CN111144461B - 一种端口去加载效应的动态聚类矢量拟合方法 - Google Patents
一种端口去加载效应的动态聚类矢量拟合方法 Download PDFInfo
- Publication number
- CN111144461B CN111144461B CN201911292855.5A CN201911292855A CN111144461B CN 111144461 B CN111144461 B CN 111144461B CN 201911292855 A CN201911292855 A CN 201911292855A CN 111144461 B CN111144461 B CN 111144461B
- Authority
- CN
- China
- Prior art keywords
- zero
- clustering
- class
- pole
- poles
- 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
Links
- 238000011068 loading method Methods 0.000 title claims abstract description 40
- 230000000694 effects Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000003064 k means clustering Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 description 6
- 239000000919 ceramic Substances 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种端口去加载效应的动态聚类矢量拟合方法,包括:S1被调试滤波器端口的散射参数采用矢量拟合算法拟合得到有理多项式,并求解得到有理多项式的零极点;S2采用聚类算法,对零极点进行分类,并识别由于端口加载效应引入的零极点;S3移除由于端口加载效应引入的零极点。本发明解决了滤波器性能不佳或者处于失谐状态时,无法执行端口去加载效应算法的问题。
Description
技术领域
本发明涉及微波器件领域,具体涉及一种端口去加载效应的动态聚类矢量拟合方法。
背景技术
随着5G的兴起,传统的基站滤波器领域发生了很大的变化,陶瓷滤波器(包括陶瓷多模滤波器)将逐渐取代传统的金属滤波器成为该领域的主流产品,但是,陶瓷滤波器的成型工艺与传统的金属滤波器差别很大,导致了陶瓷滤波器在生产调试上必须采用计算机指导人工调试或者机器人自动调试等方式进行生产,而不管是计算机指导人工调试还是机器人自动调试,滤波器等效电路提取算法都是其最核心的算法,滤波器等效电路提取算法的精确程度直接影响滤波器调试的成败。
在多种滤波器调试算法,矢量拟合算法对滤波器响应曲线拟合精度最高,提取出的等效电路最逼近实际被调试滤波器的等效电路,因此,矢量拟合算法成为了一种非常重要的滤波器等效电路提取算法。但是,矢量拟合算法的使用必须对被调试滤波器的端口进行去加载的预处理,否则无法使用矢量拟合算法对等效电路进行提取。而当前的各种端口去加载算法只能在滤波器的通带和回波损耗具有较为理想的波形方能起作用,一旦被调试滤波器的性能不佳,或者处于严重的失谐状态,去加载算法将会完全失效。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种端口去加载效应的动态聚类矢量拟合方法,主要对微波及射频滤波器进行等效电路提取前的预处理,该预处理对提取过程影响很大,预处理性能的好坏决定了提取的精确度。
本发明根据被调试滤波器各谐振腔之间的谐振频率聚集程度较好的特性,提出了聚类矢量拟合算法用以去除端口加载效应。聚类矢量拟合算法的提出解决了滤波器性能不佳或者处于失谐状态时,无法执行端口去加载效应算法的问题。
本发明采用如下技术方案:
一种端口去加载效应的动态聚类矢量拟合方法,包括如下步骤:
S1被调试滤波器端口的散射参数采用矢量拟合算法拟合得到有理多项式,并求解得到有理多项式的零极点;
S2采用动态聚类算法,对零极点进行分类,并识别由于端口加载效应引入的零极点;
S3移除由于端口加载效应引入的零极点。
优选的,所述S1具体为:将被调试滤波器端口的散射参数转换为复数形式,采用矢量拟合算法拟合得到有理多项式,并通过求解有理多项式提取出其对应的零极点,所述矢量拟合算法是一种采用迭代方式对滤波器散射参数S矩阵进行有理多项式拟合的算法,其输出结果为被拟合曲线对应的有理多项式的零极点。
