微波滤波器形性耦合关系混合建模方法、设备及存储设备

1.本发明涉及微波滤波器领域，尤其涉及一种微波滤波器形性耦合关系混合建模方法、设备及存储设备。


背景技术：

2.随着国际上5g竞争愈演愈烈，5g基站建设加速。微波滤波器是5g基站中控制传输信号频率响应的核心无源零部件，传输有用信号频率分量、阻断无用信号频率分量，高性能微波滤波器对优化频谱资源分配、提高通信系统质量至关重要。但在微波滤波器的生产过程中，加工公差无法避免，生产线批量加工得到的微波滤波器无法满足出厂滤波性能指标要求，性能调试过程必不可少。
3.调试工人基于矢量网络分析仪实时测量得到散射参数(s参数)，计算滤波性能（性）。当滤波性能不满足出厂要求时，根据经验选择影响滤波性能的结构几何参数（形），并确定其调节量，改变技术指标，直到其满足要求。但人工调试效率低、成本高、废品率高，阻碍了5g基站的建设进程，智能调试已成为微波滤波器高质量、大规模生产亟待突破的瓶颈。
4.微波滤波器滤波性能的精准预测是智能调试的基础，可避免频繁盲目地调节实际微波滤波器的结构几何参数，大大降低调试时间成本和废品率。结构几何参数“形”与产品性能“性”之间呈强耦合、强非线性、强动态特性，构建形性耦合关系模型，精准预测产品性能，是智能调试的基础。
5.调试过程微波滤波器滤波性能变化频繁，基于谐振状态对其进行混合建模有助于建模精度的提高。然而，现有的建模方法多通过支持向量回归、神经网络等数据驱动建模方法，建立微波滤波器某一特征参数与结构几何参数之间的形性耦合关系模型，未考虑谐振状态的影响，难以全面反映微波滤波器整个调试过程的动态特性，建模精度低。


技术实现要素：

6.为了解决上述问题，本发明提供了一种微波滤波器形性耦合关系混合建模方法、设备及存储设备，根据滤波性能将调试过程分为严重失谐和良好调谐两种谐振状态；面向不同谐振状态，选取不同结构几何参数建立形性耦合关系模型，提高了各种状态下形性耦合关系模型的精度。
7.一种微波滤波器形性耦合关系混合建模方法，主要包括：s1：构建原始数据集d1和d2：微波滤波器的结构几何参数包括谐振螺杆长度x1和耦合螺杆长度x2；在微波滤波器上多次改变x1，采样测量s参数s1，构建包含x1、s1及采样频率f的原始数据集d1；在微波滤波器上多次改变x2，采样测量s参数s2，构建包含x2、s2及采样频率f的原始数据集d2；s2：通过矢量拟合法，提取d1中s1的y参数y1，构建包含谐振螺杆长度x1与y参数y1的数据集y1；通过矢量拟合法，提取d2中s2的y参数y2，构建包含耦合螺杆长度x2与y参数y2的数据集y2；
s3：根据微波滤波器的调试特点和y参数y1和y2的特点，设计微波滤波器形性耦合混合模型；s4：使用bp神经网络构建严重失谐状态下的形性耦合关系模型m1，实现从谐振螺杆长度x1到y参数y1的映射；s5：使用bp神经网络构建良好调谐状态下的形性耦合关系模型m2，实现从耦合螺杆长度x2到y参数y2的映射；s6：根据得到的y参数y1和y2，转换为s参数，以预测滤波性能指标。
8.进一步地，步骤s2中，由s参数转换得到y矩阵，s参数是一个复数矩阵，s
11
表示输入信号能量的反射率，s
21
表示输入信号能量的传输率，s
12
表示输出信号能量的传输率，s
21
表示输出信号能量的反射率，通过式(1)~式(4)，将s参数转换为y矩阵：(1)(2)(3)(4)其中，y0为单位矩阵，y
11
表示输入信号电压与输入信号电流的关系，y
12
表示输出信号电压与输入信号电流的关系、y
21
表示输入信号电压与输出信号电流的关系、y
22
表示输出信号电压与输入信号电流的关系。
9.进一步地，基于矢量拟合法，提取y矩阵中的y参数：(5)其中，s = jω，ω表示采样频率f对应的角频率，λk为y矩阵的第k个极点，r
