CN116204759A - 滤波器耦合矩阵的提取方法及相关装置 - Google Patents

滤波器耦合矩阵的提取方法及相关装置 Download PDF

Info

Publication number
CN116204759A
CN116204759A CN202211681027.2A CN202211681027A CN116204759A CN 116204759 A CN116204759 A CN 116204759A CN 202211681027 A CN202211681027 A CN 202211681027A CN 116204759 A CN116204759 A CN 116204759A
Authority
CN
China
Prior art keywords
filter
parameters
individual
coupling matrix
zero point
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
Application number
CN202211681027.2A
Other languages
English (en)
Inventor
周翼鸿
周鑫宇
丁一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202211681027.2A priority Critical patent/CN116204759A/zh
Publication of CN116204759A publication Critical patent/CN116204759A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/40—Arrangements for reducing harmonics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Complex Calculations (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Algebra (AREA)

Abstract

本发明公开了一种滤波器耦合矩阵的提取方法及相关装置，应用于滤波器技术领域，包括：获取滤波器的待处理参数；根据所述待处理参数，通过遗传算法确定所述滤波器的切比雪夫多项式和零点；根据所述滤波器的切比雪夫多项式和所述零点，得到所述滤波器的耦合矩。本申请通过遗传算法对滤波器的待处理参数进行处理，能够自行计算零点，从而可以便于后续耦合矩阵的提取，相对于现有技术而言，无需认为进行零点评估，对用户的专业性要求降低，提高了零点的计算效率，缩短了滤波器耦合矩阵的提取时间，进一步提高了滤波器耦合矩阵的提取效率。

