CN111832195A - 一种微带直接耦合滤波器的建模与智能设计方法 - Google Patents

Abstract

本发明公开了一种微带直接耦合滤波器的建模与智能设计方法，包括：获取初始滤波器的S参数；采用寻优算法计算去相位加载因子α和β；通过矢量拟合计算得到极点P和留数R；进行完全规范耦合矩阵综合，得到滤波器耦合矩阵M；采用数值迭代解耦变换得到满足解耦变换条件的解耦矩阵M_d；确定多组滤波器的设计尺寸，基于测量或电磁仿真获取其S参数，并按上述步骤提取解耦矩阵，建立设计尺寸与解耦矩阵的空间映射模型；根据期望设计值，通过优化算法调整初始设计滤波器的解耦矩阵元素，得到与期望设计值接近的滤波器耦合矩阵的解耦矩阵M_d‑opt；利用所述空间映射模型，根据解耦矩阵M_d‑opt计算出设计参数L。

Description

一种微带直接耦合滤波器的建模与智能设计方法

技术领域

本发明涉及射频微波建模仿真设计技术领域，尤其是一种微带直接耦合滤波器的建模与智能设计方法。

背景技术

在微波滤波器的理论研究和设计中，平面直接耦合微波滤波器由于其结构简单，仍然是微波系统中使用频次最多的滤波器。一般的设计流程是从理想耦合矩阵出发，结合指标和实际工程结构，采用单个谐振器本征模等方法找到实际工程结构的谐振器长度，通过两个谐振器耦合的两个本征模运算得到谐振器间的缝隙初值，通过群时延找到馈线位置的初值。

但是由于实际工程结构存在理想直接耦合矩阵没有描述的交叉耦合，这样设计过程导致两个问题：一是理想耦合矩阵不能与最终滤波器物理结构匹配，导致设计之初无法准确给出设计参数初值以及初值调整的方向；二是得到的初值对应的S11、S21等响应很差，需要依托商业电磁FEA(有限元分析)软件为主要仿真手段花费较长时间的调整。

发明内容

本发明所要解决的技术问题是：针对以往根据关键指标凭经验采用试探或全参数扫描进行仿真设计而导致周期长，过程复杂的问题，提供一种微带直接耦合滤波器的建模与智能设计方法。

本发明采用的技术方案如下：

一种微带直接耦合滤波器的建模与智能设计方法，包括以下步骤：

步骤S1，确定滤波器结构和初始设计尺寸，基于测量或电磁仿真获取初始滤波器的S参数；

步骤S2，对步骤S1获取的S参数，采用寻优算法计算去相位加载因子α和β；

步骤S3，利用步骤S2计算出的去相位加载因子α和β，通过矢量拟合计算得到极点P和留数R；

步骤S4，利用步骤S3计算出的极点P和留数R，进行完全规范耦合矩阵综合，得到滤波器耦合矩阵M；

步骤S5，对步骤S4得到的滤波器耦合矩阵M采用数值迭代解耦变换得到满足解耦变换条件的解耦矩阵M_d；

步骤S6，采用测量或电磁仿真获取多组滤波器的设计尺寸和S参数，并按步骤S2至S5提取解耦矩阵，建立设计尺寸与解耦矩阵的空间映射模型；

步骤S7，根据期望设计值，通过优化算法调整初始设计滤波器的解耦矩阵元素，得到与期望设计值接近的滤波器耦合矩阵的解耦矩阵M_d-opt；

步骤S8，利用所述空间映射模型，根据优化后的滤波器耦合矩阵的解耦矩阵M_d-opt计算出设计参数L。

进一步地，步骤S2中对步骤S1获取的S参数，采用寻优算法计算去相位加载因子α和β的方法为：

初始化去相位加载因子α和β；

确定去相位加载后的S参数S^q与步骤S1获取的S参数S^m的关系：

其中，f_s为采样频率，j为虚数单位；

采用寻优算法调整去相位加载因子α和β，使其可以在工程精度内对步骤S1获取的S参数S^m去相位加载：以评价指标计算式为优化目标函数，采用寻优算法，通过迭代自动调整找到满足评价指标精度的去相位加载因子α和β；所述评价指标计算式为：

