CN116579222A - 声表面波滤波器参数的优化方法、系统及相关设备 - Google Patents
声表面波滤波器参数的优化方法、系统及相关设备 Download PDFInfo
- Publication number
- CN116579222A CN116579222A CN202310847511.6A CN202310847511A CN116579222A CN 116579222 A CN116579222 A CN 116579222A CN 202310847511 A CN202310847511 A CN 202310847511A CN 116579222 A CN116579222 A CN 116579222A
- Authority
- CN
- China
- Prior art keywords
- parameters
- optimization
- optimal solution
- acoustic wave
- surface acoustic
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 129
- 238000010897 surface acoustic wave method Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000002245 particle Substances 0.000 claims abstract description 89
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 230000003044 adaptive effect Effects 0.000 claims abstract description 15
- 230000008878 coupling Effects 0.000 claims abstract description 9
- 238000010168 coupling process Methods 0.000 claims abstract description 9
- 238000005859 coupling reaction Methods 0.000 claims abstract description 9
- 238000003780 insertion Methods 0.000 claims description 13
- 230000037431 insertion Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000001465 metallisation Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 abstract description 9
- 238000013461 design Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000011148 porous material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 229910012463 LiTaO3 Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001629 suppression 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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Surface Acoustic Wave Elements And Circuit Networks Thereof (AREA)
Abstract
本发明适用于数值优化技术领域,尤其涉及一种声表面波滤波器参数的优化方法、系统及相关设备,所述方法包括:S1、根据需要优化的声表面波滤波器的参数构建优化模型,并基于所述优化模型对所述参数进行优化计算,得到优化参数;S2、构建能够并行计算粒子适应度的自适应粒子群优化算法,所述粒子适应度包括速度和位置;S3、以包含所述优化参数的粒子群作为所述自适应粒子群优化算法的输入进行迭代计算,得到所述参数对应的参数优化结果。本发明通过参数耦合和集群并行的方法解决了参数优化过程中寻优困难及优化效率低下的问题,提高了滤波器参数优化的计算效率,进一步优化了仿真流程。
Description
技术领域
本发明适用于数值优化技术领域,尤其涉及一种声表面波滤波器参数的优化方法、系统及相关设备。