若拟合迭代不收敛,则在滤波器阶数基础上增加阶数,重新迭代直至收敛,拟合结果以零极点方式输出,所增加的阶数不多于2阶。
优选的,所述S2采用动态K-means聚类算法对零极点进行分类,并识别由于端口加载效应引入的零极点,动态K-means聚类算法是一种基于预先设置K个类别,并对样本与K个类别之间的归属关系进行分类和识别的算法。在本发明中,K-means聚类算法被改进为动态K-means算法,在算法的最后会根据预设阈值判断各类之间是否合并。
具体为:
S2.1按照K=3进行预归类,具体为:将零极点的绝对值从小到大进行排列,将绝对值最大的零极点与次大的零极点分别归为a类和b类,余下的零极点归为c类;
S2.2计算得到a类的聚类中心,b类的聚类中心及c类的聚类中心,其中a类和b类的聚类中心为最大零极点的绝对值和次大的零极点的绝对值,c类的聚类中心为余下零极点的平均值。
S2.3计算每一个零极点分别与S2.2中的三类聚类中心的距离,并把该零极点归为距离最短的类别中,然后执行K-Means聚类直至收敛,得到重新分类后的a类、b类及c类;
距离公式如下:
S2.4重新计算a类、b类及c类的聚类中心;
S2.5计算S2.4得到的三类聚类中心之间的相互距离,如果任意两个聚类中心的距离小于设定的阈值则进行合并,然后计算合并后的类别及保留的聚类类型的聚类中心与通带中心频率的距离,若该距离大于预先设定的阈值,则判断该聚类中心下的零极点为端口加载效应引入的额外零极点。
优选的,所述S3移除由于端口加载效应引入的零极点,具体为:将该零极点转换为相位,通过矩阵运算将其移除。
假设步骤三中由于端口加载而引入的零极点为zk与pk,此时有:
此时,各个端口的加载相位为:
其中:θi为各端口相位.θi(s)=arg(αi)/2,i=1,2,Λ,p (3)
且αi可由公式(1)求出。
假设去加载前的滤波器散射参数为S,则去通过(4)式的矩阵运算即可得到加载后的散射参数S′为:
[S']=[D][S][D] (4)
本发明的有益效果:
现有技术中,当被调试滤波器通带和回波损耗性能较差或者处于严重失谐状态下时,传统去加载方法无法有效工作,导致矢量拟合算法无法准确提取出被调试滤波器的等效电路参数;而本发明引入动态聚类算法,即使滤波器处于严重失谐状态,聚类矢量拟合仍然能完美执行端口加载效应去除操作;在滤波器产品调试的实践过程中,聚类矢量拟合方法在无需任何预调试的情况下,可直接执行端口加载效应去除的操作,而其他算法仍然需要预调试才能该项操作。
附图说明
图1是本发明的工作流程图;
图2是本发明采用动态K-means聚类算法的流程图;
图3是本发明执行动态矢量拟合算法去除端口加载效应后,矢量拟合算法对S参数的拟合效果和等效电路提取效果。
具体实施方式
下面结合实施例及附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
如图1所示,一种端口去加载效应的动态聚类矢量拟合方法,应用在一个未经过任何调试,失谐严重的5G滤波器。其具体参数如下:
通带:2496-2690MHz
阶数:12
传输零点个数:5。
本方法包括矢量拟合算法、聚类算法和端口去加载操作。
矢量拟合算法。先将被调试滤波器端口的S11和S22转换为复数形式,利用矢量拟合算法将12阶滤波器的S11和S22进行有理多项式拟合,如拟合算法不收敛,可增加一定量的阶数直至拟合收敛,所增加阶数不超过2阶。拟合出多项式后,通过求解多项式分子和分母零点将多项式的零极点解出,并作为动态K-means聚类算法的输入。
聚类算法包括动态K-means算法、C均值聚类或模糊聚类,本发明采用动态K-means算法。
如图2所示,本实施例采用动态K-means算法,对零极点进行分类,并识别由于端口加载效应引入的零极点,具体为:
对零极点进行动态K-means聚类迭代,将矢量拟合输出的零极点预先分成三类(K=3),分别计算三种类型零极点的聚类中心、零极点与三类聚类中心的距离,并将零极点归入与其距离最短的聚类中心的类型中,然后执行K-Means聚类直至收敛。K-means聚类完成后,计算各类型聚类中心间的距离,根据距离小于阈值时进行合并,否则继续保留。
根据合并或保留的类型,计算其聚类中心,以及聚类中心到被调试滤波器中心频率的距离,如果该距离超过预先设定的阈值,则判断该聚类中心下的零极点为端口加载效应引入的额外零极点,完成端口加载效应的去除。
如图3所示为上述滤波器执行上述实例拟合过程后的结果,通过拟合S参数与原S参数对比发现,除了出现高次谐波部分的曲线,拟合的S参数曲线与原S参数曲线外几乎完全重合,说明动态聚类矢量拟合去除端口加载效果显著。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (4)
