CN111791103B - 滤波器调试方法、装置、电子设备和可读存储介质 - Google Patents
滤波器调试方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN111791103B CN111791103B CN202010624108.3A CN202010624108A CN111791103B CN 111791103 B CN111791103 B CN 111791103B CN 202010624108 A CN202010624108 A CN 202010624108A CN 111791103 B CN111791103 B CN 111791103B
- Authority
- CN
- China
- Prior art keywords
- filter
- simulation
- network
- parameters
- 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.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B5/00—Machines or devices designed for grinding surfaces of revolution on work, including those which also grind adjacent plane surfaces; Accessories therefor
- B24B5/36—Single-purpose machines or devices
- B24B5/48—Single-purpose machines or devices for grinding walls of very fine holes, e.g. in drawing-dies
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01P—WAVEGUIDES; RESONATORS, LINES, OR OTHER DEVICES OF THE WAVEGUIDE TYPE
- H01P11/00—Apparatus or processes specially adapted for manufacturing waveguides or resonators, lines, or other devices of the waveguide type
- H01P11/007—Manufacturing frequency-selective devices
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/02—Capturing of monitoring data
- H04L43/028—Capturing of monitoring data by filtering
-
- 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
- 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]
- G06F30/30—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
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/373—Design optimisation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mechanical Engineering (AREA)
- Databases & Information Systems (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Manufacturing & Machinery (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Feedback Control In General (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- General Factory Administration (AREA)
