CN115906303A - 一种基于机器学习的平面微波滤波器设计方法及装置 - Google Patents
一种基于机器学习的平面微波滤波器设计方法及装置 Download PDFInfo
- Publication number
- CN115906303A CN115906303A CN202211317593.5A CN202211317593A CN115906303A CN 115906303 A CN115906303 A CN 115906303A CN 202211317593 A CN202211317593 A CN 202211317593A CN 115906303 A CN115906303 A CN 115906303A
- Authority
- CN
- China
- Prior art keywords
- design
- filter
- size
- response
- 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.)
- Pending
Links
Images
Landscapes
- Control Of Motors That Do Not Use Commutators (AREA)
Abstract
本发明公开了一种基于机器学习的平面微波滤波器设计方法及装置,所述方法包括从预先建立的初步的设计模型结构中提取m个尺寸参数;将所述尺寸参数通过电磁仿真得到确定尺寸下的响应,多次参数调整后得到一组训练样本;将所述训练样本通过机器学习算法进行预测,得到最佳尺寸参数;将所述最佳尺寸参数通过电磁仿真得到滤波器响应;判断所述滤波器响应是否满足设计指标,如果满足,则将最佳尺寸参数作为最优的平面微波滤波器尺寸输出;本发明结合机器学习算法,简化当前平面微波滤波器大量重复性的设计仿真工作,有效缩短平面微波滤波器设计时间,提升设计效率,缩短研发周期。
Description
技术领域
本发明涉及一种基于机器学习的平面微波滤波器设计方法及装置,属于微波滤波器设计技术领域。
背景技术
目前微波滤波器设计中得到广泛应用的设计方法是综合法。综合法是根据实际滤波器的设计指标,通过频率变换的公式,得到相对应的低通原型滤波器的衰减特性,再选择合适的滤波函数进行逼近。通过滤波函数逼近,可以得到滤波器阶数、中心频率、传输零点位置等参数,再选择适当的滤波器拓扑结构和谐振器类型来设计最终的滤波器结构。然而,随着通信技术的不断进步,对滤波器尤其是高频段微波滤波器的性能指标提出了更加苛刻的要求。由于通信频段的增加,往往需要滤波器具备很宽的工作频段,又要抑制干扰信号,滤波器需要具备陡峭的边带特性或陷波特性。传统的设计方法往往无法满足超宽带、高选择性等指标条件下微波滤波器的设计要求,设计人员通常也只能根据现有的滤波器结构,在电磁仿真软件中进行调整改进,但是这种人工调整的方法需要耗费大量的时间精力。由于计算机技术的发展,硬件设备的不断升级带来了计算效率的提升,从而使机器学习和人工智能技术获得了长远的进步。针对目前平面微波滤波器设计工作中存在的困难,为了降低设计人员的设计复杂度,缩短设计时间,结合现阶段机器学习领域的优化算法,提出了一种基于机器学习的平面微波滤波器设计方法及装置。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于机器学习的平面微波滤波器设计方法及装置,结合机器学习算法,简化当前平面微波滤波器大量重复性的设计仿真工作,有效缩短平面微波滤波器设计时间,提升设计效率,缩短研发周期。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种基于机器学习的平面微波滤波器设计方法,包括:
从预先建立的初步的设计模型结构中提取m个尺寸参数;
将所述尺寸参数通过电磁仿真得到确定尺寸下的响应,多次参数调整后得到一组训练样本;
将所述训练样本通过机器学习算法进行预测,得到最佳尺寸参数;
将所述最佳尺寸参数通过电磁仿真得到滤波器响应;
判断所述滤波器响应是否满足设计指标,如果满足,则将最佳尺寸参数作为最优的平面微波滤波器尺寸输出;
如果滤波器响应不满足设计指标,进一步判断是否搜索完全部尺寸范围,如果没有,重复迭代以上步骤,增加设定数量的电磁仿真结果进入训练样本继续预测,直至预测尺寸参数的响应满足设计指标,输出最优的平面微波滤波器尺寸。
进一步的,所述初步的设计模型结构的建立方法,包括:
获取设计指标,并根据指标要求设计目标响应;
根据所述目标响应,建立初步的设计模型结构。
进一步的,所述从预先建立的初步的设计模型结构中提取m个尺寸参数,包括:
据初步模型结构提取尺寸参数A1,A2,…,Am;其中,提取的尺寸参数包括微带线的宽度和微带线的长度。
进一步的,所述将所述尺寸参数通过电磁仿真得到确定尺寸下的响应,多次参数调整后得到一组训练样本,包括:
将所述尺寸参数通过电磁仿真得到确定尺寸下的目标响应的频率范围取值f1,f2,…,fn;其中,频率范围取值包括滤波器通带最低频率点、滤波器通带最高频率点、滤波器传输零点的频率、滤波器中心频率位置、带内插入损耗频率点;
将所述尺寸参数和频率范围取值输入电磁仿真软件,得到N组尺寸参数A与频率范围f的对应关系,将这N个对应关系作为N组训练样本。
进一步的,所述机器学习算法采用极限学习机的算法,所述限学习机的算法分为训练和预测两个过程,其算法如下:
(1)训练过程:设有N个任意的训练样本(Xi,Yi),其中输入Xi为n维,即Xi=[xi1,xi2,...,xin]T,输出Yi为m维,即Yi=[yi1,yi2,...,yim]T,隐含层为L个神经元的极限学习机的输出可以表示为:
其中g(x)为激活函数,有若干常用的激活函数可供选择,
Wj=[wj1,wj2,...,wjn]T为输入权重,tj为隐含层第j个神经元的阈值,bj=[bj1,bj2,...,bjm]T为输出权重,
上述表达式可以用矩阵表示为:
Hb=Y
其中H为隐含层神经元的输出,b为输出权重,Y为样本输出,且
在极限学习机中,如果输入权重Wj和阈值tj被随机或人为设定,那么矩阵H就可以唯一确定,输出权重b可通过下面计算公式得出:
b=H+Y
其中H+为矩阵H的广义逆矩阵;
(2)预测过程:根据训练样本输入与输出之间的关系,设定极限学习机输入权重W、阈值t和输出权重b,再根据给定预测样本输入X,根据计算公式
就可以求出预测样本输出Y。
第二方面,本发明提供一种基于机器学习的平面微波滤波器设计装置,包括:
尺寸参数提取模块,用于从预先建立的初步的设计模型结构中提取m个尺寸参数;
训练样本获取模块,用于将所述尺寸参数通过电磁仿真得到确定尺寸下的响应,多次参数调整后得到一组训练样本;
预测模块,用于将所述训练样本通过机器学习算法进行预测,得到最佳尺寸参数;
仿真模块,用于将所述最佳尺寸参数通过电磁仿真得到滤波器响应;
判断模块,用于判断所述滤波器响应是否满足设计指标,如果满足,则将最佳尺寸参数作为最优的平面微波滤波器尺寸输出;
迭代模块,用于在滤波器响应不满足设计指标时,进一步判断是否搜索完全部尺寸范围,如果没有,重复迭代以上步骤,增加设定数量的电磁仿真结果进入训练样本继续预测,直至预测尺寸参数的响应满足设计指标,输出最优的平面微波滤波器尺寸。
进一步的,所述尺寸参数提取模块包括目标响应设计单元和初步的设计模型结构建立单元,其中:
所述目标响应设计单元用于获取设计指标,并根据指标要求设计目标响应;
所述初步的设计模型结构建立单元用于根据所述目标响应,建立初步的设计模型结构。
第三方面,本发明提供一种基于机器学习的平面微波滤波器设计装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据前述任一项所述方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前述任一项所述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
(1)结合机器学习算法,简化当前平面微波滤波器大量重复性的设计仿真工作;
(2)有效缩短平面微波滤波器设计时间,提升设计效率,缩短研发周期;
(3)采用机器学习的方式对平面滤波器结构进行自动优化,节省人力成本;
(4)有利于通过更短的时间,设计出性能更好的平面微波滤波器,为设计人员提供有效建议。
附图说明
图1是本发明实施例提供的尺寸参数和响应之间的关系示意图;
图2是本发明实施例提供的训练样本进行机器学习的示意图;
图3是本发明实施例提供的一种基于机器学习的平面微波滤波器设计方法的流程图;
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1
本实施例介绍一种基于机器学习的平面微波滤波器设计方法,包括:
从预先建立的初步的设计模型结构中提取m个尺寸参数;