Description

滤波器耦合矩阵的提取方法及相关装置
技术领域
本发明涉及滤波器技术领域，具体设计一种滤波器耦合矩阵的提取方法及相关装置。
背景技术
滤波器在射频、微波电路中发挥着重要作用，而在滤波器的设计和调试领域，耦合矩阵的计算均是重要的一步。随着计算机技术的飞跃发展，为了提高滤波器的成品率，减少调试时间，各种各样的计算机仿真技术运营而生，现有技术通常基于电磁场的数值解或解析解对滤波器进行仿真和优化，以得到所滤波器的耦合矩阵，然而该方法需要用户自行评估零点，用户自行评估零点的过程容易出错，且需要用户有一定的专业知识，零点评估效率低下，使得耦合矩阵的计算过程花费时间较长。
发明内容
本申请提供一种滤波器耦合矩阵的提取方法及相关装置，能够提高零点的计算效率，缩短了滤波器耦合矩阵的提取时间。
第一方面，本申请提供一种滤波器耦合矩阵的提取方法，包括：
获取滤波器的待处理参数；
根据所述待处理参数，通过遗传算法确定所述滤波器的切比雪夫多项式和零点；
根据所述滤波器的切比雪夫多项式和所述零点，得到所述滤波器的耦合矩阵。
根据本申请第一方面提供的滤波器耦合矩阵的提取方法，至少具有如下有益效果：该滤波器耦合矩阵的提取方法通过遗传算法对滤波器的待处理参数进行处理，计算得到滤波器的零点和切比雪夫多项式，因此，本申请通过遗传算法对滤波器的待处理参数进行处理，能够自行计算零点，从而可以便于后续耦合矩阵的提取，相对于现有技术而言，无需认为进行零点评估，对用户的专业性要求降低，提高了零点的计算效率，缩短了滤波器耦合矩阵的提取时间，进一步提高了滤波器耦合矩阵的提取效率。
在一些实施例中，所述待处理参数包括回波损耗，所述根据所述待处理参数，通过遗传算法确定所述滤波器的切比雪夫多项式和零点，包括：
获取预设的初始种群，其中，所述初始种群包括多个个体；
根据预设的解码规则对所述初始种群进行解码，得到各个所述个体对应的阶数和至少一个零点；
根据所述回波损耗和所述零点、所述阶数，得到各个所述个体的切比雪夫多项式；
根据各个所述个体的切比雪夫多项式，计算各个所述个体对应的适应度；
根据各个所述适应度对所述初始种群进行筛选，得到第一种群；
对所述第一种群进行交叉操作和变异操作，得到第二种群；
将所述第二种群作为所述初始种群进行迭代，直至迭代次数或所述适应度满足预设要求；
根据最后一次迭代得到的所述阶数和所述零点，确定所述滤波器的切比雪夫多项式和零点。
在一些实施例中，所述获取预设的初始种群，包括：
获取预设指标和个体数量，其中，所述预设指标包括带外抑制；
比较所述带外抑制和所述回波损耗，确定各个所述个体的零点个数；
根据各个所述个体的零点个数，确定各个所述个体的基因个数；
根据各个所述个体的基因个数和所述个体数量，确定预设的初始种群。
在一些实施例中，所述根据预设的解码规则对所述初始种群进行解码，得到各个所述个体对应的阶数和至少一个零点，包括：
根据所述初始种群的基因个数，得到各个所述个体对应的零点个数；
根据各个所述个体对应的零点个数，确定各个所述个体用于解码各个所述零点的第一基因和用于解码所述阶数的第二基因；
根据所述第一基因，确定各个所述个体对应的各个所述零点的位置；
根据所述第二基因，确定各个所述个体对应的所述阶数；
根据各个所述个体对应的所述阶数、所述零点个数以及各个所述零点的位置，得到各个所述个体对应的阶数和至少一个零点。
在一些实施例中，所述根据各个所述个体的切比雪夫多项式，计算各个所述个体对应的适应度，包括：
根据所述预设指标，得到与所述预设指标对应的频响曲线的多个点位指标；
根据各个所述个体的切比雪夫多项式，得到与所述个体的切比雪夫多项式相对应的频响曲线的多个点位参数，其中，所述点位参数与所述点位指标一一对应；
将所述点位参数与对应的所述点位指标进行比较，得到多个点位比例，其中，所述点位比例为小于所述点位指标的所述点位参数占全部所述点位参数的比例；
将预设常数与所述点位比例相减，得到多个与所述个体相对应的适应度。
在一些实施例中，所述根据所述待处理参数，通过遗传算法确定所述滤波器的切比雪夫多项式和零点，还包括：
在迭代过程中，当所述迭代次数大于或等于预设次数的二分之一且所述适应度大于预设阈值时，增加所述第二种群的基因，并将增加基因后的所述第二种群作为所述初始种群进行迭代。
在一些实施例中，所述根据所述切比雪夫多项式和所述零点，得到所述滤波器的耦合矩阵，包括：
根据所述滤波器的切比雪夫多项式，得到所述滤波器的初始矩阵；
对所述初始矩阵进行相似变换，得到轮型拓扑；
根据所述零点，对所述轮型拓扑进行相似变换，得到所述滤波器的耦合矩阵。
在一些实施例中，所述根据所述滤波器的切比雪夫多项式，得到所述滤波器的初始矩阵，包括：
根据所述滤波器的切比雪夫多项式，确定所述滤波器的散射参数；
将所述滤波器的散射参数转化为导纳参数；
根据所述导纳参数计算矩阵参数；
根据所述矩阵参数，得到所述滤波器的初始矩阵。
第二方面，本申请提供一种滤波器耦合矩阵的提取装置，包括：
数据采集模块，所述数据采集模块用于获取滤波器的待处理参数；
数据处理模块，所述数据处理模块用于根据所述待处理参数，通过遗传算法确定所述滤波器的切比雪夫多项式和零点；
矩阵生成模块，所述矩阵生成模块用于根据所述切比雪夫多项式和所述零点，得到所述滤波器的耦合矩阵。
由于第二方面提供的滤波器耦合矩阵的提取装置应用第一方面任一项的滤波器耦合矩阵的提取方法，因此具有本申请第一方面的所有有益效果。
第三方面，本申请实施例提供一种计算机存储介质，包括存储有计算机可执行指令，所述计算机可执行指令用于如第一方面任一项的滤波器耦合矩阵的提取方法。
由于第三方面的计算机存储介质可执行如第一方面任一项的滤波器耦合矩阵的提取方法，因此具有本申请实施例第一方面的所有有益效果。
