CN111695302A - 一种短阶梯同轴功分器设计方法 - Google Patents

一种短阶梯同轴功分器设计方法 Download PDF

Info

Publication number
CN111695302A
CN111695302A CN202010555870.0A CN202010555870A CN111695302A CN 111695302 A CN111695302 A CN 111695302A CN 202010555870 A CN202010555870 A CN 202010555870A CN 111695302 A CN111695302 A CN 111695302A
Authority
CN
China
Prior art keywords
low impedance
neural network
impedance transformation
training
metal rod
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
Application number
CN202010555870.0A
Other languages
English (en)
Other versions
CN111695302B (zh
Inventor
房少军
陈胥哲
尚玉洪
李英杰
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.)
Liaoning Putian Digital Co ltd
Dalian Maritime University
Original Assignee
Liaoning Putian Digital Co ltd
Dalian Maritime University
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 Liaoning Putian Digital Co ltd, Dalian Maritime University filed Critical Liaoning Putian Digital Co ltd
Priority to CN202010555870.0A priority Critical patent/CN111695302B/zh
Publication of CN111695302A publication Critical patent/CN111695302A/zh
Application granted granted Critical
Publication of CN111695302B publication Critical patent/CN111695302B/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]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Measurement Of Resistance Or Impedance (AREA)

Abstract

本发明公开了一种短阶梯同轴功分器设计方法，包括以下步骤：步骤S1、根据设计要求设定高低阻抗变换金属杆中每节金属杆的长度为L，根据短阶梯同轴功分器设计所要求的参数以及设定的每节金属杆的长度L，计算高低阻抗变换金属杆的节数K；步骤S2、利用短阶梯切比雪夫阻抗变换理论计算前m节高低阻抗变换金属杆的归一化特性阻抗值；步骤S3、通过数据仿真和/或实物测量获得样本，构建基于GA‑LM混合算法的神经网络模型；步骤S4、通过基于GA‑LM混合算法的神经网络模型计算高低阻抗变换金属杆中每节长度最终值l以及直径。基于该种方法得到的最终值可直接用于实物加工，且由该方法设计的功分器并具有结构紧凑、工作频带宽、驻波比小。

