CN113255222B - 一种腔体滤波器的智能辅助调试方法及装置 - Google Patents
一种腔体滤波器的智能辅助调试方法及装置 Download PDFInfo
- Publication number
- CN113255222B CN113255222B CN202110609307.1A CN202110609307A CN113255222B CN 113255222 B CN113255222 B CN 113255222B CN 202110609307 A CN202110609307 A CN 202110609307A CN 113255222 B CN113255222 B CN 113255222B
- Authority
- CN
- China
- Prior art keywords
- cavity filter
- debugging
- depth
- screwing
- parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000008878 coupling Effects 0.000 claims abstract description 30
- 238000010168 coupling process Methods 0.000 claims abstract description 30
- 238000005859 coupling reaction Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000005540 biological transmission Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000009191 jumping Effects 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000013499 data model Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000001303 quality assessment method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 2
- 230000037431 insertion Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010189 synthetic method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- General Factory Administration (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种腔体滤波器的智能辅助调试方法及装置,该方法包括如下步骤:在初始化的螺栓旋入深度下对腔体滤波器进行调制,获取腔体滤波器的耗散参数,并对耗散参数进行数据处理,得到传输参数和反射参数;将实时传输参数和反射参数转化为实时耦合矩阵,并输入到预训练模型中,训练得到更新的旋入深度;通过更新的旋入深度对待测腔体滤波器进行调试,判断当前旋入深度下腔体滤波器性能是否符合要求,若符合,则结束调试;如果不符合,则调整螺栓旋入深度,并跳转至步骤“获取腔体滤波器的耗散参数”继续进行调试。本发明实现腔体滤波器的智能自动化调试,且提高调试效率。
Description
技术领域
本发明涉及滤波器技术领域,尤其涉及一种腔体滤波器的智能辅助调试方法及装置。
背景技术
随着信息产业的发展,腔体滤波器已经广泛应用到通信系统中。腔体滤波器作为通信系统中关键的选频装置,它的电性能优劣直接关系到整个系统的通信质量。目前,腔体滤波器的设计理论已经基本成熟,然而在滤波器的实际制造过程中存在着一个突出问题,即腔体滤波器的调试过程。具体来说,当前工艺流程中大多依靠人工经验进行调试,调试过程费时、费力并且需要经验丰富的调试人员,而腔体滤波器的大批量生产则会使得企业生产成本增加,调试周期过长。为了提高调试效率和降低人员调试经验的要求,腔体滤波器辅助调试方法被相继提出,其中部分方案更是提出了基于机器学习的辅助调试方法,但它们大多采用聚类算法从S参数中抽取特征参数,然后使用支持向量机算法建立了螺栓调整量和特征参数之间的关系模型,该方法存在参数抽取困难,且并不能对珍贵的人工经验进行充分利用。
