练的基于BP神经网络的子模型的精度满足预设精度或者基于D-K迭代法进行迭代优化的次数达到预设迭代次数时，训练完成，多个基于BP神经网络的子模型组合得到满足要求的微波腔体滤波器的机电特性模型；

在本实施例中，多个基于BP神经网络建立的子模型取为三个基于BP神经网络建立的子模型。

由于Y₁₁极点虚部、Y₁₁和Y₂₁留数实部三者之间的特征差异很大，单纯组合在一起进行建模，神经网络很难收敛。所以，本实施例中对各个部分分别进行建模，最终再将其结合在一起。机电特性模型结构如图5所示，图5中，共建立了三个神经网络，三个神经网络的输出组成了完整的参数Y’_{res_pole}，通过变换即可将Y’_{res_pole}转换为矩阵S_m，矩阵S_m的幅频曲线直观显示微波腔体滤波器的性能指标，可用来判断调试结果是否满足给定的性能指标。

请参考图4，图4是是本发明实施例中机电特性模型的结构图，得到微波腔体滤波器的机电特性模型的具体过程为：基于分块建模法，构建微波腔体滤波器机电特性模型，该模型包括多个基于BP神经网络的子模型，各子模型的隐层层数都设定为3层；各个所述子模型的隐层神经元数目和各神经元之间的学习率都不确定，但隐层神经元数目和各神经元之间的学习率会影响到机电特性模型的精度，因此需要结合D-K迭代法对每个基于BP神经网络的子模型进行迭代优化，得到各子模型的隐层神经元数目及各神经元之间的学习率；

同时，基于梯度下降法，以训练样本集对各个基于BP神经网络的子模型进行训练，待训练的参数为各个神经元之间的权值，每改变一次隐层神经元数目和各神经元间的学习率，就需要对各个子模型进行一次训练；直到各个子模型的精度满足预设精度，或者是基于D-K迭代法进行迭代优化的次数达到预设迭代次数，训练结束，即得到微波腔体滤波器机电特性模型；当把耦合螺钉伸入腔体中的任意长度值输入微波腔体滤波器机电特性模型后，输出分别最接近于当前微波腔体滤波器的极点虚部imag(λ_11k)、Y₂₁的留数实部real(r_21k)、Y₁₂的留数实部real(r_12k)。

请参考图5，图5是根据D-K迭代法对微波腔体滤波器机电特性模型的模型参数进行迭代优化的流程图。预先设定机电特性模型的预设精度或者预设迭代次数，以便在使用D-K迭代方法时跳出迭代循环。迭代优化过程为：(1)初始化各个神经元之间的学习率、学习率变化范围和隐层的神经元数目的变化范围；(2)保持各个神经元之间的学习率不变，只改变隐层的神经元数目；(3)综合预设精度及网络复杂度，选择使所述神经网络的输出最接近于参数Y’_{res_pole}中的极点虚部imag(λ_k)、Y₁₁的留数实部real(r_11k)和Y₂₁的留数实部real(r_21k)时隐层的神经元数目；(4)保持选择的隐层的神经元数目不变，只改变各个神经元之间的学习率，确定达到预设精度时对应的各个神经元之间的学习率；(5)判断在得到的隐层的神经元数目和各个神经元之间的学习率的情况下，机电特性模型的精度是否达到预设精度或者预设迭代次数，若是，则迭代优化结束；若否，则回到步骤(2)继续进行迭代优化。

神经网络的输出，也即最终的机电特性模型的输出，将机电特性模型输出的参数Y_{res_pole}通过变换公式转换为耗散参数S_m，耗散参数S_m的幅频响应曲线反映了微波腔体滤波器的性能指标，可用来判断调试结果是否满足给定的性能指标。在完成神经网络的训练之后，对神经网络进行测试，理想S_i的幅频响应曲线与最终的机电特性模型间接输出的S_m的幅频响应曲线之间的关系如图6所示，图6中，最终的机电特性模型间接输出的S_m的幅相响应曲线与理想的S_i的幅频响应曲线在通带内高度重合，但在带外有一定偏差。而微波腔体滤波器的后期调试，就是对带内指标的调试，所以，确定的最终的机电特性模型可用于微波腔体滤波器的后续优化过程中。

S104：基于机电特性模型和粒子群优化算法，对待调节的微波腔体滤波器进行调试；根据用于评估微波腔体滤波器性能的价值函数，通过粒子群优化算法，确定各耦合螺钉的调节量，使得价值函数的值不断减小，直到微波腔体滤波器的输出满足预设的性能指标，即完成了微波腔体滤波器的调试过程；其中，价值函数值越小，微波腔体滤波器的性能越好。

