CN116401964B - 弹性波器件的仿真参数获取方法、系统及相关设备 - Google Patents
弹性波器件的仿真参数获取方法、系统及相关设备 Download PDFInfo
- Publication number
- CN116401964B CN116401964B CN202310676820.1A CN202310676820A CN116401964B CN 116401964 B CN116401964 B CN 116401964B CN 202310676820 A CN202310676820 A CN 202310676820A CN 116401964 B CN116401964 B CN 116401964B
- Authority
- CN
- China
- Prior art keywords
- model
- preset
- elastic wave
- resonator
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000008878 coupling Effects 0.000 claims abstract description 81
- 238000010168 coupling process Methods 0.000 claims abstract description 81
- 238000005859 coupling reaction Methods 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims description 62
- 238000005259 measurement Methods 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 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
- 239000002245 particle Substances 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 238000010998 test method Methods 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于无线通信技术领域，尤其涉及一种弹性波器件的仿真参数获取方法、系统及相关设备。本发明提出了一种能够在充分利用大量滤波器的流片数据的弹性波器件仿真参数获取方法，并且根据本发明的方法，在获取弹性波器件仿真参数时不会以实际参数为基准作为仿真目标，而是以降低导纳、散射曲线误差为仿真目标，这不仅能够提高仿真数据的利用率，也能够使得到的仿真参数构建的弹性波器件更接近实际性能，同时也提高了利用耦合模型的仿真方法在获取弹性波器件仿真参数时的仿真精度与模型质量，使模型具备较强的可迁移性。
Description
技术领域
本发明适用于无线通信技术领域，尤其涉及一种弹性波器件的仿真参数获取方法、系统及相关设备。
背景技术
弹性波器件，尤其是声表面波滤波器（SAW filter）的设计是否可靠，很大程度上依赖于其物理仿真模型的准确性。从类型上讲，对弹性波器件的物理仿真大体上分为等效电路模型（MBVD）、耦合模型（COM）、有限元方法（FEM）等几大类，其中，耦合模型凭借其对计算精度与速度的兼顾，更为广泛地应用在仿真于设计中。
耦合模型是一种唯象模型，具体通过在线性模型加上一些调整参数得到，而调整参数是决定计算结果与实测结果之间是否近似的关键。因此，在利用耦合模型进行弹性波器件仿真的时候，需要拥有一套准确的、能反应不同代工厂工艺的调整参数。
相关技术中通过使用以谐振器为实测数据的耦合模型参数拟合方法对弹性波器件进行仿真，这种方法有以下缺陷：
一、拟合方法以谐振器的实测参数为基准，因此用于仿真的耦合模型中的参数完全是从谐振器的实测导纳曲线（Admittance）中获得，而在流片数据中，有大量的Ladder（梯级）型滤波器及DMS（双模耦合）型滤波器的实测数据，这些数据无法用于耦合模型参数的拟合；
二、耦合模型参数评价标准以谐振器拟合得到的耦合模参数为基准，使得耦合模型的准确性完全由谐振器的误差来评价，而当Ladder型滤波器或DMS型滤波器表现不好时，耦合模型没有修正的途径。
发明内容
本发明提供一种弹性波器件的仿真参数获取方法、系统及相关设备，旨在解决在获取弹性波器件仿真参数时以实际参数为基准导致的数据不充分、没有修正途径的问题。
第一方面，本发明实施例提供一种弹性波器件的仿真参数获取方法，所述仿真参数获取方法包括以下步骤：