随着耦合矩阵综合理论的建立,以等效电路模型和耦合矩阵为基础的调试方法获得了研究。它采用优化技术抽取得到等效电路模型的耦合矩阵然后根据耦合矩阵与理想耦合矩阵之间的差异来指导调试,但这种方法仅仅给出了耦合矩阵之间的差异,并不能得到螺栓的调整量以直接指导调试。为了克服这个弊端,一些研究基于调整螺栓灵敏度线性化的假设建立了调整量和耦合矩阵变化量之间的关系模型。尽管这些方法能够直接得到螺栓的调整量用来指导调试过程,但由于在实际生产中螺栓调整量和耦合矩阵变化量的关联关系十分复杂且敏感,这些方法在精准度和速度上并不能很好地满足实际的需求。
发明内容
为了解决上述技术问题,本发明提出一种腔体滤波器的智能辅助调试方法。该方法利用知识图谱方法将实际生产中的滤波器调试的人工经验转化为知识图谱,并以知识图谱为输入数据,利用卷积神经网络算法建立了螺栓调整量与滤波器电性能之间的非线性影响关系模型。
为了达到上述目的,本发明的技术方案如下:
一种腔体滤波器的智能辅助调试方法,包括如下步骤:
在初始化的螺栓旋入深度下对腔体滤波器进行调制,获取腔体滤波器的耗散参数,并对耗散参数进行数据处理,得到传输参数和反射参数;
将实时传输参数和反射参数转化为实时耦合矩阵,并输入到预训练模型中,训练得到更新的旋入深度;
通过更新的旋入深度对待测腔体滤波器进行调试,判断当前旋入深度下腔体滤波器性能是否符合要求,若符合,则结束调试;如果不符合,则调整螺栓旋入深度,并跳转至步骤“获取腔体滤波器的耗散参数”继续进行调试。
优选地,所述预训练模型,通过如下步骤获得:
获取待测腔体滤波器的自身特性,并根据待测腔体滤波器的自身特性在腔体滤波器知识图谱中定位待测腔体滤波器调试经验知识图;
利用知识图,求解待测腔体滤波器对应的耦合矩阵,进而训练对应的多尺度残差卷积神经网络,得到预训练模型。
优选地,所述腔体滤波器知识图谱,通过如下步骤获得:
根据腔体滤波器设计指标,通过矢量分析仪得到腔体滤波器的理想耗散参数;
对腔体滤波器进行旋入操作,并记录设定的螺栓旋入深度;
利用矢量分析仪对旋入后的腔体滤波器的状态进行分析,获取腔体滤波器旋入后的实时耗散参数;
根据腔体滤波器旋入后的实时耗散参数与理想耗散参数之间的差异性对旋入深度做出改变,得到并记录更新后的旋入深度;
将调试过程中的旋入深度变换的操作进行知识转化,建立理想耗散参数、旋入前螺栓旋入深度、旋入后的实时耗散参数与旋入后螺栓旋入深度的对应关系;
将腔体滤波器自身特性进行知识抽取,并与得到的对应关系进行知识融合;
基于融合后的知识进行数据模型构建,并实现知识推理形成腔体滤波器调试经验知识图谱。
优选地,还包括如下步骤:
对数据模型进行训练和测试,依据训练结果的精确率、召回率和F1-Measure指标对知识图谱进行质量评估;
检查评估结果是否合理,以判断是否出现过拟合状态,和是否需要调整数据模型参数和训练样本数量。
优选地,所述腔体滤波器自身特性包括型号、磨具生产日期、中心频率、带宽、抑制、插损、回损、操作时间以及操作员等。
一种腔体滤波器的智能辅助调试装置,包括:
获取模块,用于获取螺栓旋入深度下腔体滤波器的耗散参数,并对参数进行数据处理,得到传输参数和反射参数;
输入单元,用于将实时传输参数和反射参数转化为实时耦合矩阵,并输入到预训练模型中,训练得到更新的旋入深度;
校验单元,用于通过更新的旋入深度对待测腔体滤波器进行调试,判断当前旋入深度下腔体滤波器性能是否符合要求并输出判断结果。
优选地,还包括调整单元,用于根据判断结果确定是否调整螺栓的旋入深度。
基于上述技术方案,本发明的有益效果是:
1)、本发明可解决腔体滤波器调试过程中经验流失的问题,可以大幅度提升人工调试效率,节省人工成本,并可以降低腔体滤波器调试对技术人员的技能要求,降低了人员招聘的难度;
2)、本发明可以和自动化设备相结合,给自动化设备机台发送调试指令,实现腔体滤波器的智能自动化调试,进一步替代人工,实现无人调试,大幅提升腔体滤波器调试效率,降低调试成本,缩短交付周期。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1是一个实施例中以腔体滤波器调试经验进行知识图谱转化的方法流程图;
图2是一个实施例中基于多尺度残差卷积神经网络的腔体滤波器的智能辅助调试方法流程图;
图3是一个实施例中腔体滤波器调试经验知识图谱;
图4是一个实施例中一种腔体滤波器的智能辅助调试方法设计的多尺度残差卷积神经网络。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
本发明的实施例提供了一种腔体滤波器的智能辅助调试方法,用于将腔体滤波器调试过程中的人工经验转化为知识图谱便于智能调试,腔体滤波器具有若干调节螺钉,通过调节若干调节螺钉,改变腔体滤波器的耗散参数。