本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的滤波器耦合矩阵的提取装置的结构框图；
图2是本申请实施例提供的滤波器耦合矩阵的提取方法的主要步骤图；
图3是本申请实施例提供的滤波器耦合矩阵的提取方法的数据处理的步骤图；
图4是本申请实施例提供的滤波器耦合矩阵的提取方法的初始种群设定的步骤图；
图5是本申请实施例提供的滤波器耦合矩阵的提取方法的种群解码的步骤图；
图6是本申请实施例提供的滤波器耦合矩阵的提取方法的适应度计算的步骤图；
图7是本申请实施例提供的滤波器耦合矩阵的提取方法的重复计算的步骤图；
图8是本申请实施例提供的滤波器耦合矩阵的提取方法的矩阵生成的步骤图；
图9是本申请实施例提供的滤波器耦合矩阵的提取方法的初始矩阵生成的步骤图；
图10为本申请实施例提供的滤波器耦合矩阵的提取方法的流程图
图11是本申请实施例提供的滤波器耦合矩阵的提取方法的流程图；
图12是本申请实施例提供的用于滤波器耦合矩阵的提取的系统架构平台的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请实施例。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请实施例的描述。
需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
还应当理解，在本申请实施例说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请实施例的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
滤波器在射频、微波电路中发挥着重要作用，而在滤波器的设计和调试领域，耦合矩阵的计算均是重要的一步。随着计算机技术的飞跃发展，为了提高滤波器的成品率，减少调试时间，各种各样的计算机仿真技术运营而生，现有技术通常基于电磁场的数值解或解析解对滤波器进行仿真和优化，常用的计算耦合矩阵的软件包括CST Microwave studio、Ansoft HFSS、WASP等，其使用需要用户输入滤波器的阶数、零点、频段再选择拓扑结构，其为滤波器设计带来了巨大便利，然而这些仿真软件基于电磁场的数值解或解析解对滤波器进行仿真和优化，需要用户自行评估零点，用户自行评估零点的过程容易出错，且需要用户有一定的专业知识，使得耦合矩阵的计算过程花费时间长，效率低下。
基于此，本申请提供一种滤波器耦合矩阵的提取方法及相关装置，该方法通过遗传算法对滤波器的待处理参数进行处理，能够自行计算零点，得到零点的数量以及位置信息，相对于现有技术而言，其对用户的专业性要求降低，节省了耦合矩阵的计算时间，提高了滤波器耦合矩阵的提取效率。
参照图1，图1是本申请实施例提供的滤波器耦合矩阵的提取装置的结构框图。本申请实施例提供的滤波器耦合矩阵的提取装置包括数据采集模块100、数据处理模块200和矩阵生成模块300。
其中，数据采集模块100与数据处理模块200通信连接，数据采集模块100用于获取滤波器的待处理参数。
数据处理模块200分别与数据采集模块100、矩阵生成模块300通信连接，数据处理模块200用于根据待处理参数，通过遗传算法确定滤波器的切比雪夫多项式和零点。
矩阵生成模块300与数据处理模块200通信连接，矩阵生成模块300用于根据切比雪夫多项式和零点，得到滤波器的耦合矩阵。
需要说明的是，本申请实施例提供的滤波耦合矩阵的提取装置包括数据采集模块100、数据处理模块200和矩阵生成模块300。数据采集模块100用于获取滤波器的待处理参数，并将待处理参数发送至数据处理模块200，数据处理模块200根据来自于数据采集模块100的待处理参数，通过遗传算法确定滤波器的切比雪夫多项式和零点，最后，矩阵生成模块300根据来自于数据处理模块200的切比雪夫多项式和零点，得到滤波器的耦合矩阵。该滤波耦合矩阵的提取装置通过遗传算法对滤波器的待处理参数进行处理，能够自行计算零点，从而便于后续耦合矩阵的提取，相对于现有技术而言，对用户的专业性要求降低，节省了耦合矩阵的计算时间，提高了滤波器耦合矩阵的提取效率。
本申请实施例描述的装置以及应用场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着系统架构的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1中示出的装置结构并不构成对本申请实施例的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
在图1所示的装置结构中，各个模块可以分别调用其储存的模拟分析程序，以执行滤波器耦合矩阵的提取方法。
基于上述装置，提出本申请实施例的滤波器耦合矩阵的提取方法的各个实施例。
参照图2，图2是本申请实施例提供的滤波器耦合矩阵的提取方法的主要步骤图，本申请提供一种滤波器耦合矩阵的提取方法，包括：
步骤S100、获取滤波器的待处理参数。
步骤S200、根据待处理参数，通过遗传算法确定滤波器的切比雪夫多项式和零点。
步骤S300、根据滤波器的切比雪夫多项式和零点，得到滤波器的耦合矩阵。
需要说明的是，本申请实施例提供的滤波器耦合矩阵的提取方法通过遗传算法对滤波器的待处理参数进行处理，计算得到滤波器的零点和切比雪夫多项式，因此，本申请通过遗传算法对滤波器的待处理参数进行处理，能够自行计算零点，从而可以便于后续耦合矩阵的提取，相对于现有技术而言，无需认为进行零点评估，对用户的专业性要求降低，提高了零点的计算效率，缩短了滤波器耦合矩阵的提取时间，进一步提高了滤波器耦合矩阵的提取效率。
需要说明的是，滤波器的待处理参数包括输入变量，输入变量至少包括损耗，输入变量根据用户输入得到，而滤波器的阶数、零点通过后续遗传算法计算得到，在后续计算过程中，该输入变量还包括预设指标、预设比例、预设阈值等。