其中

是用矢量拟合后的Y参数计算的反射系数，

和

是用矢量拟合后的提取的耦合矩阵计算的反射系数，

和

是用同一组去相位加载因子直接计算的去相位反射系数。

进一步地，所述寻优算法为进化类算法，群智能算法，梯度算法或前述算法混合的优化算法。

进一步地，步骤S3中利用步骤S2计算出的去相位加载因子α和β，通过矢量拟合计算得到极点P和留数R的方法为：

步骤S3.1，利用步骤S2计算出的去相位加载因子α和β计算去相位加载后的S参数S^q和导纳参数Y^q；

步骤S3.2，采用有理函数对导纳参数Y^q进行矢量拟合，从而计算得到有理函数的极点P和留数R；所述有理函数为：

其中，N表示滤波器的阶数，s表示滤波器归一化频率，j为虚数单位、R_11k、R_12k、R_21k、R_21k为导纳参数Y^q近似多项式的留数和K₀为与有限传输零点相关的因子。

进一步地，步骤S5中对步骤S4得到的滤波器耦合矩阵M采用数值迭代解耦变换得到满足解耦变换条件的解耦矩阵M_d的方法为：

步骤S5.1，对步骤S4得到的滤波器耦合矩阵M进行旋转消元得到初始解耦矩阵M_e；

步骤S5.2，将旋转消元后的初始解耦矩阵采用数值迭代解耦变换得到满足解耦变换条件的解耦矩阵M_d。

进一步地，步骤S5.2中将旋转消元后的初始解耦矩阵采用数值迭代解耦变换得到满足解耦变换条件的解耦矩阵M_d的方法为：

优化收敛以解耦矩阵M_d与初始解耦矩阵M_e的反射系数S₁₁或S₂₂的误差平方和作为评价指标；

通过采用进化类算法、群智能算法、梯度算法或混合优化算法，自动求解出满足解耦变换条件的全局最优的解耦矩阵M_d。

进一步地，所述旋转消元的消元顺序为从右至左、先行后列、行列交替。

进一步地，所述解耦变换条件包括：

1)矩阵的特征值和特征向量，或计算出的S参数与初始解耦矩阵的近似；

2)除首行首列和末行末列之外的元素均为非零元素；

3)非零元素须同时满足关于主对角线和副对角线对称；

4)除对角线及相邻两侧元素外，其余非零元素绝对值沿主对角线方向的大小顺序须同实际滤波器缝隙宽度规律一致。

进一步地，步骤S6中采用测量或电磁仿真获取多组滤波器的设计尺寸和S参数，并按步骤S2至S5提取解耦矩阵，建立设计尺寸与解耦矩阵的空间映射模型的方法为：采用多输入多输出神经网络模型F_ANN建立解耦矩阵M_d与设计尺寸的空间映射模型，所述空间映射模型的范式为，L＝f_ANN(M_d，ω)；

其中，L为对应解耦合矩阵所代表的滤波器的设计尺寸参数向量；ω为空间映射模型的内部参数，通过对L-Md样本数据对训练得到；M_d为通过步骤S2至步骤S5对多组滤波器提取的解耦矩阵。

进一步地，步骤S7中根据期望设计值，通过优化算法调整初始设计滤波器的解耦矩阵元素，得到与期望设计值接近的滤波器耦合矩阵的解耦矩阵M_d-opt的方法为：

对初始设计尺寸的滤波器的解耦矩阵M_d的主对角线及其相邻两侧元素优化迭代调整；

以迭代过程中的解耦矩阵M_d计算反射系数S₁₁或S₂₂，计算其与期望值的散射系数的误差平方和；

通过误差反向梯度传播优化算法调整解耦矩阵M_d中的元素，直到误差满足精度，得到优化后的滤波器耦合矩阵的解耦矩阵M_d-opt。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明通过建立该耦合矩阵与滤波器设计尺寸的空间映射模型，从而根据滤波器期望设计指标，自动快速优化给出满足性能要求的滤波器具体设计尺寸参数，适用不同阶数对称结构微带直接耦合滤波器的设计，特别适用于对滤波器设计指标可行性进行快速评估，并且可优化给出精细化推荐参数直接用于产品制造。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明的微带直接耦合滤波器的建模与智能设计方法的流程框图。

图2为本发明的实施例1的五阶微带直接耦合滤波器的结构示意图。

图3为本发明的实施例1的五阶微带直接耦合滤波器的解耦矩阵形式。

图4为本发明的实施例1去相位加载前后的S参数对比图。

图5为本发明的实施例1优化前后滤波器的反射系数S₁₁对比图。

图6为本发明的实施例1优化前后滤波器的插入损耗S₂₁对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种微带直接耦合滤波器的建模与智能设计方法，包括以下步骤：