微波腔体滤波器的调试过程本质上是根据当前以及历史的输出特性寻找满足性能指标输出特性的迭代过程，而PSO是一种启发式搜索算法，该算法通过模拟鸟类的迁徙、觅食等行为来进行搜索解空间，参照群体中目前处于最优位置的个体和群体中曾经达到的最优位置来调整下一步搜索的方向和大小，其基本思想和滤波器调试过程十分吻合。所以，本发明基于PSO设计微波腔体滤波器的调试策略。

PSO的核心在于其价值函数的设计，本发明基于人工调试经验和最终的机电特性模型的特点，建立了如式(3)所示的PSO价值函数，PSO价值函数f_cost可通过6个评价函数加权求和得到，：

其中，c_i为权重，f_i是基于微波腔体滤波器性能指标设计的评价函数，i＝1,2,3,4,5,6；价值函数f_cost的值越小，表明当前微波腔体滤波器的性能越好。本实施例中共设计了6个评价函数，可通过PSO价值函数可以较为全面地反映微波腔体滤波器的性能，价值函数f_cost公式中的权重c_i和评价函数f_i在S_m的幅频响应曲线中的具体含义如下：

1)评价函数f₁为最大回波波峰与-20dB之间的差值，c₁为评价函数f₁的权重，评价函数f₁反映了通带内的损耗，评价函数f₁越小表示微波腔体滤波器通带内的损耗越小，微波腔体滤波器的性能越好；

2)评价函数f₂为回波峰值位置的标准差，c₂为评价函数f₂的权重，评价函数f₂反映了微波腔体滤波器回波横向分布的均匀程度，在其他条件相同的情况下，评价函数f₂越小，微波腔体滤波器的回波位置分布越均匀，经过微波腔体滤波器后带内信号失真程度越小，微波腔体滤波器的性能越好；

3)评价函数f₃为回波波峰幅值的标准差，c₃为评价函数f₃的权重，评价函数f₃反映了微波腔体滤波器回波波峰峰值分布的均匀程度，在其他条件相同的情况下，评价函数f₃越小，回波波峰峰值差距越小，经过微波腔体滤波器后带内信号失真程度越小，微波腔体滤波器的性能越好；

4)评价函数f₄为回波波峰个数，c₄为评价函数f₄的权重，波峰个数越多，处于良好谐振状态的腔体数目越多；

5)评价函数f₅为回波第一个波谷的位置，c₅为评价函数f₅的权重，波谷位置越靠近微波腔体滤波器的通带边缘，微波腔体滤波器的带内回波损耗越平坦；

6)评价函数f₆为回波第一个波谷的幅值，c₆为评价函数f₆的权重，波谷幅值的绝对值越大，微波腔体滤波器的频率的选择性越好。

各评价函数在S_m幅频曲线中的代表含义如图7所示，图7中，只给出了f₁、f₅和f₆，f₄的回波波峰数目显而易见。

PSO价值函数f_cost的值越小，表明微波腔体滤波器的性能越好；当价值函数f_cost取最小值时，微波腔体滤波器的性能最好，此时就根据该值对应的耦合螺钉伸入腔体中的长度D1进行调试微波腔体滤波器；当要求是微波腔体滤波器满足给定的性能指标，则PSO价值函数f_cost不一定取最小值，只要PSO价值函数f_cost取某值时，微波腔体滤波器达到给定的性能指标，则就根据该值对应的耦合螺钉伸入腔体中的长度进行调试微波腔体滤波器的耦合螺钉，直到耦合螺钉伸入腔体的长度为该值对应的耦合螺钉伸入腔体中的长度，此时就完成了微波腔体滤波器的调试。

PSO价值函数是加权和的形式，各个部分的表达式较为简单，计算量小，保证了调试过程的快速性，但是，权值的确定需要依赖一定的调试经验，反复调节后，本实施例最终确定的PSO价值函数f_cost的具体形式如式(4)所示：

f_cost＝200f₁+0.5f₂+5f₃-23f₄+f₅+5f₆(4)

PSO价值函数的值和其迭代过程可反映提出方法的正确性，PSO收敛曲线如图8所示，图8中，横坐标表示种群代数，也就是迭代次数，纵坐标则是当代最佳粒子对应的价值函数f_cost的值。现结合如图9所示的关键种群代数对应的S_m的幅频响应曲线，分析调试过程。图9中，前4次迭代效果明显，由图9(a)、图9(b)和图9(c)可知，回波数目增加，回波损耗明显减小，而且到第4代已十分接近回波损耗判定线。但是，第4代之后，价值函数变化比较缓慢，对应的输出也变化不大；直到第9代，牺牲了回波均匀程度换取回波损耗的减小，第10代时，微波腔体滤波器输出响应满足给定的带内性能指标，但是回波均匀程度不如第9代。可见，PSO价值函数和间接输出的S_m的幅相响应曲线的变化趋势一定程度上反映了微波腔体滤波器的机理特性和实际调试特征，证明本发明提出的基于粒子群优化算法的微波腔体滤波器智能调试方法的正确性。