Description

一种短阶梯同轴功分器设计方法
技术领域
本发明涉及短阶梯同轴功分器设计方法。
背景技术
功分器是一种将一路输入信号能量分成两路或多路输出相等或不相等能量的器件，也可反过来将多路信号能量合成一路输出，此时也可称为合路器。功分器在射频电路中应用广泛,是接收、发射及固态功率合成系统中不可缺少的无源器件，从结构上来分，功分器有微带型、波导型和同轴型等形式。同轴功分器多为电抗功分器，制作简单，插损小，功率容量大。目前，同轴结构功分器在市面上广泛应用于广播电视发射系统、蜂窝移动通信室内基站、室内分布覆盖系统以及现代雷达系统等。
广播电视发射系统中，天线馈线系统对其质量有着较大的影响，而功分器是天线馈线系统中的重要组成部分。由于广播电视发射系统功率通常较大，同轴功分器在天线馈线系统中极为常见，多应用于广播电视发射天线的馈电结构。广播电视发射系统一般工作在甚高频段和特高频段，传统的同轴功分器为实现宽带覆盖，多采用多节四分之一波长进行级联。由于工作频率较低则波长较长，导致功分器体积过大、成本高，不利于天线馈电网络的集成化。因此，短阶梯同轴功分器引起了大量研究，这种功分器中同轴腔内导体呈现高低变换，且每节同轴腔的长度均远小于四分之一波长。通常，运用小反射原理并结合直线式、指数式、二项式和切比雪夫等多种响应函数求解短阶梯同轴功分器的每节特性阻抗值。然而，计算出来的理论值并不能直接进行实物加工，通常需要再次结合某些给定的物理参数以及性能指标，借助仿真软件以及人工调试多次来得到最终值，并进行实物制作。这种设计方案效率很低。
因此，在保证其工作频带宽、功率容量以及驻波比的情况下，确有必要提出一种新的的短阶梯同轴功分器设计方法来解决现有技术存在的问题。
发明内容
本发明提出了一种短阶梯同轴功分器设计方法，解决了现有的功分器设计方法设计的功分器参数不准确，无法直接进行加工的问题。
本发明采用的技术手段如下：
一种短阶梯同轴功分器设计方法，包括以下步骤：
步骤S1、根据设计要求设定高低阻抗变换金属杆中每节金属杆的长度为L，根据短阶梯同轴功分器设计所要求的工作频段f1～f2、最大驻波比ρ、输出路数N以及设定的所述高低阻抗变换金属杆中每节金属杆的长度L，计算高低阻抗变换金属杆的节数K；
步骤S2、利用短阶梯切比雪夫阻抗变换理论计算前m节高低阻抗变换金属杆的归一化特性阻抗值Z1，Z2…Zm，其中,当K为偶数时，m＝K/2；当K为奇数时，m＝(K+1)/2；
步骤S3、通过数据仿真和/或实物测量获得多组样本，所述样本中高低阻抗变换金属杆的节数K1与所述高低阻抗变换金属杆的节数K相同的，对所述样本进行数据采集获得多组样本数据，所述样本数据包括采集的起始频率f1′、终止频率f2′、最大驻波比ρ′、输出路数N′、高低阻抗变换金属杆的归一化阻抗值Z1′，Z2′…Zm′、金属腔体的内径大小D′、同轴腔中介质环的介电常数值εr′，高低阻抗变换金属杆每节长度最终值l′和每节高低阻抗变换金属杆的直径d1′、d2′…dK′，构建以所述采集的起始频率f1′、终止频率f2′、最大驻波比ρ′、输出路数N′、高低阻抗变换金属杆的归一化阻抗值Z1′，Z2′…Zm′、金属腔体的内径大小D′、同轴腔中介质环的介电常数值εr′为输入矩阵，以所述采集的高低阻抗变换金属杆每节长度最终值l′和每节高低阻抗变换金属杆的直径d1′、d2′…dK′为输出矩阵的基于GA-LM混合算法的神经网络模型；
步骤S4、将所述起始频率f1、终止频率f2、最大驻波比ρ、输出路数N、高低阻抗变换金属杆的归一化特性阻抗值Z1，Z2…Zm、金属腔体的内径大小D以及同轴腔中介质环的介电常数值εr作为输入矩阵代入所述基于GA-LM混合算法的神经网络模型计算高低阻抗变换金属杆中每节长度最终值l以及每节高低阻抗变换金属杆的直径d1、d2…dK。
进一步地，构建所述基于GA-LM混合算法的神经网络模型包括以下步骤：
步骤S301、通过数据仿真和/或实物测量获得M组样本，所述样本中高低阻抗变换金属杆的节数K1与所述高低阻抗变换金属杆的节数K相同的，对所述样本进行数据采集获得M组样本数据，所述样本数据包括由采集的起始频率f1′、终止频率f2′、最大驻波比ρ′、输出路数N′、高低阻抗变换金属杆的归一化阻抗值Z1′，Z2′…Zm′、金属腔体的内径大小D′及同轴腔中介质环的介电常数值εr′构成的输入矩阵[f1′，f2′，ρ′，N′，Z1′，Z2′…Zm′，D′，εr′]和由所述高低阻抗变换金属杆每节长度最终值l′及每节高低阻抗变换金属杆的直径d1′、d2′…dK′构成的输出矩阵[l′，d1′，d2′…dK′]；
步骤S302、对所述输入矩阵和输出矩阵的每一行分别进行归一化处理，归一化处理后的输入矩阵和输出矩阵分别称为归一化输入矩阵和归一化输出矩阵，所述归一化输入矩阵第j列和归一化输出矩阵第j列互相对应，构成一组训练测试数据，总共得到M组训练测试数据，从中随机选取M1组训练测试数据作为训练数据组，剩余M-M1组训练测试数据作为测试数据组；
步骤S303、设定神经网络精度es1和校验误差es2，初始化遗传操作相关参数，遗传操作相关参数包括种群规模Spop，当前种群代数Mgen＝0、最大进化代数Mgen′、交叉概率Pc和变异概率Pm；