步骤S1，确定滤波器结构和初始设计尺寸，基于测量或电磁仿真获取初始滤波器的S参数；S参数覆盖微带直接耦合滤波器的工作频段；

步骤S2，对步骤S1获取的S参数，采用寻优算法计算去相位加载因子α和β；

在本步骤中，初始化去相位加载因子α和β，令α为相位加载常数项，包含输入端口和输出端口引入的高阶模，令β为相位加载传输线等效电长度，包含输入端口和输出端口的传输线引入相移。

进一步地，去相位加载后的S参数表示为S^q，步骤S1获取的S参数表示为S^m，则S^q与S^m有如下关系：

其中，f_s为采样频率，j为虚数单位；

进一步地，以评价指标计算式为优化目标函数，采用寻优算法，通过迭代自动调整找到满足评价指标精度的去相位加载因子α和β；所述寻优算法为进化类算法(如遗传算法)，群智能算法(如蚁群算法)，梯度算法或前述算法混合的优化算法；所述评价指标计算式为：

其中

是用矢量拟合后的Y参数计算的反射系数，

和

是用矢量拟合后的提取的耦合矩阵计算的反射系数，

和

是用同一组去相位加载因子直接计算的去相位反射系数。

步骤S3，利用步骤S2计算出的去相位加载因子α和β，通过矢量拟合计算得到极点P和留数R：

步骤S3.1，利用步骤S2计算出的去相位加载因子α和β计算去相位加载后的S参数S^q和导纳参数Y^q；

步骤S3.2，采用有理函数对导纳参数Y^q进行矢量拟合，从而计算得到有理函数的极点P和留数R；所述有理函数为：

其中，N表示滤波器的阶数，s表示滤波器归一化频率，j为虚数单位、R_11k、R_12k、R_21k、R_21k为导纳参数Y^q近似多项式的留数和K₀为与有限传输零点相关的因子。

步骤S4，利用步骤S3计算出的极点P和留数R，进行完全规范耦合矩阵综合，得到滤波器耦合矩阵M；

步骤S5，对步骤S4得到的滤波器耦合矩阵M采用数值迭代解耦变换得到满足解耦变换条件的解耦矩阵M_d：

步骤S5.1，对步骤S4得到的滤波器耦合矩阵M进行旋转消元得到初始解耦矩阵M_e；将综合所得完全规范耦合矩阵通过乘旋转矩阵进行旋转消元得到初始解耦矩阵，作为获取解耦矩阵的出发点，旋转消元后矩阵的特征值和特征向量不变。所述旋转消元的消元顺序为从右至左、先行后列、行列交替，同时视具体消元位置选取，旋转消元后得到的矩阵形式不同，折叠型矩阵如下：

旋转消元后，初始解耦矩阵M_e是对称矩阵，主对角线及两侧，即字母s和m表示的元素非零，字母x和y表示的元素及其关于主对角线对称位置的元素非零。

步骤S5.2，将旋转消元后的初始解耦矩阵采用数值迭代解耦变换得到满足解耦变换条件的解耦矩阵M_d：

优化收敛以解耦矩阵M_d与初始解耦矩阵M_e的反射系数S₁₁或S₂₂的误差平方和作为评价指标；

通过采用进化类算法、群智能算法、梯度算法或混合优化算法，自动求解出满足解耦变换条件的全局最优的解耦矩阵M_d。

进一步地，所述解耦变换条件包括：

1)矩阵的特征值和特征向量，或计算出的S参数与初始解耦矩阵的近似；

2)除首行首列和末行末列之外的元素均为非零元素；

3)非零元素须同时满足关于主对角线和副对角线对称；

4)除对角线及相邻两侧元素外，其余非零元素绝对值沿主对角线方向的大小顺序须同实际滤波器缝隙宽度规律一致。

步骤S6，采用测量或电磁仿真获取多组滤波器的设计尺寸和S参数，并按步骤S2至S5提取解耦矩阵，建立设计尺寸与解耦矩阵的空间映射模型：

采用多输入多输出神经网络模型F_ANN建立解耦矩阵M_d与设计尺寸的空间映射模型，所述空间映射模型的范式为，L＝f_ANN(M_d，ω)；

其中，L为对应解耦合矩阵所代表的滤波器的设计尺寸参数向量；ω为空间映射模型的内部参数，通过对L-Md样本数据对训练得到；M_d为通过步骤S2至步骤S5对多组滤波器提取的解耦矩阵。