背景技术
声表面波(SAW)滤波器凭借其小型化、低成本、高选择性等特点,成为了智能手机中不可或缺的元件。设计声表面波滤波器需要仿真工具,通常需要借助MBVD(modifiedButterworth-Van Dyke,改善型巴特沃斯-范戴克)等效电路模型,COM(Couple Of Model)模型及有限元方法进行仿真。在射频Rx频段(Receive)中需要低插损和高带外抑制滤波器,这种滤波器需要双模声表面波(Double Mode SAW,DMS)谐振器和梯形谐振器(Ladder)共同完成,而MBVD模型无法进行双模声表面波谐振器的仿真,需要使用有限元方法进行仿真,但基于有限元方法的仿真速度较慢,极大地限制了Rx滤波器的设计迭代速度。COM模型精度准仿真速度快,得到了广泛的应用,但是进行滤波器设计时,十分依赖设计人员的设计经验,这极大的限制了产品迭代速度。例如,对于一个典型的接受双工band34+39频段,变量个数大约有50至80个,由于变量个数过多,设计人员需要大量的时间去调整各个参数,以达到性能最佳。
因此,迫切需要一种数值优化方法来辅助进行声表面波滤波器的设计。对于典型的滤波器设计问题,可以分为优化和基础计算2个问题。对于优化需要面对10几个目标,50-80个设计变量,这对于优化来讲已经是个很棘手的问题;而对于基础计算,需要得到10几个谐振器的仿真参数,且其中双模声表面波谐振器仿真更慢。因此如何提高仿真速度,降低优化寻优难度为滤波器设计的关键问题。
发明内容
本发明提供一种声表面波滤波器参数的优化方法、系统及相关设备,旨在解决现有技术在对滤波器参数优化时因为数据量大导致的COM模型计算慢、仿真设计效率低的问题。
第一方面,本发明提供一种声表面波滤波器参数的优化方法,所述优化方法包括以下步骤:
S1、根据需要优化的声表面波滤波器的参数构建优化模型,并基于所述优化模型对所述参数进行优化计算,得到优化参数;
S2、构建能够并行计算粒子适应度的自适应粒子群优化算法,所述粒子适应度包括速度和位置;
S3、以包含所述优化参数的粒子群作为所述自适应粒子群优化算法的输入进行迭代计算,得到所述参数对应的参数优化结果。
更进一步地,所述优化模型满足以下关系式:
Min IL(x);
s.t. lb≤x≤ub;
G(x)≤0;
其中,IL表示所述声表面波滤波器的插损,x表示所述参数,lb和ub分别表示所述参数的上限和下限,G(x)表示所述声表面波滤波器的预设附加参数。
更进一步地,所述自适应粒子群优化算法包括以下子步骤:
S21、以多个数据作为粒子群的初值,并设置最优解的边界以初始化粒子的速度和位置;
S22、根据所述初值以并行的方式计算所述粒子群中粒子的适应度,得到局部最优解和全局最优解;
S23、根据所述局部最优解和所述全局最优解以并行的方式计算所述粒子群中粒子的适应度,得到当前局部最优解和当前全局最优解;
S24、判断所述当前局部最优解和/或所述当前全局最优解是否到达所述边界,若是,扩大所述边界的值,并返回步骤S23;若否,执行步骤S25;
S25、判断所述当前局部最优解和所述当前全局最优解是否满足预设收敛条件,若是,执行步骤S26;若否,将所述当前局部最优解和所述当前全局最优解分别更新为所述局部最优解和所述全局最优解,并返回步骤S23;
S26、输出所述当前局部最优解和所述当前全局最优解。
更进一步地,步骤S24中,定义所述边界的值为L,扩大后的所述边界的值。
更进一步地,所述参数包括周期长度、金属化率、孔径、间距、根数的其中至少一种。
更进一步地,步骤S1中,基于所述优化模型对所述参数进行优化计算的步骤,对每一所述参数分别进行优化计算,并将分别计算的结果进行转化和级联。
第二方面,本发明还提供一种声表面波滤波器参数的优化系统,包括:
参数耦合模块,用于根据需要优化的声表面波滤波器的参数构建优化模型,并基于所述优化模型对所述参数进行优化计算,得到优化参数;
粒子群优化模块,用于构建能够并行计算粒子适应度的自适应粒子群优化算法,所述粒子适应度包括速度和位置;
联合优化模块,用于以包含所述优化参数的粒子群作为所述自适应粒子群优化算法的输入进行迭代计算,得到所述参数对应的参数优化结果。
更进一步地,所述优化模型满足以下关系式:
Min IL(x);
s.t. lb≤x≤ub;
G(x)≤0;
其中,IL表示所述声表面波滤波器的插损,x表示所述参数,lb和ub分别表示所述参数的上限和下限,G(x)表示所述声表面波滤波器的预设附加参数。
第三方面,本发明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声表面波滤波器参数的优化方法中的步骤。
第四方面,本发明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声表面波滤波器参数的优化方法中的步骤。