- Programmable Controllers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种滤波器调试方法、装置、电子设备和可读存储介质,涉及滤波器智能调试及深度学习技术领域。其中,滤波器调试方法包括:步骤S1:将滤波器当前的孔参数和指标值输入至预先训练的策略网络中;步骤S2:所述策略网络根据所述滤波器当前的孔参数和指标值,确定所述滤波器的待打磨的目标孔;步骤S3:控制机械臂对所述滤波器的目标孔进行打磨;步骤S4:根据打磨后的所述滤波器的指标值,判断所述滤波器是否合格,若所述滤波器合格,则结束;若所述滤波器不合格,则循环执行步骤S1至步骤S4,直至所述滤波器合格。本申请实现了滤波器的智能调试,替代了人工对滤波器进行调试,提高了滤波器调试效率,解决了现有技术中所存在的问题。
Description
技术领域
本申请涉及强化学习技术,尤其涉及滤波器智能调试技术领域,具体涉及一种滤波器调试方法、装置、电子设备和可读存储介质。
背景技术
随着5G通信时代的到来,滤波器(如陶瓷介质滤波器)的需求迅速增大,在滤波器的生产过程中,为了确保滤波器的性能,每个滤波器都需要熟练工人进行反复调试,需要消耗较高的人力成本和时间成本,这导致滤波器调试效率较低。
发明内容
本申请提供了一种滤波器调试方法、装置、电子设备和可读存储介质。
根据第一方面,本申请提供了一种滤波器调试方法,包括:
步骤S1:将滤波器当前的孔参数和指标值输入至预先训练的策略网络中;其中,所述策略网络通过仿真数据训练得到,所述仿真数据包括仿真滤波器的仿真孔参数和所述仿真滤波器的仿真指标值;
步骤S2:所述策略网络根据所述滤波器当前的孔参数和所述指标值,确定所述滤波器的待打磨的目标孔;
步骤S3:控制机械臂对所述滤波器的目标孔进行打磨;
步骤S4:根据打磨后的所述滤波器的指标值,判断所述滤波器是否合格,若所述滤波器合格,则结束;若所述滤波器不合格,则循环执行所述步骤S1至所述步骤S4,直至所述滤波器合格。
根据第二方面,本申请提供了一种滤波器调试装置,包括输入模块、控制模块、判断模块和预先训练的策略网络;
所述输入模块用于将滤波器当前的孔参数和指标值输入至所述策略网络中;其中,所述策略网络通过仿真数据训练得到,所述仿真数据包括仿真滤波器的仿真孔参数和所述仿真滤波器的仿真指标值;
所述策略网络用于根据所述滤波器当前的孔参数和所述指标值,确定所述滤波器的待打磨的目标孔;
所述控制模块用于控制机械臂对所述滤波器的目标孔进行打磨;
所述判断模块用于根据打磨后的所述滤波器的指标值,判断所述滤波器是否合格,若所述滤波器合格,则结束;若所述滤波器不合格,则触发所述输入模块、所述策略网络和所述控制模块进行处理,直至所述滤波器合格。
根据第三方面,本申请提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面中的任一项方法。
根据第四方面,本申请提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行第一方面中的任一项方法。
根据本申请的技术,通过预先训练策略网络,使得策略网络能够根据滤波器的孔参数和指标值来确定滤波器的调试方案,从而实现了滤波器的智能调试。本申请中,应用强化学习技术训练策略网络,并将其应用于滤波器调试领域中,实现了滤波器的智能调试,替代了人工对滤波器进行调试,提高了滤波器调试效率,解决了现有技术中所存在的问题。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请第一实施例的滤波器调试方法的流程示意图;
图2是根据本申请第一实施例的将滤波器当前的孔参数和指标值输入至策略网络中的示意图;
图3是根据本申请第一实施例的策略网络强化学习训练的流程示意图;
图4是根据本申请第一实施例的仿真滤波器当前的仿真孔参数和仿真指标值为输入的策略网络和值网络的架构图;
图5是根据本申请第二实施例的滤波器调试装置的结构示意图;
图6是用来实现本申请实施例的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
第一实施例
如图1所示,本申请提供一种滤波器调试方法,包括如下步骤:
步骤S1:将滤波器当前的孔参数和指标值输入至预先训练的策略网络中;
步骤S2:所述策略网络根据所述滤波器当前的孔参数和指标值,确定所述滤波器的待打磨的目标孔;
步骤S3:控制机械臂对所述滤波器的目标孔进行打磨;
步骤S4:根据打磨后的所述滤波器的指标值,判断所述滤波器是否合格,若所述滤波器合格,则结束;若所述滤波器不合格,则循环执行所述步骤S1至所述步骤S4,直至所述滤波器合格。
本申请中,滤波器可以包括陶瓷介质滤波器,也可以包括其他滤波器。滤波器的孔参数可以包括孔深和孔径,滤波器的指标可以包括中心频率、通带宽度、回波损耗、插入损耗、左侧带外抑制和右侧带外抑制中的至少一项。滤波器的指标值通过对滤波器的各项指标进行测试得到,即,滤波器的指标值为滤波器的各项指标的值,滤波器的指标值可通过分析仪器测试得到。滤波器是否合格取决于滤波器的各项指标是否满足要求,一般的,上述六项指标满足要求时,滤波器合格。如果滤波器的某项或多项指标不满足要求,则滤波器不合格,需要对滤波器的孔参数进行调整,直至滤波器合格。
