[发明专利]基于深度学习算法的滤波器的优化设计方法

说明书

本发明属于滤波器技术领域,具体为一种基于深度学习算法的滤波器的优化设计方法。本发明优化设计方法，针对滤波器的结构参数进行，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：滤波器的滤波响应曲线由切比雪夫多项式综合得到；将目标滤波响应曲线作为逆向神经网络的输入，获得结构参数的初始值；把初值输入给遗传算法、正向神经网络，进行迭代优化；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，最后输出优化的滤波响应曲线，并获得最终滤波器的结构参数。

技术领域

本发明属于滤波器技术领域，具体涉及滤波器的设计方法。

背景技术

在现代的射频收发系统中，在天线的后端往往需要滤波器来控制所需频段电磁波的收发。而当今各种便携设备、手持设备和可穿戴设备大量出现，尤其是5G“万物互联”概念的提出，多种多样的终端设备必定会大量出现，此时面对日渐拥挤的频谱和复杂的电磁环境，滤波器的作用越来越重要。而传统的滤波器设计往往需要根据性能指标，选择对应的滤波函数，用电路理论构建对应的电路模型，再用仿真软件提取耦合系数，建立起实际模型和电路模型之间的联系，最终进行整体优化。传统的设计方法十分繁琐，并且潜在的耦合也会影响参数的提取，因此需要有新的方法来快速并准确的设计滤波器。

伴随着计算机显卡性能的提升，人工智能迎来了发展热潮，在很多领域都得到了广泛的应用。由于神经网络训练完之后可以重复使用，因此很适合快速的进行不同指标下的器件设计。现有的基于粒子群优化算法等进化算法的设计对于初值的依赖性较强，并且在迭代过程中需要不断使用仿真软件，比较耗费时间，而训练好的神经网络可以在几秒钟内完成一次滤波器的设计，相较于传统的设计方法和优化算法有着明显的优势。

发明内容

本发明的目的在于提供一种快速准确的基于深度学习算法的滤波器的优化设计方法。

本发明提供的基于深度学习算法的滤波器的优化设计方法，以平行耦合微带滤波器设计为例给予说明，对其它类型滤波器结构设计同样适用，包括金属腔体滤波器、介质滤波器等的设计。

本发明提供的基于深度学习算法的滤波器的优化设计方法，所述优化设计主要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，从而获得最终的结构参数。

下面以平行耦合微带滤波器设计为例，进一步具体说明本发明优化设计方法。

所述的平行耦合微带滤波器，可采用标准的印刷电路板工艺进行加工。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2和3，三节耦合微带印刷枝节1，和介质板4；介质板4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和抽头位置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；