将所述尺寸参数通过电磁仿真得到确定尺寸下的响应,多次参数调整后得到一组训练样本;
将所述训练样本通过机器学习算法进行预测,得到最佳尺寸参数;
将所述最佳尺寸参数通过电磁仿真得到滤波器响应;
判断所述滤波器响应是否满足设计指标,如果满足,则将最佳尺寸参数作为最优的平面微波滤波器尺寸输出;
如果滤波器响应不满足设计指标,进一步判断是否搜索完全部尺寸范围,如果没有,重复迭代以上步骤,增加设定数量的电磁仿真结果进入训练样本继续预测,直至预测尺寸参数的响应满足设计指标,输出最优的平面微波滤波器尺寸。
下面结合附图,对上述实施例中设计到的内容进行说明。
结合图1,首先建立平面微波滤波器尺寸参数和响应之间的对应关系。再利用极限学习机进行训练和学习,并预测最佳的平面微波滤波器尺寸,如图2所示。图1描述了尺寸参数和响应之间的关系,即确定的尺寸结构,通过仿真软件,可以得到对应的响应曲线。通常的设计思路,需要有大量的仿真运算,才可以得到符合预期的响应曲线。为了节省时间,这里可以先做小部分的仿真运算,获得一定数量的输入输出数据作为训练样本。
整体的实施步骤流程图如图3所示。在确定尺寸参数与响应的对应关系后,需要根据设计指标,设计目标响应。有了目标响应以后,设计者需要根据目标响应,给出一个初步的设计模型结构,该结构可能目前不满足设计指标要求,但是在经过优化调整以后,有可能达到设计指标要求。针对提出的初步设计模型,从模型结构中提取m个尺寸参数。由于尺寸参数对指标影响不同,可以设计分析算法,进而设置不同的权重,也可以只针对关键的尺寸参数进行提取,构成参数矩阵Y=[A1,A2,...,Am]。其参数可具体表示为:A1=微带线1的宽度,A2=微带线1的长度,A3=微带线2的宽度,A4=微带线2的长度等。利用电磁仿真软件,获得在初始参数下对应的滤波器响应频率范围X=[f1,f2,...,fn]。频率范围取值可具体表示为:f1=滤波器通带最低频率点,f2=滤波器通带最高频率点,f3=滤波器传输零点1的频率,f4=滤波器传输零点2的频率,f5=滤波器中心频率位置,f6=带内插入损耗频率点1,f7=带内插入损耗频率点2等。通过对参数进行小幅度微调,得到一组对应的滤波器响应,并将这一组N个尺寸参数和响应频率构成训练样本。并结合电磁仿真软件,获得结构参数的大致取值范围。再通过得到的样本训练极限学习机,在一定数量的学习后,极限学习机可以建立尺寸参数与滤波器响应的对应关系。之后给极限学习机输入设计目标响应,就可以获得预测的尺寸参数,如图2所示。设计者可以将得到的预测尺寸参数带入对应的滤波器结构,运用电磁仿真软件对滤波器进行仿真得到响应曲线,将响应结果与指标进行对比分析。如果响应不满足指标要求,则可以看做这一次迭代结束,再将一定数量的电磁仿真结果加入训练集,让极限学习机进一步学习,进行下一次迭代。在训练的过程中,新增的样本点选择也很重要,需要在局部预测较好的区间和全部未知区间之间进行选择。如果不满足迭代的终止条件,则每次迭代都会加入一定数量的电磁仿真结果作为样本加入训练集。如果响应满足指标要求,则会结束整个流程。如果通过大量反复迭代之后,仍然没有满足指标要求,或者已经搜索几乎全部的尺寸参数,则会终止迭代优化,并给出相应的结论提示设计者。
其中,机器学习算法采用了极限学习机(ELM)算法。极限学习机是在神经网络的基础上进行改进,是一种前向传播的神经网络。极限学习机的算法分为训练和预测两个过程,其算法如下:
(1)训练过程:设有N个任意的训练样本(Xi,Yi),其中输入Xi为n维,即Xi=[xi1,xi2,...,xin]T,输出Yi为m维,即Yi=[yi1,yi2,...,yim]T,隐含层为L个神经元的极限学习机的输出可以表示为:
其中g(x)为激活函数,有若干常用的激活函数可供选择。Wj=[wj1,wj2,...,wjn]T为输入权重,tj为隐含层第j个神经元的阈值,bj=[bj1,bj2,...,bjm]T为输出权重。
上述表达式可以用矩阵表示为:
Hb=Y
其中H为隐含层神经元的输出,b为输出权重,Y为样本输出,且
在极限学习机中,如果输入权重Wj和阈值tj被随机或人为设定,那么矩阵H就可以唯一确定,输出权重b可通过下面计算公式得出:
b=H+Y
其中H+为矩阵H的广义逆矩阵。
(2)预测过程:根据训练样本输入与输出之间的关系,设定极限学习机输入权重W、阈值t和输出权重b。再根据给定预测样本输入X,根据计算公式
就可以求出预测样本输出Y。需要注意的是,极限学习机的输入权重W和阈值t直接影响了预测结果,其数值可以随机或人为设定,也可以结合一定的优化算法来设定权重。
