CN114330198A - 基于相关度分析的快速调参方法、装置、设备和介质 - Google Patents
基于相关度分析的快速调参方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN114330198A CN114330198A CN202111624165.2A CN202111624165A CN114330198A CN 114330198 A CN114330198 A CN 114330198A CN 202111624165 A CN202111624165 A CN 202111624165A CN 114330198 A CN114330198 A CN 114330198A
- Authority
- CN
- China
- Prior art keywords
- target index
- parameter
- debugged
- initial
- range
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 36
- 230000006870 function Effects 0.000 claims description 39
- 230000003247 decreasing effect Effects 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000004088 simulation Methods 0.000 description 20
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000000758 substrate Substances 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于相关度分析的快速调参方法、装置、设备和介质,包括:设定每个待调试参数的初始中心值、初始步进和初始范围,并得到所有待调试参数的值的组合和对应的目标指标输出值,若存在目标指标输出值满足目标指标需求,则调参结束;否则根据相关度得到下一次迭代的步进和范围,同时重新选取至少一组下一次迭代的中心值,直到存在目标指标输出值满足目标指标需求,或者直到步进达到第一设定阈值后仍不存在目标指标输出值满足目标指标需求,此时重新设定每个待调试参数的初始中心值、初始步进和初始范围。本发明在通过局部最优解无法获取全局最优解的情况下,还可通过局部非最优解获取到全局最优解;减少了计算成本,节约时间。
Description
技术领域
本发明属于数据处理技术领域,具体涉及一种基于相关度分析的快速调参方法、装置、设备和介质。
背景技术
无源电路设计中常常用仿真软件来优化局部无源电路器件的射频性能。其中,无源微带结构的微波组件往往由许多不规则形状构成,有许多长宽的变量,在不确定每个变量对于输出结果的贡献的情况下,需要频繁调节变量来观察输出结果的变化趋势,因此需要花费很长时间。而对于结构复杂的微波组件,仿真一次往往需要几分钟甚至十几分钟,因此即使在明确哪几个变量贡献较大的情况下,按照最小设计精度,利用细调去观察变量对输出结果的影响也需要花费很长时间。另外,在调节变量的过程中,存在如下情况:在变量的某个局部最优解附近即使细分到最小设计精度,输出结果也无法达标,而在变量的某个局部非最优解附近经过细调后,输出结果即可达标。这种情况是调试者主观上很难识别到的。所以在不清楚微波组件的结构原理,或者是微波组件的结构过于复杂的情况下,通过人为进行粗调和细调从而找到使输出结果达标的变量全局最优解的方法往往效率低下。
现有技术中,快速调参一般基于神经网络或者机器学习,例如公开号为CN111723939A的发明专利申请中公开了一种机器学习模型的调参方法、装置、设备及系统,该申请中用机器学习的方法进行调参,需要大量的数据样本以保证准确度,可以用来作为趋势预测,但是在仿真中快速调参的初衷就是节约时间,所以不能提供大量数据样本。例如公开号为CN111813950A的发明专利申请中公开了一种基于神经网络自适应寻优调参的建筑领域知识图谱构建方法,该申请中提供了一种基于神经网络自适应去调整建筑模型的方法,但是其本身无论是针对建筑建模还是针对种类繁多的有源或无源电路建模都不具有通用性,且自适应算法还是基于庞大的数据集的,对于一次性优化无源电路模型而言成本过高。
发明内容
发明目的:针对现有技术中存在的问题,本发明公开了一种基于相关度分析的快速调参方法、装置、设备和介质,解决了存在全局最优解无法通过局部最优解细调得到的问题,在通过局部最优解无法获取全局最优解的情况下,还可通过局部非最优解获取到全局最优解,同时减少计算成本。
技术方案:为实现上述发明目的,本发明采用如下技术方案:
一种基于相关度分析的快速调参方法,包括步骤:
设定每个待调试参数的初始中心值、初始步进和初始范围;
根据所述初始中心值、初始步进和初始范围得到所有待调试参数的值的组合,利用所述组合得到对应每个组合的目标指标输出值,判断是否存在目标指标输出值满足目标指标需求;
若存在,则调参结束,所述目标指标输出值对应的组合即为待调试参数的全局最优解;
若不存在,则根据待调试参数与目标指标的相关度得到每个待调试参数下一次迭代的步进和范围,同时重新选取至少一个当前组合并将所述选取的每个组合中的值分别作为下一次迭代的一组中心值,根据所述下一次迭代的步进、范围和中心值得到下一次迭代中所有待调试参数的值的组合,进而得到下一次迭代中对应每个组合的目标指标输出值,直到存在目标指标输出值满足目标指标需求,或者直到满足预设条件的步进达到第一设定阈值后,仍不存在目标指标输出值满足目标指标需求;
当满足预设条件的步进达到第一设定阈值后,若仍不存在目标指标输出值满足目标指标需求,则重新设定每个待调试参数的初始中心值、初始步进和初始范围,重复上述过程直到存在目标指标输出值满足目标指标需求。
进一步的,所述根据待调试参数与目标指标的相关度得到每个待调试参数下一次迭代的步进和范围,包括:
根据待调试参数与目标指标的相关度得到每个待调试参数的权重系数;
根据每个待调试参数的当前步进、范围和权重系数得到下一次迭代的步进和范围。
进一步的,若待调试参数的当前步进等于第一设定阈值或者根据当前步进与权重系数计算得到的下一次迭代的步进小于或等于第一设定阈值,则下一次迭代的步进等于第一设定阈值。