1.一种端口去加载效应的动态聚类矢量拟合方法,其特征在于,包括:
S1被调试滤波器端口的散射参数采用矢量拟合算法拟合得到有理多项式,并求解得到有理多项式的零极点;
S2采用聚类算法,对零极点进行分类,并识别由于端口加载效应引入的零极点;
S3移除由于端口加载效应引入的零极点;
所述S1中,若拟合迭代不收敛,则在滤波器阶数基础上增加阶数,重新迭代直至收敛,拟合结果以零极点方式输出;
采用动态K-means算法,对零极点进行分类,并识别由于端口加载效应引入的零极点,具体为:
S2.1按照K=3进行预归类,具体为:将零极点的绝对值从小到大进行排列,将绝对值最大的零极点与次大的零极点分别归为a类和b类,余下的零极点归为c类;
S2.2计算得到a类的聚类中心,b类的聚类中心及c类的聚类中心;
S2.3计算每一个零极点分别与S2.2中的三类聚类中心的距离,并把该零极点归为距离最短的类别中,然后执行K-Means聚类直至收敛,得到重新分类后的a类、b类及c类;
S2.4重新计算a类、b类及c类的聚类中心;
S2.5计算S2.4得到的三类聚类中心之间的相互距离,如果任意两个聚类中心的距离小于设定的阈值则进行合并,然后计算合并后的类别及保留的聚类类型的聚类中心与通带中心频率的距离,若该距离大于预先设定的阈值,则判断该聚类中心下的零极点为端口加载效应引入的额外零极点;
所述S3移除由于端口加载效应引入的零极点,具体为:将该零极点转换为相位,通过矩阵运算将其移除;
各个端口加载相位为:
其中:θi为各端口相位.θi(s)=arg(αi)/2,i=1,2,…,p;
其中,zk与pk为由于端口加载而引入的零极点。
2.根据权利要求1所述的动态聚类矢量拟合方法,其特征在于,所述增加阶数不超过2阶。
3.根据权利要求1-2任一项所述的动态聚类矢量拟合方法,其特征在于,所述聚类算法包括动态K-means算法、C均值聚类或模糊聚类。
4.根据权利要求1所述的动态聚类矢量拟合方法,其特征在于,所述S2.2中c类的聚类中心具体是通过计算零极点的平均值得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911292855.5A CN111144461B (zh) | 2019-12-16 | 2019-12-16 | 一种端口去加载效应的动态聚类矢量拟合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911292855.5A CN111144461B (zh) | 2019-12-16 | 2019-12-16 | 一种端口去加载效应的动态聚类矢量拟合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111144461A CN111144461A (zh) | 2020-05-12 |
CN111144461B true CN111144461B (zh) | 2023-11-24 |
Family
ID=70518437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911292855.5A Active CN111144461B (zh) | 2019-12-16 | 2019-12-16 | 一种端口去加载效应的动态聚类矢量拟合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144461B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372348A (zh) * | 2016-09-07 | 2017-02-01 | 北京航空航天大学 | 一种线性系统中基于误差控制的矢量拟合模型降阶方法 |
CN106599912A (zh) * | 2016-12-06 | 2017-04-26 | 浙江工业大学 | 一种基于动态时间规整均值的矢量聚类方法 |
CN106952643A (zh) * | 2017-02-24 | 2017-07-14 | 华南理工大学 | 一种基于高斯均值超矢量与谱聚类的录音设备聚类方法 |
CN108108557A (zh) * | 2017-12-21 | 2018-06-01 | 北京华大九天软件有限公司 | 基于矢量匹配法的nport问题自适应拟合与仿真方法 |