本申请中,策略网络可通过强化学习训练得到,策略网络用于根据滤波器的孔参数和指标值,给出滤波器调试策略,对于滤波器而言,调试策略具体为孔打磨的策略,换言之,策略网络用于根据滤波器的孔参数和指标值,确定对哪个孔或哪些孔进行打磨。
在步骤S1中,可以直接将滤波器当前的孔参数和指标值输入至策略网络中,这样,在步骤S2中,策略网络在接收到滤波器当前的孔参数和指标值之后,可以先对滤波器当前的孔参数和指标值进行初步的处理,然后再给出调试策略,即,确定滤波器的待打磨的目标孔。
目标孔经过打磨之后,滤波器的各项指标值会随之发生变化,因此,在步骤S3之后,可以通过分析仪器对滤波器重新进行测试,以得到打磨后的滤波器的指标值,并根据打磨后的滤波器的指标值,判断滤波器是否合格。
本申请中,若滤波器合格,则结束上述滤波器调试过程;若滤波器不合格,则需要继续进行滤波器调试,具体的,循环执行步骤S1至步骤S4,直至滤波器合格。
本申请中,通过预先训练策略网络,使得策略网络能够根据滤波器的孔参数和指标值来确定滤波器的调试方案,从而实现了滤波器的智能调试。本申请中,应用强化学习技术训练策略网络,并将其应用于滤波器调试领域中,实现了滤波器的智能调试,替代了人工对滤波器进行调试,提高了滤波器调试效率,解决了现有技术中所存在的问题。
本申请中,步骤S1除了采用如前所述的直接将滤波器当前的孔参数和指标值输入至策略网络中的实施方式之外,还可以在对滤波器当前的孔参数和指标值进行处理之后,再输入至策略网络中。对于后者而言,步骤S1可包括如下的实施方式。
可选的,所述将滤波器当前的孔参数和指标值输入至预先训练的策略网络中,包括:
对滤波器当前的孔参数进行MLP(Multi-Layer Perceptron,多层感知机)处理,得到第一参数;
对所述滤波器当前的指标值进行MLP处理,得到第二参数;
将所述第一参数和所述第二参数输入至预先训练的策略网络。
相应的,所述策略网络根据所述孔参数和所述指标值,确定所述滤波器的待打磨的目标孔,包括:
所述策略网络根据所述第一参数和所述第二参数,确定所述滤波器的待打磨的目标孔。
其中,MLP也叫人工神经网络(Artificial Neural Network,简称ANN),MLP除了输入输出层,它中间可以有多个隐层。最简单的MLP需要有一层隐层,即输入层、隐层和输出层才能称为一个简单的神经网络。本申请中,策略网络也可以是MLP。
该实施方式中,对所述滤波器当前的孔参数(或指标值)进行MLP处理,可以理解为,将滤波器当前的孔参数(或指标值)输入至MLP中,通过MLP对滤波器当前的孔参数(或指标值)进行处理。可以通过同一MLP对滤波器当前的孔参数和指标值进行处理,也可以通过不同的MLP分别对滤波器当前的孔参数和指标值进行处理。
进一步的,在对滤波器当前的孔参数进行MLP处理之前,还可以先对滤波器当前的孔参数进行归一化处理。也就是说,在对滤波器当前的孔参数进行归一化处理之后,再对滤波器当前的孔参数进行MLP处理。
其中,归一化是指将孔参数归一化为0-1之间的数字,可采用公式(x-X_min)/(X_max-X_min)。
进一步的,在对滤波器当前的指标值进行MLP处理之前,还可以先对滤波器当前的指标值进行如下处理:对于连续的指标值,计算目标指标值和真实指标值之间的差值;对于离散的指标值,将指标值编码为0或1(例如,滤波器的上述指标中,中心频率、通带宽度和回波损耗对应的指标值为连续的指标值,插入损耗、左侧带外抑制和右侧带外抑制对应的指标值为离散的指标值)。也就是说,在对滤波器当前的指标值进行上述处理之后,再对滤波器当前的指标值进行MLP处理。
图2示出了将滤波器当前的孔参数和指标值输入至预先训练的策略网络中的上述具体过程。
该实施方式中,在将滤波器当前的孔参数和指标值输入至策略网络之前,由于预先对当前的孔参数和指标值进行了上述处理,处理后的数据能够供策略网络直接使用,这使得策略网络能够更快速地给出调整策略,因此,该实施方式能够提高策略网络的处理效率。
本申请中,为了避免对孔打磨过多而导致滤波器报废的情况发生,在步骤S3中,可以控制机械臂对滤波器的目标孔进行可控的打磨。
可选的,所述控制机械臂对所述滤波器的目标孔进行打磨,包括:
控制机械臂对所述滤波器的目标孔进行单步长打磨。
单步长打磨可以理解为,每次打磨时仅打磨一个步长,步长的大小可以根据实际需求进行预先设定。
可选的,所述策略网络通过仿真数据训练得到,所述仿真数据包括仿真滤波器的仿真孔参数和所述仿真滤波器的仿真指标值。