进一步的,基于所述相关度,通过权重系数函数得到权重系数,其中所述权重系数函数的自变量为所述相关度,取值范围为[0,1],因变量为权重系数,权重系数函数在[0,1]上单调且有界;
若权重系数函数在[0,1]上单调递增,则权重系数的取值大于或等于1;
若权重系数函数在[0,1]上单调递减,则权重系数的取值小于或等于1,且大于0。
进一步的,若所述权重系数函数在[0,1]上单调递增,当前范围和步进分别除以权重系数得到下一次迭代的范围和步进;
若所述权重系数函数在[0,1]上单调递减,当前范围和步进分别乘以权重系数得到下一次迭代的范围和步进。
进一步的,所述重新选取至少一个当前组合并将所述选取的每个组合中的值分别作为待调试参数下一次迭代的一组中心值,包括:
目标指标输出值最接近目标指标需求的当前组合为最优组合;
选取与所述最优组合的目标指标输出值满足设定误差的至少一个当前组合,并将选取的每个组合中的值分别作为待调试参数下一次迭代的一组中心值。
进一步的,所述满足预设条件的步进达到第一设定阈值为:相关度大于第二设定阈值的待调试参数的步进均达到该待调试参数的第一设定阈值。
进一步的,所述重新设定每个待调试参数的初始中心值、初始步进和初始范围,包括:
保持初始步进和初始范围不变,在初始范围与原初始中心值决定的取值区间外重新选取初始中心值;
或者保持初始中心值和初始步进不变,扩大初始范围。
进一步的,若待调试参数存在最小设计精度,则所述待调试参数的初始中心值和初始步进为最小设计精度的整数倍;
每次迭代的步进规范化为最接近的所述待调试参数的最小设计精度的整数倍。
进一步的,所述第一设定阈值等于所述最小设计精度。
进一步的,所述初始范围为初始步进的偶数倍;
每一次迭代的范围规范化为最接近的该次迭代的步进的偶数倍。
一种基于相关度分析的快速调参装置,包括:
初始化模块,用于设定每个待调试参数的初始中心值、初始步进和初始范围;
判断模块,用于根据所述初始中心值、初始步进和初始范围得到所有待调试参数的值的组合,利用所述组合得到对应每个组合的目标指标输出值,判断是否存在目标指标输出值满足目标指标需求;若存在目标指标输出值满足目标指标需求,则调参结束,所述目标指标输出值对应的组合即为待调试参数的全局最优解;
迭代模块,用于若不存在目标指标输出值满足目标指标需求,则根据待调试参数与目标指标的相关度得到每个待调试参数下一次迭代的步进和范围,同时重新选取至少一个当前组合并将所述选取的每个组合中的值作为待调试参数下一次迭代的一组中心值,根据所述下一次迭代的步进、范围和中心值得到下一次迭代中所有待调试参数的值的组合,进而得到下一次迭代中对应每个组合的目标指标输出值,直到存在目标指标输出值满足目标指标需求,或者直到满足预设条件的步进达到第一设定阈值后,仍不存在目标指标输出值满足目标指标需求;
参数调整模块,用于当满足预设条件的步进达到第一设定阈值后,若仍不存在目标指标输出值满足目标指标需求,则重新设定每个待调试参数的初始中心值、初始步进和初始范围。
一种基于相关度分析的快速调参设备,包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现前述的任意一项所述基于相关度分析的快速调参方法。
一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行前述的任意一项所述基于相关度分析的快速调参方法。
有益效果:与现有技术相比较,本发明具有如下有益效果:
本发明公开了一种基于相关度分析的快速调参方法,针对所有待调试参数,在每一次迭代时至少选取一组中心值,这些中心值包括所有待调试参数的局部最优解和局部非最优解,然后在至少一组中心值附近迭代搜索待调试参数的全局最优解,确保了在局部最优解附近迭代搜索不到全局最优解的情况下,还能够通过局部非最优解进行迭代获取到全局最优解;
本发明根据待调试参数与目标指标的相关度调整每个待调试参数下一次迭代的步进和范围,实现了待调试参数的针对性调整,相比于直接根据固定的步进在范围内搜索待调试参数的全局最优解,减少了计算成本,节约时间。
附图说明
图1为本发明实施例1所述的调参方法的流程图;
图2为本发明实施例2所述的用于无源电路仿真模型的调参方法的流程图;
图3为本发明实施例2所述的矩形微带辐射贴片天线的仿真模型示意图,其中图3(a)为整体结构示意图,图3(b)为侧视图,图3(c)为俯视图;
图4为本发明实施例2所述的待调试参数调整步进与范围的示意图;
图5为本发明实施例3所述的波导滤波器的实物示意图;
图6为图5所示波导滤波器的仿真模型示意图;
图7为本发明实施例4所述的调参装置的结构示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
实施例1:
一种基于相关度分析的快速调参方法,如图1所示,包括如下步骤:
设定每个待调试参数的初始中心值、初始步进和初始范围;
根据所述初始中心值、初始步进和初始范围得到所有待调试参数的值的组合,利用所述组合得到对应每个组合的目标指标输出值,判断是否存在目标指标输出值满足目标指标需求;
若存在,则调参结束,所述目标指标输出值对应的组合即为待调试参数的全局最优解;
若不存在,则根据待调试参数与目标指标的相关度得到每个待调试参数下一次迭代的步进和范围,同时重新选取至少一个当前组合并将所述选取的每个组合中的值分别作为下一次迭代的一组中心值,根据所述下一次迭代的步进、范围和中心值得到下一次迭代中所有待调试参数的值的组合,进而得到下一次迭代中对应每个组合的目标指标输出值,直到存在目标指标输出值满足目标指标需求,或者直到满足预设条件的步进达到第一设定阈值后,仍不存在目标指标输出值满足目标指标需求;
当满足预设条件的步进达到第一设定阈值后,若仍不存在目标指标输出值满足目标指标需求,则重新设定每个待调试参数的初始中心值、初始步进和初始范围,重复上述过程直到存在目标指标输出值满足目标指标需求。
本实施例中,针对所有待调试参数,在每一次迭代时至少选取一组中心值,这些中心值包括所有待调试参数的局部最优解和局部非最优解,然后在至少一组中心值附近迭代搜索待调试参数的全局最优解,确保了在局部最优解附近迭代搜索不到全局最优解的情况下,还能够通过局部非最优解进行迭代获取到全局最优解;