如图1所示,以腔体滤波器调试经验进行知识图谱转化的方法,该方法具体包括以下步骤:
步骤101:根据腔体滤波器的设计指标,通过矢量网络分析仪,根据公式(1)采集腔体滤波器的耗散参数Sk,所述耗散参数Sk包括传输参数S21和反射参数S11;
式中n是谐振腔个数,Se、Sf和Sp是以s为复变量的多项式,s是多项式的频域变量;
步骤102:考虑到调试过程,我们以某次调试的第i次旋入操作Screwi为例,记录此时的螺栓旋入深度Li;
步骤103:完成Screwi操作后,再次利用矢量分析仪对腔体滤波器当前状态进行分析,获取腔体滤波器的实时耗散参数Si;
步骤104:工程师根据Si与Sk之间的差异性做出主观的调试策略,即对旋入深度做出改变,记为Screwi+1,得到并记录更新后的旋入深度Li+1,我们将这一过程看作是人工经验;
步骤105:进一步地,我们将调试过程中的旋入深度变换的操作Screwi和Screwi+1进行知识转化,建立理想的腔体滤波器耗散参数Sk、操作前螺栓旋入深度Li、操作后滤波器实时耗散参数Si与操作后螺栓旋入深度Li+1的对应关系,我们将这种关系定义为:
同时,我们对调整结果做出评估,利用矢量分析仪获取Screwi+1后的耗散参数Si+1,然后考量参数变化二次差值ΔS:
ΔS=|Sk-Si|2-|Sk-Si+1|2 (3)
此时,更新对应关系为:
步骤106:将腔体滤波器自身特性(型号、批次等)相关的非结构化数据进行知识抽取,明确抽取子任务,分为命名实体抽取、关系抽取和共指抽取,其中命名实体抽取用于获取腔体滤波器的型号、磨具生产日期、操作时间以及操作员等;关系抽取主要是获取操作员与磨具、磨具与调试知识和操作员与调试知识等相关关联,形成多个结构化三元组,如:
<MType,Srcew,Worker,> (5)
进而将结构化元组与步骤S105中得到的对应关系进行知识融合,融合时需要进行实体消歧,我们采用空间向量法把每个实体表示成一个低维、稠密的向量,通过向量的余弦相似度来计算相似度距离:
式中A、B分别是不同的实体;
步骤107:对步骤S106中腔体滤波器知识作为模型构建语料,利用基于深度循环网络的知识推理方法对语料进行学习,将实体间的连续关联作为模型输入,利用循环神经网络的记忆能力,形成如图3所示的腔体滤波器调试经验知识图谱;
步骤108:构建好的知识图谱可能会有一些错误,主要集中在三元组的三点缺陷:
①上下位缺陷:图谱中出现环状结构时说明存在缺陷,正常来说,知识图谱应该是树状结构;
②属性缺陷:实体属性出现偏差;
③逻辑缺陷:关系间的逻辑不符合客观事实;
我们将知识图谱的质量评估抽象为知识图谱的精炼问题,即知识图谱的补全和错误检测,我们首先使用测试数据来验证知识图谱质量,利用F1-Measure指标来进行量化:
式中P为精确率,R为召回率。
进一步地,为了保证知识图谱的高质量,对知识图谱进行了关键性的人工质检。
如图2所示,基于多尺度残差卷积神经网络的腔体滤波器的智能辅助调试方法:将腔体滤波器调试经验知识图谱与多尺度残差卷积神经网络结合进行腔体滤波器的智能辅助调试,该该方法旨在与腔体滤波器调试经验知识图谱相结合,利用残差神经网络的表达能力,结合多尺度技术对调试过程进行建模,从而辅助工程师更高效地完成调试工作,该方法具体包括以下步骤:
步骤S201:工程师针对工期需求选择一种腔体滤波器,假设待测滤波器为D,根据腔体滤波器设计指标确定型号C和理想耗散参数等自身性能属性;
步骤S202:根据步骤S201中得到的型号C在腔体滤波器知识图谱中定位相应型号腔体滤波器的调试经验知识图,这里假设该知识图为G;
步骤S203:我们从知识图G中获取到该类腔体滤波器的大量结构化的调试经验,为了将结构化经验作为深度学习模型的输入,我们根据基于传输和反射多项式的电路方法综合法,来求解其对应的耦合矩阵M,这里假设所调试腔体滤波器有n个腔体,故腔体耦合归一化耦合矩阵为:
进一步地,我们设计的多尺度残差卷积神经网络如图4所示,我们以所有的耦合矩阵M作为网络输入记为Input,以每个耦合矩阵M对应的操作后螺栓旋入深度L作为真实值记为GT,来训练多尺度残差卷积神经网络。对于多尺度特征,我们采用特征拼接的方式将它们连接到瓶颈层,假设多尺度特征层输出的特征分别为M0,M1,M2,...,Mn-1,Mn,瓶颈层特征为多尺度特征通道维度的拼接:
而每个输出特征都是由残差块计算而来,具体地,我们以n=1时对这个过程做一个分析,首先输入是经过第一层的M0,然后我们把M0分成两个部分,一边是做3x3的卷积,输出为S1,另一边是做5x5的卷积,输出为P1,然后将两部分的输出拼接在一起,因此特征图的通道数是之前的两倍,而这里的输出作为后部分的输入,和前边的操作一样,再重复一遍,输出为S2和P2,之后得到的通道数是开始的4倍,为了实现残差的操作,我们需要将通道数变成和开始的输入一样,所以利用1x1的卷积核将特征图的通道数压缩,输出为S,最后再加上残差的操作,输出的是M1:
M1=S′+M0 (15)
进而我们采用RMSE作为损失函数并引入Adam优化器来训练对应的多尺度残差卷积神经网络,得到预训练模型F,其中RMSE的评价方式为:
其中m为总的数据量数目。
步骤S204:在滤波器调试阶段,我们首先初始化一个理想的旋入深度L0,并对待测滤波器进行调试;
步骤S205:利用矢量分析仪获取腔体滤波器的耗散参数Sk,并利用公式(1)对参数进行数据处理,得到传输参数S21和反射参数S11;
步骤S206:通过广义切比雪夫综合设计法,将实时传输参数和反射参数转化为实时耦合矩阵M,并输入到预训练模型F中,得到更新的旋入深度F(M);
步骤S207:根据预训练模型F的RMSE指标和腔体滤波器电性能指标,工程师判断当前旋入深度下腔体滤波器性能是否符合要求,若符合,则转至步骤208;若不符合,则重复S205-S206步骤,继续调试;
步骤S208:腔体滤波器合格,调试结束。
在一个实施例中提供一种腔体滤波器的智能辅助调试装置,包括:
获取模块,用于获取螺栓旋入深度下腔体滤波器的耗散参数,并对参数进行数据处理,得到传输参数和反射参数;
输入单元,用于将实时传输参数和反射参数转化为实时耦合矩阵,并输入到预训练模型中,训练得到更新的旋入深度;
校验单元,用于通过更新的旋入深度对待测腔体滤波器进行调试,判断当前旋入深度下腔体滤波器性能是否符合要求并输出判断结果。
在一个实施例中提供一种腔体滤波器的智能辅助调试装置,还包括调整单元,用于根据判断结果确定是否调整螺栓的旋入深度。
以上所述仅为本发明所公开的一种腔体滤波器的智能辅助调试方法及装置的优选实施方式,并非用于限定本说明书实施例的保护范围。凡在本说明书实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本说明书实施例的保护范围之内。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书实施例中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (6)
1.一种腔体滤波器的智能辅助调试方法,其特征在于,包括如下步骤:
在初始化的螺栓旋入深度下对腔体滤波器进行调制,获取腔体滤波器的耗散参数,并对耗散参数进行数据处理,得到传输参数和反射参数;
将实时传输参数和反射参数转化为实时耦合矩阵,并输入到预训练模型中,训练得到更新的旋入深度,其中,所述预训练模型通过如下步骤获得:获取待测腔体滤波器的自身特性,并根据待测腔体滤波器的自身特性在腔体滤波器知识图谱中定位待测腔体滤波器调试经验知识图;利用知识图,求解待测腔体滤波器对应的耦合矩阵,进而训练对应的多尺度残差卷积神经网络,得到预训练模型;所述腔体滤波器知识图谱,通过如下步骤获得:将调试过程中的旋入深度变换的操作进行知识转化,建立理想耗散参数、旋入前螺栓旋入深度、旋入后的实时耗散参数与旋入后螺栓旋入深度的对应关系;将腔体滤波器自身特性进行知识抽取,并与得到的对应关系进行知识融合;基于融合后的知识进行数据模型构建,并实现知识推理形成腔体滤波器调试经验知识图谱;
通过更新的旋入深度对待测腔体滤波器进行调试,判断当前旋入深度下腔体滤波器性能是否符合要求,若符合,则结束调试;如果不符合,则调整螺栓旋入深度,并跳转至步骤“获取腔体滤波器的耗散参数”继续进行调试。
2.根据权利要求1所述的一种腔体滤波器的智能辅助调试方法,其特征在于,所述腔体滤波器知识图谱,通过如下步骤获得:
根据腔体滤波器设计指标,通过矢量分析仪得到腔体滤波器的理想耗散参数;
对腔体滤波器进行旋入操作,并记录设定的螺栓旋入深度;
利用矢量分析仪对旋入后的腔体滤波器的状态进行分析,获取腔体滤波器旋入后的实时耗散参数;
根据腔体滤波器旋入后的实时耗散参数与理想耗散参数之间的差异性对旋入深度做出改变,得到并记录更新后的旋入深度;
将调试过程中的旋入深度变换的操作进行知识转化,建立理想耗散参数、旋入前螺栓旋入深度、旋入后的实时耗散参数与旋入后螺栓旋入深度的对应关系;
将腔体滤波器自身特性进行知识抽取,并与得到的对应关系进行知识融合;
基于融合后的知识进行数据模型构建,并实现知识推理形成腔体滤波器调试经验知识图谱。
3.根据权利要求2所述的一种腔体滤波器的智能辅助调试方法,其特征在于,还包括如下步骤:
对数据模型进行训练和测试,依据训练结果的精确率、召回率和F1-Measure指标对知识图谱进行质量评估;
检查评估结果是否合理,以判断是否出现过拟合状态,和是否需要调整数据模型参数和训练样本数量。