上述仿真数据可通过预先创建的仿真模型生产,因此,在对策略网络进行训练之前,可以预先创建仿真模型,搭建仿真环境。仿真模型的数量可以是一个,也可以与滤波器的指标项数有关,例如,仿真模型的数量可以与滤波器的指标项数相同,有多少项指标,即可训练多少个仿真模型。这样,每项指标均分别对应各自的仿真模型。例如,可以训练六个不同的仿真模型,用于拟合中心频率、通带宽度、回波损耗、插入损耗、左侧带外抑制和右侧带外抑制这六项指标。仿真模型的训练可以采用XGBoost算法、神经网络算法等算法,本申请对此不作具体说明。
通过仿真数据来实现策略网络的训练,能够确保训练数据的多样性和可控性,从而能够提高策略网络的训练效果。
在使用仿真数据对策略网络进行强化学习训练中,需要搭建强化学习环境,强化学习环境的state(状态)和action(行为)设计如下:强化学习环境的state分为两部分,一部分为仿真滤波器的仿真孔参数(如孔深和孔径信息),另一部分为仿真模型拟合出的仿真指标值。强化学习环境的action为根据state来确定仿真滤波器的待磨孔。
图3示出了策略网络强化学习训练流程图。如图3所示,将仿真滤波器当前的仿真孔参数和仿真指标值(即仿真滤波器当前状态)输入至策略网络,由策略(policy)网络给出下一步的调整策略,由环境给出调整后的仿真滤波器的状态,由值(value)网络对调整后的仿真滤波器的状态进行打分,根据仿真模型判断调整后的仿真滤波器的状态是否满足要求,如果满足要求,则策略网络结束对仿真滤波器的该轮调整,并开始下一轮的调整;如果不满足要求,则策略网络继续循环迭代该轮调整。
图4示出了以仿真滤波器当前的仿真孔参数和仿真指标值为输入的策略网络和值网络的架构图。如图4所示,仿真滤波器当前的仿真孔参数进行归一化处理之后,再进行MLP处理,得到第一仿真参数h1;仿真滤波器当前的仿真指标值进行连续或离散处理之后,再进行MLP处理,得到第二仿真参数h2;然后将h1和h2拼接后分别输入至策略网络和值网络中。
上述h1和h2可以是例如128维的向量,h1和h2拼接后的维度为256维,策略网络和值网络的维度均可以为256维,MLP隐藏层的节点个数可以为256。
可选的,所述策略网络通过以下步骤进行训练:
对所述策略网络进行预训练,以得到预训练网络,在所述预训练过程中,每次变动所述仿真滤波器的单个孔的仿真孔参数;
将所述策略网络的参数初始化为所述预训练网络的参数;
对所述策略网络的参数进行更新,直至收敛。
该实施方式中,可以使用梯度下降算法对策略网络的参数进行更新,直至策略网络和值网络收敛。
该实施方式中,通过对策略网络进行预训练,可以提高策略网络和值网络的收敛速度,从而提高策略网络的训练效率。
需要说明的是,本申请中的滤波器调试方法中的多种可选的实施方式,彼此可以相互结合实现,也可以单独实现,对此本申请不作限定。
本申请的上述实施例至少具有如下优点或有益效果:
本申请中,通过预先训练策略网络,使得策略网络能够根据滤波器的孔参数和指标值来确定滤波器的调试方案,从而实现了滤波器的智能调试。本申请中,应用强化学习技术训练策略网络,并将其应用于滤波器调试领域中,实现了滤波器的智能调试,替代了人工对滤波器进行调试,提高了滤波器调试效率,解决了现有技术中所存在的问题。
第二实施例
如图5所示,本申请提供一种滤波器调试装置300,包括输入模块301、控制模块302、判断模块303和预先训练的策略网络304;
输入模块301用于将滤波器当前的孔参数和指标值输入至策略网络304中;
策略网络304用于根据所述滤波器当前的孔参数和指标值,确定所述滤波器的待打磨的目标孔;
控制模块302用于控制机械臂对所述滤波器的目标孔进行打磨;
判断模块303用于根据打磨后的所述滤波器的指标值,判断所述滤波器是否合格,若所述滤波器合格,则结束;若所述滤波器不合格,则触发输入模块301、策略网络304和控制模块302进行处理,直至所述滤波器合格。
可选的,输入模块301包括:
第一处理单元,用于对滤波器当前的孔参数进行多层感知机MLP处理,得到第一参数;
第二处理单元,用于对所述滤波器当前的指标值进行MLP处理,得到第二参数;
输入单元,用于将所述第一参数和所述第二参数输入至所述策略网络;
策略网络304具体用于:
根据所述第一参数和所述第二参数,确定所述滤波器的待打磨的目标孔。
可选的,控制模块302具体用于:
控制机械臂对所述滤波器的目标孔进行单步长打磨。
可选的,所述滤波器的孔参数包括孔深和孔径;
所述滤波器的指标包括中心频率、通带宽度、回波损耗、插入损耗、左侧带外抑制和右侧带外抑制中的至少一项。
可选的,策略网络304通过仿真数据训练得到,所述仿真数据包括仿真滤波器的仿真孔参数和所述仿真滤波器的仿真指标值。
可选的,策略网络304通过以下步骤进行训练:
对策略网络304进行预训练,以得到预训练网络,在所述预训练过程中,每次变动所述仿真滤波器的单个孔的仿真孔参数;
将策略网络304的参数初始化为所述预训练网络的参数;
对策略网络304的参数进行更新,直至收敛。
本申请提供的滤波器调试装置300能够实现上述滤波器调试方法实施例中的各个过程,且能够达到相同的有益效果,为避免重复,这里不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是根据本申请方法实施例的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的滤波器调试方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的滤波器调试方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的滤波器调试方法对应的程序指令/模块(例如,附图5所示的输入模块301、控制模块302、判断模块303和策略网络304)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行问题解析装置的各种功能应用以及数据处理,即实现上述方法实施例中的滤波器调试方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储电子设备的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与虚拟专用服务器(VPS)服务中,存在的管理难度大,业务扩展性弱的缺陷。
根据本申请实施例的技术方案,通过预先训练策略网络,使得策略网络能够根据滤波器的孔参数和指标值来确定滤波器的调试方案,从而实现了滤波器的智能调试。本申请中,应用强化学习技术训练策略网络,并将其应用于滤波器调试领域中,实现了滤波器的智能调试,替代了人工对滤波器进行调试,提高了滤波器调试效率,解决了现有技术中所存在的问题。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (10)
1.一种滤波器调试方法,包括:
步骤S1:对滤波器当前的孔参数进行多层感知机MLP处理,得到第一参数,对所述滤波器当前的指标值进行MLP处理,得到第二参数,将所述第一参数和所述第二参数输入至预先训练的策略网络;
步骤S2:所述策略网络根据所述第一参数和所述第二参数,确定所述滤波器的待打磨的目标孔;
步骤S3:控制机械臂对所述滤波器的目标孔进行打磨;
步骤S4:根据打磨后的所述滤波器的指标值,判断所述滤波器是否合格,若所述滤波器合格,则结束;若所述滤波器不合格,则循环执行所述步骤S1至所述步骤S4,直至所述滤波器合格;
所述滤波器的孔参数包括孔深和孔径;
所述滤波器的指标包括中心频率、通带宽度、回波损耗、插入损耗、左侧带外抑制和右侧带外抑制中的至少一项。
2.根据权利要求1所述的方法,其中,所述控制机械臂对所述滤波器的目标孔进行打磨,包括:
控制机械臂对所述滤波器的目标孔进行单步长打磨。
3.根据权利要求1所述的方法,其中,所述策略网络通过仿真数据训练得到,所述仿真数据包括仿真滤波器的仿真孔参数和所述仿真滤波器的仿真指标值。
4.根据权利要求3所述的方法,其中,所述策略网络通过以下步骤进行训练:
对所述策略网络进行预训练,以得到预训练网络,在所述预训练过程中,每次变动所述仿真滤波器的单个孔的仿真孔参数;
将所述策略网络的参数初始化为所述预训练网络的参数;
对所述策略网络的参数进行更新,直至收敛。
5.一种滤波器调试装置,包括输入模块、控制模块、判断模块和预先训练的策略网络;
所述输入模块包括:
第一处理单元,用于对滤波器当前的孔参数进行多层感知机MLP处理,得到第一参数;
第二处理单元,用于对所述滤波器当前的指标值进行MLP处理,得到第二参数;
输入单元,用于将所述第一参数和所述第二参数输入至所述策略网络;
所述策略网络用于根据所述第一参数和所述第二参数,确定所述滤波器的待打磨的目标孔;
所述控制模块用于控制机械臂对所述滤波器的目标孔进行打磨;
所述判断模块用于根据打磨后的所述滤波器的指标值,判断所述滤波器是否合格,若所述滤波器合格,则结束;若所述滤波器不合格,则触发所述输入模块、所述策略网络和所述控制模块进行处理,直至所述滤波器合格;
所述滤波器的孔参数包括孔深和孔径;
所述滤波器的指标包括中心频率、通带宽度、回波损耗、插入损耗、左侧带外抑制和右侧带外抑制中的至少一项。
6.根据权利要求5所述的装置,其中,所述控制模块具体用于:
控制机械臂对所述滤波器的目标孔进行单步长打磨。
7.根据权利要求5所述的装置,其中,所述策略网络通过仿真数据训练得到,所述仿真数据包括仿真滤波器的仿真孔参数和所述仿真滤波器的仿真指标值。