本发明根据待调试参数与目标指标的相关度调整每个待调试参数下一次迭代的步进和范围,实现了待调试参数的针对性调整,相比于直接根据固定的步进在范围内搜索待调试参数的全局最优解,减少了计算成本,节约时间。
进一步的,所述根据待调试参数与目标指标的相关度得到每个待调试参数下一次迭代的步进和范围,包括:
根据待调试参数与目标指标的相关度得到每个待调试参数的权重系数;
根据每个待调试参数的当前步进、范围和权重系数得到下一次迭代的步进和范围。
进一步的,若待调试参数的当前步进等于第一设定阈值或者根据当前步进与权重系数计算得到的下一次迭代的步进小于或等于第一设定阈值,则下一次迭代的步进等于第一设定阈值。
进一步的,基于所述相关度,通过权重系数函数得到权重系数,其中所述权重系数函数的自变量为所述相关度,取值范围为[0,1],因变量为权重系数,权重系数函数在[0,1]上单调且有界;
若权重系数函数在[0,1]上单调递增,则权重系数的取值大于或等于1;
若权重系数函数在[0,1]上单调递减,则权重系数的取值小于或等于1,且大于0。
进一步的,若所述权重系数函数在[0,1]上单调递增,当前范围和步进分别除以权重系数得到下一次迭代的范围和步进;
若所述权重系数函数在[0,1]上单调递减,当前范围和步进分别乘以权重系数得到下一次迭代的范围和步进。
进一步的,所述重新选取至少一个当前组合并将所述选取的每个组合中的值分别作为待调试参数下一次迭代的一组中心值,包括:
目标指标输出值最接近目标指标需求的当前组合为最优组合;
选取与所述最优组合的目标指标输出值满足设定误差的至少一个当前组合,并将选取的每个组合中的值分别作为待调试参数下一次迭代的一组中心值。
一个待调试参数在每一次迭代中允许选取多个中心值,这样在后续的调参过程中就不会轻易丢掉出现的极值点。
进一步的,所述满足预设条件的步进达到第一设定阈值为:相关度大于第二设定阈值的待调试参数的步进均达到该待调试参数的第一设定阈值。
进一步的,所述重新设定每个待调试参数的初始中心值、初始步进和初始范围,包括:
保持初始步进和初始范围不变,在初始范围与原初始中心值决定的取值区间外重新选取初始中心值;
或者保持初始中心值和初始步进不变,扩大初始范围。
进一步的,若待调试参数存在最小设计精度,则所述待调试参数的初始中心值和初始步进为最小设计精度的整数倍;
每次迭代的步进规范化为最接近的所述待调试参数的最小设计精度的整数倍。避免最后得到的待调试参数的全局最优解由于不满足最小设计精度而作废。
进一步的,所述第一设定阈值等于所述最小设计精度。
进一步的,所述初始范围为初始步进的偶数倍;
每一次迭代的范围规范化为最接近的该次迭代的步进的偶数倍。因此根据步进可以在范围内取到更多的值。
实施例2:
本实施例公开了一种用于无源电路仿真模型的基于相关度分析的快速调参方法,采用相关度分析及计算权重系数并多次迭代的方法,首先指定一组待调试参数初始中心值、初始范围和初始步进,从而得到若干组待调试参数的组合进行仿真,仿真结果不满足目标指标需求则将待调试参数和目标指标进行相关度分析,根据相关度分析得出新的范围和步进,并选取下一轮中心值,迭代直至仿真结果满足目标指标需求或者步进达到设定阈值。如图2所示,包括如下步骤:
步骤S1:设定每个待调试参数的初始中心值、初始步进和初始范围。
对于待调试的无源电路仿真模型,控制其形状的共有n个待调试参数,分别为x1、x2、…、xn,每个待调试参数依据尺寸合理性(例如等效波长、谐振公式等)设定初始中心值x1_0、x2_0、…、xn_0,同时设置初始范围span1_0、span2_0、…、spann_0和初始步进step1_0、step2_0、…、stepn_0。
范围和中心值决定了取值区间,范围表示该取值区间长度,该取值区间关于中心值对称,这里的范围包括初始范围以及步骤S2中每次迭代中的范围,中心值包括初始中心值以及步骤S2中每次迭代中的中心值。
若待调试参数存在最小设计精度,在本实施例中最小设计精度指待调试的无源电路仿真模型的形状尺寸的最小单位,则初始中心值和初始步进应设置为最小设计精度的整数倍。
初始范围可设置为初始步进的偶数倍,因此根据初始步进可以在取值区间内取到更多的值。
如图3所示的矩形微带辐射贴片天线的仿真模型,其待调试参数为微带辐射贴片的宽度w和辐射单元长度L。设计微带辐射贴片天线的第一步是选择合适的介质基片,假设介质基片的介电常数为εr,对于工作频率为f的矩形微带辐射贴片天线,可以用如下公式计算出微带辐射贴片的宽度的初始中心值w_0:
其中,c是光速。
微带辐射单元的长度一般取为λe/2,这里λe是介质基片内的导波波长,即为:
考虑到边缘缩短效应后,实际上的辐射单元长度的初始中心值L_0应为:
其中,εe为有效介电常数,ΔL是等效辐射缝隙长度,计算方法如下:
其中,h为介质基片的厚度。
步骤S2:根据所述初始中心值、初始步进和初始范围得到所有待调试参数的值的组合,利用所述组合得到对应每个组合的目标指标输出值,判断是否存在目标指标输出值满足目标指标需求;
若存在,则调参结束,所述目标指标输出值对应的组合即为待调试参数的全局最优解;
若不存在,则根据待调试参数与目标指标的相关度得到每个待调试参数下一次迭代的步进和范围,同时重新选取至少一个当前组合并将所述选取的每个组合中的值分别作为下一次迭代的一组中心值,根据所述下一次迭代的步进、范围和中心值得到下一次迭代中所有待调试参数的值的组合,进而得到下一次迭代中对应每个组合的目标指标输出值,直到存在目标指标输出值满足目标指标需求,或者直到满足预设条件的步进达到第一设定阈值后,仍不存在目标指标输出值满足目标指标需求;
当满足预设条件的步进达到第一设定阈值后,若仍不存在目标指标输出值满足目标指标需求,则重新设定每个待调试参数的初始中心值、初始步进和初始范围,重复上述过程直到存在目标指标输出值满足目标指标需求。
根据步骤S1中每个待调试参数的初始中心值、初始步进和初始范围,可以得到所有待调试参数的值的组合,每个组合中包括每个待调试参数满足初始中心值、初始步进和初始范围的一个值,利用这些组合进行仿真可以得到对应每个组合的目标指标输出值。
如果存在目标指标输出值满足目标指标需求(例如天线在目标频带的回波损耗特性(S11)小于设定值),则调参结束,该目标指标输出值对应的组合中的值即为对应待调试参数的输出解,输出解即为全局最优解。