将本方明提出的基于粒子群优化算法的微波腔体滤波器智能调试方法与传统的逆模型调试方法(简称IMTM)进行对比，经过调试，同一个微波腔体滤波器最终的幅频响应曲线如图10所示，图10中，S11PSO和S21PSO代表通过本发明提出的调试方法对微波腔体滤波器进行调试最终得到的输出幅频响应曲线；S11IMTM和S21IMTM则代表通过逆模型调试方法得到的微波腔体滤波器最终输出的幅频响应曲线。可见，与IMTM相比，本发明提出的基于粒子群优化算法的微波腔体滤波器智能调试方法准确度更高，回波损耗更小，调试得到的微波腔体滤波器性能也更优，证明了所提出调试方法的高效性。

本发明的有益效果是：降低了建模难度和调试难度，提高了调试精度和调试速度，具有较强的实用性和适用性。

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.基于粒子群优化算法的微波腔体滤波器智能调试方法，其特征在于：包括以下步骤：

S101：随机改变微波腔体滤波器电磁仿真模型中耦合螺钉伸入腔体中的长度D，获取对应的耗散参数S，一组耦合螺钉伸入腔体中的长度D与对应的耗散参数S构成一个样本，多个样本构成样本数据集；

S102：对样本数据集中的数据进行预处理，每一个样本的处理方式如下：

首先，对耗散参数S进行移除相位加载处理，得到理想参数S_ideal；通过等价变换公式将理想参数S_ideal转换为导纳参数Y；

然后，通过矢量拟合法对导纳参数Y进行处理，得到导纳参数Y的极点和留数组成的参数Y_{res_pole}；

最后，以参数Y_{res_pole}中的部分元素组成参数Y’_{res_pole}；所述部分元素能够反映参数Y_{res_pole}的特性；

S103：基于分块建模法，构建微波腔体滤波器机电特性模型，该模型包含多个基于BP神经网络建立的子模型；以耦合螺钉伸入腔体中的长度D与对应的参数Y’_{res_pole}构成一个训练样本，多个训练样本构成训练样本集；以训练样本集对各子模型进行训练，进而得到微波腔体滤波器的机电特性模型：

通过梯度下降法，以训练集样本集中的样本对每个基于BP神经网络的子模型进行训练，并通过D-K迭代法对每个基于BP神经网络的子模型的隐层神经元数目和学习率进行迭代优化；

当训练的基于BP神经网络的子模型的精度满足预设精度或者基于D-K迭代法进行迭代优化的次数达到预设迭代次数时，训练完成，多个基于BP神经网络的子模型组合得到满足要求的微波腔体滤波器的机电特性模型；

S104：基于机电特性模型和粒子群优化算法，对待调节的微波腔体滤波器进行调试；根据用于评估微波腔体滤波器性能的价值函数，通过粒子群优化算法，确定各耦合螺钉的调节量，使得价值函数的值不断减小，直到微波腔体滤波器的输出满足预设的性能指标，即完成了微波腔体滤波器的调试过程；其中，价值函数值越小，微波腔体滤波器的性能越好。

2.如权利要求1所述的基于粒子群优化算法的微波腔体滤波器智能调试方法，其特征在于：在步骤S102中，所述等价变换公式为：

其中，S₁₁、S₁₂、S₂₁和S₂₂为理想参数S_ideal中的元素，Y₀为单位矩阵，Y₁₁、Y₁₂、Y₂₁和Y₂₂为导纳参数Y中的元素。

3.如权利要求2所述的基于粒子群优化算法的微波腔体滤波器智能调试方法，其特征在于：在步骤S102中，导纳参数Y的矩阵为：

其中，s＝jω，λ_k为导纳参数Y中各元素的极点，r_11k、r_12k、r_21k和r_22k为与极点λ_k对应的留数。

4.如权利要求2所述的基于粒子群优化算法的微波腔体滤波器智能调试方法，其特征在于：在步骤S102中，根据导纳参数Y的极点和留数，赋值极点实部和留数虚部为零，以极点虚部和留数实部代表参数Y_{res_pole}，以参数Y_{res_pole}中的元素：Y₁₁的极点虚部imag(λ_k)、Y₁₁的留数实部real(r_11k)和Y₂₁的留数实部real(r_21k)组成参数Y’_{res_pole}，参数Y’_{res_pole}用来反映微波腔体滤波器的电磁特性。

