[发明专利]大功率毫米波回旋行波管功率模块最优工作参数搜索方法

说明书

本发明属于大功率毫米波技术领域，具体提供一种大功率毫米波回旋行波管功率模块最优工作参数搜索方法；首先，通过测试数据的合并、相关性分析，选取能够用来建立预测模型的工作参数作为输入，并以效率作为输出，形成样本数据；然后，通过径向基神经网络建立预测模型，并对预测模型进行有效训练；最后，将训练完成的径向基神经网络预测模型的预测输出作为适应度函数，采用遗传算法进行全局优化，获取预测的最优效率及其对应的工作参数。本发明能够基于自动化测试系统提供的大量测试数据，预测得到最优效率及其对应的工作参数，大大减小回旋行波管参数设计的工作量，进而大大降低减少设计和测试成本，具有良好的实用价值。

技术领域

本发明属于大功率毫米波技术领域，涉及大功率毫米波回旋行波管的自动化测试系统；具体提供一种基于径向基神经网络预测模型的大功率毫米波回旋行波管功率模块最优工作参数搜索方法。

背景技术

回旋行波管作为大功率毫米波器件中主流器件，因为其在毫米波波段具有功率大、频带宽的特点，使其在国防、科学研究、民用通讯等领域有着广泛的应用。回旋行波管的设计主要包括尺寸设计和电子注的电流电压速度横纵比两部分，当结构设计完成后，电子注工作参数通常都需要设计人员的大量的理论计算、以及经验值进行设计，从而使得回旋行波管工作在最优效率下。而现有的测试系统在测试过程中得到大量的测试数据无法准确的为设计人员反馈测试中的信息，更无法自动的从数据中获取最优效率对应的工作参数，这使得测试中收集的大量数据无法转化为实际生产价值。因此，如何从测试数据中发掘出准确有效信息成为了回旋行波管参数设计的研究热点。

目前，自动化测试系统中通常采用预测模块对测试数据进行最优效率预测、进而得到预设器件结构下的最优效率对应的工作参数；其中，常见的预测模块均基于BP神经网络进行构建，但是，由于BP神经网络在进行预测时有以下不足：其一是容易陷入局部最优解、其二是隐藏层及隐藏层神经元数量难以确定、其三是一个新的BP神经网络能否经过训练达到收敛与很多因素有关(如数据集的大小、数据集选取的方式、网络结构(输入输出节点，隐藏层节点及激活函数)、损失函数和迭代次数等)，最终导致基于BP神经网络的预测模型受各因素影响较大、预测精度无法保持稳定、泛化能力较差。基于此，本发明提供一种基于径向基神经网络预测模型的大功率毫米波功率模块最优状态搜索方法。

发明内容

本发明的目的在于提供一种大功率毫米波回旋行波管功率模块最优工作参数搜索方法，首先基于径向基神经网络构建预测模型，并根据该预测模型，利用遗传算法寻找全局最优效率点及对应的各个工作参数的值。

为实现上述目的，本发明采用的技术方案如下：

大功率毫米波回旋行波管功率模块最优工作参数搜索方法，包括以下步骤：

步骤1.建立及训练径向基神经网络预测模型；

步骤1.1构建训练集

对回旋行波管测试过程中测试数据进行数据清洗、得到有效测试数据，并对有效测试数据进行数据标准化处理，得到若干个训练样本，构成训练集；并同时根据有效测试数据确定每个输入工作参数的最大取值范围；

所述训练样本中，包括：9个工作参数作为输入：管高(mm)、阴极脉冲电压(kv)、阴极脉冲电流(A)、磁场电流(A)、补偿电流(A)、灯丝电流(A)、输出频率(GHz)、信号源功率(kW)、磁场电压(V)，并以效率(％)作为训练样本的标签；

步骤1.2构建径向基神经网络预测模型

所述径向基神经网络预测模型包括：输入层、隐藏层及输出层，其中，输入层的节点数为9，隐藏层节点数50，输出层节点数为1，所述径向基神经网络模型具体为：