如果不存在目标指标输出值满足目标指标需求,则根据所有组合及其对应的目标指标输出值进行相关性分析,相关性分析可以采用协方差矩阵或相关系数的方法,得到每个待调试参数与目标指标的相关度,相关度的取值范围为[0,1],相关度可以表示待调试参数与目标指标的相关性:1表示完全相关,包括完全线性相关和完全负相关,0表示完全不相关,相关度越趋近于0表示相关性越弱。
根据相关度缩小每个待调试参数在下一次迭代中的步进和范围,包括:
基于待调试参数与目标指标的相关度,通过权重系数函数得到每个待调试参数的权重系数;
根据每个待调试参数的当前步进、范围和权重系数得到下一次迭代的步进和范围。
具体的,权重系数函数的自变量为相关度,因变量为权重系数,权重系数函数在[0,1]上单调且有界:若权重系数函数在[0,1]上单调递增,则权重系数的取值大于或等于1,若权重系数函数在[0,1]上单调递减,则权重系数的取值小于或等于1且大于0。例如根据相关度的简单次幂函数及其组合(如1、2、-1、-2次幂的组合)生成权重系数,以减少算法复杂度:通过相关性分析得到每个待调试参数对应的相关度为e1_m、e2_m、…、en_m,m表示第m次迭代,可设定权重系数函数y=e+ax+bx2+cx-1+dx-2,a、b、c、d、e均为常数,将相关度带入式中的x,得到每个待调试参数的权重系数y1_m、y2_m、…、yn_m。
若权重系数函数在[0,1]上单调递增,当前范围和步进除以权重系数得到下一次迭代的范围和步进;若权重系数函数在[0,1]上单调递减,当前范围和步进乘以权重系数得到下一次迭代的范围和步进。
特殊的,若待调试参数的当前步进等于第一设定阈值或者根据当前步进与权重系数计算得到的下一次迭代的步进小于或等于第一设定阈值,则设置下一次迭代的步进等于第一设定阈值。
若待调试参数存在最小设计精度,则每次迭代中的步进均应设置为最小设计精度的整数倍,因此需要对每次迭代的步进进行规范化,即将步进的取值设置为等于最接近的最小设计精度的整数倍的取值。通过设置初始中心值、初始步进以及每次迭代中的步进均为最小设计精度的整数倍,避免最后得到的待调试参数的输出解由于不满足最小设计精度而作废。此时每个待调试参数的第一设定阈值还可设置为其最小设计精度。
可对每次迭代的范围进行规范化,即将范围的取值设置为最接近的步进的偶数倍的取值,因此根据步进可以在取值区间内取到更多的值。
根据所有目标指标输出值与目标指标需求重新选取每个待调试参数在下一次迭代中的中心值,包括:
目标指标输出值最接近目标指标需求的当前组合为最优组合;
选取与最优组合的目标指标输出值满足设定误差的至少一个当前组合,并将选取的每个组合中的值分别作为待调试参数下一次迭代的一组中心值。
所有待调试参数在每一次迭代中允许选取多组中心值,这样在后续的调参过程中就不会轻易丢掉出现的极值点。
例如,目标指标需求为大于max,而当前所有组合的目标指标输出值最大为max1(max1<max),因此目标指标输出值max1对应的组合为最优组合,设定误差为0.1*max1,则选取目标指标输出值范围在0.9*max1~max1之间的组合,选取的组合中的值为对应待调试参数下一次迭代的中心值。
如图4所示,针对待调试参数xn,最优组合中待调试参数xn的值为其最优解,目标指标输出值最接近最优组合的为次优组合,次优组合中待调试参数xn的值为其次优解,选取最优解与次优解分别作为待调试参数xn在下一次迭代中的两个中心值,每个中心值都对应着该待调试参数下一次迭代中的范围和步进。
根据下一次迭代中的中心值、范围和步进,可以得到下一次迭代中所有待调试参数的值的组合,每个组合中包括每个待调试参数满足中心值、步进和范围的一个值,利用这些组合进行仿真,多次迭代直至满足终止条件。终止条件包括:
条件1:存在目标指标输出值满足目标指标需求的组合;
条件2:相关度大于第二设定阈值的待调试参数的步进均达到对应待调试参数的第一设定阈值时,仍不存在目标指标输出值满足目标指标需求的组合。例如,与目标指标的相关度大于0.9的待调试参数的步进均达到各自的第一设定阈值。
若满足条件1,则调参结束,目标指标输出值满足目标指标需求的组合中的值即为对应待调试参数的输出解。
若满足条件2,则调整所有待调制参数的初始中心值、初始范围和初始步进,重新开始执行步骤S2,直到满足条件1。调整所有待调制参数的初始中心值、初始范围和初始步进有如下两种方法:
方法1:保持初始步进、初始范围不变,在初始范围与原初始中心值决定的取值区间外重新选取初始中心值;
方法2:保持初始中心值和初始步进不变,扩大初始范围。
实施例3:
如图5所示的波导滤波器,其调试目标指标需求为:在3.55GHz~3.83GHz频带内,其在目标频带的回波损耗特性S11的最大值小于-15db,具体待调试参数见图6,包括该滤波器的矩形窗宽度参数w1、w2、w3,窗间距参数L1、L2、L3,以及打孔的孔径参数R以及最外侧打孔与波导滤波器边缘的距离参数EXT_W、EXT_L(本实施例所有尺寸单位均为mm)。
每个待调试参数的初始中心值、初始范围、初始步进、取值区间以及第一设定阈值如表1所示,其中,每个待调试参数的第一设定阈值等于其最小设计精度。特殊的,通过初始中心值和初始范围得到的孔径参数R的取值区间为-1~3,但由于实际情况中孔径参数R的取值大于0,因此设置孔径参数R的取值区间为0~4。
表1
EXT_W | EXT_L | W1 | W2 | W3 | L1 | L2 | L3 | R | |
初始中心值 | 3 | 3 | 11 | 14 | 15 | 6 | 4 | 3 | 1 |
初始范围 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 | 4 |
取值区间 | 1~5 | 1~5 | 9~13 | 12~16 | 13~17 | 4~8 | 2~6 | 1~5 | 0~4 |
初始步进 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
第一设定阈值 | 0.1 | 0.1 | 0.1 | 0.1 | 0.05 | 0.1 | 0.1 | 0.05 | 0.1 |
通过表1中的设置,可以得到每个待调试参数的值的组合,根据这些组合进行仿真,得到最优组合的目标指标输出值为max1_1=-12.1,不满足目标指标需求,设设定误差为0.1*max1_1,则目标指标输出值小于或等于0.9*max1_1=-10.89的组合中的值为对应待调试参数下一次迭代的中心值。满足上述条件的组合及其目标指标输出值(max1_1、max2_1、max3_1)如表2所示。