8.根据权利要求7所述的装置,其中,所述策略网络通过以下步骤进行训练:
对所述策略网络进行预训练,以得到预训练网络,在所述预训练过程中,每次变动所述仿真滤波器的单个孔的仿真孔参数;
将所述策略网络的参数初始化为所述预训练网络的参数;
对所述策略网络的参数进行更新,直至收敛。
9.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1至4中任一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010624108.3A CN111791103B (zh) | 2020-06-30 | 2020-06-30 | 滤波器调试方法、装置、电子设备和可读存储介质 |
JP2020208116A JP7033183B2 (ja) | 2020-06-30 | 2020-12-16 | フィルタデバッグ方法、装置、電子機器、読み取り可能な記憶媒体及びコンピュータプログラム |
US17/207,571 US11469975B2 (en) | 2020-06-30 | 2021-03-19 | Filter debugging method, device, electronic apparatus and readable storage medium |
KR1020210036817A KR102489650B1 (ko) | 2020-06-30 | 2021-03-22 | 필터 디버깅 방법, 장치, 전자 기기, 판독 가능한 저장 매체 및 컴퓨터 프로그램 |
EP21164469.5A EP3832792B1 (en) | 2020-06-30 | 2021-03-24 | Filter debugging method, device, electronic apparatus, readable storage medium and computer program product |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010624108.3A CN111791103B (zh) | 2020-06-30 | 2020-06-30 | 滤波器调试方法、装置、电子设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111791103A CN111791103A (zh) | 2020-10-20 |
CN111791103B true CN111791103B (zh) | 2022-04-29 |
Family
ID=72810066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010624108.3A Active CN111791103B (zh) | 2020-06-30 | 2020-06-30 | 滤波器调试方法、装置、电子设备和可读存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11469975B2 (zh) |
EP (1) | EP3832792B1 (zh) |
JP (1) | JP7033183B2 (zh) |
KR (1) | KR102489650B1 (zh) |
CN (1) | CN111791103B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112736380A (zh) * | 2020-12-14 | 2021-04-30 | 北京配天技术有限公司 | 介质滤波器的自动调谐系统、自动调谐方法及存储装置 |
CN113592767B (zh) * | 2021-06-02 | 2024-01-26 | 江汉大学 | 一种双工器的调试方法以及装置 |
CN114083770B (zh) * | 2021-10-29 | 2024-03-22 | 北京百度网讯科技有限公司 | 工艺参数调整及模型训练方法、装置、设备与存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005032154A (ja) * | 2003-07-10 | 2005-02-03 | Sony Chem Corp | プリント配線基板製造方法及びプリント配線基板、並びに特性インピーダンス算出装置、特性インピーダンス算出方法、及び特性インピーダンス算出プログラム |
CN107238507A (zh) * | 2017-06-20 | 2017-10-10 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的工业设备故障预测方法 |