步骤S304、预先定义一个网络结构，设定隐含层层数和神经元数目；
步骤S305、随机产生网络神经元的连接权值数据；
步骤S306、将所述网络神经元的连接权值数据传递给所述网络结构，完成神经网络初始模型的建立；
步骤S307、通过所述神经网络初始模型并利用LM算法对所述训练数据组进行训练，其训练过程如下：判断是否是第一次使用LM算法训练时，若是，则训练周期设为Q1，若否，则训练周期设为Q2，其中，训练周期Q1大于训练周期设为Q2，得到基于LM算法训练的神经网络权值，建立基于LM算法训练后的神经网络；
步骤S308、采用实数编码法，将所述基于LM算法训练的神经网络权值编码设为当前种群个体；
步骤S309、利用所述训练数据组，计算出所述个体的适应度，所述适应度为对应的基于LM算法训练后的神经网络的最大相对误差；
步骤S310、判断基于LM算法训练后的神经网络是否满足设定的所述神经网络精度es1或当前种群代数Mgen是否大于最大进化代数Mgen′，若是，则停止训练执行步骤S313；若否，则执行步骤S311进行遗传进化；
步骤S311、采用轮盘赌法从当前种群中选择适应度好的个体成为第一组新个体，然后从当前种群中选择两个个体，按交叉概率Pc得到第二组新个体，接着从种群中随机选择一个个体，按变异概率Pm得到第三组新个体，将所述第一组、第二组和第三组新个体组成新种族，且当前种群代数Mgen加1；
步骤S312、将所述新种群中的个体解码为网络神经元的连接权值，再执行步骤S306；
步骤S313、将适应度最好的个体解码为权值，传递给神经网络，接着利用所述测试数据组对所述基于LM算法训练后的神经网络进行验证，如果误差值没有满足校验误差es2，执行步骤S305，修改隐含层层数和每层神经元数目，重新使用GA-LM混合算法进行训练，直到满足校验误差es2，结束训练；
步骤S314、储存神经网络隐藏层的网络结构和网络神经元的连接权值，完成基于GA-LM混合算法的神经网络模型建立。
进一步地，所述样本数据来自仿真数据和实物测量获得的数据，取值范围为：0.2GHz≤f1′≤f2′≤1GHz；1.08≤ρ′≤1.2；2≤N′≤16；Z1′，Z2′…Zm′的取值与K值相关；30mm≤D′≤80mm；1≤εr′≤10。
进一步地，所述预先定义的网络结构中设定的隐含层数为4层，第一层隐含层神经元数目为30个，第二层隐含层神经元数目为60个，第三个隐含层神经元数目为30个，第四层隐含层神经元数目为15个。
与现有技术比较，本发明所述的短阶梯同轴功分器设计方法具有以下优点，先利用切比雪夫响应函数计算出短阶梯同轴功分器的初始值，再采用基于GA-LM算法的神经网络模型得到该功分器的最终物理尺寸，并满足广播电视发射系统中的使用要求。基于该种方法得到的最终值可直接用于实物加工，且制作出的短阶梯同轴功分器与现有的广播电视发射系统的同轴功分器相比，长度减小了47.2％，结构紧凑、工作频带宽、驻波比小，适用于UHF频段的广播电视发射系统。
附图说明
图1为本发明公开的短阶梯同轴功分器设计方法的流程图；
图2为本发明基于GA-LM混合算法构建神经网络模型的流程图；
图3为本发明基于神经网络的短阶梯同轴功分器的综合模型图；
图4为本发明的短阶梯八路同轴功分器的前视图；
图5为本发明的短阶梯八路同轴功分器的侧视图；
图6为本发明实施例的同轴功分器输入端口的S11实测图；
图7为本发明实施例的同轴功分器输出端口的Sn1实测图，其中n＝2，3，…，9。
图中：1、高低阻抗变换金属杆，11-16、单节短阶梯金属杆，2、金属腔体，3、介质环，4、输入连接器，5、八个输出连接器，51-58、单个同轴输出连接器，6、金属连接器。
具体实施方式
同轴功分器其结构包括高低阻抗变换金属杆、金属腔体、介质环、输入连接器、N个输出连接器以及金属连接器。如图1所示，本发明的用于短阶梯同轴功分器设计方法，包括以下步骤：
步骤S1、根据设计要求设定高低阻抗变换金属杆中每节金属杆的长度为L，根据短阶梯同轴功分器设计所要求的工作频段f1～f2、最大驻波比ρ、输出路数N以及设定的所述高低阻抗变换金属杆中每节金属杆的长度L，计算高低阻抗变换金属杆的节数K；
步骤S2、利用短阶梯切比雪夫阻抗变换理论计算前m节高低阻抗变换金属杆的归一化特性阻抗值Z1，Z2…Zm，其中,当K为偶数时，m＝K/2；当K为奇数时，m＝(K+1)/2，具体地，首先，所述切比雪夫多项式为：
Figure BDA0002544231870000051
而为使短阶梯同轴功分器的反射系数具有切比雪夫函数响应特性，即:
Figure BDA0002544231870000052
其中，α为比例常数、P为仍然需求解的未知数。
通过以下richards变换将原传输电路变换到p平面：
Figure BDA0002544231870000053
式中，p＝σ+jw为映射函数中的复频率变量；s＝μ+jΩ为原传输电路中的复频率变量；而a的定义是：
Figure BDA0002544231870000054