本发明所达到的有益效果,在于提出了一种针对不同结构的滤波器模型变量的耦合问题的参数优化方法,并结合集群并行的粒子群优化算法,利用多个初值驱动及动态调整优化变量上下限范围,解决了参数优化过程中寻优困难及优化效率低下的问题,提高了滤波器参数优化的计算效率,进一步优化了仿真流程。
附图说明
图1是本发明实施例提供的声表面波滤波器参数的优化方法;
图2是本发明实施例提供的参数优化结果示意图;
图3是本发明实施例提供的声表面波滤波器参数的优化系统的结构示意图;
图4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声表面波滤波器参数的优化方法,所述优化方法包括以下步骤:
S1、根据需要优化的声表面波滤波器的参数构建优化模型,并基于所述优化模型对所述参数进行优化计算,得到优化参数。
具体的,本发明实施例基于COM(Couple Of Model)理论来设计和构建所述优化模型,用于对包含Ladder型滤波器和DMS型滤波器在内的声表面波器件进行导纳计算。更进一步地,所述优化模型满足以下关系式:
Min IL(x);
s.t. lb≤x≤ub;
G(x)≤0;
其中,IL表示所述声表面波滤波器的插损,x表示所述参数,lb和ub分别表示所述参数的上限和下限,G(x)表示所述声表面波滤波器的预设附加参数。
更进一步地,所述参数包括周期长度、金属化率、孔径、间距、根数的其中至少一种。示例性的,对于Ladder型滤波器,具体的参数包括 (周期长度) 、Duty(金属化率)、W(孔径)、Gap(间距)、N_IDT(根数);而对于DMS型滤波器,具体的参数包括每个IDT(插指换能器)的 Pitch(周期长度)、Duty(金属化率),以及IDT之间的反射栅的gap(间距),对于一些特殊结构的器件,例如渐变的DMS型滤波器,还会涉及到渐变根数,渐变部分的pitch(间距)等几何信息。
在本发明实施例中,所述预设附加参数是针对具体的所述声表面波滤波器的结构进行设置的,可以根据实际的需求,对所述声表面波滤波器的目标性能进行要求,例如,所述预设附加参数G(x)包括纹波(ripple)、驻波比(vswr)、指定通带的带外抑制(out-rejection)等参数。
更进一步地,步骤S1中,基于所述优化模型对所述参数进行优化计算的步骤,对每一所述参数分别进行优化计算,并将分别计算的结果进行转化和级联。在实际计算时,插损IL(x) 和预设附加参数G(x) 通过单次的COM计算得到,其中,所述声表面波滤波器中每个器件的导纳参数会分配到不同的CPU核心进行并行计算,根据所述优化模型中的上下限条件,将导纳参数转化为散射参数,最后将对所有器件的散射参数进行级联,得到完整的所述声表面波滤波器的所述优化参数。通过这样的设计,能够使该优化方法同时耦合不同类型的滤波器的器件参数,提高计算效率。
S2、构建能够并行计算粒子适应度的自适应粒子群优化算法,所述粒子适应度包括速度和位置。
粒子群优化算法(Particle Swarm Optimization, PSO)是一种仿生的最优解求解算法,主要通过粒子群中的粒子不断迭代来不断地靠近、并找到全局的最优解,其中,粒子群优化算法中粒子的速度表示粒子下一步迭代时移动的方向和距离,位置是所求解问题的一个解。在本发明实施例中,与现有技术不同之处在于,本发明实施例构建了能够进行并行计算的自适应粒子群优化算法,用于解决传统算法寻优困难、容易陷入局部最优解及优化效率低下的问题。更进一步地,所述自适应粒子群优化算法包括以下子步骤:
S21、以多个数据作为粒子群的初值,并设置最优解的边界以初始化粒子的速度和位置;
S22、根据所述初值以并行的方式计算所述粒子群中粒子的适应度,得到局部最优解和全局最优解;
S23、根据所述局部最优解和所述全局最优解以并行的方式计算所述粒子群中粒子的适应度,得到当前局部最优解和当前全局最优解;
S24、判断所述当前局部最优解和/或所述当前全局最优解是否到达所述边界,若是,扩大所述边界的值,并返回步骤S23;若否,执行步骤S25;
S25、判断所述当前局部最优解和所述当前全局最优解是否满足预设收敛条件,若是,执行步骤S26;若否,将所述当前局部最优解和所述当前全局最优解分别更新为所述局部最优解和所述全局最优解,并返回步骤S23;
S26、输出所述当前局部最优解和所述当前全局最优解。
更进一步地,步骤S24中,定义所述边界的值为L,扩大后的所述边界的值。10%的边界扩大有利于缓解顶边时导致的粒子群无法进化的问题。
S3、以包含所述优化参数的粒子群作为所述自适应粒子群优化算法的输入进行迭代计算,得到所述参数对应的参数优化结果。
