[发明专利]基于深度学习算法的滤波器的优化设计方法

权利要求书

1.一种基于深度学习算法的滤波器的优化设计方法，其特征在于，所述优化设计针对滤波器的结构参数进行，而滤波器的结构参数由滤波器的滤波响应曲线来反映；设计中采用深度学习算法，具体使用逆向神经网络、正向神经网络和遗传算法，进行深度学习，最后得到滤波器的结构参数：

其中，滤波器的滤波响应曲线由切比雪夫多项式综合得到；具体是根据所需滤波器的插入损耗、中心频率和工作带宽，选取合适阶数的切比雪夫多项式，由此综合出在频带范围内的滤波响应曲线；

首先，将切比雪夫多项式综合出的目标滤波曲线作为逆向神经网络的输入，由逆向神经网络获得结构参数的初始值；把这个初值输入给遗传算法，由遗传算法产生此初值附近范围内的结构参数；再把该结构参数作为正向网络的输入，进行迭代优化；依据为切比雪夫多项式综合出的滤波响应曲线，优化目标为正向神经网络输出的滤波响应曲线与依据的滤波响应曲线差距最小，当损失函数达到阈值或算法达到所指定的最大迭代步数，优化停止，最后输出优化的滤波响应曲线，并获得最终的结构参数；

对于平行耦合微带滤波器，其基本结构如下：上层为印刷金属滤波结构，包括输入、输出抽头，三节耦合微带印刷枝节，和介质板；介质板背面全部覆铜；滤波器的关键结构参数包括：三节耦合枝节的长度，从左到右依次为第一节L1、第二节L2、第三节L1，枝节间距g，抽头位置t；该结构左右对称，故三节耦合枝节两两间距相等，都为g，第一节和第三节枝节的长度相等，都为L1,输入输出抽头的位置一样，都为t；即滤波器需要优化的结构参数为L1、L2、g和t；

对此，选取合适阶数的切比雪夫多项式，由此综合出在频带范围内的目标滤波响应曲线为：

；

其中，T_i为i阶切比雪夫多项式；k和为控制参数，k决定了所期望带宽内滤波器S11最大幅度，为一常数小量；

所述遗传算法采用的种群数量为100，迭代次数为100；目标函数为MAE平均绝对误差函数F：

，

其中，N为频率点总数，为所设计的目标曲线上的第i个频率点处的S11值，为正向神经网络预测的第i个频率点处的S11值。

2.根据权利要求1所述的优化设计方法，其特征在于，所述逆向神经网络，具体包括：输入层、四个全连接层及相应的ReLU激活函数、输出层；其中，四个全连接层依次为：第一全连接层，有251个神经元；第二全连接层，有300个神经元；第三全连接层，有300个神经元；第四全连接层，有4个神经元；损失函数为MSE均方误差函数，训练周期500个epoch，训练目标为预测的结构参数与真实结构参数的损失函数最小；通过考察训练集和测试集损失函数的收敛性以及网络在新数据集上的预测表现，来判断网络是否训练好；如果训练后的网络性能较差，需要调整数据集大小、训练周期、损失函数。

3. 根据权利要求1所述的优化设计方法，其特征在于，所述正向神经网络，具体包括：输入层、Batch Normalization层、三个由全连接层和Batch Normalization层和LeakyReLU激活函数层组成的学习层、输出层；其中，第一学习层中，全连接层为4个神经元，第二学习层中，全连接层为200个神经元，第二学习层重复8次；第三学习层中，全连接层为251个神经元；损失函数为MSE均方误差函数；训练周期1000个epoch；训练目标为预测的S11曲线与真实S11曲线的损失函数最小，通过考察训练集和测试集损失函数的收敛性以及网络在新数据集上的预测表现，来判断网络是否训练好；如果训练后的网络性能较差，需要调整数据集大小、训练周期、损失函数。

4.根据权利要求1所述的优化设计方法，其特征在于，所述逆向神经网络和正向神经网络训练所需的数据集由全波电磁仿真软件计算获得，数据集的大小要根据问题的复杂度来调整；获得的数据集分为训练集和测试集，以查看网络训练的收敛性；逆向神经网络的输入为滤波器的电磁响应，此处为滤波响应曲线S11，共有若干个频点，输出为滤波器四个关键结构参数：L1、L2、g和t；正向神经网络的输入为滤波器结构参数，输出为滤波器的滤波响应曲线，正向神经网络训练完成可实现电磁仿真软件的功能，用于对滤波器性能的快速预测。