一种射频滤波器建模方法技术

本发明专利技术公开了一种射频滤波器建模方法，包括获取建模样本数据、预处理样本数据、建立神经网络模型、训练神经网络模型、封装神经网络模型和生成封装模型包几个步骤，本发明专利技术基于测试/仿真数据，利用BP神经网络算法构建滤波器的神经网络模型，针对专业射频仿真软件和工具对滤波器的神经网络模型进行异构模型封装，形成可直接调用的滤波器封装模型。本发明专利技术通过BP神经网络算法对输入输出数据进行自适应训练而学习滤波器行为特性，可以精确拟合模型复杂的非线性映射关系，而无需了解滤波器内在的结构和工作原理，所建立的滤波器神经网络模型经过异构模型封装，即可被专业射频仿真软件和工具直接使用进行系统仿真，相较于传统建模方法具有明显优势。

【技术实现步骤摘要】
一种射频滤波器建模方法
本专利技术涉及射频/微波建模仿真
，尤其涉及一种射频滤波器建模方法。
技术介绍
射频滤波器建模作为射频/微波建模与仿真的重要环节，对准确评估射频微波系统的电性能、信号的传输性能等起到了十分关键的作用。传统的射频滤波器建模方法主要包括：物理模型法、等效电路模型法以及数值方法。然而，物理模型和等效电路模型的计算速度快，但必须对滤波器的内在结构和工作原理比较了解，当对各种寄生效应和耦合效应缺乏深入认识时，难以得到准确的模型；数值方法则需要付出巨大的计算量才能得到较准确的模型。此外，基于各种理论方法建立的射频滤波器模型，尚无一种有效的异构模型封装方法对模型进行封装，导致专业射频仿真软件和工具(如ADS软件)难以应用所建立的模型进行系统链路仿真，模型复用难度增加。
技术实现思路
本专利技术针对传统建模方法的局限，提出一种射频滤波器的建模方法：首先基于测试/仿真数据，利用BP神经网络算法构建滤波器的神经网络模型，然后针对专业射频仿真软件和工具(如ADS软件)对滤波器的神经网络模型进行异构模型封装，形成可直接调用的滤波器封装模型。本专利技术提出的建模方法，通过BP神经网络算法对输入输出数据进行自适应训练而学习滤波器行为特性，可以精确拟合模型复杂的非线性映射关系，而无需了解滤波器内在的结构和工作原理，所建立的滤波器神经网络模型经过异构模型封装，即可被专业射频仿真软件和工具直接使用进行系统仿真，相较于传统建模方法具有明显优势。本专利技术的一种射频滤波器建模方法，包括以下步骤：<br>步骤一、获取建模样本数据：利用电磁仿真软件通过仿真计算获取射频滤波器建模所需的样本数据，或通过试验设备实际测量获取射频滤波器建模所需的样本数据；步骤二、预处理样本数据：对步骤一得到的样本数据进行预处理，以提高神经网络模型的精度和泛化能力；预处理方法包括反折叠、归一化和随机排序；步骤三、建立神经网络模型：利用BP神经网络算法对滤波器测试/仿真数据进行自主学习而建立滤波器模型，与传统建模方法相比，无需了解滤波器内在结构和工作原理，也无需过多先验知识；针对射频滤波器各维度的S参数分别建立神经网络模型，确定各神经网络的层数、各隐藏层神经元个数和各神经元激活函数；步骤四、训练神经网络模型：采用BP神经网络模型算法，训练过程主要包括正向计算和反向误差传播过程，利用第三方神经网络算法库进行；神经网络训练过程主要需确定三个参数：训练算法、学习率、迭代终止条件；具体的，训练过程通常需进行多次调参和迭代，才能获得较佳的参数组合；步骤五、封装神经网络模型：对射频滤波器的神经网络模型进行封装，使封装模型能够与专业射频仿真软件和工具中的其他模型相兼容，并能够被专业射频仿真软件和工具直接调用；步骤六、生成封装模型包：生成射频滤波器的神经网络模型的封装模型包，封装模型包包括动态链接库文件、模型配置文件和模型Symbol文件。进一步的，步骤一包括以下子步骤：利用矢量网络分析仪对滤波器进行测量，将S参数作为神经网络模型的输出参数，输入参数包括频率和/或工作温度。