步骤S7，根据期望设计值，通过优化算法调整初始设计滤波器的解耦矩阵元素，得到与期望设计值接近的滤波器耦合矩阵的解耦矩阵M_d-opt；

对初始设计尺寸的滤波器的解耦矩阵M_d的主对角线及其相邻两侧元素优化迭代调整；

以迭代过程中的解耦矩阵M_d计算反射系数S₁₁或S₂₂，计算其与期望值的散射系数的误差平方和；

通过误差反向梯度传播优化算法调整解耦矩阵M_d中的元素，直到误差满足精度，得到优化后的滤波器耦合矩阵的解耦矩阵M_d-opt。

步骤S8，利用所述空间映射模型，根据优化后的滤波器耦合矩阵的解耦矩阵M_d-opt计算出设计参数L。

以下结合实施例对本发明的特征和性能作进一步的详细描述。

实施例1

本实施例提供的一种微带直接耦合滤波器的建模与智能设计方法，如图1所示，包括以下步骤：

步骤S1，确定滤波器结构和初始设计尺寸，基于测量或电磁仿真获取初始滤波器的S参数；

在本步骤中，确定滤波器结构如图2所示，初始设计尺寸如表2所示，基于电磁仿真获取一个五阶微带直接耦合滤波器的S参数(散射参数)，S参数覆盖微带直接耦合滤波器的工作频段；

步骤S2，对步骤S1获取的S参数，采用寻优算法计算去相位加载因子α和β；

(1)初始化去相位加载因子α和β，设定α的初始化范围为π·[0.9，1.1]，β的初始化范围为π·[0，0.25]；

(2)确定去相位加载后的S参数S^q与步骤S1获取的S参数S^m的关系：

其中，f_s为采样频率，j为虚数单位；

(3)以评价指标计算式为优化目标函数，采用遗传优化算法，通过迭代自动调整找到满足评价指标精度的去相位加载因子α和β；所述评价指标计算式为：

其中

是用矢量拟合后的Y参数计算的反射系数，

和

是用矢量拟合后的提取的耦合矩阵计算的反射系数，

和

是用同一组去相位加载因子直接计算的去相位反射系数。

当且仅当去相位加载因子α和β逼近实际值时评价指标计算式的误差平方和逼近0，本实施例采用遗传优化算法计算得到α＝3.1434和β＝0.1541时，评价指标计算式的评价指标精度最优。

步骤S3，利用步骤S2计算出的去相位加载因子α和β，通过矢量拟合计算得到极点P和留数R；

以α＝3.1434和β＝0.1541时，计算去相位加载后的S参数S^q和导纳参数Y^q，去相位加载前后的S参数如图3所示，再对导纳参数Y^q采用有理函数进行矢量拟合，从而计算得到有理函数的极点P和留数R。所述有理函数为：

其中，N表示微带直接耦合滤波器的阶数，本实施例设计五阶微带直接耦合滤波器，则N＝5，s表示滤波器归一化频率，j为虚数单位、R_11k、R_12k、R_21k、R_21k为导纳参数Y^q近似多项式的留数和K₀为与有限传输零点相关的因子。计算得到的有理函数的极点P和留数R如表1所示。

表1：

阶数k	1	2	3	4	5
						反射参数留数RS11	0.0845	0.1559	0.1037	0.1694	0.1413
插损留数RS21	0.0839	-0.1556	0.1041	-0.1705	0.1409
						极点P	1.4463i	0.7075i	1.4719i	0.2654i	0.4041i

步骤S4，利用步骤S3计算出的极点P和留数R，进行完全规范耦合矩阵综合，得到滤波器耦合矩阵M；

步骤S5，对步骤S4得到的滤波器耦合矩阵M采用数值迭代解耦变换得到满足解耦变换条件的解耦矩阵M_d；

步骤S5.1，对步骤S4得到的滤波器耦合矩阵M进行旋转消元得到初始解耦矩阵M_e；

步骤S5.2，将旋转消元后的初始解耦矩阵M_e采用数值迭代解耦变换得到满足解耦变换条件的解耦矩阵M_d；根据图2所示的滤波器结构和图3所示的解耦矩阵的矩阵形式进行变换，对初始解耦矩阵M_e进行迭代前，需要对其第2行末列的元素置零，关于副对角线的下三角位置元素由上三角位置元素替换。