CN108170922A (zh) * | 2017-12-21 | 2018-06-15 | 中国地质大学(武汉) | 一种微波滤波器的辅助调试方法、设备及存储设备 |
CN108375353A (zh) * | 2017-12-14 | 2018-08-07 | 北京木业邦科技有限公司 | 一种木材检测方法、装置和设备 |
CN109249300A (zh) * | 2018-10-25 | 2019-01-22 | 北京木业邦科技有限公司 | 木材加工控制方法、装置、电子设备及存储介质 |
CN110676553A (zh) * | 2019-09-19 | 2020-01-10 | 深圳市中科脑海科技有限公司 | 一种介质滤波器自动调试方法、装置及系统 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3172367B2 (ja) * | 1994-06-13 | 2001-06-04 | ティーディーケイ株式会社 | レーザトリミング方法及び装置 |
JPH09326615A (ja) * | 1996-06-03 | 1997-12-16 | Matsushita Electric Ind Co Ltd | フィルタ特性自動調整装置 |
US10587030B2 (en) * | 2016-11-08 | 2020-03-10 | LGS Innovations LLC | Systems and methods of designing, tuning and producing ceramic filters |
CN109190720B (zh) * | 2018-07-28 | 2021-08-06 | 深圳市商汤科技有限公司 | 智能体强化学习方法、装置、设备及介质 |
CN109149025B (zh) | 2018-08-22 | 2020-12-15 | 京信通信技术(广州)有限公司 | 介质波导滤波器及其调谐方法 |
CN109635420B (zh) * | 2018-12-10 | 2021-07-30 | 南开大学 | 一种微波微带发卡型滤波器的仿真方法及系统 |
CN210443650U (zh) | 2019-09-19 | 2020-05-01 | 深圳市中科脑海科技有限公司 | 一种介质滤波器自动调试装置及系统 |
CN111313136B (zh) | 2019-12-13 | 2021-08-17 | 新益技术(深圳)有限公司 | 一种介质滤波器自动调试系统以及方法 |
CN111274727B (zh) * | 2020-01-17 | 2023-05-02 | 南京星火技术有限公司 | 电子设备、微波产品模型设计装置和计算机可读介质 |
CN111260134A (zh) | 2020-01-17 | 2020-06-09 | 南京星火技术有限公司 | 调试辅助设备、装置、产品调试设备和计算机可读介质 |
CN111260079B (zh) * | 2020-01-17 | 2023-05-19 | 南京星火技术有限公司 | 电子设备和智能体自训练装置 |
-
2020
- 2020-06-30 CN CN202010624108.3A patent/CN111791103B/zh active Active
- 2020-12-16 JP JP2020208116A patent/JP7033183B2/ja active Active
-
2021
- 2021-03-19 US US17/207,571 patent/US11469975B2/en active Active
- 2021-03-22 KR KR1020210036817A patent/KR102489650B1/ko active IP Right Grant
- 2021-03-24 EP EP21164469.5A patent/EP3832792B1/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005032154A (ja) * | 2003-07-10 | 2005-02-03 | Sony Chem Corp | プリント配線基板製造方法及びプリント配線基板、並びに特性インピーダンス算出装置、特性インピーダンス算出方法、及び特性インピーダンス算出プログラム |
CN107238507A (zh) * | 2017-06-20 | 2017-10-10 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的工业设备故障预测方法 |