进一步的，步骤一中，将各通道S参数的幅度、相位单独作为神经网络的输出进行建模，每个神经网络模型仅计算和输出一维S参数，以提高模型精度和训练效率。由于射频滤波器的S参数中包含周期性变化的相位数据，对于周期性变化的相位数据，在两个周期之间的数据点，会出现数据的剧烈突变，表现为数据曲线的周期性折叠，会影响神经网络建模的精度。为消除这一影响，对于周期性的相位数据，需进行反折叠处理。具体的，步骤二中的反折叠包括以下步骤：对射频滤波器的S参数中周期性的相位数据，进行反折叠处理，即当一个点的相位数据与上一个点的相位数据相差超过相位周期的一半时，则将当前点的相位数据加上或减去若干倍周期值，从而使相位数据的变化相对平滑，却不会影响相位数据的正确性。由于输入、输出各物理量单位和量纲不同，导致数据范围往往千差万别。归一化处理就是将原始数据归一到相同的尺度范围内，从而避免各维度物理量绝对值相差太大而影响模型精度。此外，随机排序是为了提高神经网络模型的泛化能力，提高模型在训练样本之外的输入点的预测准确性，随机排序通常可通过程序自动化实现。进一步的，步骤五中，通过重现实现专业射频仿真软件和工具的模型接口文件，并经过编译、链接生成可直接调用的模型动态链接库文件。这一步的关键是在模型接口文件中正确映射神经网络模型，并驱动模型正确完成计算过程。进一步的，专业射频仿真软件和工具调用并驱动滤波器的封装模型进行仿真计算的流程为：首先，根据不同维度的S参数确定需调用的神经网络模型；其次，根据所需的神经网络参数重构神经网络的正向计算模型；然后，对输入进行归一化，进而代入计算模型，并计算得到相应的归一化后的S参数值；最后，将计算结果进行反归一化处理，得到所需的S参数值；根据上述计算逻辑接口重新实现模型接口文件。根据上述计算流程，专业射频仿真软件和工具调用封装模型计算时，需要用到神经网络的计算模型，然而训练好的神经网络模型通常只保存了网络结构、权值和偏置值等参数，这些参数无法直接被专业射频仿真软件和工具所使用，因此在实现模型接口文件时，需根据网络结构参数重构神经网络的正向计算模型，通常可添加正向计算的自定义函数。除了定义神经网络正向计算模型函数外，在模型接口文件中还需定义实现输入归一化、输出反归一化以及必要的单位转换的相关函数，实现方法比较简单，不再赘述。将重新实现的模型接口文件，经过编译、链接，即可将异构的神经网络模型封装成专业射频仿真软件和工具可直接调用的模型动态链接库文件。进一步的，步骤六中，模型配置文件包括在专业射频仿真软件和工具中进行仿真时的设计参数，主要包括：创建模型描述，定义模型属性和参数，创建模型设计参数定义，设置设计参数名称、格式、默认值；模型Symbol文件包括模型在专业射频仿真软件和工具的仿真链路中的外观显示。当专业射频仿真软件和工具调用滤波器的封装模型时，只需将封装模型的动态链接库文件、模型配置文件和Symbol文件放置在工程或软件的模型库设计包的相应目录即可。本专利技术的有益效果在于：本专利技术利用BP神经网络算法对滤波器测试/仿真数据进行自主学习而建立滤波器的精确模型，并对异构的神经网络模型进行封装，从而使得到的滤波器封装模型可与专业射频仿真软件和工具中的其他模型相兼容，并可被专业射频仿真软件和工具直接调用。与传统建模方法相比，本专利技术无需了解滤波器内在结构和工作原理，也无需过多先验知识，即可快速将滤波器的测试/仿真数据转换成滤波器的神经网络模型，进一步对基于神经网络建立的滤波器模型进行异构模型封装，从而得到与专业射频仿真软件和工具中的现有模型兼容的滤波器封装模型，便于在专业射频仿真软件和工具中快速进行模型验证。基于本专利技术所提出的建模方法，可提高建模效率，降低模型复用难度。附图说明图1本专利技术的射频滤波器建模流程图；图2本专利技术实施例中S21_amp参数神经网络模型的本文档来自技高网...