4.根据权利要求1所述的一种腔体滤波器的智能辅助调试方法,其特征在于,所述腔体滤波器自身特性包括型号、磨具生产日期、中心频率、带宽、抑制、插损、回损、操作时间以及操作员。
5.一种腔体滤波器的智能辅助调试装置,其特征在于,包括:
获取模块,用于获取螺栓旋入深度下腔体滤波器的耗散参数,并对参数进行数据处理,得到传输参数和反射参数;
输入单元,用于将实时传输参数和反射参数转化为实时耦合矩阵,并输入到预训练模型中,训练得到更新的旋入深度,其中,所述预训练模型通过如下步骤获得:获取待测腔体滤波器的自身特性,并根据待测腔体滤波器的自身特性在腔体滤波器知识图谱中定位待测腔体滤波器调试经验知识图;利用知识图,求解待测腔体滤波器对应的耦合矩阵,进而训练对应的多尺度残差卷积神经网络,得到预训练模型;所述腔体滤波器知识图谱,通过如下步骤获得:将调试过程中的旋入深度变换的操作进行知识转化,建立理想耗散参数、旋入前螺栓旋入深度、旋入后的实时耗散参数与旋入后螺栓旋入深度的对应关系;将腔体滤波器自身特性进行知识抽取,并与得到的对应关系进行知识融合;基于融合后的知识进行数据模型构建,并实现知识推理形成腔体滤波器调试经验知识图谱;
校验单元,用于通过更新的旋入深度对待测腔体滤波器进行调试,判断当前旋入深度下腔体滤波器性能是否符合要求并输出判断结果。
6.根据权利要求5所述的一种腔体滤波器的智能辅助调试装置,其特征在于,还包括调整单元,用于根据判断结果确定是否调整螺栓的旋入深度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110609307.1A CN113255222B (zh) | 2021-06-01 | 2021-06-01 | 一种腔体滤波器的智能辅助调试方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110609307.1A CN113255222B (zh) | 2021-06-01 | 2021-06-01 | 一种腔体滤波器的智能辅助调试方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255222A CN113255222A (zh) | 2021-08-13 |
CN113255222B true CN113255222B (zh) | 2023-10-31 |
Family
ID=77185727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110609307.1A Active CN113255222B (zh) | 2021-06-01 | 2021-06-01 | 一种腔体滤波器的智能辅助调试方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255222B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114050394B (zh) * | 2021-09-24 | 2023-04-14 | 苏州畅恒通信科技有限公司 | 一种5g小型化微波腔体滤波器的自动调试系统 |
US20230398694A1 (en) * | 2022-06-10 | 2023-12-14 | Tektronix, Inc. | Automated cavity filter tuning using machine learning |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101478069A (zh) * | 2009-01-16 | 2009-07-08 | 西安电子科技大学 | 基于核机器学习的微波滤波器辅助调试方法 |
CN105789812A (zh) * | 2015-12-31 | 2016-07-20 | 中国科学院深圳先进技术研究院 | 一种腔体滤波器自动调节方法及系统 |
CN108879047A (zh) * | 2018-07-17 | 2018-11-23 | 中国地质大学(武汉) | 一种用于调试微波腔体滤波器的方法、设备及存储设备 |
CN114330198A (zh) * | 2021-12-28 | 2022-04-12 | 网络通信与安全紫金山实验室 | 基于相关度分析的快速调参方法、装置、设备和介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11017269B2 (en) * | 2016-09-30 | 2021-05-25 | General Electric Company | System and method for optimization of deep learning architecture |