本发明实施例中的用于所述粒子群的参数是包含所述优化参数,实施过程中,需要将不同的参数共同加入所述粒子群以丰富种群的多样性。例如,在初始的所述粒子群中加入上述步骤S1输出得到的所述优化参数中的插损数据IL(x)作为一部分粒子,另一部分为通过带外抑制的方式进行处理后得到的插损数据,而对于计算时所述自适应粒子群优化算法的速度和位置的更新可以根据实际需要进行设置,并且如步骤S22、S23所提出的,在计算不同粒子的适应度时,也是采用并行计算的设计,用以提高计算效率。
示例性的,本发明实施例根据上述方法,以normal-saw工艺,42°Y-X LiTaO3衬底设计band40的声表面波滤波器,该滤波器采用4个Ladder谐振器和1个DMS型谐振器,最终得到的参数优化结果如图2所示,图2通过S参数(Scatter 参数,散射参数)来体现了优化结果,其中,S21表示正向传输系数,S11、S22分别表示滤波器中不同端口匹配时的反射系数,通过不断的迭代计算,根据图2曲线得到的最优的参数值为插损IL = 1.4db,驻波比vswr =1.5,带外抑制2.43Ghz处的噪声为-30db。也就是说本发明实施例提出的声表面波滤波器参数的优化方法能够很好地得到需要的优化参数。
本发明所达到的有益效果,在于提出了一种针对不同结构的滤波器模型变量的耦合问题的参数优化方法,并结合集群并行的粒子群优化算法,利用多个初值驱动及动态调整优化变量上下限范围,解决了参数优化过程中寻优困难及优化效率低下的问题,提高了滤波器参数优化的计算效率,进一步优化了仿真流程。
本发明实施例还提供一种声表面波滤波器参数的优化系统200,请参照图3,图3是本发明实施例提供的声表面波滤波器参数的优化系统的结构示意图,其包括:
参数耦合模块201,用于根据需要优化的声表面波滤波器的参数构建优化模型,并基于所述优化模型对所述参数进行优化计算,得到优化参数;
粒子群优化模块202,用于构建能够并行计算粒子适应度的自适应粒子群优化算法,所述粒子适应度包括速度和位置;
联合优化模块203,用于以包含所述优化参数的粒子群作为所述自适应粒子群优化算法的输入进行迭代计算,得到所述参数对应的参数优化结果。
更进一步地,所述优化模型满足以下关系式:
Min IL(x);
s.t. lb≤x≤ub;
G(x)≤0;
其中,IL表示所述声表面波滤波器的插损,x表示所述参数,lb和ub分别表示所述参数的上限和下限,G(x)表示所述声表面波滤波器的预设附加参数。
更进一步地,所述参数耦合模块201基于所述优化模型对所述参数进行优化计算时,对每一所述参数分别进行优化计算,并将分别计算的结果进行转化和级联。在实际计算时,插损IL(x) 和预设附加参数G(x) 通过单次的COM计算得到,其中,所述声表面波滤波器中每个器件的导纳参数会分配到不同的CPU核心进行并行计算,根据所述优化模型中的上下限条件,将导纳参数转化为散射参数,最后将对所有器件的散射参数进行级联,得到完整的所述声表面波滤波器的所述优化参数。通过这样的设计,能够使该优化方法同时耦合不同类型的滤波器的器件参数,提高计算效率。
所述声表面波滤波器参数的优化系统200能够实现如上述实施例中的声表面波滤波器参数的优化方法中的步骤,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4,图4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声表面波滤波器参数的优化方法中的步骤,请结合图1,具体包括以下步骤:
S1、根据需要优化的声表面波滤波器的参数构建优化模型,并基于所述优化模型对所述参数进行优化计算,得到优化参数。
更进一步地,所述优化模型满足以下关系式:
Min IL(x);
s.t. lb≤x≤ub;
G(x)≤0;
其中,IL表示所述声表面波滤波器的插损,x表示所述参数,lb和ub分别表示所述参数的上限和下限,G(x)表示所述声表面波滤波器的预设附加参数。
更进一步地,所述参数包括周期长度、金属化率、孔径、间距、根数的其中至少一种。
更进一步地,步骤S1中,基于所述优化模型对所述参数进行优化计算的步骤,对每一所述参数分别进行优化计算,并将分别计算的结果进行转化和级联。
S2、构建能够并行计算粒子适应度的自适应粒子群优化算法,所述粒子适应度包括速度和位置。
更进一步地,所述自适应粒子群优化算法包括以下子步骤:
S21、以多个数据作为粒子群的初值,并设置最优解的边界以初始化粒子的速度和位置;
S22、根据所述初值以并行的方式计算所述粒子群中粒子的适应度,得到局部最优解和全局最优解;
S23、根据所述局部最优解和所述全局最优解以并行的方式计算所述粒子群中粒子的适应度,得到当前局部最优解和当前全局最优解;