S1、获取弹性波器件的原始数据，所述弹性波器件包括谐振器和滤波器；
S2、从所述原始数据中提取所述弹性波器件的几何参数，并通过实际测试获取所述几何参数对应的实测数据；
S3、将所述原始数据按照预设拟合方法进行拟合，得到耦合模参数；
S4、以所述原始数据中的所述谐振器的所述几何参数为预设第一模型的输入，所述谐振器的所述耦合模参数为所述预设第一模型的目标输出，对所述预设第一模型进行训练，直到所述预设第一模型能够根据所述几何参数按照所述预设拟合方法拟合计算得到对应的所述耦合模参数，将完成训练的所述预设第一模型输出为拟合参数模型；
S5、将步骤S4训练得到的所述拟合参数模型嵌入预设第二模型，并以所述原始数据中的所述谐振器和所述滤波器的所述几何参数为所述预设第二模型的输入，所述谐振器和所述滤波器的所述实测数据为所述预设第二模型的目标输出，对所述预设第二模型进行迭代训练，直到所述预设第二模型能够根据所述几何参数耦合计算得到对应的所述实测数据，将完成训练的所述预设第二模型输出为耦合模型；
S6、利用步骤S5训练得到的所述耦合模型获取所述弹性波器件的仿真参数。
更进一步地，步骤S2还包括：对所述原始数据根据所述几何参数进行筛除。
更进一步地，步骤S3中，所述预设拟合方法基于集群分布的启发式算法。
更进一步地，所述预设第一模型和所述预设第二模型为离散机器学习模型或连续机器学习模型。
更进一步地，步骤S5中，以所述谐振器和所述滤波器的所述几何参数为所述预设第二模型的输入，所述谐振器和所述滤波器的所述实测数据为所述预设第二模型的目标输出，对所述预设第二模型进行迭代训练的步骤，具体为：
以所述谐振器和所述滤波器的所述几何参数为所述预设第二模型的输入、所述谐振器和所述滤波器的所述实测数据为所述预设第二模型的目标输出，使所述预设第二模型根据所述几何参数计算出所述谐振器和所述滤波器的导纳曲线和散射曲线，作为每一次训练的输出结果，将所述输出结果与所述实测数据进行比较，直到所述导纳曲线和所述散射曲线与所述实测数据之间的误差小于所述预设第二模型的预设训练误差。
第二方面，本发明实施例还提供一种弹性波器件的仿真参数获取系统，所述仿真参数获取系统包括：
数据获取模块，用于获取弹性波器件的原始数据，所述弹性波器件包括谐振器和滤波器；
数据提取模块，用于从所述原始数据中提取所述弹性波器件的几何参数，并通过实际测试获取所述几何参数对应的实测数据；
数据拟合模块，用于将所述原始数据按照预设拟合方法进行拟合，得到耦合模参数；
拟合模型训练模块，用于以所述原始数据中的所述谐振器的所述几何参数为预设第一模型的输入，所述谐振器的所述耦合模参数为所述预设第一模型的目标输出，对所述预设第一模型进行训练，直到所述预设第一模型能够根据所述几何参数按照所述预设拟合方法拟合计算得到对应的所述耦合模参数，将完成训练的所述预设第一模型输出为拟合参数模型；
耦合模型训练模块，用于将所述拟合模型训练模块训练得到的所述拟合参数模型嵌入预设第二模型，并以所述原始数据中的所述谐振器和所述滤波器的所述几何参数为所述预设第二模型的输入，所述谐振器和所述滤波器的所述实测数据为所述预设第二模型的目标输出，对所述预设第二模型进行迭代训练，直到所述预设第二模型能够根据所述几何参数耦合计算得到对应的所述实测数据，将完成训练的所述预设第二模型输出为耦合模型；
参数获取模块，用于利用所述耦合模型训练模块训练得到的所述耦合模型获取所述弹性波器件的仿真参数。
第三方面，本发明实施例还提供一种计算机设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例中任意一项所述的弹性波器件的仿真参数获取方法中的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中任意一项所述的弹性波器件的仿真参数获取方法中的步骤。
本发明所达到的有益效果，在于提出了一种能够在充分利用大量滤波器的流片数据的弹性波器件仿真参数获取方法，并且根据本发明的方法，在获取弹性波器件仿真参数时不会以实际参数为基准作为仿真目标，而是以降低导纳、散射曲线误差为仿真目标，这不仅能够提高仿真数据的利用率，也能够使得到的仿真参数构建的弹性波器件更接近实际性能，同时也提高了利用耦合模型的仿真方法在获取弹性波器件仿真参数时的仿真精度与模型质量，使模型具备较强的可迁移性。
附图说明
图1是本发明实施例提供的弹性波器件的仿真参数获取方法的步骤流程示意图；
图2是本发明实施例提供的弹性波器件的仿真参数获取系统200的结构示意图；
图3是本发明实施例提供的计算机设备的结构示意图。
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仅用以解释本发明，并不用于限定本发明。