以及一个新的映射关系式，将需要得到的传统切比雪夫低通响应式从p'平面变换到p平面，
Figure BDA0002544231870000061
式中，ω′是低通滤波器的正弦频率；ωx′是低通滤波器的截止频率；ω是p平面中电路的频率变量；ω0表示中心频率；相对应的复频率变量p＝jω，p′＝jω′。
当将N路输出的短阶梯同轴功分器的反射系数投射到p平面，再将给定了最低插入损耗LAr(即最大驻波比ρ)以及工作频段为f1～f2的传统集总元件切比雪夫低通滤波器的传递函数也变换到p平面，使两者一一对应，最终可求解出以下关系式求得阻抗变换节数K满足：
Figure BDA0002544231870000062
由于切比雪夫计算出来的第i节归一化特性阻抗值满足下列关系：
Figure BDA0002544231870000063
因此，在得到前半部分高低阻抗变换金属杆的归一化特性阻抗值Z1，Z2，…，Zm，其中,当K为偶数时，m＝K/2；当K为奇数时，m＝(K+1)/2；节数K、输出路数N可计算出后半部分归一化特性阻抗值。切比雪夫多项式具体计算阻抗方法已经十分完整，具体归一化阻抗值可以通过查表或软件计算得到。
步骤S3、通过数据仿真和/或实物测量获得多组样本，所述样本中高低阻抗变换金属杆的节数K1与所述高低阻抗变换金属杆的节数K相同的，对所述样本进行数据采集获得多组样本数据，所述样本数据包括采集的起始频率f1′、终止频率f2′、最大驻波比ρ′、输出路数N′、高低阻抗变换金属杆的归一化阻抗值Z1′，Z2′…Zm′、金属腔体的内径大小D′、同轴腔中介质环的介电常数值εr′，高低阻抗变换金属杆每节长度最终值l′和每节高低阻抗变换金属杆的直径d1′、d2′…dK′，构建以所述采集的起始频率f1′、终止频率f2′、最大驻波比ρ′、输出路数N′、高低阻抗变换金属杆的归一化阻抗值Z1′，Z2′…Zm′、金属腔体的内径大小D′、同轴腔中介质环的介电常数值εr′为输入矩阵，以所述采集的高低阻抗变换金属杆每节长度最终值l′和每节高低阻抗变换金属杆的直径d1′、d2′…dK′为输出矩阵的基于GA-LM混合算法的神经网络模型；
如图2所示，构建基于GA-LM混合算法的神经网络模型包括以下步骤：
步骤S301、通过数据仿真和/或实物测量获得M组样本，所述样本中高低阻抗变换金属杆的节数K1与所述高低阻抗变换金属杆的节数K相同的，对所述样本进行数据采集获得M组样本数据，所述样本数据包括由采集的起始频率f1′、终止频率f2′、最大驻波比ρ′、输出路数N′、高低阻抗变换金属杆的归一化阻抗值Z1′，Z2′…Zm′、金属腔体的内径大小D′及同轴腔中介质环的介电常数值εr′构成的输入矩阵[f1′，f2′，ρ′，N′，Z1′，Z2′…Zm′，D′，εr′]和由所述高低阻抗变换金属杆每节长度最终值l′及每节高低阻抗变换金属杆的直径d1′、d2′…dK′构成的输出矩阵[l′，d1′，d2′…dK′]；
步骤S302、对所述输入矩阵和输出矩阵的每一行分别进行归一化处理，归一化处理后的输入矩阵和输出矩阵分别称为归一化输入矩阵和归一化输出矩阵，所述归一化输入矩阵第j列和归一化输出矩阵第j列互相对应，构成一组训练测试数据，总共得到M组训练测试数据，从中随机选取M1组训练测试数据作为训练数据组，剩余M-M1组训练测试数据作为测试数据组；
步骤S303、设定神经网络精度es1和校验误差es2，初始化遗传操作相关参数，遗传操作相关参数包括种群规模Spop，当前种群代数Mgen＝0、最大进化代数Mgen′、交叉概率Pc和变异概率Pm；
步骤S304、预先定义一个网络结构，设定隐含层层数和神经元数目；
步骤S305、随机产生网络神经元的连接权值数据；
步骤S306、将所述网络神经元的连接权值数据传递给所述网络结构，完成神经网络初始模型的建立；
步骤S307、通过所述神经网络初始模型并利用LM算法对所述训练数据组进行训练，其训练过程如下：判断是否是第一次使用LM算法训练时，若是，则训练周期设为Q1，若否，则训练周期设为Q2，其中，训练周期Q1大于训练周期设为Q2，得到基于LM算法训练的神经网络权值，建立基于LM算法训练后的神经网络；
步骤S308、采用实数编码法，将所述基于LM算法训练的神经网络权值编码设为当前种群个体；
步骤S309、利用所述训练数据组，计算出所述个体的适应度，所述适应度为对应的基于LM算法训练后的神经网络的最大相对误差；
步骤S310、判断基于LM算法训练后的神经网络是否满足设定的所述神经网络精度es1或当前种群代数Mgen是否大于最大进化代数Mgen′，若是，则停止训练执行步骤S313；若否，则执行步骤S311进行遗传进化；
步骤S311、采用轮盘赌法从当前种群中选择适应度好的个体成为第一组新个体，然后从当前种群中选择两个个体，按交叉概率Pc得到第二组新个体，接着从种群中随机选择一个个体，按变异概率Pm得到第三组新个体，将所述第一组、第二组和第三组新个体组成新种族，且当前种群代数Mgen加1；
步骤S312、将所述新种群中的个体解码为网络神经元的连接权值，再执行步骤S306；