CN110188381A (zh) * | 2019-04-18 | 2019-08-30 | 中国北方车辆研究所 | 一种用于电磁干扰预测的仿真模型的构建方法及系统 |
-
2019
- 2019-12-16 CN CN201911292855.5A patent/CN111144461B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372348A (zh) * | 2016-09-07 | 2017-02-01 | 北京航空航天大学 | 一种线性系统中基于误差控制的矢量拟合模型降阶方法 |
CN106599912A (zh) * | 2016-12-06 | 2017-04-26 | 浙江工业大学 | 一种基于动态时间规整均值的矢量聚类方法 |
CN106952643A (zh) * | 2017-02-24 | 2017-07-14 | 华南理工大学 | 一种基于高斯均值超矢量与谱聚类的录音设备聚类方法 |
CN108108557A (zh) * | 2017-12-21 | 2018-06-01 | 北京华大九天软件有限公司 | 基于矢量匹配法的nport问题自适应拟合与仿真方法 |
CN110188381A (zh) * | 2019-04-18 | 2019-08-30 | 中国北方车辆研究所 | 一种用于电磁干扰预测的仿真模型的构建方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111144461A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107463604A (zh) | 一种基于重要点的时间序列固定分段算法 | |
CN106960088B (zh) | 面向工序更改的三维工序模型自动更新方法 | |
CN113051442A (zh) | 时间序列数据处理方法、装置和计算机可读存储介质 | |
CN116523320B (zh) | 基于互联网大数据的知识产权风险智能分析方法 | |
CN111144461B (zh) | 一种端口去加载效应的动态聚类矢量拟合方法 | |
CN108280236A (zh) | 一种基于LargeVis的随机森林可视化数据分析方法 | |
CN110852388A (zh) | 基于K-means改进的SMOTE算法 | |
CN110456731B (zh) | 一种数控切削几何刀轨特征提取方法 | |
CN114020593B (zh) | 一种基于轨迹聚类的异质流程日志采样方法与系统 | |
CN108537249B (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
CN106845229B (zh) | 一种基于fts模型的病毒特征提取方法及系统 | |
CN113255541B (zh) | 一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法 | |
CN112164144B (zh) | 一种结合d2算子和法向算子的铸件三维模型分类方法 | |
US11868332B2 (en) | Data index establishment method, and apparatus | |
CN113946717A (zh) | 一种子图指标特征获得方法、装置、设备及存储介质 | |
CN108255132B (zh) | 一种基于线切割功率曲线突变波形数据库的波形识别方法 | |
CN109100441B (zh) | 一种液相色谱曲线去除脉冲干扰的方法 | |
CN113283744A (zh) | 一种轻量级用电异常特征指纹库设计和更新方法 | |
CN112734010A (zh) | 一种适用于图像识别的卷积神经网络模型压缩方法 | |
CN109089125A (zh) | 一种视频编码中的dct系数分布特征模型优化方法 | |
CN114926453B (zh) | 基于改进局部阈值的低对比度接插件针脚区域分离方法 | |
CN110085284A (zh) | 一种面向ssd的基因对比方法及系统 | |
CN113191061B (zh) | 一种基于曲面特征识别的有限元网格变换方法 | |
CN113312354B (zh) | 数据表的识别方法、装置、设备和存储介质 | |
CN116934358B (zh) | 基于信息验证的阿胶质量追溯方法及系统 |
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 |