【技术保护点】
1.一种射频滤波器建模方法，其特征在于，包括以下步骤：/n步骤一、获取建模样本数据：利用电磁仿真软件通过仿真计算获取射频滤波器建模所需的样本数据，或通过试验设备实际测量获取射频滤波器建模所需的样本数据；/n步骤二、预处理样本数据：对步骤一得到的样本数据进行预处理，以提高神经网络模型的精度和泛化能力；预处理方法包括反折叠、归一化和随机排序；/n步骤三、建立神经网络模型：利用BP神经网络算法对滤波器测试/仿真数据进行自主学习而建立滤波器模型，针对射频滤波器各维度的S参数分别建立神经网络模型，确定各神经网络的层数、各隐藏层神经元个数和各神经元激活函数；/n步骤四、训练神经网络模型：采用BP神经网络模型算法，训练过程主要包括正向计算和反向误差传播过程，利用第三方神经网络算法库进行；神经网络训练过程主要需确定三个参数：训练算法、学习率、迭代终止条件；/n步骤五、封装神经网络模型：对射频滤波器的神经网络模型进行封装，使封装模型能够与专业射频仿真软件和工具中的其他模型相兼容，并能够被专业射频仿真软件和工具直接调用；/n步骤六、生成封装模型包：生成射频滤波器的神经网络模型的封装模型包，封装模型包包括动态链接库文件、模型配置文件和模型Symbol文件。/n...

【技术特征摘要】
1.一种射频滤波器建模方法，其特征在于，包括以下步骤：
步骤一、获取建模样本数据：利用电磁仿真软件通过仿真计算获取射频滤波器建模所需的样本数据，或通过试验设备实际测量获取射频滤波器建模所需的样本数据；
步骤二、预处理样本数据：对步骤一得到的样本数据进行预处理，以提高神经网络模型的精度和泛化能力；预处理方法包括反折叠、归一化和随机排序；
步骤三、建立神经网络模型：利用BP神经网络算法对滤波器测试/仿真数据进行自主学习而建立滤波器模型，针对射频滤波器各维度的S参数分别建立神经网络模型，确定各神经网络的层数、各隐藏层神经元个数和各神经元激活函数；
步骤四、训练神经网络模型：采用BP神经网络模型算法，训练过程主要包括正向计算和反向误差传播过程，利用第三方神经网络算法库进行；神经网络训练过程主要需确定三个参数：训练算法、学习率、迭代终止条件；
步骤五、封装神经网络模型：对射频滤波器的神经网络模型进行封装，使封装模型能够与专业射频仿真软件和工具中的其他模型相兼容，并能够被专业射频仿真软件和工具直接调用；
步骤六、生成封装模型包：生成射频滤波器的神经网络模型的封装模型包，封装模型包包括动态链接库文件、模型配置文件和模型Symbol文件。


2.根据权利要求1所述的一种射频滤波器建模方法，其特征在于，步骤一包括以下子步骤：利用矢量网络分析仪对滤波器进行测量，将S参数作为神经网络模型的输出参数，输入参数包括频率和/或工作温度。


3.根据权利要求1所述的一种射频滤波器建模方法，其特征在于，步骤一中，将各通道S参数的幅度、相位单独作为神经网络的输出进行建模...

【专利技术属性】
技术研发人员：葛菊祥，金长林，陈智宇，刘江洪，熊建伟，周涛，吴明远，胡卓非，唐蔚，
申请(专利权)人：中国电子科技集团公司第二十九研究所，
类型：发明
国别省市：四川;51