步骤S313、将适应度最好的个体解码为权值，传递给神经网络，接着利用所述测试数据组对所述基于LM算法训练后的神经网络进行验证，如果误差值没有满足校验误差es2，执行步骤S305，修改隐含层层数和每层神经元数目，重新使用GA-LM混合算法进行训练，直到满足校验误差es2，结束训练；
步骤S314、储存神经网络隐藏层的网络结构和网络神经元的连接权值，完成基于GA-LM混合算法的神经网络模型建立。
步骤S4、将步骤S1中起始频率f1、终止频率f2、最大驻波比ρ及输出路数N和步骤S2中获得的所述高低阻抗变换金属杆的归一化特性阻抗值Z1,Z2,...,Zm以及金属腔体的内径大小D、同轴腔中介质环的介电常数值εr作为输入矩阵，通过步骤S3中所述基于GA-LM混合算法的神经网络模型计算高低阻抗变换金属杆中每节长度最终值l以及每节高低阻抗变换金属杆的直径d1、d2…dK，通过计算得到的高低阻抗变换金属杆中每节长度最终值l以及每节高低阻抗变换金属杆的直径d1、d2…dK可直接用于工厂实物制作与调试。
进一步地，步骤S301中所述样本数据来自仿真数据和实物测量获得的数据，取值范围为：0.2GHz≤f1′≤f2′≤1GHz；1.08≤ρ′≤1.2；2≤N′≤16；Z1′，Z2′…Zm′的取值与K值相关，以K＝6为例：1.5≤Z1≤4.4，0.4≤Z2≤0.9，3.1≤Z3≤8.2；30mm≤D′≤80mm；1≤εr′≤10。
进一步地，所述步骤S304中预先定义的网络结构中设定的隐含层数为4层，第一层隐含层神经元数目为30个，第二层隐含层神经元数目为60个，第三个隐含层神经元数目为30个，第四层隐含层神经元数目为15个。
本发明中归一化特性阻抗值是相对于Z0/R而言，其中Z0为输出端口特性阻抗值，R为输出路数”，这是对于归一化特性阻抗值的定义，假设述输出端口阻抗值为50欧姆，分路数为四路，第一节同轴腔归一化特性阻抗值为2，即第一节同轴腔特性阻抗值为2*(50/4)＝25欧姆。
实施例1
如图4和图5所示本实施例设计一种短阶梯八路同轴功分器，包括：高低阻抗变换金属杆1、金属腔体2、介质环3、输入连接器4、八个输出连接器5和金属连接器6。其设计方法如下，
步骤S1、设定高低阻抗变换金属杆中每节长度为
Figure BDA0002544231870000091
确定工作频率为470MHz-800MHz,即f1＝0.47GHz，f2＝0.8GHz，最大驻波比ρ＝1.15，输出路数N＝8。利用切比雪夫函数计算出满足要求的节数K＝6；
步骤S2、利用短阶梯切比雪夫阻抗变换理论计算前三节高低阻抗变换金属杆的归一化特性阻抗值满足：Z1＝2.713，Z2＝0.572，Z3＝7.704；
步骤S3、通过数据仿真和/或实物测量获得多组样本，所述样本中高低阻抗变换金属杆的节数K1与所述高低阻抗变换金属杆的节数K相同的，对所述样本进行数据采集获得多组样本数据，所述样本数据包括采集的起始频率f1′、终止频率f2′、最大驻波比ρ′、输出路数N′、高低阻抗变换金属杆的归一化阻抗值Z1′，Z2′…Zm′、金属腔体的内径大小D′、同轴腔中介质环的介电常数值εr′，高低阻抗变换金属杆每节长度最终值l′和每节高低阻抗变换金属杆的直径d1′、d2′…dK′，构建以所述采集的起始频率f1′、终止频率f2′、最大驻波比ρ′、输出路数N′、高低阻抗变换金属杆的归一化阻抗值Z1′，Z2′…Zm′、金属腔体的内径大小D′、同轴腔中介质环的介电常数值εr′为输入矩阵，以所述采集的高低阻抗变换金属杆每节长度最终值l′和每节高低阻抗变换金属杆的直径d1′、d2′…dK′为输出矩阵的基于GA-LM混合算法的神经网络模型；
具体地，构建基于GA-LM混合算法的神经网络模型包括以下步骤：步骤S301、通过数据仿真和/或实物测量获得10000组样本数据，所述样本中高低阻抗变换金属杆的节数K1与所述高低阻抗变换金属杆的节数K相同的，对所述样本进行数据采集获得M组样本数据，所述样本数据包括由采集的起始频率f1′、终止频率f2′、最大驻波比ρ′、输出路数N′、高低阻抗变换金属杆的归一化阻抗值Z1′，Z2′…Zm′、金属腔体的内径大小D′及同轴腔中介质环的介电常数值εr′构成的输入矩阵[f1′，f2′，ρ′，N′，Z1′，Z2′…Zm′，D′，εr′]和由所述高低阻抗变换金属杆每节长度最终值l′及每节高低阻抗变换金属杆的直径d1′、d2′…dK′构成的输出矩阵[l′，d1′，d2′…dK′]；
步骤S302、对步骤301中所述输入矩阵和输出矩阵的每一行分别进行归一化处理，归一化处理后的输入矩阵和归一化处理后的输出矩阵分别称为归一化输入矩阵和归一化输出矩阵，所述归一化输入矩阵第j列和归一化输出矩阵第j列互相对应，构成一组训练测试数据，总共得到10000组训练测试数据，从中随机选取8000组训练测试数据作为训练数据组，剩余2000组训练测试数据作为测试数据组；
步骤S303、设定神经网络精度es1和校验误差es2，初始化遗传操作相关参数，遗传操作相关参数包括种群规模Spop＝8，当前种群代数Mgen＝0、最大进化代数Mgen′＝6、交叉概率Pc＝0.4和变异概率Pm＝0.2；