ijk
为第k个极点对应的留数，i,j = 1,2，k= 1,2,
……
,n，n表示微波滤波器的阶数，y矩阵的极点记作l=[λ1,λ2,
ꢀ…
, λn,]，y矩阵的留数记作r
ij
=[r
ij1,
…
,rijn
]，y矩阵的极点和留数称为y参数。
[0010]
进一步地，步骤s2中，还需对y参数进行降维，降维后，选择y
11
极点虚部im(l)、y
11
留数实部re(r
11
)、y
21
留数实部re(r
21
)来反映y参数，即降维后y参数y=[im(l),re(r
11
), re(r
21
)]，r
11
表示y
11
留数、r
21
表示y
21
留数。
[0011]
进一步地，步骤s3中，建模过程主要分为两大步：基于bp神经网络，建立微波滤波器严重失谐状态下的形性耦合关系模型和微波滤波器良好调谐状态下的形性耦合关系模
型，将微波滤波器严重失谐状态下的形性耦合关系模型和微波滤波器良好调谐状态下的形性耦合关系模型进行组合，得到微波滤波器形性耦合混合模型。
[0012]
一种存储设备，所述存储设备存储指令及数据用于实现一种微波滤波器形性耦合关系混合建模方法。
[0013]
一种微波滤波器形性耦合关系混合建模设备，包括：处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现一种微波滤波器形性耦合关系混合建模方法。
[0014]
本发明提供的技术方案带来的有益效果是：将微波滤波器分为轻微失谐和严重失谐两种状态，针对性地选取不同的结构几何参数建立形性耦合关系模型，降低了构建形性耦合关系模型的复杂度，提高了各种状态下形性耦合关系模型的精度。
附图说明
[0015]
下面将结合附图及实施例对本发明作进一步说明，附图中：图1是本发明实施例中一种微波滤波器形性耦合关系混合建模方法的流程图。
[0016]
图2是本发明实施例中设计的微波滤波器形性耦合混合模型示意图。
[0017]
图3是本发明实施例中hfss中建立的六阶微波滤波器电磁模型的示意图。
[0018]
图4是本发明实施例中严重失谐微状态下的形性耦合关系模型对比结果图。
[0019]
图5是本发明实施例中良好调谐状态下的形性耦合关系模型对比结果图。
[0020]
图6是本发明实施例中硬件设备工作的示意图。
具体实施方式
[0021]
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
[0022]
本发明的实施例提供了一种微波滤波器形性耦合关系混合建模方法、设备及存储设备。
[0023]
请参考图1，图1是本发明实施例中一种微波滤波器形性耦合关系混合建模方法的流程图，具体包括：s1：在数据采集阶段，构建原始数据集d1和d2。微波滤波器的结构几何参数包括谐振螺杆长度x1和耦合螺杆长度x2。在微波滤波器上多次改变x1，采样测量s参数s1，构建包含x1、s1及采样频率f的原始数据集d1；在微波滤波器上多次改变x2，采样测量s参数s2，构建包含x2、s2及采样频率f的原始数据集d2。
[0024]
s2：通过矢量拟合法，提取d1中s1的y参数y1，构建包含谐振螺杆长度x1与y参数y1的数据集y1；通过矢量拟合法，提取d2中s2的y参数y2，构建包含耦合螺杆长度x2与y参数y2的数据集y2。
[0025]
首先，由s参数（包括s1和s2）转换得到y矩阵（y参数是y矩阵的极点和留数，y参数降维后为y
11
极点虚部im(λ)、y
11
留数实部re(r
11
)和y
21
留数实部re(r
21
)）。s参数是一个复数矩阵，s
11
表示输入信号能量的反射率，s
21
表示输入信号能量的传输率，s
12
表示输出信号能量的传输率，s
22
表示输出信号能量的反射率，i是虚数单