优化收敛以解耦矩阵M_d与初始解耦矩阵M_e的反射系数S₁₁或S₂₂的误差平方和作为评价指标；

采用遗传算法对初始解耦矩阵M_e进行初步求解，进化40次迭代后收敛到全局最优，此时采用梯度算法进行局部优化。当迭代满足工程精度条件后，此时解耦变换得到的解耦矩阵M_d与初始解耦矩阵M_e在工程精度内等价，得到满足解耦变换条件的解耦矩阵M_d为：

步骤S6，采用测量或电磁仿真获取多组滤波器的设计尺寸和S参数，并按步骤S2至S5提取解耦矩阵，建立设计尺寸与解耦矩阵的空间映射模型：

本步骤中，采用多输入多输出神经网络模型F_ANN建立解耦矩阵M_d与设计尺寸的空间映射模型，所述空间映射模型的范式为，L＝f_ANN(M_d，ω)；

其中，L为对应解耦合矩阵所代表的滤波器的设计尺寸参数向量，可直接用于仿真设计软件验证；ω为空间映射模型的内部参数，通过对L-Md样本数据对训练得到；M_d为通过步骤S2至步骤S5对多组滤波器提取的解耦矩阵。

步骤S7，根据期望设计值，通过优化算法调整初始设计滤波器的解耦矩阵元素，得到与期望设计值接近的滤波器耦合矩阵的解耦矩阵M_d-opt；

本步骤中，期望设计值为微带直接耦合滤波器的优化设计指标，如图4、图5和图6所示的S参数曲线。

对初始设计尺寸的滤波器的解耦矩阵M_d的主对角线及其相邻两侧元素优化迭代调整，即图3中元素m12、m23、m34、m22、m33、m44及各自关于主对角和副对角线对称位置的元素，其余保持不变；

以迭代过程中的解耦矩阵M_d计算反射系数S₁₁或S₂₂，计算其与期望值的散射系数的误差平方和；

通过误差反向梯度传播优化算法调整解耦矩阵M_d中的元素，直到误差满足精度，得到优化后的滤波器耦合矩阵的解耦矩阵M_d-opt。

步骤S8，利用所述空间映射模型，根据优化后的滤波器耦合矩阵的解耦矩阵M_d-opt计算出设计参数L。

表2，初始设计与优化设计的设计尺寸与耦合矩阵元素对照表：

经过一轮优化后，将原始滤波器、理想设计指标及优化滤波器的反射系数S₁₁和插损系数S₂₂在频域上的曲线绘于图5和图6，可见采用本发明方法基于初始性能较差的滤波器通过一轮优化设计即可收敛到理想设计效果，方法快速有效。

以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种微带直接耦合滤波器的建模与智能设计方法，其特征在于，包括以下步骤：

步骤S1，确定滤波器结构和初始设计尺寸，基于测量或电磁仿真获取初始滤波器的S参数；

步骤S2，对步骤S1获取的S参数，采用寻优算法计算去相位加载因子α和β；

步骤S3，利用步骤S2计算出的去相位加载因子α和β，通过矢量拟合计算得到极点P和留数R；

步骤S4，利用步骤S3计算出的极点P和留数R，进行完全规范耦合矩阵综合，得到滤波器耦合矩阵M；

步骤S5，对步骤S4得到的滤波器耦合矩阵M采用数值迭代解耦变换得到满足解耦变换条件的解耦矩阵M_d；

步骤S6，确定多组滤波器的设计尺寸，基于测量或电磁仿真获取其S参数，并按步骤S2至S5提取解耦矩阵，建立设计尺寸与解耦矩阵的空间映射模型；

步骤S7，根据期望设计值，通过优化算法调整初始设计滤波器的解耦矩阵元素，得到与期望设计值接近的滤波器耦合矩阵的解耦矩阵M_d-opt；

步骤S8，利用所述空间映射模型，根据优化后的滤波器耦合矩阵的解耦矩阵M_d-opt计算出设计参数L。

2.如权利要求1所述的微带直接耦合滤波器的建模与智能设计方法，其特征在于，步骤S2中对步骤S1获取的S参数，采用寻优算法计算去相位加载因子α和β的方法为：

初始化去相位加载因子α和β；

确定去相位加载后的S参数S^q与步骤S1获取的S参数S^m的关系：

其中，f_s为采样频率，j为虚数单位；

采用寻优算法调整去相位加载因子α和β，使其可以在工程精度内对步骤S1获取的S参数S^m去相位加载：以评价指标计算式为优化目标函数，采用寻优算法，通过迭代自动调整找到满足评价指标精度的去相位加载因子α和β；所述评价指标计算式为：