S24、判断所述当前局部最优解和/或所述当前全局最优解是否到达所述边界,若是,扩大所述边界的值,并返回步骤S23;若否,执行步骤S25;
S25、判断所述当前局部最优解和所述当前全局最优解是否满足预设收敛条件,若是,执行步骤S26;若否,将所述当前局部最优解和所述当前全局最优解分别更新为所述局部最优解和所述全局最优解,并返回步骤S23;
S26、输出所述当前局部最优解和所述当前全局最优解。
更进一步地,步骤S24中,定义所述边界的值为L,扩大后的所述边界的值。10%的边界扩大有利于缓解顶边时导致的粒子群无法进化的问题。
S3、以包含所述优化参数的粒子群作为所述自适应粒子群优化算法的输入进行迭代计算,得到所述参数对应的参数优化结果。
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声表面波滤波器参数的优化方法中的步骤,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声表面波滤波器参数的优化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 (10)
1.一种声表面波滤波器参数的优化方法,其特征在于,所述优化方法包括以下步骤:
S1、根据需要优化的声表面波滤波器的参数构建优化模型,并基于所述优化模型对所述参数进行优化计算,得到优化参数;
S2、构建能够并行计算粒子适应度的自适应粒子群优化算法,所述粒子适应度包括速度和位置;
S3、以包含所述优化参数的粒子群作为所述自适应粒子群优化算法的输入进行迭代计算,得到所述参数对应的参数优化结果。
2.如权利要求1所述的声表面波滤波器参数的优化方法,其特征在于,所述优化模型满足以下关系式:
Min IL(x);
s.t. lb≤x≤ub;
G(x)≤0;
其中,IL表示所述声表面波滤波器的插损,x表示所述参数,lb和ub分别表示所述参数的上限和下限,G(x)表示所述声表面波滤波器的预设附加参数。
3.如权利要求1所述的声表面波滤波器参数的优化方法,其特征在于,所述自适应粒子群优化算法包括以下子步骤:
S21、以多个数据作为粒子群的初值,并设置最优解的边界以初始化粒子的速度和位置;
S22、根据所述初值以并行的方式计算所述粒子群中粒子的适应度,得到局部最优解和全局最优解;
S23、根据所述局部最优解和所述全局最优解以并行的方式计算所述粒子群中粒子的适应度,得到当前局部最优解和当前全局最优解;
S24、判断所述当前局部最优解和/或所述当前全局最优解是否到达所述边界,若是,扩大所述边界的值,并返回步骤S23;若否,执行步骤S25;
S25、判断所述当前局部最优解和所述当前全局最优解是否满足预设收敛条件,若是,执行步骤S26;若否,将所述当前局部最优解和所述当前全局最优解分别更新为所述局部最优解和所述全局最优解,并返回步骤S23;
S26、输出所述当前局部最优解和所述当前全局最优解。
4.如权利要求3所述的声表面波滤波器参数的优化方法,其特征在于,步骤S24中,定义所述边界的值为L,扩大后的所述边界的值。
5.如权利要求1所述的声表面波滤波器参数的优化方法,其特征在于,所述参数包括周期长度、金属化率、孔径、间距、根数的其中至少一种。
6.如权利要求1所述的声表面波滤波器参数的优化方法,其特征在于,步骤S1中,基于所述优化模型对所述参数进行优化计算的步骤,对每一所述参数分别进行优化计算,并将分别计算的结果进行转化和级联。
7.一种声表面波滤波器参数的优化系统,其特征在于,包括:
参数耦合模块,用于根据需要优化的声表面波滤波器的参数构建优化模型,并基于所述优化模型对所述参数进行优化计算,得到优化参数;
粒子群优化模块,用于构建能够并行计算粒子适应度的自适应粒子群优化算法,所述粒子适应度包括速度和位置;
联合优化模块,用于以包含所述优化参数的粒子群作为所述自适应粒子群优化算法的输入进行迭代计算,得到所述参数对应的参数优化结果。
8.如权利要求7所述的声表面波滤波器参数的优化系统,其特征在于,所述优化模型满足以下关系式:
Min IL(x);
s.t. lb≤x≤ub;
G(x)≤0;
其中,IL表示所述声表面波滤波器的插损,x表示所述参数,lb和ub分别表示所述参数的上限和下限,G(x)表示所述声表面波滤波器的预设附加参数。
9.一种计算机设备,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1-6中任意一项所述的声表面波滤波器参数的优化方法中的步骤。