位。通过式(1)~式(4)，将s参数转换为y矩阵：(1)(2)(3)(4)式中，y0为与y
11
维数相同的单位矩阵，y
11
表示输入信号电压与输入信号电流的关系，y
12
表示输出信号电压与输入信号电流的关系、y
21
表示输入信号电压与输出信号电流的关系、y
22
表示输出信号电压与输入信号电流的关系。
[0026]
其次，基于矢量拟合法，提取y矩阵中的y参数。微波滤波器y矩阵可以通过多项式的形式表达如下，(5)式(5)中，s= jω，ω表示采样频率f对应的角频率，λk为y矩阵的第k个极点，r
ijk
为第k个极点对应的留数，i,j = 1,2，y矩阵的极点记作l=[λ1,λ2,
ꢀ…
, λn,]，k = 1,2,
……
,n，n表示微波滤波器的阶数，y矩阵的留数记作r
ij
=[r
ij1,
…
,rijn
]，y矩阵的极点和留数称为y参数，都是复数。本实施例通过最常用的矢量拟合法求解得到y参数。
[0027]
最后，对y参数进行降维。y参数的提取过程都是基于y矩阵中各元素的极点是相等的这一原则进行的，所以在建模的过程中只需要y参数矩阵中某一个元素的极点即可，在本实施例中，选择y
11
极点来反映y矩阵的极点特征；y
11
和y
22
、y
21
和y
12
性质基本一致，本发明选择y
11
和y
21
的留数来反映y矩阵的留数特征；y矩阵的极点和留数都是虚数，而神经网络的输入输出都是实数，需要对其进行一定的处理，y矩阵极点的实部和留数的虚部均为0。经过降维，本实施例选择y
11
极点虚部im(l)、y
11
留数实部re(r
11
)、y
21
留数实部re(r
21
)来反映y参数，即y参数y=[im(l),re(r
11
), re(r
21
)]，r
11
表示y
11
留数、r
21
表示y
21
留数。
[0028]
s3：总体设计微波滤波器形性耦合混合模型：根据调试特点和y参数的特点，对微波滤波器形性耦合混合模型进行整体设计。由于本发明将滤波器分为两个状态，需要分别对两个状态进行建模，形性耦合混合模型的总体设计结构图如图2所示，建模过程主要分为两大步：建立微波滤波器严重失谐状态下的形性耦合关系模型和微波滤波器良好调谐状态下的形性耦合关系模型，最终，将建立的神经网络组合，即将微波滤波器严重失谐状态下的形性耦合关系模型m1和微波滤波器良好调谐状态下的形性耦合关系模型m2进行组合，得到微波滤波器形性耦合混合模型。
[0029]
s4：构建严重失谐状态下的形性耦合关系模型：按最常用的十折交叉方法，将数据集y1分为训练集和测试集，引用专利cn109783905b中的分块建模方法，使用bp神经网络构建严重失谐状态下的形性耦合关系模型m1，实现从谐振螺杆长度x1到y参数y1的映射。
[0030]
s5：构建轻微失谐状态下的形性耦合关系模型：按最常用的十折交叉方法，将数据集y2分为训练集和测试集，引用专利cn109783905b中的分块建模方法，使用bp神经网络构建微失谐状态下的形性耦合关系模型m2，实现从耦合螺杆长度x2到y参数y2的映射。
[0031]
最终利用微波滤波器形性耦合混合模型，输出得到完整的y参数，将y参数转换为s参数以预测滤波性能指标。
[0032]
基于三维电磁软件hfss与matlab搭建了仿真调试平台。在三维电磁软件hfss中建立了如图3所示的六阶无交叉耦合微波滤波器仿真模型，并求解其s参数，在matlab中构建形性耦合关系模型。设计好的微波滤波器有6个谐振螺杆，5个耦合螺杆。
[0033]
如图2所示，严重失谐时，利用谐振螺杆长度、y参数的极点虚部数据集、y
11
和y
21