-
2021
- 2021-06-01 CN CN202110609307.1A patent/CN113255222B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101478069A (zh) * | 2009-01-16 | 2009-07-08 | 西安电子科技大学 | 基于核机器学习的微波滤波器辅助调试方法 |
CN105789812A (zh) * | 2015-12-31 | 2016-07-20 | 中国科学院深圳先进技术研究院 | 一种腔体滤波器自动调节方法及系统 |
CN108879047A (zh) * | 2018-07-17 | 2018-11-23 | 中国地质大学(武汉) | 一种用于调试微波腔体滤波器的方法、设备及存储设备 |
CN114330198A (zh) * | 2021-12-28 | 2022-04-12 | 网络通信与安全紫金山实验室 | 基于相关度分析的快速调参方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113255222A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6817426B2 (ja) | マシンラーニング基盤の半導体製造の収率予測システム及び方法 | |
CN113255222B (zh) | 一种腔体滤波器的智能辅助调试方法及装置 | |
CN112382582B (zh) | 一种晶圆测试分类方法及系统 | |
CN112034789A (zh) | 一种数控机床关键部件及整机的健康评估方法,系统及评估终端机 | |
CN110515781B (zh) | 一种复杂系统状态监测及故障诊断方法 | |
KR102181966B1 (ko) | 유압실린더 종합 테스트 스테이션에 대한 소프트 측량방법 및 시스템 | |
CN111881495A (zh) | 基于数字孪生的预应力钢结构安全评估方法 | |
CN110838075A (zh) | 电网系统暂态稳定的预测模型的训练及预测方法、装置 | |
WO2023226423A1 (zh) | 一种芯片辅助设计方法、装置、设备及非易失性存储介质 | |
CN111896254A (zh) | 一种变速变载大型滚动轴承故障预测系统及方法 | |
KR101998972B1 (ko) | 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법 | |
CN116822353A (zh) | 一种制造工艺过程的数字孪生模型快速构建方法 | |
CN111160393A (zh) | 一种基于数据驱动的运载火箭健康评估模型模块化建模方法 | |
CN110290203A (zh) | 人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN112947080B (zh) | 一种基于场景参数变换的智能决策模型性能评估系统 | |
CN117495422A (zh) | 基于电力通信网建设的造价管理系统及其方法 | |
CN113033845B (zh) | 一种电力传输资源共建共享的建设方法及装置 | |
CN115470854A (zh) | 信息系统故障分类方法及分类系统 | |
CN114067169A (zh) | 一种基于卷积神经网络的拉曼光谱分析方法 | |
CN113034422A (zh) | 注塑成型产品良率的检测方法、装置及电子设备 | |
CN117076454B (zh) | 一种工程质量验收表单数据结构化存储方法及系统 | |
Chen et al. | A Data Mining Approach for Optimizing Manufacturing Parameters of Wire Bonding Process in IC Packaging Industry and Empirical Study | |
CN116992308B (zh) | 数据与知识融合的工艺波动分析与优化方法及装置 | |
CN116994609B (zh) | 应用于智能生产线的数据分析方法及系统 |
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 |