需要说明的是，遗传算法基于达尔文的进化论，模拟了自然选择，将切比雪夫多项式的计算过程模拟成一个生物进化的过程，通过复制、交叉、突变等操作产生下一代的解，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解。这样进化多代后就很有可能会进化出适应度函数值很高的个体，从而得到问题的最优解。
需要说明的是，根据待处理参数，通过遗传算法能够确定滤波器的切比雪夫多项式和零点，滤波器的切比雪夫多项式根据滤波器的零点、阶数和回波损耗计算得到，且滤波器的零点还可与切比雪夫多项式相结合，以计算滤波器的耦合矩阵。
可以理解的是，待处理参数包括回波损耗，参照图3，图3是本申请实施例提供的滤波器耦合矩阵的提取方法的数据处理的步骤图，步骤S200包括但不限于以下步骤：
步骤S210、获取预设的初始种群。
步骤S220、根据预设的解码规则对初始种群进行解码，得到各个个体对应的阶数和至少一个零点。
步骤S230、根据回波损耗和零点、阶数，得到各个个体的切比雪夫多项式。
步骤S240、根据各个个体的切比雪夫多项式，计算各个个体对应的适应度。
步骤S250、根据各个适应度对初始种群进行筛选，得到第一种群。
步骤S260、对第一种群进行交叉操作和变异操作，得到第二种群。
步骤S270、将第二种群作为初始种群进行迭代，直至迭代次数或适应度满足预设要求。
步骤S280、根据最后一次迭代得到的阶数和零点，确定滤波器的切比雪夫多项式和零点。
需要说明的是，预设的初始种群包括多个个体，初始种群可随机生成，且该初始种群的生成无特殊要求，初始种群可设置为一个NP*L的数组，其中，NP代表种群中个体的数量，L为染色体上的基因个数，也可以理解为每个个体上的基因数。
需要说明的是，根据适应度对初始种群进行筛选可采用轮盘赌的方式进行筛选，适应度越大，轮盘赌中分得的存活概率越高，而适应度越小，轮盘赌中分得的存活概率越低。被轮盘赌选择的个体复制到新的种群中，即第一种群中，轮盘赌筛选的过程可认为是遗传，优秀的个体复制的数量更多，保证种群中个体数量不变。
需要说明的是，对第一种群进行交叉操作，即将第一种群中相邻的两个个体随机进行基因对互换，将每个个体包含的基因为一个数组，假设a[]、b[]为两个相邻个个体，将选到的序号上的两个数组中的浮点数随意取一个值，比如选中序号为4，5，8，12，则将a[4]改为区间[a[4],b[4]](或者[b[4],a[4]])中的任意数，b[4]也做同样的操作。剩下后面的5,8,12同样处理。对交叉操作后的第一种群进行变异操作，即随机选中一个基因，使其加上或减去一个[0,0.5]的随机数。
需要说明的是，轮盘赌、交叉操作和变异操作会对零点的位置造成改变，由于在轮盘赌、交叉操作和变异操作中基因的个数没有增加或减少，盘赌、交叉操作和变异操作对于零点个数无影响。
需要说明的是，本申请采用切比雪夫函数计算个体以及滤波器对应的多项式，令CN(ω)为广义切比雪夫函数，有：
Figure BDA0004019387050000061
其中，cosh()为三角函数，xn(ω)为中间变量，即个体或第二种群对应的每个基因，ω为角频率。
Figure BDA0004019387050000062
ωn为广义切比雪夫函数的奇点，当ω＝ωn时，xn(ω)＝∞，xn(ω)可视为函数CN(ω)的参变量。N表示奇点的个数，奇点的位置由ωn决定。广义切比雪夫函数CN(ω)可以简化为：
Figure BDA0004019387050000063
其中，an＝xn(ω)，
Figure BDA0004019387050000064
CN(ω)进一步简化为：/>
Figure BDA0004019387050000065
进一步可得，
GN(ω)＝UN(ω)+VN(ω)
UN(ω)＝u0+u1ω+u2ω2+Λ+uNωN
VN(ω)＝ω'(v0+v1ω+v2ω2+Λ+vNωN)
当N＝2时，可得
Figure BDA0004019387050000071
另外，
Figure BDA0004019387050000072
由上述公式可得F(ω)和P(ω)，UN(ω)和VN(ω)是一些辅助多项式，通过迭代求得的UN(ω)即为F(ω)，而P(ω)很容易确定，因为它的零点就是传输零点。
进一步，由于CN(ω)是多项式函数，散射参数也可以用多项式相除的形式来表示：
Figure BDA0004019387050000073
Figure BDA0004019387050000074
其中，ε为带内波纹系数，S11为1端口的反射电压比上1端口的入射电压，S21表示为2端口的入射电压比上1端口的入射电压。
由无源网络能量守恒定律，
Figure BDA0004019387050000075
得出：
Figure BDA0004019387050000076
已知F(ω)和P(ω)，即可得到E(ω)，进而得到散射参数。F(ω)、P(ω)和E(ω)为最终得到的切比雪夫多项式。
需要说明的是，本申请实施例中将所述第二种群作为所述初始种群进行迭代，直至迭代次数或适应度满足预设要求，根据最后一次得到的阶数和零点，能够确定滤波器的切比雪夫多项式和零点，最后一次得到的阶数和零点可以为初始种群对应的阶数和零点，也可以为第二种群对应的阶数和零点，只需迭代次数或适应度满足预设要求即可。
需要说明的是，本申请实施例获取预设指标和随机设定的初始种群，并通过遗传算法计算滤波器对应的零点和切比雪夫多项式，在计算过程中，通过轮盘赌、交叉操作和变异操作对随机设定的零点数和对应的切比雪夫多项式进行优化，最终得到滤波器对应的零点和切比雪夫多项式。
可以理解的是，参照图4，图4是本申请实施例提供的滤波器耦合矩阵的提取方法的初始种群设定的步骤图，步骤S210包括但不限于以下步骤：