5.如权利要求3所述的基于粒子群优化算法的微波腔体滤波器智能调试方法，其特征在于：在步骤S103中，得到微波腔体滤波器的机电特性模型的具体过程为：基于分块建模法，构建微波腔体滤波器机电特性模型，该模型包括多个基于BP神经网络的子模型，各子模型的隐层层数都设定为3层；各个所述子模型的隐层神经元数目和各神经元之间的学习率都不确定，但隐层神经元数目和各神经元之间的学习率会影响到机电特性模型的精度，因此需要结合D-K迭代法对每个基于BP神经网络的子模型进行迭代优化，得到各子模型的隐层神经元数目及各神经元之间的学习率；

同时，基于梯度下降法，以训练样本集对各个基于BP神经网络的子模型进行训练，待训练的参数为各个神经元之间的权值，每改变一次隐层神经元数目和各神经元间的学习率，就需要对各个子模型进行一次训练；直到各个子模型的精度满足预设精度，或者是基于D-K迭代法进行迭代优化的次数达到预设迭代次数，训练结束，即得到微波腔体滤波器机电特性模型；当把耦合螺钉伸入腔体中的任意长度值输入微波腔体滤波器机电特性模型后，输出分别最接近于当前微波腔体滤波器的极点虚部imag(λ_11k)、Y₂₁的留数实部real(r_21k)、Y₁₂的留数实部real(r_12k)。

6.如权利要求4所述的基于粒子群优化算法的微波腔体滤波器智能调试方法，其特征在于：在步骤S103中，迭代优化过程为：(1)初始化各个神经元之间的学习率、学习率变化范围和隐层的神经元数目的变化范围；(2)保持各个神经元之间的学习率不变，只改变隐层的神经元数目；(3)综合预设精度及网络复杂度，选择使所述神经网络的输出最接近于参数Y’_{res_pole}中的极点虚部imag(λ_k)、Y₁₁的留数实部real(r_11k)和Y₂₁的留数实部real(r_21k)时隐层的神经元数目；(4)保持选择的隐层的神经元数目不变，只改变各个神经元之间的学习率，确定达到预设精度时对应的各个神经元之间的学习率；(5)判断在得到的隐层的神经元数目和各个神经元之间的学习率的情况下，机电特性模型的精度是否达到预设精度或者预设迭代次数，若是，则迭代优化结束；若否，则回到步骤(2)继续进行迭代优化。

7.如权利要求4所述的基于粒子群优化算法的微波腔体滤波器智能调试方法，其特征在于：在步骤S103中，将机电特性模型输出的参数Y’_{res_pole}通过变换公式转换为耗散参数S_m，耗散参数S_m的幅频响应曲线反映了微波腔体滤波器的性能指标，可用来判断调试结果是否满足给定的性能指标。

8.如权利要求7所述的基于粒子群优化算法的微波腔体滤波器智能调试方法，其特征在于：在步骤S104中，价值函数f_cost可通过6个评价函数加权求和得到，如以下公式所示：

其中，c_i为权重，f_i是基于微波腔体滤波器性能指标设计的评价函数，i＝1,2,3,4,5,6；价值函数f_cost的值越小，表明当前微波腔体滤波器的性能越好。

9.如权利要求8所述的基于粒子群优化算法的微波腔体滤波器智能调试方法，其特征在于：在步骤S104中，价值函数f_cost中的权重c_i和评价函数f_i在S_m幅频响应曲线中的具体含义如下：

1)评价函数f₁为最大回波波峰与-20dB之间的差值，c_l为评价函数f₁的权重，评价函数f₁反映了通带内的损耗，评价函数f₁越小表示微波腔体滤波器通带内的损耗越小，微波腔体滤波器的性能越好；

2)评价函数f₂为回波峰值位置的标准差，c₂为评价函数f₂的权重，评价函数f₂反映了微波腔体滤波器回波横向分布的均匀程度，在其他条件相同的情况下，评价函数f₂越小，微波腔体滤波器的回波位置分布越均匀，经过微波腔体滤波器后带内信号失真程度越小，微波腔体滤波器的性能越好；

3)评价函数f₃为回波波峰幅值的标准差，c₃为评价函数f₃的权重，评价函数f₃反映了微波腔体滤波器回波波峰峰值分布的均匀程度，在其他条件相同的情况下，评价函数f₃越小，回波波峰峰值差距越小，经过微波腔体滤波器后带内信号失真程度越小，微波腔体滤波器的性能越好；

4)评价函数f₄为回波波峰个数，c₄为评价函数f₄的权重，波峰个数越多，处于良好谐振状态的腔体数目越多；

5)评价函数f₅为回波第一个波谷的位置，c₅为评价函数f₅的权重，波谷位置越靠近微波腔体滤波器的通带边缘，微波腔体滤波器的带内回波损耗越平坦；

6)评价函数f₆为回波第一个波谷的幅值，c₆为评价函数f₆的权重，波谷幅值的绝对值越大，微波腔体滤波器的频率的选择性越好。