表2
S11 | EXT_W | EXT_L | W1 | W2 | W3 | L1 | L2 | L3 | R |
max1_1=-12.1 | 2 | 1 | 13 | 14 | 17 | 4 | 5 | 4 | 2 |
max2_1=-11.5 | 2 | 1 | 13 | 14 | 15 | 4 | 5 | 4 | 2 |
max3_1=-11.3 | 2 | 2 | 11 | 14 | 15 | 4 | 5 | 4 | 2 |
对所有待调试参数的组合和目标指标进行相关性分析,得到每个待调试参数与目标指标的相关度,再根据相关度得到待调试参数的权重系数,其中,权重系数函数为y=1-x。每个待调试参数与目标指标的相关度以及每个待调试参数的权重系数如表3所示。
表3
EXT_W | EXT_L | W1 | W2 | W3 | L1 | L2 | L3 | R | |
相关度 | 0.31 | 0.1 | 0.32 | 0.45 | 0.53 | 0.1 | 0.1 | 0.53 | 0.6 |
权重系数 | 0.69 | 0.9 | 0.68 | 0.55 | 0.47 | 0.9 | 0.9 | 0.47 | 0.4 |
每个待调试参数的权重系数乘以初始步进和初始范围得到下一次迭代的步进和范围,并对下一次迭代的步进和范围进行规范化得到规范化步进和规范化范围,如表4所示。
表4
EXT_W | EXT_L | W1 | W2 | W3 | L1 | L2 | L3 | R | |
范围 | 2.76 | 3.6 | 2.72 | 2.2 | 1.88 | 3.6 | 3.6 | 1.88 | 1.6 |
步进 | 0.69 | 0.9 | 0.68 | 0.55 | 0.47 | 0.9 | 0.9 | 0.47 | 0.4 |
规范化范围 | 2.8 | 3.6 | 2.8 | 2.4 | 1.8 | 3.6 | 3.6 | 1.8 | 1.6 |
规范化步进 | 0.7 | 0.9 | 0.7 | 0.6 | 0.45 | 0.9 | 0.9 | 0.45 | 0.4 |
通过表4中的规范化步进和规范化范围,以及表2中每个待调试参数的多个中心值,可以得到每个待调试参数的值的组合,根据这些组合进行仿真,得到最优组合的目标指标输出值为max1_2=-14.2,不满足目标指标需求,设设定误差为0.1*max1_2,则目标指标输出值小于或等于0.9*max1_2=-12.78的组合中的值为对应待调试参数下一次迭代的中心值。满足上述条件的组合及其目标指标输出值(max1_2、max2_2、max3_2)如表5所示。
表5
S11 | EXT_W | EXT_L | W1 | W2 | W3 | L1 | L2 | L3 | R |
max1_2=-14.2 | 2.7 | 1.9 | 12.3 | 13.4 | 17.45 | 4.9 | 5 | 4.45 | 1.6 |
max2_2=-13.6 | 2.7 | 1.9 | 12.3 | 13.4 | 15.45 | 3.1 | 5 | 4.45 | 2.4 |
max3_2=-12.9 | 2.7 | 2.9 | 11.7 | 13.4 | 14.55 | 4.9 | 5 | 4.45 | 1.6 |
对所有待调试参数的组合和目标指标进行相关性分析,得到每个待调试参数与目标指标的相关度,再根据相关度得到待调试参数的权重系数,其中,权重系数函数为y=1-x。每个待调试参数与目标指标的相关度以及每个待调试参数的权重系数如表6所示。
表6
EXT_W | EXT_L | W1 | W2 | W3 | L1 | L2 | L3 | R | |
相关度 | 0.05 | 0.05 | 0.15 | 0.15 | 0.9 | 0.15 | 0.15 | 0.9 | 0.5 |
权重系数 | 0.95 | 0.95 | 0.85 | 0.85 | 0.1 | 0.85 | 0.85 | 0.1 | 0.5 |
每个待调试参数的权重系数乘以步进和范围得到下一次迭代的步进和范围,并对下一次迭代的步进和范围进行规范化得到规范化步进和规范化范围,如表7所示。
表7
EXT_W | EXT_L | W1 | W2 | W3 | L1 | L2 | L3 | R | |
范围 | 2.66 | 3.42 | 2.38 | 2.04 | 0.18 | 3.06 | 3.06 | 0.18 | 0.8 |
步进 | 0.665 | 0.855 | 0.595 | 0.51 | 0.05 | 0.765 | 0.765 | 0.05 | 0.2 |
规范化范围 | 2.8 | 3.6 | 2.4 | 2 | 0.2 | 3.2 | 3.2 | 0.2 | 0.8 |
规范化步进 | 0.7 | 0.9 | 0.6 | 0.5 | 0.05 | 0.8 | 0.8 | 0.05 | 0.2 |
通过表7中的规范化步进和规范化范围,以及表5中每个待调试参数的多个中心值,可以得到每个待调试参数的值的组合,根据这些组合进行仿真,得到最优组合的目标指标输出值为max1_3=-15.99,满足目标指标需求,调参过程结束,待调试参数EXT_W、EXT_L、W1、W2、W3、L1、L2、L3和R的输出解分别为,如表8所示。
表8
S11 | EXT_W | EXT_L | W1 | W2 | W3 | L1 | L2 | L3 | R |
max1_3=-15.99 | 2.0 | 1.0 | 12.9 | 13.9 | 17.25 | 4.1 | 4.2 | 4.65 | 1.8 |
以表1~表8中的数据为例,计算本实施例所述调参方法节约的时间成本:
如果以最小设计精度遍历初始中心值和初始范围决定的取值区间,一共9个变量,按照最终数据的最小设计精度来看,其中两个变量的最小设计精度为0.05,其他7个变量的最小设计精度为0.1,则如果一开始就遍历所有可能性,则需要做的计算量为(4÷0.05)2x(4÷0.1)7=1.0e15。
在本实施例中,用相关度来分析各待调试参数对目标指标的影响程度,该计算量仅与数次数据组合的仿真在一个数量级,对于大量数据组合的仿真而言可以忽略不计;