步骤S211、获取预设指标和个体数量。
步骤S212、比较带外抑制和回波损耗，确定各个个体的零点个数。
步骤S213、根据各个个体的零点个数，确定各个个体的基因个数。
步骤S214、根据各个个体的基因个数和个体数量，确定预设的初始种群。
需要说明的是，预设的初始种群包括多个个体，初始种群可随机生成，且该初始种群的生成无特殊要求，初始种群可设置为一个NP*L的数组，其中，NP代表种群中个体的数量，L为染色体上的基因个数，也可以理解为每个个体上的基因数。
需要说明的是，初始种群中的个体数量为随机生成，即NP为随机生成的值。
需要说明的是，预设指标包括带外抑制，将滤波器的回波损耗与预设指标，即带外抑制，进行比较，选择带外抑制低于回波损耗的段数，根据该段数确定段数个顶点，即有几段就取几个零点，根据零点个数可以确定基因个数，染色体上的基因个数L取值为三倍的零点数加1，后续处理过程中基因个数，即零点个数可进行调整。
需要是说明的是，初始种群中，每个个体所对应的基因个数相同，根据各个个体的基因个数和个体数量，随机生成预设的初始种群。
可以理解的是，参照图5，图5是本申请实施例提供的滤波器耦合矩阵的提取方法的种群解码的步骤图，步骤S220包括但不限于以下步骤：
步骤S221、根据初始种群的基因个数，得到各个个体对应的零点个数。
步骤S222、根据各个个体对应的零点个数，确定各个个体用于解码各个零点的第一基因和用于解码阶数的第二基因。
步骤S223、根据第一基因，确定各个个体对应的各个零点的位置。
步骤S224、根据第二基因，确定各个个体对应的阶数。
步骤S225、根据各个个体对应的阶数、零点个数以及各个零点的位置，得到各个个体对应的阶数和至少一个零点。
需要说明的是，预设的解码规则可以根据需要自行定制。
需要说明的是，对于首次对初始种群进行解码的过程，由于初始种群中各个体对应的基因个数通过零点个数确定，可直接得到各个个体对应的零点个数。而对应迭代过程中对初始种群进行解码的过程，若存在进行迭代计算的初始种群相对于第一次迭代计算有增加基因，可根据增加的基因个数，确定各个个体对应的零点个数的总数。
需要说明的是，根据各个个体对应的零点个数，能够确定各个个体用于解码各个零点的第一基因和用于解码阶数的第二基因。
需要说明的是，染色体上的基因个数L取值为三倍的零点数加1。随机获取基因中的一个基因，即第二基因作为阶数，且后续计算过程中阶数在个体中的位置固定，每个零点对应三个第一基因，对于零点对应的第一基因进行正相关解码，能够得到多个个体对应的零点的位置，由于基因的具体内容为随机生成，每个个体对应的零点的位置不同。
需要说明的是，对于根据第一基因确定各个个体对应的各个零点的位置，该步骤对应的解码规则可以根据需要自行定制，满足正相关即可，例如零点位置可取为l1+l2+l3，其中，l1、l2和l3分别为各个个体用于解码各个零点的第一基因。
需要说明的是，零点个数和零点位置能够确定各个个体所对应的全部零点的相关信息。
需要说明的是，本申请对初始种群进行接解码，得到各个所述个体对应的所述阶数、所述零点个数以及各个所述零点的位置，从而确定各个所述个体对应的阶数和至少一个零点，阶数和零点的计算为之后切比雪夫多项式的计算提供了输入参数。
可以理解的是，参照图6，图6是本申请实施例提供的滤波器耦合矩阵的提取方法的适应度计算的步骤图，步骤S240包括但不限于以下步骤：
步骤S241、根据预设指标，得到与预设指标对应的频响曲线的多个点位指标。
步骤S242、根据各个个体的切比雪夫多项式，得到与个体的切比雪夫多项式相对应的频响曲线的多个点位参数。
需要说明的是，点位参数与点位指标一一对应。
步骤S243、将点位参数与对应的点位指标进行比较，得到多个点位比例。
步骤S244、将预设常数与点位比例相减，得到多个与个体相对应的适应度。
需要说明的是，点位比例为小于点位指标的点位参数占全部点位参数的比例。
需要说明的是，适应度可以表示为F＝C-num，其中，num为与个体的切比雪夫多项式相对应的频响曲线中不满足，即小于点位指标的点位参数占全部点位参数的比例，C为预设常数。随着种群的繁衍、淘汰，最终num会降为0。搜索每个个体的切比雪夫多项式中不满足预设指标的点位参数，不满足预设指标的点位参数越多的个体，其适应度越低，轮盘赌的时候分得的存活概率越低。
可以理解的是，参照图7，图7是本申请实施例提供的滤波器耦合矩阵的提取方法的迭代计算的步骤图，步骤S200还包括但不限于以下步骤：
步骤S290、在迭代过程中，当迭代次数大于或等于预设次数的二分之一且适应度大于预设阈值时，增加第二种群的基因，并将增加基因后的第二种群作为初始种群进行迭代。
需要说明的是，停止迭代需满足的预设要求为迭代次数大于预设次数或适应度大于预设阈值。而当迭代次数大于或等于预设次数的二分之一且适应度大于预设阈值时，需要增加第二种群的基因，即增加零点，以提高适应度，对滤波器的切比雪夫多项式进行优化。
需要说明的是，适应度大于预设阈值即点位比例小于预设阈值对应的点位比例。
可以理解的是，参照图8，图8是本申请实施例提供的滤波器耦合矩阵的提取方法的矩阵生成的步骤图，步骤S300包括但不限于以下步骤：
步骤S310、根据滤波器的切比雪夫多项式，得到滤波器的初始矩阵。
步骤S320、对初始矩阵进行相似变换，得到轮型拓扑。
步骤S330、根据零点，对轮型拓扑进行相似变换，得到滤波器的耦合矩阵。
需要说明的是，根据滤波器的切比雪夫多项式，对相关参数进行优化，得到滤波器的初始矩阵，接着，对初始矩阵进行相似变换，得到轮型拓扑，最后，根据零点，对轮型拓扑进行相似变换，得到滤波器的耦合矩阵，即由轮型拓扑嵌入零点再做相似变换可得到滤波器的耦合矩阵。