在训练过程中,将滤波器响应频率范围X=[f1,f2,...,fn]和尺寸参数Y=[A1,A2,...,Am]作为训练样本,进行样本训练。在预测过程中,一般是给定特定响应频率范围X=[f1,f2,...,fn],通过极限学习机算法获得最佳尺寸参数A。
利用上面所述的极限学习机算法,根据图3实施步骤的流程图,经过一定过程的机器学习后,可以得到最优的平面微波滤波器尺寸。在电磁仿真软件中对该结构进行仿真,即可以得到对应的滤波器响应,并可以验证是否满足设计指标要求。针对尺寸参数较多、数据量较大的机器学习训练过程,可以将训练任务通过移动边缘计算技术卸载至边缘服务器进行,从而节省计算时间。通过这一基于机器学习的平面微波滤波器设计方法,可以根据给定的设计模型,快速寻找满足特定响应频率下的最佳尺寸结构,或者快速确定这一设计结构是否可以满足特定响应的要求。从而优化电磁仿真过程,缩短平面微波滤波器研发周期,提高微波滤波器设计效率。
实施例2
本实施例提供一种基于机器学习的平面微波滤波器设计方法,首先需要确定满足一定条件的目标响应的频率范围取值f1,f2,…,fn和初步的设计模型结构,并根据初步模型结构提取尺寸参数A1,A2,…,Am。提取的尺寸参数可具体表示为:A1=微带线1的宽度,A2=微带线1的长度,A3=微带线2的宽度,A4=微带线2的长度等。频率范围取值可具体表示为:f1=滤波器通带最低频率点,f2=滤波器通带最高频率点,f3=滤波器传输零点1的频率,f4=滤波器中心频率位置,f5=带内插入损耗频率点1,f6=带内插入损耗频率点2等。通过电磁仿真软件,得到N组尺寸参数A与频率范围f的对应关系。将这N个对应关系作为N组训练样本,带入极限学习机进行机器学习。若想要完成训练过程,需要找到合适的三个参数值,分别为输入权重Wn、阈值tL和输出权重bm。其中,输入权重Wn和阈值tL可以被随机或人为设定,输出权重bm可以根据公式求得。输入权重Wn有n个,分别为W1,W2,…,Wn,对应n个不同输入样本值的权重,输出权重bm有m个,分别为b1,b2,…,bn,对应m个不同的输出样本值的权重,tL为第L个神经元的阈值。经过N个训练样本的训练,在确定了输入权重、阈值和输出权重后,就可以进行预测过程,给出滤波器需要的响应频率范围f,就可以获得对应的尺寸参数A。根据获得的尺寸参数,可以在电磁仿真软件中,设定模型结构的具体尺寸,验证滤波器响应是否满足指标要求。
具体的,采用了极限学习机这一机器学习算法,进行微波滤波器尺寸结构的设计。
具体的,目标响应的频率范围取值f和提取尺寸参数A的个数,需要自行确定。由于不同平面滤波器的设计指标和模型结构不同,其参数的数量也是不同的。
具体的,算法包含了训练和预测两个过程。首先需要一定的训练样本进行训练过程,完成以后才可以进行预测过程。
具体的,首先需要确定目标响应、初步的设计模型结构,并根据初步模型结构提取尺寸参数。尺寸参数和响应之间存在对应关系,但是各个参数对响应的影响并不相同。所以这里可以先挑选重要参数进行训练和预测,也可以设置参数的输入权重W,带入机器学习的训练过程。
具体的,输入权重W、阈值t和输出权重b对预测准确性影响较大,输入权重W、阈值t可以随机设定或根据经验人为设定,也可以结合一定的优化算法来设定权重。
具体的,在训练过程中,可以将滤波器尺寸参数A和响应频率范围f作为训练样本,进行样本训练。在预测过程中,一般是给的特定响应频率范围f,通过极限学习机算法获得最佳尺寸参数A。
具体的,极限学习机只作为一种参考的机器学习方法,构造滤波器尺寸参数A和响应频率范围f之间的映射关系。也可以选用其他更加合适的机器学习神经网络算法,进行机器学习,从而进一步缩短设计时间,提高设计工作的效率。
具体的,在整个基于机器学习的平面微波滤波器设计流程中,设计的目标响应频率范围f、初步的设计模型结构、提取的若干个结构尺寸参数A,都需要提前确定。在提取尺寸参数以后,相关的设计步骤都可以采用自动化脚本或者程序的方法自动运行,进而节省设计人员的工作量,提高工作效率。
具体的,如果预测的尺寸参数经过电磁仿真获得的响应值没有达到指标要求,则再将一定数量的电磁仿真结果加入训练集,让极限学习机获得进一步训练。在训练的过程中,新增的样本点选择也很重要,需要在局部预测较好的区间和全部未知区间之间进行选择。如果不满足迭代的终止条件,则每次迭代都会加入一定数量的电磁仿真结果加入训练集。如果通过大量反复迭代之后,仍然没有满足指标要求,或者已经搜索几乎全部的尺寸参数,则会终止迭代优化,并给出相应的结论提示。