10.一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1-6中任意一项所述的声表面波滤波器参数的优化方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310847511.6A CN116579222B (zh) | 2023-07-12 | 2023-07-12 | 声表面波滤波器参数的优化方法、系统及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310847511.6A CN116579222B (zh) | 2023-07-12 | 2023-07-12 | 声表面波滤波器参数的优化方法、系统及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116579222A true CN116579222A (zh) | 2023-08-11 |
CN116579222B CN116579222B (zh) | 2024-02-06 |
Family
ID=87536277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310847511.6A Active CN116579222B (zh) | 2023-07-12 | 2023-07-12 | 声表面波滤波器参数的优化方法、系统及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116579222B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236276A (zh) * | 2023-11-13 | 2023-12-15 | 深圳飞骧科技股份有限公司 | 基于贝叶斯优化设计滤波器参数的方法、系统及相关设备 |
CN117240249A (zh) * | 2023-09-19 | 2023-12-15 | 华南理工大学 | 一种混合声波滤波器的优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112448697A (zh) * | 2020-10-30 | 2021-03-05 | 合肥工业大学 | 一种基于量子粒子群算法的有源滤波器优化方法及系统 |
CN113806993A (zh) * | 2021-09-03 | 2021-12-17 | 广州杰赛科技股份有限公司 | 一种无线传感器结构设计优化方法、装置、设备及介质 |
CN114818509A (zh) * | 2022-05-17 | 2022-07-29 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 滤波器参数设计方法、装置、计算机设备和存储介质 |
CN116187080A (zh) * | 2023-02-27 | 2023-05-30 | 深圳飞骧科技股份有限公司 | 声表面滤波器优化设计方法、相关设备和存储介质 |
-
2023
- 2023-07-12 CN CN202310847511.6A patent/CN116579222B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112448697A (zh) * | 2020-10-30 | 2021-03-05 | 合肥工业大学 | 一种基于量子粒子群算法的有源滤波器优化方法及系统 |
CN113806993A (zh) * | 2021-09-03 | 2021-12-17 | 广州杰赛科技股份有限公司 | 一种无线传感器结构设计优化方法、装置、设备及介质 |
CN114818509A (zh) * | 2022-05-17 | 2022-07-29 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 滤波器参数设计方法、装置、计算机设备和存储介质 |
CN116187080A (zh) * | 2023-02-27 | 2023-05-30 | 深圳飞骧科技股份有限公司 | 声表面滤波器优化设计方法、相关设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
邹益民等: "基于粒子群优化算法的滤波器优化", 自动化仪表, no. 11, pages 8 - 11 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117240249A (zh) * | 2023-09-19 | 2023-12-15 | 华南理工大学 | 一种混合声波滤波器的优化方法 |
CN117240249B (zh) * | 2023-09-19 | 2024-05-17 | 华南理工大学 | 一种混合声波滤波器的优化方法 |