需要说明的是，根据零点，对轮型拓扑进行相似变换，得到滤波器的耦合矩阵，最终，滤波器的耦合矩阵的得到可由滤波器的自身性能决定，滤波器的拓扑为确定的，相似变换后得到与滤波器拓扑一样的耦合矩阵，则将该矩阵作为滤波器的耦合矩阵。
可以理解的是，参照图9，图9是本申请实施例提供的滤波器耦合矩阵的提取方法的初始矩阵生成的步骤图，步骤S310包括但不限于以下步骤：
步骤S311、根据滤波器的切比雪夫多项式，确定滤波器的散射参数。
步骤S312、将滤波器的散射参数转化为导纳参数。
步骤S313、根据导纳参数计算矩阵参数。
步骤S314、根据矩阵参数，得到滤波器的初始矩阵。
需要说明的是，根据滤波器的切比雪夫多项式可以得到滤波器的散射参数，进一步对散射参数进行转化可得到到滤波器导纳参数，导纳参数可以表示为：
Figure BDA0004019387050000091
Figure BDA0004019387050000092
进一步得到：
Bk(≡Mkk)＝-λk
Figure BDA0004019387050000101
Figure BDA0004019387050000102
其中，通过λk、TNk和T1k，即Mkk、MLk和MSk作为矩阵参数，分别为初始矩阵的首行、末行、首列、末列以及对角线处的参数，进而得到滤波器的初始矩阵，滤波器的初始矩阵经相似变换，最终得到滤波器的耦合矩阵。
需要说明的是，参照图10，图10为本申请的滤波器耦合矩阵的提取方法的大致流程图，首先读取用户的输入，即滤波器的待处理参数，该待处理参数至少包括回波损耗，接着，根据用户的输入用遗传算法计算滤波器的特征多项式，本申请采用切比雪夫多项式作为特征多项式，然后，由特征多项式计算出滤波器的耦合矩阵，并输出滤波器的耦合矩阵及响应曲线，使得用户能够获取或看到。
需要说明的是，参照图11，图11为步骤S200的大致流程图。首先初始化种群，即随机生成初始种群，然后根据预设的解码规则对所述初始种群进行解码，得到各个所述个体对应的阶数和至少一个零点，零点和阶数可用于计算各个个体的切比雪夫多项式，根据各个个体的切比雪夫多项式和预设指标，计算得到各个个体相对应的适应度，根据各个适应度对初始种群进行筛选，得到第一种群，将第二种群作为初始种群进行迭代，直至迭代次数或所述适应度满足预设要求，根据最后一次迭代得到的第二种群，得到滤波器的切比雪夫多项式和零点。
需要说明的是，本申请实施例提供的滤波器耦合矩阵的提取方法通过遗传算法对滤波器的待处理参数进行处理，计算得到滤波器的零点和切比雪夫多项式，零点和切比雪夫多项式的计算便于后续耦合矩阵的提取，本申请通过遗传算法对滤波器的待处理参数进行处理，能够自行计算零点，得到零点的数量以及位置信息，便于后续耦合矩阵的提取，相对于现有技术而言，对用户的专业性要求降低，提高了零点的计算效率，缩短了滤波器耦合矩阵的提取时间，进一步提高了滤波器耦合矩阵的提取效率。
另外，参照图12，本申请实施例提供的用于滤波器耦合矩阵的提取的系统架构平台的示意图。
本申请实施例的系统架构平台包括一个或多个处理器和存储器，图12中以一个处理器及一个存储器为例。
处理器和存储器可以通过总线或者其他方式连接，图12中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该系统架构平台。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。
本领域技术人员可以理解的是，该系统架构平台可以应用于现有的通信网络系统以及后续演进的移动通信网络系统等，本实施例对此并不作具体限定。
本领域技术人员可以理解，图12中示出的装置结构并不构成对系统架构平台的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
系统架构平台可以是独立的系统架构平台，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络、以及大数据和人工智能平台等基础云计算服务的云系统架构平台。
另外，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时如步骤S100至步骤S300的滤波器耦合矩阵的提取方法。
处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。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。
实现上述实施例的目标跟踪方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的滤波器耦合矩阵的提取方法，例如，执行以上描述的图2中的方法步骤S100至S300。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
此外，本申请实施例的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，可使得上述处理器执行上述实施例中的滤波器耦合矩阵的提取方法，例如，执行以上描述的图2中的方法步骤S100至S300、图3中的方法步骤210至S280、图4中的方法步骤S211至S214、图5中的方法步骤S221和S225、图6中的方法步骤S241至S244、图7中的方法步骤S290、图8中的方法步骤S310至S330、图9中的方法步骤S311至S314。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上是对本申请实施例的较佳实施进行了具体说明，但本申请实施例并不局限于上述实施方式，熟悉本领域的技术人员在不违背本申请实施例精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请实施例权利要求所限定的范围内。