步骤S304、预先定义一个网络结构，设定隐含层层数和神经元数目，此处针对于应用于广播电视发射系统的短阶梯同轴功分器，设定为30×60×30×15，即4层隐含层，第一个隐含层有30个神经元，第二个隐含层有60个神经元，第三个隐含层有30个神经元，第四个隐含层有15个神经元；
步骤S305、随机产生网络神经元的连接权值数据；
步骤S306、将所述网络神经元的连接权值数据传递给所述网络结构，完成神经网络初始模型的建立；
步骤S307、通过所述神经网络初始模型并利用LM(Levenberg-Marquardt)算法对所述训练数据组进行训练，其训练过程如下：判断是否是第一次使用LM算法训练时，若是，则训练周期设为Q1，若否，则训练周期设为Q2，其中，训练周期Q1大于训练周期设为Q2，得到基于LM算法训练的神经网络权值，建立基于LM算法训练后的神经网络；
步骤S308、采用实数编码法，将所述基于LM算法训练的神经网络权值编码设为当前种群个体；
步骤S309、利用所述训练数据组，计算出所述个体的适应度，所述适应度为对应的基于LM算法训练后的神经网络的最大相对误差；
步骤S310、判断基于LM算法训练后的神经网络是否满足设定的所述神经网络精度es1或当前种群代数Mgen是否大于最大进化代数Mgen′，若是，则停止训练执行步骤S313；若否，则执行步骤S311进行遗传进化；
步骤S311、采用轮盘赌法从当前种群中选择适应度好的个体成为第一组新个体，然后从当前种群中选择两个个体，按交叉概率Pc得到第二组新个体，接着从种群中随机选择一个个体，按变异概率Pm得到第三组新个体，将所述第一组、第二组和第三组新个体组成新种族，且当前种群代数Mgen加1；
步骤S312、将所述新种群中的个体解码为网络神经元的连接权值，再执行步骤S306，再次利用LM算法进行训练；
步骤S313、将适应度最好的个体解码为权值，传递给神经网络，接着利用所述测试数据组对所述基于LM算法训练后的神经网络进行验证，如果误差值没有满足校验误差es2，执行步骤S305，修改隐含层层数和每层神经元数目，重新使用GA-LM混合算法进行训练，直到满足校验误差es2，结束训练；
步骤S314、储存神经网络隐藏层的网络结构和网络神经元的连接权值，完成基于GA-LM混合算法的神经网络模型建立，构建的神经网络模型见图3。
步骤S4、将步骤S1中起始频率f1＝0.47GHz、终止频率f2＝0.8GHz、最大驻波比ρ＝1.15及输出路数N＝8和步骤S2中获得的所述高低阻抗变换金属杆的归一化特性阻抗值Z1＝2.713，Z2＝0.572，Z3＝7.704以及金属腔体的内径大小D＝39mm、同轴腔中介质环的介电常数值εr＝2.15作为输入矩阵，通过步骤S3中所述基于GA-LM混合算法的神经网络模型计算高低阻抗变换金属杆中每节长度最终值l＝28.2mm以及每节高低阻抗变换金属杆的直径d1＝14.4mm、d2＝36.4mm、d3＝16.6mm、d4＝34.4mm、d5＝9.9mm、d6＝2.7mm。
根据步骤四的加工尺寸进行实物加工，制作一种短阶梯同轴八路功分器，实测结果如图6和图7所示。输入端口在470MHz～800MHz全频段内的S11值均小于-25dB，即输入端口的驻波比小于1.12，说明输入端口匹配特性良好。插入损耗小于11.3dB，且八个输出端口的插入损耗有着幅度一致性和相位一致性，满足给出的性能指标，并能达到实际中的使用要求。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种短阶梯同轴功分器设计方法，其特征在于：包括以下步骤：
步骤S1、根据设计要求设定高低阻抗变换金属杆中每节金属杆的长度为L，根据短阶梯同轴功分器设计所要求的工作频段f1～f2、最大驻波比ρ、输出路数N以及设定的所述高低阻抗变换金属杆中每节金属杆的长度L，计算高低阻抗变换金属杆的节数K；
步骤S2、利用短阶梯切比雪夫阻抗变换理论计算前m节高低阻抗变换金属杆的归一化特性阻抗值Z1，Z2…Zm，其中,当K为偶数时，m＝K/2；当K为奇数时，m＝(K+1)/2；
步骤S3、通过数据仿真和/或实物测量获得多组样本，所述样本中高低阻抗变换金属杆的节数K1与所述高低阻抗变换金属杆的节数K相同的，对所述样本进行数据采集获得多组样本数据，所述样本数据包括采集的起始频率f1′、终止频率f2′、最大驻波比ρ′、输出路数N′、高低阻抗变换金属杆的归一化阻抗值Z1′，Z2′…Zm′、金属腔体的内径大小D′、同轴腔中介质环的介电常数值εr′，高低阻抗变换金属杆每节长度最终值l′和每节高低阻抗变换金属杆的直径d1′、d2′…dK′，构建以所述采集的起始频率f1′、终止频率f2′、最大驻波比ρ′、输出路数N′、高低阻抗变换金属杆的归一化阻抗值Z1′，Z2′…Zm′、金属腔体的内径大小D′、同轴腔中介质环的介电常数值εr′为输入矩阵，以所述采集的高低阻抗变换金属杆每节长度最终值l′和每节高低阻抗变换金属杆的直径d1′、d2′…dK′为输出矩阵的基于GA-LM混合算法的神经网络模型；