由于仿真中,每次迭代的范围和步进都是乘以权重系数得到下一次迭代的范围和步进,所以每次迭代中每个待调整参数的扫描点数是大体一致的,所以第一次迭代的扫描点数就是最后一次迭代的扫描点数,只是在中间中迭代时会乘以重新选取的中心值的个数。所以,假设第一次迭代的单个待调整参数扫描点数为n,则第一次迭代的计算量为n9,如果一共m次迭代,在第m次迭代达到最优解,每一次迭代取到优解个数为k,则总计算量为m*n9+(m-1)(k-1)*n9,本实施例中,m=3,n=5,k=3,计算量为1.4e7,占一开始就遍历所有可能性的计算量的不到1%。
即使一开始就遍历所有可能性时按照本实施例的最终规范化步进来计算,计算量为(4÷0.7)x(4÷0.9)(4÷0.6)(4÷0.5)(4÷0.05)(4÷0.8)(4÷0.8)(4÷0.05)(4÷0.2)=4.3e9,按照本实施例所述方法的计算量也占上述计算量的不到1%。
实施例4:
本实施例公开了一种基于相关度分析的快速调参装置,如图7所示,包括如下步骤:
初始化模块,用于设定每个待调试参数的初始中心值、初始步进和初始范围;
判断模块,用于根据所述初始中心值、初始步进和初始范围得到所有待调试参数的值的组合,利用所述组合得到对应每个组合的目标指标输出值,判断是否存在目标指标输出值满足目标指标需求;若存在目标指标输出值满足目标指标需求,则调参结束,所述目标指标输出值对应的组合即为待调试参数的全局最优解;
迭代模块,用于若不存在目标指标输出值满足目标指标需求,则根据待调试参数与目标指标的相关度得到每个待调试参数下一次迭代的步进和范围,同时重新选取至少一个当前组合并将所述选取的每个组合中的值分别作为待调试参数下一次迭代的一组中心值,根据所述下一次迭代的步进、范围和中心值得到下一次迭代中所有待调试参数的值的组合,进而得到下一次迭代中对应每个组合的目标指标输出值,直到存在目标指标输出值满足目标指标需求,或者直到满足预设条件的步进达到第一设定阈值后,仍不存在目标指标输出值满足目标指标需求;
参数调整模块,用于当满足预设条件的步进达到第一设定阈值后,若仍不存在目标指标输出值满足目标指标需求,则重新设定每个待调试参数的初始中心值、初始步进和初始范围,重复上述过程直到存在目标指标输出值满足目标指标需求。
进一步的,迭代模块中,所述根据待调试参数与目标指标的相关度得到每个待调试参数下一次迭代的步进和范围,包括:
根据待调试参数与目标指标的相关度得到每个待调试参数的权重系数;
根据每个待调试参数的当前步进、范围和权重系数得到下一次迭代的步进和范围。
进一步的,迭代模块中,若待调试参数的当前步进等于第一设定阈值或者根据当前步进与权重系数计算得到的下一次迭代的步进小于或等于第一设定阈值,则下一次迭代的步进等于第一设定阈值。
进一步的,迭代模块中,基于所述相关度,通过权重系数函数得到权重系数,其中所述权重系数函数的自变量为所述相关度,取值范围为[0,1],因变量为权重系数,权重系数函数在[0,1]上单调且有界;
若权重系数函数在[0,1]上单调递增,则权重系数的取值大于或等于1;
若权重系数函数在[0,1]上单调递减,则权重系数的取值小于或等于1,且大于0。
进一步的,迭代模块中,若所述权重系数函数在[0,1]上单调递增,当前范围和步进分别除以权重系数得到下一次迭代的范围和步进;
若所述权重系数函数在[0,1]上单调递减,当前范围和步进分别乘以权重系数得到下一次迭代的范围和步进。
进一步的,迭代模块中,所述重新选取至少一个当前组合并将所述选取的每个组合中的值分别作为待调试参数下一次迭代的一组中心值,包括:
目标指标输出值最接近目标指标需求的当前组合为最优组合;
选取与所述最优组合的目标指标输出值满足设定误差的至少一个当前组合,并将选取的每个组合中的值分别作为待调试参数下一次迭代的一组中心值。
进一步的,迭代模块中,所述满足预设条件的步进达到第一设定阈值为:相关度大于第二设定阈值的待调试参数的步进均达到该待调试参数的第一设定阈值。
进一步的,参数调整模块中,所述重新设定每个待调试参数的初始中心值、初始步进和初始范围,包括:
保持初始步进和初始范围不变,在初始范围与原初始中心值决定的取值区间外重新选取初始中心值;
或者保持初始中心值和初始步进不变,扩大初始范围。
进一步的,初始化模块、迭代模块和参数调整模块中,若待调试参数存在最小设计精度,则所述待调试参数的初始中心值和初始步进为最小设计精度的整数倍;
每次迭代的步进规范化为最接近的所述待调试参数的最小设计精度的整数倍。
进一步的,迭代模块中,所述第一设定阈值等于所述最小设计精度。
进一步的,初始化模块、迭代模块和参数调整模块中,所述初始范围为初始步进的偶数倍;
每一次迭代的范围规范化为最接近的该次迭代的步进的偶数倍。
实施例5:
本实施例公开了一种基于相关度分析的快速调参设备,包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现前述的任意一项所述基于相关度分析的快速调参方法。存储器可为各种类型的存储器,可为随机存储器、只读存储器、闪存等。处理器可为各种类型的处理器,例如,中央处理器、微处理器、数字信号处理器或图像处理器等。
本实施例还公开了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行前述的任意一项所述基于相关度分析的快速调参方法。存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (14)
1.一种基于相关度分析的快速调参方法,其特征在于,包括步骤:
设定每个待调试参数的初始中心值、初始步进和初始范围;
根据所述初始中心值、初始步进和初始范围得到所有待调试参数的值的组合,利用所述组合得到对应每个组合的目标指标输出值,判断是否存在目标指标输出值满足目标指标需求;
若存在,则调参结束,所述目标指标输出值对应的组合即为待调试参数的全局最优解;
若不存在,则根据待调试参数与目标指标的相关度得到每个待调试参数下一次迭代的步进和范围,同时重新选取至少一个当前组合并将所述选取的每个组合中的值分别作为下一次迭代的一组中心值,根据所述下一次迭代的步进、范围和中心值得到下一次迭代中所有待调试参数的值的组合,进而得到下一次迭代中对应每个组合的目标指标输出值,直到存在目标指标输出值满足目标指标需求,或者直到满足预设条件的步进达到第一设定阈值后,仍不存在目标指标输出值满足目标指标需求;