请参照图1，图1是本发明实施例提供的弹性波器件的仿真参数获取方法的步骤流程示意图，所述仿真参数获取方法包括以下步骤：
S1、获取弹性波器件的原始数据，所述弹性波器件包括谐振器和滤波器。
本发明实施例中的所述原始数据，包括所述弹性波器件中的谐振器、滤波器各自的参数。
S2、从所述原始数据中提取所述弹性波器件的几何参数和与所述几何参数对应的实测数据。
步骤S2在步骤S1的基础上，从所述原始数据中提取出作为机器学习模型训练的样本的所述几何参数和所述实测数据，所述几何参数是所述弹性波器件的基本参数，所述实测数据可以通过工业上的测试方法对已有的弹性波器件进行测试得到。对于一些包含不同类型谐振器、滤波器的所述原始数据，步骤S2也可以实现针对不同类型及特点的数据进行提取，从而在后续步骤中选择不同类型的机器学习模型进行处理。
更进一步地，步骤S2还包括：对所述原始数据根据所述几何参数进行筛除。根据具有相同所述几何参数的所述实测数据，去除不符合统计与物理规律的所述原始数据，以保留具有不同所述几何参数的数据。
需要说明的是，本发明实施例并不对所述弹性波器件的具体类型进行限定，在实际的使用过程中，本发明实施例的方法可以应用在Ladder型滤波器、DMS型滤波器或者IDT型滤波器等包含滤波器、谐振器电路元件的仿真中。
S3、将所述原始数据按照预设拟合方法进行拟合，得到耦合模参数。
更进一步地，步骤S3中，所述预设拟合方法基于集群分布的启发式算法，如粒子群优化算法、模拟退火算法等，应用基于集群分布的启发式算法可以在较短时间完成多个弹性波器件的耦合模参数的拟合计算，从而提高计算效率。
S4、以所述原始数据中所述谐振器的所述几何参数为预设第一模型的输入，所述谐振器的所述耦合模参数为所述预设第一模型的目标输出，对所述预设第一模型进行训练，直到所述预设第一模型能够根据所述几何参数按照所述预设拟合方法拟合计算得到对应的所述耦合模参数，将完成训练的所述预设第一模型输出为拟合参数模型。
具体的，步骤S4中，最终训练得到的所述预设拟合参数模型用于对弹性波器件的所述耦合模参数进行预测和计算，在实施过程中，可以根据弹性波器件的几何结构分布情况的不同，选择不同类型的预设第一模型的类型。例如，当几何结构的数据分布较离散时，可以采用基于XGBoost（eXtreme Gradient Boosting，极致梯度提升）的离散机器学习模型作为所述预设第一模型，而当几何结构的数据分布较密集时，可以采用基于MLP（Multilayer Perceptron，多层感知机）的连续机器学习模型作为所述预设第一模型。由于所述预设拟合参数模型是基于数据规律进行拟合计算的，因此本发明实施例构建和训练得到的所述预设拟合参数模型不仅可以计算普通的谐振器数据，还可以计算Ladder型滤波器与DMS型滤波器的数据，从而提高了流片数据的可用性。
S5、将步骤S4训练得到的所述拟合参数模型嵌入预设第二模型，并以所述原始数据中所述谐振器和所述滤波器的所述几何参数为所述预设第二模型的输入，所述谐振器和所述滤波器的所述实测数据为所述预设第二模型的目标输出，对所述预设第二模型进行迭代训练，直到所述预设第二模型能够根据所述几何参数耦合计算得到对应的所述实测数据，将完成训练的所述预设第二模型输出为耦合模型。
由于机器学习模型的本质是对数据规律的拟合，而拟合的流程则是通过迭代降低预测值与真实值的误差来实现的，因此在步骤S4中，实际上是以所述耦合模参数为目标进行所述预设第一模型的训练，并不断降低机器学习模型预测的所述耦合模参数与步骤S3得到的真实的所述耦合模参数的误差来产生一个低误差的所述预设拟合参数模型。然而，使用上述方法进行弹性波器件的仿真与设计仍然遵循了：实测数据、拟合的耦合模参数、预测的耦合模参数、预测的耦合模参数对应的仿真数据的流程，因此训练得到的所述预设拟合参数模型只能保证预测的耦合模参数与拟合的耦合模参数尽可能一致，并不能保证预测的耦合模参数对应的仿真数据与实数据一致。
步骤S5的目的是通过在迭代训练中对构建的所述预设第二模型的修正，降低仿真数据与实测数据之间的误差、而非降低预测的耦合模参数与拟合的耦合模参数的误差，使得最终模型输出的仿真数据与实测的弹性波器件数据尽可能的一致。
更进一步地，步骤S5中，以所述原始数据中的所述谐振器和所述滤波器的所述几何参数为所述预设第二模型的输入，所述谐振器和所述滤波器的所述实测数据为所述预设第二模型的目标输出，对所述预设第二模型进行迭代训练的步骤，具体为：