具体的,相比于传统设计方法,其优势在于,可以根据给定的设计结构,快速寻找满足特定响应频率下的最佳尺寸结构,或者快速确定这一设计结构是否可以满足特定响应的要求。从而为设计人员提供帮助,提高平面微波滤波器设计效率。
具体的,不仅可以适用于平面结构微波滤波器的设计,也可以适用于立体结构或腔体结构微波滤波器的设计,其不同之处主要在于提取的尺寸参数A1,A2,…,Am和响应的频率范围取值f1,f2,…,fn的数量不同。
具体的,针对尺寸参数较多、数据量较大的机器学习训练过程,可以将训练任务通过移动边缘计算技术卸载至边缘服务器进行,从而节省计算时间,提高计算效率。
实施例3
本实施例提供一种基于机器学习的平面微波滤波器设计装置,包括:
尺寸参数提取模块,用于从预先建立的初步的设计模型结构中提取m个尺寸参数;
训练样本获取模块,用于将所述尺寸参数通过电磁仿真得到确定尺寸下的响应,多次参数调整后得到一组训练样本;
预测模块,用于将所述训练样本通过机器学习算法进行预测,得到最佳尺寸参数;
仿真模块,用于将所述最佳尺寸参数通过电磁仿真得到滤波器响应;
判断模块,用于判断所述滤波器响应是否满足设计指标,如果满足,则将最佳尺寸参数作为最优的平面微波滤波器尺寸输出;
迭代模块,用于在滤波器响应不满足设计指标时,进一步判断是否搜索完全部尺寸范围,如果没有,重复迭代以上步骤,增加设定数量的电磁仿真结果进入训练样本继续预测,直至预测尺寸参数的响应满足设计指标,输出最优的平面微波滤波器尺寸。
所述尺寸参数提取模块包括目标响应设计单元和初步的设计模型结构建立单元,其中:
所述目标响应设计单元用于获取设计指标,并根据指标要求设计目标响应;
所述初步的设计模型结构建立单元用于根据所述目标响应,建立初步的设计模型结构。
实施例4
本实施例提供一种基于机器学习的平面微波滤波器设计装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据实施例1或实施例2中任一项所述方法的步骤。
实施例5
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例1或实施例2中任一项所述方法的步骤。
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,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.一种基于机器学习的平面微波滤波器设计方法,其特征在于,包括:
从预先建立的初步的设计模型结构中提取m个尺寸参数;
将所述尺寸参数通过电磁仿真得到确定尺寸下的响应,多次参数调整后得到一组训练样本;
将所述训练样本通过机器学习算法进行预测,得到最佳尺寸参数;
将所述最佳尺寸参数通过电磁仿真得到滤波器响应;
判断所述滤波器响应是否满足设计指标,如果满足,则将最佳尺寸参数作为最优的平面微波滤波器尺寸输出;
如果滤波器响应不满足设计指标,进一步判断是否搜索完全部尺寸范围,如果没有,重复迭代以上步骤,增加设定数量的电磁仿真结果进入训练样本继续预测,直至预测尺寸参数的响应满足设计指标,输出最优的平面微波滤波器尺寸。
2.根据权利要求1所述的基于机器学习的平面微波滤波器设计方法,其特征在于,所述初步的设计模型结构的建立方法,包括:
获取设计指标,并根据指标要求设计目标响应;
根据所述目标响应,建立初步的设计模型结构。
3.根据权利要求1所述的基于机器学习的平面微波滤波器设计方法,其特征在于,所述从预先建立的初步的设计模型结构中提取m个尺寸参数,包括:
据初步模型结构提取尺寸参数A1,A2,…,Am;其中,提取的尺寸参数包括微带线的宽度和微带线的长度。
4.根据权利要求3所述的基于机器学习的平面微波滤波器设计方法,其特征在于,所述将所述尺寸参数通过电磁仿真得到确定尺寸下的响应,多次参数调整后得到一组训练样本,包括:
将所述尺寸参数通过电磁仿真得到确定尺寸下的目标响应的频率范围取值f1,f2,…,fn;其中,频率范围取值包括滤波器通带最低频率点、滤波器通带最高频率点、滤波器传输零点的频率、滤波器中心频率位置、带内插入损耗频率点;
将所述尺寸参数和频率范围取值输入电磁仿真软件,得到N组尺寸参数A与频率范围f的对应关系,将这N个对应关系作为N组训练样本。