Claims (10)

1.一种滤波器耦合矩阵的提取方法，其特征在于，包括：
获取滤波器的待处理参数；
根据所述待处理参数，通过遗传算法确定所述滤波器的切比雪夫多项式和零点；
根据所述滤波器的切比雪夫多项式和所述零点，得到所述滤波器的耦合矩阵。
2.根据权利要求1所述的滤波器耦合矩阵的提取方法，其特征在于，所述待处理参数包括回波损耗，所述根据所述待处理参数，通过遗传算法确定所述滤波器的切比雪夫多项式和零点，包括：
获取预设的初始种群，其中，所述初始种群包括多个个体；
根据预设的解码规则对所述初始种群进行解码，得到各个所述个体对应的阶数和至少一个零点；
根据所述回波损耗和所述零点、所述阶数，得到各个所述个体的切比雪夫多项式；
根据各个所述个体的切比雪夫多项式，计算各个所述个体对应的适应度；
根据各个所述适应度对所述初始种群进行筛选，得到第一种群；
对所述第一种群进行交叉操作和变异操作，得到第二种群；
将所述第二种群作为所述初始种群进行迭代，直至迭代次数或所述适应度满足预设要求；
根据最后一次迭代得到的所述阶数和所述零点，确定所述滤波器的切比雪夫多项式和零点。
3.根据权利要求2所述的滤波器耦合矩阵的提取方法，其特征在于，所述获取预设的初始种群，包括：
获取预设指标和个体数量，其中，所述预设指标包括带外抑制；
比较所述带外抑制和所述回波损耗，确定各个所述个体的零点个数；
根据各个所述个体的零点个数，确定各个所述个体的基因个数；
根据各个所述个体的基因个数和所述个体数量，确定预设的初始种群。
4.根据权利要求3所述的滤波器耦合矩阵的提取方法，其特征在于，所述根据预设的解码规则对所述初始种群进行解码，得到各个所述个体对应的阶数和至少一个零点，包括：
根据所述初始种群的基因个数，得到各个所述个体对应的零点个数；
根据各个所述个体对应的零点个数，确定各个所述个体用于解码各个所述零点的第一基因和用于解码所述阶数的第二基因；
根据所述第一基因，确定各个所述个体对应的各个所述零点的位置；
根据所述第二基因，确定各个所述个体对应的所述阶数；
根据各个所述个体对应的所述阶数、所述零点个数以及各个所述零点的位置，得到各个所述个体对应的阶数和至少一个零点。
5.根据权利要求3所述的滤波器耦合矩阵的提取方法，其特征在于，所述根据各个所述个体的切比雪夫多项式，计算各个所述个体对应的适应度，包括：
根据所述预设指标，得到与所述预设指标对应的频响曲线的多个点位指标；
根据各个所述个体的切比雪夫多项式，得到与所述个体的切比雪夫多项式相对应的频响曲线的多个点位参数，其中，所述点位参数与所述点位指标一一对应；
将所述点位参数与对应的所述点位指标进行比较，得到多个点位比例，其中，所述点位比例为小于所述点位指标的所述点位参数占全部所述点位参数的比例；
将预设常数与所述点位比例相减，得到多个与所述个体相对应的适应度。
6.根据权利要求2所述的滤波器耦合矩阵的提取方法，其特征在于，所述根据所述待处理参数，通过遗传算法确定所述滤波器的切比雪夫多项式和零点，还包括：
在迭代过程中，当所述迭代次数大于或等于预设次数的二分之一且所述适应度大于预设阈值时，增加所述第二种群的基因，并将增加基因后的所述第二种群作为所述初始种群进行迭代。
7.根据权利要求1所述的滤波器耦合矩阵的提取方法，其特征在于，所述根据所述切比雪夫多项式和所述零点，得到所述滤波器的耦合矩阵，包括：
根据所述滤波器的切比雪夫多项式，得到所述滤波器的初始矩阵；
对所述初始矩阵进行相似变换，得到轮型拓扑；
根据所述零点，对所述轮型拓扑进行相似变换，得到所述滤波器的耦合矩阵。
8.根据权利要求7所述的滤波器耦合矩阵的提取方法，其特征在于，所述根据所述滤波器的切比雪夫多项式，得到所述滤波器的初始矩阵，包括：
根据所述滤波器的切比雪夫多项式，确定所述滤波器的散射参数；
将所述滤波器的散射参数转化为导纳参数；
根据所述导纳参数计算矩阵参数；
根据所述矩阵参数，得到所述滤波器的初始矩阵。
9.一种滤波器耦合矩阵的提取装置，其特征在于，包括：
数据采集模块，所述数据采集模块用于获取滤波器的待处理参数；
数据处理模块，所述数据处理模块用于根据所述待处理参数，通过遗传算法确定所述滤波器的切比雪夫多项式和零点；
矩阵生成模块，所述矩阵生成模块用于根据所述切比雪夫多项式和所述零点，得到所述滤波器的耦合矩阵。
10.一种计算机可读存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的滤波器耦合矩阵的提取方法。
CN202211681027.2A 2022-12-27 2022-12-27 滤波器耦合矩阵的提取方法及相关装置 Pending CN116204759A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211681027.2A CN116204759A (zh) 2022-12-27 2022-12-27 滤波器耦合矩阵的提取方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211681027.2A CN116204759A (zh) 2022-12-27 2022-12-27 滤波器耦合矩阵的提取方法及相关装置