步骤S4、将所述起始频率f1、终止频率f2、最大驻波比ρ、输出路数N、高低阻抗变换金属杆的归一化特性阻抗值Z1，Z2…Zm、金属腔体的内径大小D以及同轴腔中介质环的介电常数值εr作为输入矩阵代入所述基于GA-LM混合算法的神经网络模型计算高低阻抗变换金属杆中每节长度最终值l以及每节高低阻抗变换金属杆的直径d1、d2…dK。
2.根据权利要求1所述的短阶梯同轴功分器设计方法，其特征在于：构建所述基于GA-LM混合算法的神经网络模型包括以下步骤：
步骤S301、通过数据仿真和/或实物测量获得M组样本，所述样本中高低阻抗变换金属杆的节数K1与所述高低阻抗变换金属杆的节数K相同的，对所述样本进行数据采集获得M组样本数据，所述样本数据包括由采集的起始频率f1′、终止频率f2′、最大驻波比ρ′、输出路数N′、高低阻抗变换金属杆的归一化阻抗值Z1′，Z2′…Zm′、金属腔体的内径大小D′及同轴腔中介质环的介电常数值εr′构成的输入矩阵[f1′，f2′，ρ′，N′，Z1′，Z2′…Zm′，D′，εr′]和由所述高低阻抗变换金属杆每节长度最终值l′及每节高低阻抗变换金属杆的直径d1′、d2′…dK′构成的输出矩阵[l′，d1′，d2′…dK′]；
步骤S302、对所述输入矩阵和输出矩阵的每一行分别进行归一化处理，归一化处理后的输入矩阵和输出矩阵分别称为归一化输入矩阵和归一化输出矩阵，所述归一化输入矩阵第j列和归一化输出矩阵第j列互相对应，构成一组训练测试数据，总共得到M组训练测试数据，从中随机选取M1组训练测试数据作为训练数据组，剩余M-M1组训练测试数据作为测试数据组；
步骤S303、设定神经网络精度es1和校验误差es2，初始化遗传操作相关参数，遗传操作相关参数包括种群规模Spop、当前种群代数Mgen＝0、最大进化代数Mgen′、交叉概率Pc和变异概率Pm；
步骤S304、预先定义一个网络结构，设定隐含层层数和神经元数目；
步骤S305、随机产生网络神经元的连接权值数据；
步骤S306、将所述网络神经元的连接权值数据传递给所述网络结构，完成神经网络初始模型的建立；
步骤S307、通过所述神经网络初始模型并利用LM算法对所述训练数据组进行训练，其训练过程如下：判断是否是第一次使用LM算法训练时，若是，则训练周期设为Q1，若否，则训练周期设为Q2，其中，训练周期Q1大于训练周期设为Q2，得到基于LM算法训练的神经网络权值，建立基于LM算法训练后的神经网络；
步骤S308、采用实数编码法，将所述基于LM算法训练的神经网络权值编码设为当前种群个体；
步骤S309、利用所述训练数据组，计算出所述个体的适应度，所述适应度为对应的基于LM算法训练后的神经网络的最大相对误差；
步骤S310、判断基于LM算法训练后的神经网络是否满足设定的所述神经网络精度es1或当前种群代数Mgen是否大于最大进化代数Mgen′，若是，则停止训练并执行步骤S313；若否，则执行步骤S311进行遗传进化；
步骤S311、采用轮盘赌法从当前种群中选择适应度好的个体成为第一组新个体，然后从当前种群中选择两个个体，按交叉概率Pc得到第二组新个体，接着从种群中随机选择一个个体，按变异概率Pm得到第三组新个体，将所述第一组、第二组和第三组新个体组成新种族，且当前种群代数Mgen加1；
步骤S312、将所述新种群中的个体解码为网络神经元的连接权值，再执行步骤S306；
步骤S313、将适应度最好的个体解码为权值，传递给神经网络，接着利用所述测试数据组对所述基于LM算法训练后的神经网络进行验证，判断误差值是否满足校验误差es2，若否，执行步骤S305，修改隐含层层数和每层神经元数目，重新使用GA-LM混合算法进行训练，若是，执行步骤S314；
步骤S314、储存神经网络隐藏层的网络结构和网络神经元的连接权值，完成基于GA-LM混合算法的神经网络模型建立。
3.根据权利要求2所述的短阶梯同轴功分器设计方法，其特征在于：
所述样本数据来自仿真数据和实物测量获得的数据，取值范围为：0.2GHz≤f1′≤f2′≤1GHz；1.08≤ρ′≤1.2；2≤N′≤16；Z1′，Z2′…Zm′的取值与K值相关；30mm≤D′≤80mm；1≤εr′≤10。
4.根据权利要求2所述的短阶梯同轴功分器设计方法，其特征在于：所述预先定义的网络结构中设定的隐含层数为4层，第一层隐含层神经元数目为30个，第二层隐含层神经元数目为60个，第三个隐含层神经元数目为30个，第四层隐含层神经元数目为15个。
CN202010555870.0A 2020-06-17 2020-06-17 一种短阶梯同轴功分器设计方法 Active CN111695302B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010555870.0A CN111695302B (zh) 2020-06-17 2020-06-17 一种短阶梯同轴功分器设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010555870.0A CN111695302B (zh) 2020-06-17 2020-06-17 一种短阶梯同轴功分器设计方法