其中

是用矢量拟合后的Y参数计算的反射系数，

和

是用矢量拟合后的提取的耦合矩阵计算的反射系数，

和

是用同一组去相位加载因子直接计算的去相位反射系数。

3.如权利要求1所述的微带直接耦合滤波器的建模与智能设计方法，其特征在于，所述寻优算法为进化类算法，群智能算法，梯度算法或前述算法混合的优化算法。

4.如权利要求1所述的微带直接耦合滤波器的建模与智能设计方法，其特征在于，步骤S3中利用步骤S2计算出的去相位加载因子α和β，通过矢量拟合计算得到极点P和留数R的方法为：

步骤S3.1，利用步骤S2计算出的去相位加载因子α和β计算去相位加载后的S参数S^q和导纳参数Y^q；

步骤S3.2，采用有理函数对导纳参数Y^q进行矢量拟合，从而计算得到有理函数的极点P和留数R；所述有理函数为：

其中，N表示滤波器的阶数，s表示滤波器归一化频率，j为虚数单位、R_11k、R_12k、R_21k、R_21k为导纳参数Y^q近似多项式的留数和K₀为与有限传输零点相关的因子。

5.如权利要求1所述的微带直接耦合滤波器的建模与智能设计方法，其特征在于，步骤S5中对步骤S4得到的滤波器耦合矩阵M采用数值迭代解耦变换得到满足解耦变换条件的解耦矩阵M_d的方法为：

步骤S5.1，对步骤S4得到的滤波器耦合矩阵M进行旋转消元得到初始解耦矩阵M_e；

步骤S5.2，将旋转消元后的初始解耦矩阵采用数值迭代解耦变换得到满足解耦变换条件的解耦矩阵M_d。

6.如权利要求5所述的微带直接耦合滤波器的建模与智能设计方法，其特征在于，步骤S5.2中将旋转消元后的初始解耦矩阵采用数值迭代解耦变换得到满足解耦变换条件的解耦矩阵M_d的方法为：

优化收敛以解耦矩阵M_d与初始解耦矩阵M_e的反射系数S₁₁或S₂₂的误差平方和作为评价指标；

通过采用进化类算法、群智能算法、梯度算法或混合优化算法，自动求解出满足解耦变换条件的全局最优的解耦矩阵M_d。

7.如权利要求5所述的微带直接耦合滤波器的建模与智能设计方法，其特征在于，所述旋转消元的消元顺序为从右至左、先行后列、行列交替。

8.如权利要求5所述的微带直接耦合滤波器的建模与智能设计方法，其特征在于，所述解耦变换条件包括：

1)矩阵的特征值和特征向量，或计算出的S参数与初始解耦矩阵的近似；

2)除首行首列和末行末列之外的元素均为非零元素；

3)非零元素须同时满足关于主对角线和副对角线对称；

4)除对角线及相邻两侧元素外，其余非零元素绝对值沿主对角线方向的大小顺序须同实际滤波器缝隙宽度规律一致。

9.如权利要求1所述的微带直接耦合滤波器的建模与智能设计方法，其特征在于，步骤S6中采用测量或电磁仿真获取多组滤波器的设计尺寸和S参数，并按步骤S2至S5提取解耦矩阵，建立设计尺寸与解耦矩阵的空间映射模型的方法为：采用多输入多输出神经网络模型F_ANN建立解耦矩阵M_d与设计尺寸的空间映射模型，所述空间映射模型的范式为，L＝f_ANN(M_d,ω)；

其中，L为对应解耦合矩阵所代表的滤波器的设计尺寸参数向量；ω为空间映射模型的内部参数，通过对L-Md样本数据对训练得到；M_d为通过步骤S2至步骤S5对多组滤波器提取的解耦矩阵。

10.如权利要求1所述的微带直接耦合滤波器的建模与智能设计方法，其特征在于，步骤S7中根据期望设计值，通过优化算法调整初始设计滤波器的解耦矩阵元素，得到与期望设计值接近的滤波器耦合矩阵的解耦矩阵M_d-opt的方法为：

对初始设计尺寸的滤波器的解耦矩阵M_d的主对角线及其相邻两侧元素优化迭代调整；

以迭代过程中的解耦矩阵M_d计算反射系数S₁₁或S₂₂，计算其与期望值的散射系数的误差平方和；

通过误差反向梯度传播优化算法调整解耦矩阵M_d中的元素，直到误差满足精度，得到优化后的滤波器耦合矩阵的解耦矩阵M_d-opt。

Images