Publications (1)

Publication Number Publication Date
CN116204759A true CN116204759A (zh) 2023-06-02

Family

ID=86516381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211681027.2A Pending CN116204759A (zh) 2022-12-27 2022-12-27 滤波器耦合矩阵的提取方法及相关装置

Country Status (1)

Country Link
CN (1) CN116204759A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117556773A (zh) * 2024-01-11 2024-02-13 深圳十沣科技有限公司 一种滤波器的优化方法、装置、电子设备及存储介质
CN118052191A (zh) * 2024-04-16 2024-05-17 无锡频岢微电子有限公司 一种声学模型参数查找表构建方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117556773A (zh) * 2024-01-11 2024-02-13 深圳十沣科技有限公司 一种滤波器的优化方法、装置、电子设备及存储介质
CN117556773B (zh) * 2024-01-11 2024-04-30 深圳十沣科技有限公司 一种滤波器的优化方法、装置、电子设备及存储介质
CN118052191A (zh) * 2024-04-16 2024-05-17 无锡频岢微电子有限公司 一种声学模型参数查找表构建方法

Similar Documents

Publication Publication Date Title
CN116204759A (zh) 滤波器耦合矩阵的提取方法及相关装置
CN111177792B (zh) 基于隐私保护确定目标业务模型的方法及装置
CN112803404A (zh) 配电网自愈重构规划方法、装置及终端
CN114067157B (zh) 基于忆阻器的神经网络优化方法、装置及忆阻器阵列
CN110874626B (zh) 一种量化方法及装置
CN112488297B (zh) 一种神经网络剪枝方法、模型生成方法及装置
CN110796485A (zh) 一种提高预测模型的预测精度的方法及装置
CN112508299A (zh) 一种电力负荷预测方法、装置、终端设备及存储介质
CN112686384A (zh) 一种自适应比特位宽的神经网络量化方法及其装置
CN114492742A (zh) 神经网络结构搜索、模型发布方法、电子设备和存储介质
CN113902187A (zh) 分时电价预测方法、装置及终端设备
CN112561180A (zh) 短期风速预测方法、装置、计算机设备及存储介质
CN117273105A (zh) 一种针对神经网络模型的模块构建方法及装置
CN109697511B (zh) 数据推理方法、装置及计算机设备
CN112668797B (zh) 一种长短期交通预测方法
CN115100599A (zh) 基于掩码transformer的半监督人群场景异常检测方法
CN115545164A (zh) 光伏发电功率预测方法、系统、设备及介质
CN114580345A (zh) 电路仿真方法、装置、计算机设备及计算机可读存储介质
CN114461619A (zh) 能源互联网多源数据融合方法、装置、终端及存储介质
CN115205583A (zh) 图像分类模型训练方法、电子设备和计算机可读存储介质
CN113705589A (zh) 数据处理方法、装置及设备
CN114267422A (zh) 地表水质参数预测方法、系统、计算机设备及存储介质
CN114239826A (zh) 神经网络剪枝方法、介质及电子设备
CN115982634A (zh) 应用程序分类方法、装置、电子设备及计算机程序产品
CN110059880B (zh) 一种服务发现方法及装置

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