当满足预设条件的步进达到第一设定阈值后,若仍不存在目标指标输出值满足目标指标需求,则重新设定每个待调试参数的初始中心值、初始步进和初始范围,重复上述过程直到存在目标指标输出值满足目标指标需求。
2.根据权利要求1所述的一种基于相关度分析的快速调参方法,其特征在于,所述根据待调试参数与目标指标的相关度得到每个待调试参数下一次迭代的步进和范围,包括:
根据待调试参数与目标指标的相关度得到每个待调试参数的权重系数;
根据每个待调试参数的当前步进、范围和权重系数得到下一次迭代的步进和范围。
3.根据权利要求2所述的一种基于相关度分析的快速调参方法,其特征在于,若待调试参数的当前步进等于第一设定阈值或者根据当前步进与权重系数计算得到的下一次迭代的步进小于或等于第一设定阈值,则下一次迭代的步进等于第一设定阈值。
4.根据权利要求2所述的一种基于相关度分析的快速调参方法,其特征在于,基于所述相关度,通过权重系数函数得到权重系数,其中所述权重系数函数的自变量为所述相关度,取值范围为[0,1],因变量为权重系数,权重系数函数在[0,1]上单调且有界;
若权重系数函数在[0,1]上单调递增,则权重系数的取值大于或等于1;
若权重系数函数在[0,1]上单调递减,则权重系数的取值小于或等于1,且大于0。
5.根据权利要求4所述的一种基于相关度分析的快速调参方法,其特征在于,若所述权重系数函数在[0,1]上单调递增,当前范围和步进分别除以权重系数得到下一次迭代的范围和步进;
若所述权重系数函数在[0,1]上单调递减,当前范围和步进分别乘以权重系数得到下一次迭代的范围和步进。
6.根据权利要求1所述的一种基于相关度分析的快速调参方法,其特征在于,所述重新选取至少一个当前组合并将所述选取的每个组合中的值分别作为待调试参数下一次迭代的一组中心值,包括:
目标指标输出值最接近目标指标需求的当前组合为最优组合;
选取与所述最优组合的目标指标输出值满足设定误差的至少一个当前组合,并将选取的每个组合中的值分别作为待调试参数下一次迭代的一组中心值。
7.根据权利要求1所述的一种基于相关度分析的快速调参方法,其特征在于,所述满足预设条件的步进达到第一设定阈值为:相关度大于第二设定阈值的待调试参数的步进均达到该待调试参数的第一设定阈值。
8.根据权利要求1所述的一种基于相关度分析的快速调参方法,其特征在于,所述重新设定每个待调试参数的初始中心值、初始步进和初始范围,包括:
保持初始步进和初始范围不变,在初始范围与原初始中心值决定的取值区间外重新选取初始中心值;
或者保持初始中心值和初始步进不变,扩大初始范围。
9.根据权利要求1所述的一种基于相关度分析的快速调参方法,其特征在于,若待调试参数存在最小设计精度,则所述待调试参数的初始中心值和初始步进为最小设计精度的整数倍;
每次迭代的步进规范化为最接近的所述待调试参数的最小设计精度的整数倍。
10.根据权利要求1所述的一种基于相关度分析的快速调参方法,其特征在于,所述第一设定阈值等于所述最小设计精度。
11.根据权利要求1所述的一种基于相关度分析的快速调参方法,其特征在于,所述初始范围为初始步进的偶数倍;
每一次迭代的范围规范化为最接近的该次迭代的步进的偶数倍。
12.一种基于相关度分析的快速调参装置,其特征在于,包括:
初始化模块,用于设定每个待调试参数的初始中心值、初始步进和初始范围;
判断模块,用于根据所述初始中心值、初始步进和初始范围得到所有待调试参数的值的组合,利用所述组合得到对应每个组合的目标指标输出值,判断是否存在目标指标输出值满足目标指标需求;若存在目标指标输出值满足目标指标需求,则调参结束,所述目标指标输出值对应的组合即为待调试参数的全局最优解;
迭代模块,用于若不存在目标指标输出值满足目标指标需求,则根据待调试参数与目标指标的相关度得到每个待调试参数下一次迭代的步进和范围,同时重新选取至少一个当前组合并将所述选取的每个组合中的值作为待调试参数下一次迭代的一组中心值,根据所述下一次迭代的步进、范围和中心值得到下一次迭代中所有待调试参数的值的组合,进而得到下一次迭代中对应每个组合的目标指标输出值,直到存在目标指标输出值满足目标指标需求,或者直到满足预设条件的步进达到第一设定阈值后,仍不存在目标指标输出值满足目标指标需求;
参数调整模块,用于当满足预设条件的步进达到第一设定阈值后,若仍不存在目标指标输出值满足目标指标需求,则重新设定每个待调试参数的初始中心值、初始步进和初始范围。
13.一种基于相关度分析的快速调参设备,包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1~11中任意一项所述基于相关度分析的快速调参方法。
14.一种计算机可读存储介质,其特征在于,存储有计算机可执行指令,所述计算机可执行指令用于执行权利要求1~11中任意一项所述基于相关度分析的快速调参方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111624165.2A CN114330198A (zh) | 2021-12-28 | 2021-12-28 | 基于相关度分析的快速调参方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111624165.2A CN114330198A (zh) | 2021-12-28 | 2021-12-28 | 基于相关度分析的快速调参方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330198A true CN114330198A (zh) | 2022-04-12 |
Family
ID=81015430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111624165.2A Pending CN114330198A (zh) | 2021-12-28 | 2021-12-28 | 基于相关度分析的快速调参方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330198A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255222A (zh) * | 2021-06-01 | 2021-08-13 | 苏州芯迈智能科技有限公司 | 一种腔体滤波器的智能辅助调试方法及装置 |