以所述谐振器和所述滤波器的所述几何参数为所述预设第二模型的输入、所述谐振器和所述滤波器的所述实测数据为所述预设第二模型的目标输出，使所述预设第二模型根据所述几何参数计算出所述谐振器和所述滤波器的导纳曲线和散射曲线，作为每一次训练的输出结果，将所述输出结果与所述实测数据进行比较，直到所述导纳曲线和所述散射曲线与所述实测数据之间的误差小于所述预设第二模型的预设训练误差。
步骤S5最终训练得到的所述耦合模型嵌入了步骤S4得到的所述预设拟合参数模型，能够使得所述耦合模型可以输入一组几何参数，从而计算出对应的导纳曲线与散射曲线，体现了参数拟合和预测计算的整合。所述预设训练误差可以根据实际的仿真需求进行设定。
S6、利用步骤S5训练后的所述耦合模型获取所述弹性波器件的仿真参数。
将步骤S5训练后的所述耦合模型输入实测数据，就可以得到所述弹性波器件的对应的所述仿真参数。
本发明所达到的有益效果，在于提出了一种能够在充分利用大量滤波器的流片数据的弹性波器件仿真参数获取方法，并且根据本发明的方法，在获取弹性波器件仿真参数时不会以实际参数为基准作为仿真目标，而是以降低导纳、散射曲线误差为仿真目标，这不仅能够提高仿真数据的利用率，也能够使得到的仿真参数构建的弹性波器件更接近实际性能，同时也提高了利用耦合模型的仿真方法在获取弹性波器件仿真参数时的仿真精度与模型质量，使模型具备较强的可迁移性。
本发明实施例还提供一种弹性波器件的仿真参数获取系统，请参照图2，图2是本发明实施例提供的弹性波器件的仿真参数获取系统200的结构示意图，其包括：
数据获取模块201，用于获取弹性波器件的原始数据，所述弹性波器件包括谐振器和滤波器；
数据提取模块202，用于从所述原始数据中提取所述弹性波器件的几何参数，并通过实际测试获取所述几何参数对应的实测数据；
数据拟合模块203，用于将所述原始数据按照预设拟合方法进行拟合，得到耦合模参数；
拟合模型训练模块204，用于以所述原始数据中的所述谐振器的所述几何参数为预设第一模型的输入，所述谐振器的所述耦合模参数为所述预设第一模型的目标输出，对所述预设第一模型进行训练，直到所述预设第一模型能够根据所述几何参数按照所述预设拟合方法拟合计算得到对应的所述耦合模参数，将完成训练的所述预设第一模型输出为拟合参数模型；
耦合模型训练模块205，用于将所述拟合模型训练模块204训练得到的所述拟合参数模型嵌入预设第二模型，并以所述原始数据中的所述谐振器和所述滤波器的所述几何参数为所述预设第二模型的输入，所述谐振器和所述滤波器的所述实测数据为所述预设第二模型的目标输出，对所述预设第二模型进行迭代训练，直到所述预设第二模型能够根据所述几何参数耦合计算得到对应的所述实测数据，将完成训练的所述预设第二模型输出为耦合模型；
参数获取模块206，用于利用所述耦合模型训练模块训练得到的所述耦合模型获取所述弹性波器件的仿真参数。
所述弹性波器件的仿真参数获取系统200能够实现如上述实施例中的弹性波器件的仿真参数获取方法中的步骤，且能实现同样的技术效果，参上述实施例中的描述，此处不再赘述。
本发明实施例还提供一种计算机设备，请参照图3，图3是本发明实施例提供的计算机设备的结构示意图，所述计算机设备300包括：存储器302、处理器301及存储在所述存储器302上并可在所述处理器301上运行的计算机程序。
所述处理器301调用所述存储器302存储的计算机程序，执行本发明实施例提供的弹性波器件的仿真参数获取方法中的步骤，请结合图1，具体包括以下步骤：
S1、获取弹性波器件的原始数据，所述弹性波器件包括谐振器和滤波器。
S2、从所述原始数据中提取所述弹性波器件的几何参数，并通过实际测试获取所述几何参数对应的实测数据。
更进一步地，步骤S2还包括：对所述原始数据根据所述几何参数进行筛除。
S3、将所述原始数据按照预设拟合方法进行拟合，得到耦合模参数。
更进一步地，步骤S3中，所述预设拟合方法基于集群分布的启发式算法。
S4、以所述原始数据中的所述谐振器的所述几何参数为预设第一模型的输入，所述谐振器的所述耦合模参数为所述预设第一模型的目标输出，对所述预设第一模型进行训练，直到所述预设第一模型能够根据所述几何参数按照所述预设拟合方法拟合计算得到对应的所述耦合模参数，将完成训练的所述预设第一模型输出为拟合参数模型。
S5、将步骤S4训练得到的所述拟合参数模型嵌入预设第二模型，并以所述原始数据中的所述谐振器和所述滤波器的所述几何参数为所述预设第二模型的输入，所述谐振器和所述滤波器的所述实测数据为所述预设第二模型的目标输出，对所述预设第二模型进行迭代训练，直到所述预设第二模型能够根据所述几何参数耦合计算得到对应的所述实测数据，将完成训练的所述预设第二模型输出为耦合模型。
更进一步地，所述预设第一模型和所述预设第二模型为离散机器学习模型或连续机器学习模型。
更进一步地，步骤S5中，以所述谐振器和所述滤波器的所述几何参数为所述预设第二模型的输入，所述谐振器和所述滤波器的所述实测数据为所述预设第二模型的目标输出，对所述预设第二模型进行迭代训练的步骤，具体为：