5.根据权利要求1所述的基于机器学习的平面微波滤波器设计方法,其特征在于,所述机器学习算法采用极限学习机的算法,所述限学习机的算法分为训练和预测两个过程,其算法如下:
(1)训练过程:设有N个任意的训练样本(Xi,Yi),其中输入Xi为n维,即Xi=[xi1,xi2,...,xin]T,输出Yi为m维,即Yi=[yi1,yi2,...,yim]T,隐含层为L个神经元的极限学习机的输出可以表示为:
其中g(x)为激活函数,有若干常用的激活函数可供选择,
Wj=[wj1,wj2,...,wjn]T为输入权重,tj为隐含层第j个神经元的阈值,
bj=[bj1,bj2,...,bjm]T为输出权重,
上述表达式可以用矩阵表示为:
Hb=Y
其中H为隐含层神经元的输出,b为输出权重,Y为样本输出,且
在极限学习机中,如果输入权重Wj和阈值tj被随机或人为设定,那么矩阵H就可以唯一确定,输出权重b可通过下面计算公式得出:
b=H+Y
其中H+为矩阵H的广义逆矩阵;
(2)预测过程:根据训练样本输入与输出之间的关系,设定极限学习机输入权重W、阈值t和输出权重b,再根据给定预测样本输入X,根据计算公式
就可以求出预测样本输出Y。
6.一种基于机器学习的平面微波滤波器设计装置,其特征在于,包括:
尺寸参数提取模块,用于从预先建立的初步的设计模型结构中提取m个尺寸参数;
训练样本获取模块,用于将所述尺寸参数通过电磁仿真得到确定尺寸下的响应,多次参数调整后得到一组训练样本;
预测模块,用于将所述训练样本通过机器学习算法进行预测,得到最佳尺寸参数;
仿真模块,用于将所述最佳尺寸参数通过电磁仿真得到滤波器响应;
判断模块,用于判断所述滤波器响应是否满足设计指标,如果满足,则将最佳尺寸参数作为最优的平面微波滤波器尺寸输出;
迭代模块,用于在滤波器响应不满足设计指标时,进一步判断是否搜索完全部尺寸范围,如果没有,重复迭代以上步骤,增加设定数量的电磁仿真结果进入训练样本继续预测,直至预测尺寸参数的响应满足设计指标,输出最优的平面微波滤波器尺寸。
7.根据权利要求6所述的基于机器学习的平面微波滤波器设计方法,其特征在于,所述尺寸参数提取模块包括目标响应设计单元和初步的设计模型结构建立单元,其中:
所述目标响应设计单元用于获取设计指标,并根据指标要求设计目标响应;
所述初步的设计模型结构建立单元用于根据所述目标响应,建立初步的设计模型结构。
8.一种基于机器学习的平面微波滤波器设计装置,其特征在于:包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~5任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:该程序被处理器执行时实现权利要求1~5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211317593.5A CN115906303A (zh) | 2022-10-26 | 2022-10-26 | 一种基于机器学习的平面微波滤波器设计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211317593.5A CN115906303A (zh) | 2022-10-26 | 2022-10-26 | 一种基于机器学习的平面微波滤波器设计方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115906303A true CN115906303A (zh) | 2023-04-04 |
Family
ID=86478590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211317593.5A Pending CN115906303A (zh) | 2022-10-26 | 2022-10-26 | 一种基于机器学习的平面微波滤波器设计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115906303A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401964A (zh) * | 2023-06-08 | 2023-07-07 | 深圳飞骧科技股份有限公司 | 弹性波器件的仿真参数获取方法、系统及相关设备 |