CN108375353A (zh) * | 2017-12-14 | 2018-08-07 | 北京木业邦科技有限公司 | 一种木材检测方法、装置和设备 |
CN108170922A (zh) * | 2017-12-21 | 2018-06-15 | 中国地质大学(武汉) | 一种微波滤波器的辅助调试方法、设备及存储设备 |
CN109249300A (zh) * | 2018-10-25 | 2019-01-22 | 北京木业邦科技有限公司 | 木材加工控制方法、装置、电子设备及存储介质 |
CN110676553A (zh) * | 2019-09-19 | 2020-01-10 | 深圳市中科脑海科技有限公司 | 一种介质滤波器自动调试方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
EP3832792B1 (en) | 2023-04-26 |
US20210211365A1 (en) | 2021-07-08 |
KR20210039356A (ko) | 2021-04-09 |
JP7033183B2 (ja) | 2022-03-09 |
CN111791103A (zh) | 2020-10-20 |
KR102489650B1 (ko) | 2023-01-17 |
JP2022013589A (ja) | 2022-01-18 |
US11469975B2 (en) | 2022-10-11 |
EP3832792A2 (en) | 2021-06-09 |
EP3832792A3 (en) | 2021-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111791103B (zh) | 滤波器调试方法、装置、电子设备和可读存储介质 | |
CN111461290B (zh) | 模型参数更新方法及装置 | |
EP4160440A1 (en) | Federated computing processing method and apparatus, electronic device, and storage medium | |
CN111242306B (zh) | 量子主成分分析的方法、装置、电子设备以及计算机可读存储介质 | |
CN111144108B (zh) | 情感倾向性分析模型的建模方法、装置和电子设备 | |
CN111582375A (zh) | 数据增强策略搜索方法、装置、设备以及存储介质 | |
CN111968203B (zh) | 动画驱动方法、装置、电子设备及存储介质 | |
CN112560499B (zh) | 语义表示模型的预训练方法、装置、电子设备及存储介质 | |
CN110569969A (zh) | 网络模型结构的采样方法、装置以及电子设备 | |
CN114492788A (zh) | 训练深度学习模型的方法和装置、电子设备及存储介质 | |
CN111783596A (zh) | 人脸识别模型的训练方法、装置、电子设备及存储介质 | |
CN112100466A (zh) | 生成搜索空间的方法、装置、设备及存储介质 | |
CN111652354A (zh) | 用于训练超网络的方法、装置、设备以及存储介质 | |
CN112529162B (zh) | 神经网络模型的更新方法、装置、设备和存储介质 | |
CN111680599B (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
CN112232089B (zh) | 语义表示模型的预训练方法、设备和存储介质 | |
CN111488972B (zh) | 数据迁移方法、装置、电子设备和存储介质 | |
CN111783951B (zh) | 基于超网络的模型获取方法、装置、设备及存储介质 | |
CN112529189A (zh) | 模型压缩方法、装置、电子设备及存储介质 | |
CN111783607A (zh) | 人脸识别模型的训练方法、装置、电子设备及存储介质 | |
CN111783872B (zh) | 训练模型的方法、装置、电子设备及计算机可读存储介质 | |
CN111414765B (zh) | 句子一致性的判定方法、装置、电子设备及可读存储介质 | |
CN111461340B (zh) | 权重矩阵的更新方法、装置及电子设备 | |
CN111753955A (zh) | 一种模型参数调整方法、装置、电子设备和存储介质 | |
CN112735601A (zh) | 利用蓝牙确定传染病密接人群的测试方法、装置及设备 |
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 |