以所述谐振器和所述滤波器的所述几何参数为所述预设第二模型的输入、所述谐振器和所述滤波器的所述实测数据为所述预设第二模型的目标输出，使所述预设第二模型根据所述几何参数计算出所述谐振器和所述滤波器的导纳曲线和散射曲线，作为每一次训练的输出结果，将所述输出结果与所述实测数据进行比较，直到所述导纳曲线和所述散射曲线与所述实测数据之间的误差小于所述预设第二模型的预设训练误差。
S6、利用步骤S5训练得到的所述耦合模型获取所述弹性波器件的仿真参数。
本发明实施例提供的计算机设备300能够实现如上述实施例中的弹性波器件的仿真参数获取方法中的步骤，且能实现同样的技术效果，参上述实施例中的描述，此处不再赘述。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的弹性波器件的仿真参数获取方法中的各个过程及步骤，且能实现相同的技术效果，为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存取存储器（Random AccessMemory，简称RAM）等。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，所揭露的仅为本发明较佳实施例而已，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式用等同变化，均属于本发明的保护之内。
Claims (7)
1.一种弹性波器件的仿真参数获取方法，其特征在于，所述仿真参数获取方法包括以下步骤：
S1、获取弹性波器件的原始数据，所述弹性波器件包括谐振器和滤波器；
S2、从所述原始数据中提取所述弹性波器件的几何参数，并通过实际测试获取所述几何参数对应的实测数据；
S3、将所述原始数据按照预设拟合方法进行拟合，得到耦合模参数；
S4、以所述原始数据中的所述谐振器的所述几何参数为预设第一模型的输入，所述谐振器的所述耦合模参数为所述预设第一模型的目标输出，对所述预设第一模型进行训练，直到所述预设第一模型能够根据所述几何参数按照所述预设拟合方法拟合计算得到对应的所述耦合模参数，将完成训练的所述预设第一模型输出为拟合参数模型；
S5、将步骤S4训练得到的所述拟合参数模型嵌入预设第二模型，并以所述原始数据中的所述谐振器和所述滤波器的所述几何参数为所述预设第二模型的输入，所述谐振器和所述滤波器的所述实测数据为所述预设第二模型的目标输出，对所述预设第二模型进行迭代训练，直到所述预设第二模型能够根据所述几何参数耦合计算得到对应的所述实测数据，将完成训练的所述预设第二模型输出为耦合模型；
S6、利用步骤S5训练得到的所述耦合模型获取所述弹性波器件的仿真参数；
其中，步骤S5中，以所述原始数据中的所述谐振器和所述滤波器的所述几何参数为所述预设第二模型的输入，所述谐振器和所述滤波器的所述实测数据为所述预设第二模型的目标输出，对所述预设第二模型进行迭代训练的步骤，具体为：
以所述谐振器和所述滤波器的所述几何参数为所述预设第二模型的输入、所述谐振器和所述滤波器的所述实测数据为所述预设第二模型的目标输出，使所述预设第二模型根据所述几何参数计算出所述谐振器和所述滤波器的导纳曲线和散射曲线，作为每一次训练的输出结果，将所述输出结果与所述实测数据进行比较，直到所述导纳曲线和所述散射曲线与所述实测数据之间的误差小于所述预设第二模型的预设训练误差。
2.如权利要求1所述的弹性波器件的仿真参数获取方法，其特征在于，步骤S2还包括：对所述原始数据根据所述几何参数进行筛除。
3.如权利要求1所述的弹性波器件的仿真参数获取方法，其特征在于，步骤S3中，所述预设拟合方法基于集群分布的启发式算法。
4.如权利要求1所述的弹性波器件的仿真参数获取方法，其特征在于，所述预设第一模型和所述预设第二模型为离散机器学习模型或连续机器学习模型。
5.一种弹性波器件的仿真参数获取系统，其特征在于，所述仿真参数获取系统包括：
数据获取模块，用于获取弹性波器件的原始数据，所述弹性波器件包括谐振器和滤波器；
数据提取模块，用于从所述原始数据中提取所述弹性波器件的几何参数，并通过实际测试获取所述几何参数对应的实测数据；
数据拟合模块，用于将所述原始数据按照预设拟合方法进行拟合，得到耦合模参数；
拟合模型训练模块，用于以所述原始数据中所述谐振器的所述几何参数为预设第一模型的输入，所述谐振器的所述耦合模参数为所述预设第一模型的目标输出，对所述预设第一模型进行训练，直到所述预设第一模型能够根据所述几何参数按照所述预设拟合方法拟合计算得到对应的所述耦合模参数，将完成训练的所述预设第一模型输出为拟合参数模型；