CN117236276A (zh) * | 2023-11-13 | 2023-12-15 | 深圳飞骧科技股份有限公司 | 基于贝叶斯优化设计滤波器参数的方法、系统及相关设备 |
CN117236276B (zh) * | 2023-11-13 | 2024-02-20 | 深圳飞骧科技股份有限公司 | 基于贝叶斯优化设计滤波器参数的方法、系统及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116579222B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116579222B (zh) | 声表面波滤波器参数的优化方法、系统及相关设备 | |
KR101987761B1 (ko) | 마이크로웨이브 필터들에서의 소자 제거 설계 | |
JP5299540B2 (ja) | 弾性表面波共振子及びこれを用いた弾性表面波フィルタ | |
US10437952B2 (en) | Technique for designing acoustic microwave filters using LCR-based resonator models | |
WO2024051379A1 (zh) | Saw物理仿真的方法、系统和相关设备 | |
CN104412268A (zh) | 微波声波滤波器的改进设计 | |
CN116070585A (zh) | 滤波器模组的热仿真方法、系统及相关设备 | |
CN116187080A (zh) | 声表面滤波器优化设计方法、相关设备和存储介质 | |
Batista et al. | A fully LMS/NLMS adaptive scheme applied to sparse-interpolated Volterra filters with removed boundary effect | |
CN117236276B (zh) | 基于贝叶斯优化设计滤波器参数的方法、系统及相关设备 | |
CN116579284B (zh) | 声表面波滤波器频段的设计方法、系统及相关设备 | |
CN116362093B (zh) | 基于多物理场分离自由度的仿真方法、系统及相关设备 | |
CN116388717B (zh) | 声表面波滤波器版图的自动组装方法、系统及相关设备 | |
Rakovich et al. | Monotonic passband low-pass filters with Chebyshev stopband attenuation | |
CN114519215B (zh) | 适用于压电谐振器的数据处理方法及装置 | |
CN116405003B (zh) | 镜像换能器电极宽度确定方法、装置、设备及滤波器 | |
CN111010142B (zh) | 一种环形无反射栅低插损声表滤波器 | |
Lu et al. | Design of composite filters with equiripple passbands and least-squares stopbands | |
Shaji et al. | FPGA implementation of an efficient cascaded integrator comb filter for narrow and wideband designs | |
Tagawa et al. | Multi-stage design of DMS filters with free & freeze method | |
Orlov | Wideband Two-Mode Leaky Surface Acoustic Wave Filter with Non-Equdistant Elecrodes of Transducers and Reflecting Gratings | |
CN116384204A (zh) | 混合单元阶数的有限元仿真方法、系统及相关设备 | |
CN118070730A (zh) | 一种微带滤波电路自动建模仿真优化方法 | |
Evdokimova et al. | Lossy acoustic filter synthesis by gradient-based optimization technique | |
Liu et al. | Minimum-order stable recursive filter design via the genetic algorithm approach |
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 |