留数实部数据集对神经网络1、神经网络2、神经网络3进行训练，三个神经网络（即bp神经网络1、bp神经网络2、bp神经网络3）全部训练完成之后，由测试集对严重失谐滤波器建模过程进行衡量，给定谐振螺杆的长度，由三个神经网络的输出综合（即严重失谐状态下的形性耦合关系模型的输出）得到y参数，进而转换为s参数显示。理想s参数的幅相响应曲线与模型输出的sm幅相响应曲线之间的关系如图4所示。可见，幅频曲线和相频曲线都拟合良好，本发明针对严重失谐状态构建的形性耦合关系模型是有效的。当微波滤波器严重失谐时，需要调节的是谐振螺杆，此时严重失谐状态下的形性耦合关系模型m1可以预测滤波性能。
[0034]
轻微失谐时，利用耦合螺杆长度和y参数的极点虚部数据集、y
11
和y
21
留数实部数据集对神经网络4、神经网络5、神经网络6进行训练，三个神经网络（即bp神经网络4、bp神经网络5、bp神经网络6）全部训练完成之后，由测试集对严轻微谐滤波器建模过程进行衡量，给定耦合螺杆的长度，由三个神经网络的输出综合（即轻微失谐状态下的形性耦合关系模型的输出）得到y参数，进而转换为s参数显示。理想s参数的幅相响应曲线与模型输出的sm幅相响应曲线之间的关系如图5所示。可见，幅频曲线和相频曲线都拟合良好，本发明针对轻微失谐状态构建的形性耦合关系模型是有效的。当微波滤波器轻微失谐时，需要调节的是耦合螺杆，此时轻微失谐状态下的形性耦合关系模型m2可以预测滤波性能。
[0035]
请参见图6，图6是本发明实施例的硬件设备工作示意图，所述硬件设备具体包括：一种微波滤波器形性耦合关系混合建模设备401、处理器402及存储设备403。
[0036]
一种微波滤波器形性耦合关系混合建模设备401：所述一种微波滤波器形性耦合关系混合建模设备401实现所述一种微波滤波器形性耦合关系混合建模方法。
[0037]
处理器402：所述处理器402加载并执行所述存储设备403中的指令及数据用于实现所述一种微波滤波器形性耦合关系混合建模方法。
[0038]
存储设备403：所述存储设备403存储指令及数据；所述存储设备403用于实现所述一种微波滤波器形性耦合关系混合建模方法。
[0039]
本发明的有益效果是：将微波滤波器分为轻微失谐和严重失谐两种状态，针对性地选取不同的结构几何参数建立形性耦合关系模型，降低了构建形性耦合关系模型的复杂度，提高了各种状态下形性耦合关系模型的精度。
[0040]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和
原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种微波滤波器形性耦合关系混合建模方法，其特征在于：包括：s1：构建原始数据集d1和d2：微波滤波器的结构几何参数包括谐振螺杆长度x1和耦合螺杆长度x2；在微波滤波器上多次改变x1，采样测量s参数s1，构建包含x1、s1及采样频率f的原始数据集d1；在微波滤波器上多次改变x2，采样测量s参数s2，构建包含x2、s2及采样频率f的原始数据集d2；s2：通过矢量拟合法，提取d1中s1的y参数y1，构建包含谐振螺杆长度x1与y参数y1的数据集y1；通过矢量拟合法，提取d2中s2的y参数y2，构建包含耦合螺杆长度x2与y参数y2的数据集y2；s3：根据微波滤波器的调试特点和y参数y1和y2的特点，设计微波滤波器形性耦合混合模型；s4：使用bp神经网络构建严重失谐状态下的形性耦合关系模型m1，实现从谐振螺杆长度x1到y参数y1的映射；s5：使用bp神经网络构建良好调谐状态下的形性耦合关系模型m2，实现从耦合螺杆长度x2到y参数y2的映射；s6：根据得到的y参数y1和y2，转换为s参数，以预测滤波性能指标。2. 如权利要求1所述的一种微波滤波器形性耦合关系混合建模方法，其特征在于：步骤s2中，由s参数转换得到y矩阵，s参数是一个复数矩阵，s
11