耦合模型训练模块，用于将所述拟合模型训练模块训练得到的所述拟合参数模型嵌入预设第二模型，并以所述原始数据中所述谐振器和所述滤波器的所述几何参数为所述预设第二模型的输入，所述谐振器和所述滤波器的所述实测数据为所述预设第二模型的目标输出，对所述预设第二模型进行迭代训练，直到所述预设第二模型能够根据所述几何参数耦合计算得到对应的所述实测数据，将完成训练的所述预设第二模型输出为耦合模型；
参数获取模块，用于利用所述耦合模型训练模块训练得到的所述耦合模型获取所述弹性波器件的仿真参数；
其中，所述耦合模型训练模块在以所述原始数据中的所述谐振器和所述滤波器的所述几何参数为所述预设第二模型的输入，所述谐振器和所述滤波器的所述实测数据为所述预设第二模型的目标输出，对所述预设第二模型进行迭代训练时，具体为：
以所述谐振器和所述滤波器的所述几何参数为所述预设第二模型的输入、所述谐振器和所述滤波器的所述实测数据为所述预设第二模型的目标输出，使所述预设第二模型根据所述几何参数计算出所述谐振器和所述滤波器的导纳曲线和散射曲线，作为每一次训练的输出结果，将所述输出结果与所述实测数据进行比较，直到所述导纳曲线和所述散射曲线与所述实测数据之间的误差小于所述预设第二模型的预设训练误差。
6.一种计算机设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-4中任意一项所述的弹性波器件的仿真参数获取方法中的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-4中任意一项所述的弹性波器件的仿真参数获取方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310676820.1A CN116401964B (zh) | 2023-06-08 | 2023-06-08 | 弹性波器件的仿真参数获取方法、系统及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310676820.1A CN116401964B (zh) | 2023-06-08 | 2023-06-08 | 弹性波器件的仿真参数获取方法、系统及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116401964A CN116401964A (zh) | 2023-07-07 |
| CN116401964B true CN116401964B (zh) | 2023-09-29 |
Family
ID=87020263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310676820.1A Active CN116401964B (zh) | 2023-06-08 | 2023-06-08 | 弹性波器件的仿真参数获取方法、系统及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116401964B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109635420A (zh) * | 2018-12-10 | 2019-04-16 | 南开大学 | 一种微波微带发卡型滤波器的仿真方法及系统 |
| CN110765651A (zh) * | 2019-11-12 | 2020-02-07 | 中国电子科技集团公司第二十九研究所 | 一种微带直接耦合滤波器的建模与智能设计方法 |
| CN115470735A (zh) * | 2022-09-09 | 2022-12-13 | 深圳飞骧科技股份有限公司 | Saw物理仿真的方法、系统和相关设备 |
| CN115495995A (zh) * | 2022-10-25 | 2022-12-20 | 深圳飞骧科技股份有限公司 | 仿真测试拟合工艺参数方法、系统、设备和存储介质 |
| CN115906303A (zh) * | 2022-10-26 | 2023-04-04 | 南京晓庄学院 | 一种基于机器学习的平面微波滤波器设计方法及装置 |
-
2023
- 2023-06-08 CN CN202310676820.1A patent/CN116401964B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109635420A (zh) * | 2018-12-10 | 2019-04-16 | 南开大学 | 一种微波微带发卡型滤波器的仿真方法及系统 |