CN117668954A (zh) * | 2024-01-30 | 2024-03-08 | 中国电子科技集团公司信息科学研究院 | 一种超表面带通滤波器谐振结构的设计方法及系统 |
CN117668954B (zh) * | 2024-01-30 | 2024-05-31 | 中国电子科技集团公司信息科学研究院 | 一种超表面带通滤波器谐振结构的设计方法及系统 |
-
2022
- 2022-10-26 CN CN202211317593.5A patent/CN115906303A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401964A (zh) * | 2023-06-08 | 2023-07-07 | 深圳飞骧科技股份有限公司 | 弹性波器件的仿真参数获取方法、系统及相关设备 |
CN116401964B (zh) * | 2023-06-08 | 2023-09-29 | 深圳飞骧科技股份有限公司 | 弹性波器件的仿真参数获取方法、系统及相关设备 |
CN117668954A (zh) * | 2024-01-30 | 2024-03-08 | 中国电子科技集团公司信息科学研究院 | 一种超表面带通滤波器谐振结构的设计方法及系统 |
CN117668954B (zh) * | 2024-01-30 | 2024-05-31 | 中国电子科技集团公司信息科学研究院 | 一种超表面带通滤波器谐振结构的设计方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886464B (zh) | 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法 | |
CN104331635B (zh) | 电力光纤通信光功率预测的方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN111696345A (zh) | 一种基于网络社区检测和gcn的耦合大规模数据流宽度学习快速预测智能算法 | |
CN105893669A (zh) | 一种基于数据挖掘的全局仿真性能预测方法 | |
CN112069610B (zh) | 一种透明复杂多腔塑件的注塑工艺参数优化方法 | |
CN111859733B (zh) | 一种基于蚁群算法的汽车排气系统可靠性优化方法 | |
CN108182316B (zh) | 一种基于人工智能的电磁仿真方法及其电磁大脑 | |
CN111191361A (zh) | 一种基于随机森林的螺旋电感建模方法 | |
CN111898316A (zh) | 一种超表面结构设计模型的构建方法及其应用 | |
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 | |
CN111460665B (zh) | 一种基于克里金代理模型和多目标遗传算法的天线设计方法 | |
CN111191785A (zh) | 一种基于拓展搜索空间的结构搜索方法 | |
CN102867104B (zh) | 一种电子设备的电磁环境影响因素的定量分析装置及方法 | |
CN113807040B (zh) | 一种面向微波电路的优化设计方法 | |
CN112287605B (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
CN112487933A (zh) | 一种基于自动化深度学习的雷达波形识别方法及系统 | |
CN116416468B (zh) | 一种基于神经架构搜索的sar目标检测方法 | |
CN109117545B (zh) | 基于神经网络的天线快速设计方法 | |
CN116054144A (zh) | 分布式光伏接入的配电网重构方法、系统及存储介质 | |
CN116721327A (zh) | 一种基于泛化界的神经网络架构搜索方法 | |
CN115809725A (zh) | 一种多因素短期电量预测方法及装置 | |
CN115169235A (zh) | 一种基于改进生成对抗网络的超表面单元结构逆设计方法 | |
CN112488248A (zh) | 一种基于卷积神经网络的代理模型的构建方法 | |
CN112463643A (zh) | 一种软件质量预测方法 |
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 |