表示输入信号能量的反射率，s
21
表示输入信号能量的传输率，s
12
表示输出信号能量的传输率，s
22
表示输出信号能量的反射率，通过式(1)~式(4)，将s参数转换为y矩阵：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中，y0为单位矩阵，y
11
表示输入信号电压与输入信号电流的关系，y
12
表示输出信号电压与输入信号电流的关系、y
21
表示输入信号电压与输出信号电流的关系、y
22
表示输出信号电压与输入信号电流的关系。3. 如权利要求1所述的一种微波滤波器形性耦合关系混合建模方法，其特征在于：步骤s2中，基于矢量拟合法，提取y矩阵中的y参数：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中，y
11
表示输入信号电压与输入信号电流的关系，y
12
表示输出信号电压与输入信号电流的关系、y
21
表示输入信号电压与输出信号电流的关系、y
22
表示输出信号电压与输入信号电流的关系，s= jω，ω表示采样频率f对应的角频率，λ
k
为y矩阵的第k个极点，r
ijk
为第k个极点对应的留数，i,j = 1,2，k= 1,2,
……
,n，n表示微波滤波器的阶数，y矩阵的极点记作l=[λ1,λ2,
ꢀ…
, λ
n
,]，y矩阵的留数记作r
ij
=[r
ij1,
…
,
r
ijn
]，y矩阵的极点和留数称为y参数。4. 如权利要求3所述的一种微波滤波器形性耦合关系混合建模方法，其特征在于：步骤s2中，还需对y参数进行降维，降维后，选择y
11
极点虚部im(l)、y
11
留数实部re(r
11
)、y
21
留数实部re(r
21
)来反映y参数，即降维后y参数y=[im(l),re(r
11
), re(r
21
)]，r
11
表示y
11
留数、r
21
表示y
21
留数。5.如权利要求1所述的一种微波滤波器形性耦合关系混合建模方法，其特征在于：步骤s3中，建模过程主要分为两大步：基于bp神经网络，建立微波滤波器严重失谐状态下的形性耦合关系模型和微波滤波器良好调谐状态下的形性耦合关系模型，将微波滤波器严重失谐状态下的形性耦合关系模型和微波滤波器良好调谐状态下的形性耦合关系模型进行组合，得到微波滤波器形性耦合混合模型。6.一种存储设备，其特征在于：所述存储设备存储指令及数据用于实现权利要求1~5任一项所述的微波滤波器形性耦合关系混合建模方法。7.一种微波滤波器形性耦合关系混合建模设备，其特征在于：包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现权利要求1~5任一项所述的微波滤波器形性耦合关系混合建模方法。

技术总结
本发明提供了一种微波滤波器形性耦合关系混合建模方法、设备及存储设备，构建原始数据集D1和D2，通过矢量拟合法，提取D1中的Y参数y1，构建包含谐振螺杆长度x1与Y参数y1的数据集Y1，提取D2中的Y参数y2，构建包含耦合螺杆长度x2与Y参数y2的数据集Y2；设计微波滤波器形性耦合混合模型：严重失谐状态下的形性耦合关系模型和轻微失谐状态下的形性耦合关系模型，实现从谐振螺杆长度x1、耦合螺杆长度x2到Y参数y1、y2的映射。本发明的有益效果是：将微波滤波器分为轻微失谐和严重失谐两种状态，针对性地选取不同的结构几何参数建立形性耦合关系模型，降低了构建形性耦合关系模型的复杂度，提高了各种状态下形性耦合关系模型的精度。各种状态下形性耦合关系模型的精度。各种状态下形性耦合关系模型的精度。


技术研发人员：毕乐宇 贺江 郭琳炜 杨豫龙 曹卫华
受保护的技术使用者：中国地质大学（武汉）
技术研发日：2023.04.13
技术公布日：2023/8/5