| CN110765651A (zh) * | 2019-11-12 | 2020-02-07 | 中国电子科技集团公司第二十九研究所 | 一种微带直接耦合滤波器的建模与智能设计方法 |
| CN115470735A (zh) * | 2022-09-09 | 2022-12-13 | 深圳飞骧科技股份有限公司 | Saw物理仿真的方法、系统和相关设备 |
| CN115495995A (zh) * | 2022-10-25 | 2022-12-20 | 深圳飞骧科技股份有限公司 | 仿真测试拟合工艺参数方法、系统、设备和存储介质 |
| CN115906303A (zh) * | 2022-10-26 | 2023-04-04 | 南京晓庄学院 | 一种基于机器学习的平面微波滤波器设计方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| "环形氮化铝压电MEMS谐振器的支撑结构设计研究";诸政 等;《传感器与微系统》;第41卷(第3期);第24-27、35页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116401964A (zh) | 2023-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110346720B (zh) | 一种马达非线性参数的测试方法及装置 | |
| CN109949290B (zh) | 路面裂缝检测方法、装置、设备及存储介质 | |
| CN111563893B (zh) | 基于航拍图像的均压环缺陷检测方法、装置、介质和设备 | |
| CN109933852B (zh) | 预测车辆尺寸偏差的方法、装置、存储介质及电子设备 | |
| US10936781B1 (en) | Method for setting parameters in design of printed circuit board, device employing method, and non-transitory storage medium | |
| CN114387207A (zh) | 基于自注意力机制与双重领域自适应的轮胎瑕疵检测方法及模型 | |
| CN115187569A (zh) | 一种图像质量评估模型训练方法、装置、设备及介质 | |
| CN113536081A (zh) | 基于人工智能的数据中心数据管理方法及系统 | |
| CN116401964B (zh) | 弹性波器件的仿真参数获取方法、系统及相关设备 | |
| CN109388861B (zh) | 一种指数型单元寿命分布参数估计方法 | |
| CN110648326A (zh) | 一种构建图像质量评估卷积神经网络的方法及装置 | |
| CN116091874A (zh) | 图像校验方法、训练方法、装置、介质、设备及程序产品 | |
| CN115048290A (zh) | 软件质量的评估方法、装置、存储介质及计算机设备 | |
| CN114972695A (zh) | 一种点云生成方法、装置、电子设备及存储介质 | |
| CN114692903A (zh) | 用于设备故障检测的方法及终端设备 | |
| CN110852451A (zh) | 基于核函数的递归核自适应滤波方法 | |
| CN114117658A (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
| CN114881864B (zh) | 印章修复网络模型的训练方法及装置 | |
| CN112131792B (zh) | 一种地表电位还原方法、装置、设备及存储介质 | |
| CN115660231B (zh) | 维修差错预测方法和装置、电子设备 | |
| CN113159773B (zh) | 一种量化交易回测数据生成方法及装置 | |
| CN117824922B (zh) | 一种超精密减速器的动平衡性能测试方法及系统 | |
| CN112700075A (zh) | 分值评估方法、系统、存储介质及服务端 | |
| Asgari et al. | Analytical integration-based causality checking of tabulated S-parameters | |
| CN116757293A (zh) | 模型修正方法、装置、设备和存储介质 |
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 |