CN116432257A (zh) * | 2023-06-15 | 2023-07-14 | 无锡亮源激光技术有限公司 | 铒玻璃激光器的优化设计方法及系统 |
-
2021
- 2021-12-28 CN CN202111624165.2A patent/CN114330198A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255222A (zh) * | 2021-06-01 | 2021-08-13 | 苏州芯迈智能科技有限公司 | 一种腔体滤波器的智能辅助调试方法及装置 |
CN113255222B (zh) * | 2021-06-01 | 2023-10-31 | 苏州芯迈智能科技有限公司 | 一种腔体滤波器的智能辅助调试方法及装置 |
CN116432257A (zh) * | 2023-06-15 | 2023-07-14 | 无锡亮源激光技术有限公司 | 铒玻璃激光器的优化设计方法及系统 |
CN116432257B (zh) * | 2023-06-15 | 2023-08-25 | 无锡亮源激光技术有限公司 | 铒玻璃激光器的优化设计方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114330198A (zh) | 基于相关度分析的快速调参方法、装置、设备和介质 | |
Zhang et al. | Cognition-driven formulation of space mapping for equal-ripple optimization of microwave filters | |
DE102011102871B4 (de) | Adaptive Skalierung der Speicherfrequenz | |
Zhang et al. | Parallel computational approach to gradient based EM optimization of passive microwave circuits | |
WO2018032052A1 (en) | Optimisation of designs of electromagnetic devices | |
Rajpoot et al. | Optimization of I-shape microstrip patch antenna using PSO and curve fitting | |
US9594857B2 (en) | Methods for designing quadruple-ridged flared horn antennas | |
CN115906303A (zh) | 一种基于机器学习的平面微波滤波器设计方法及装置 | |
CN110874635B (zh) | 一种深度神经网络模型压缩方法及装置 | |
Hassan et al. | Topology optimization of compact wideband coaxial-to-waveguide transitions with minimum-size control | |
Górecki et al. | On the consistency of an estimator for hierarchical Archimedean copulas | |
Sharma et al. | Sparse linear regression for optimizing design parameters of double T-shaped monopole antennas | |
CN114239439B (zh) | 一种基于部落算法的自动化滤波器的设计方法 | |
CN115329655A (zh) | 基于先验知识神经网络的透镜天线多目标优化方法 | |
CN114580249A (zh) | 一种多环路的fdtd电磁场仿真分析方法、系统、设备和介质 | |
CN110728021B (zh) | 基于改进二进制鲸鱼优化算法的微带滤波天线设计方法 | |
Di Nallo et al. | Rigorous evaluation of ohmic-loss effects for accurate design of traveling-wave antennas | |
Yu et al. | LDP: Learnable dynamic precision for efficient deep neural network training and inference | |
CN112578896B (zh) | 频率调节方法、频率调节装置、电子设备及存储介质 | |
Maras | Adaptive nonparametric locally optimum Bayes detection in additive non-Gaussian noise | |
CN109446665A (zh) | 一种非线性调频信号优化方法及装置、存储介质 | |
Brackebusch et al. | Investigation of geometric variations for multicell cavities using perturbative methods | |
Yang et al. | A new fitness function in binary particle swarm optimization for efficient design of frequency selective surfaces | |
CN111526655B (zh) | 一种射频四极加速器调谐方法及装置、存储介质 | |
Srivastava et al. | Sparse Finite Impulse Response Low Pass Filter Design using Improved Firefly Algorithm |
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 |