Publications (2)

Publication Number Publication Date
CN111695302A true CN111695302A (zh) 2020-09-22
CN111695302B CN111695302B (zh) 2022-09-02

Family

ID=72481555

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010555870.0A Active CN111695302B (zh) 2020-06-17 2020-06-17 一种短阶梯同轴功分器设计方法

Country Status (1)

Country Link
CN (1) CN111695302B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117077604A (zh) * 2023-10-18 2023-11-17 中国电子科技集团公司信息科学研究院 一种基于强化学习的csrr滤波器设计方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146209A (zh) * 2018-11-02 2019-01-04 清华大学 基于遗传算法小波神经网络的机床主轴热误差预测方法
CN109634121A (zh) * 2018-12-28 2019-04-16 浙江工业大学 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146209A (zh) * 2018-11-02 2019-01-04 清华大学 基于遗传算法小波神经网络的机床主轴热误差预测方法
CN109634121A (zh) * 2018-12-28 2019-04-16 浙江工业大学 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王鹏: "基于遗传算法的宽带匹配电路优化设计", 《河南科技》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117077604A (zh) * 2023-10-18 2023-11-17 中国电子科技集团公司信息科学研究院 一种基于强化学习的csrr滤波器设计方法及装置
CN117077604B (zh) * 2023-10-18 2024-02-27 中国电子科技集团公司信息科学研究院 一种基于强化学习的csrr滤波器设计方法及装置

Also Published As

Publication number Publication date
CN111695302B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN102722613A (zh) 采用遗传-模拟退火组合对天线宽带匹配网络中电子元件参数的优化方法
CN111695302B (zh) 一种短阶梯同轴功分器设计方法
CN112989508B (zh) 基于深度学习算法的滤波器的优化设计方法
CN106856254B (zh) 基于分级设计的宽带多路功分器损耗优化方法
Paleček et al. Examination of SMA connector parameters
Wu et al. Closed-form design method of an N-way dual-band Wilkinson hybrid power divider
CN113922900A (zh) 一种考虑天线尺寸与天线互耦的无线电信道建模方法
CN109871580B (zh) 一种基于简化实频方法的放大器匹配网络设计方法
JP2022530687A (ja) パワーディバイダ、調整方法、電力分配方法、記憶媒体、及び電子装置
CN205723897U (zh) 一种指数渐变线传输的宽带腔体二功率分配器
Burdin et al. Flexible and miniaturized power divider
CN109346810A (zh) 一种5g超宽带六分之一波长小型化功分器设计方法
CN114759345A (zh) 一种基于寄生体的两个天线间可调谐多频点的去耦结构
CN114710137A (zh) 一种高性能毫米波有源矢量合成移相器
Wu et al. Closed‐form design method for unequal lumped‐elements Wilkinson power dividers
Nishimoto et al. Decoupling networks composed of lumped elements for diversity/MIMO antennas
Ball Investigation into Series-Fed Microstrip Patch Arrays at 26 GHz, 28 GHz and 48 GHz–Design, Simulation and Prototype Tests
Li et al. T-shaped decoupling network for wideband isolation improvement between two strongly coupled antennas
Nosrati An extremely miniaturized microstrip branch‐line coupler
Liu et al. A novel design of microstrip decoupling network for two-element antenna arrays
Turkmen et al. Anfis models for the quasistatic analysis of coplanar strip line structures
CN117497985B (zh) 一种紧凑型同轴多路功率合成器及其制作方法
Liu et al. MIMO antenna decoupled with a resonator decoupling network applied for WLAN applications
Tong et al. Noise Wave Modeling of an SIS Mixer and Its IF Circuit Using Tucker's Quantum Theory of Mixing
Meng et al. Direct optimal synthesis of microwave dual band filters with parallel-connected topology

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