微带滤波器设计方法、装置、电子设备及存储介质制造方法及图纸

本申请公开了一种基于深度学习的微带滤波器设计方法、装置、电子设备及存储介质，属于信号处理技术领域，其中该方法包括：获取微带滤波器的目标设计参数；将所述目标设计参数输入贝叶斯正则化BP神经网络；得到预测的微带滤波器结构参数；所述预测的微带滤波器结构参数包括多个微带线线宽值和线间距值。本申请方案解决相关技术中存在的微带线滤波器的设计耗时长、效率低下、工作量大及准确度不高的问题，大大提高了微带滤波器结构参数多维度、非线性设计的效率，省时省力，同时考虑到实际应用时的训练样本(训练数据集)的数目是有限的，采用贝叶斯正则化算法优化BP神经网络，能够在有限的训练样本下有效地训练神经网络。的训练样本下有效地训练神经网络。的训练样本下有效地训练神经网络。

【技术实现步骤摘要】
微带滤波器设计方法、装置、电子设备及存储介质


[0001]本申请属于信号处理
，更具体地，涉及一种基于深度学习的微带滤波器设计方法、装置、电子设备及存储介质。

技术介绍

[0002]滤波器是最基本的信号处理器件，是雷达、通信及测量系统中的关键器件之一。其中微带线带通滤波器因为具有体积小、集成性强等等优点，得到广泛应用，成为了一种在众多微波产品中常用的重要器件，因此在实现各种通信、微波等相关系统时，微带线滤波器的设计是一个重要的环节，微带线滤波器的设计甚至也是未来电子对抗的首要环节，因此，微带线滤波器的设计的重要性就不言而喻了。
[0003]传统方法中，微带线滤波器的设计依赖人工手动完成，需要设计者依靠自己的设计经验并借助仿真软件不断修改滤波器参数进行尝试，以期达到理想的设计效果；很明显，传统方法极其耗费时间且工作量较大，而且准确度不高，可行性不高。
[0004]由上可见，相关技术中存在微带线滤波器的设计耗时长、效率低下、工作量大及准确度不高等问题。

技术实现思路

[0005]针对相关技术的缺陷，本申请提供一种基于深度学习的微带滤波器设计方法、装置、电子设备及存储介质，旨在解决相关技术中存在的微带线滤波器的设计耗时长、效率低下、工作量大及准确度不高的问题。
[0006]所述技术方案如下：
[0007]根据本申请的一个方面，一种基于深度学习的微带滤波器设计方法，包括：获取微带滤波器的目标设计参数；将所述目标设计参数输入贝叶斯正则化BP神经网络；得到预测的微带滤波器结构参数；所述预测的微带滤波器结构参数包括多个微带线线宽值和线间距值。
[0008]根据本申请的一个方面，一种基于深度学习的微带滤波器设计装置，包括：设计参数获取模块，用于获取微带滤波器的目标设计参数；预测模块，用于将所述目标设计参数输入贝叶斯正则化BP神经网络；结构参数获取模块，用于得到预测的微带滤波器结构参数；所述预测的微带滤波器结构参数为多个微带线线宽值和线间距值。
[0009]根据本申请的一个方面，一种电子设备，包括：至少一个处理器、至少一个存储器、以及至少一条通信总线，其中，存储器上存储有计算机程序，处理器通过通信总线读取存储器中的计算机程序；计算机程序被处理器执行时实现如上所述的基于深度学习的微带滤波器设计方法。
[0010]根据本申请的一个方面，一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上所述的基于深度学习的微带滤波器设计方法。
[0011]根据本申请的一个方面，一种计算机程序产品，计算机程序产品包括计算机程序，
计算机程序存储在存储介质中，计算机设备的处理器从存储介质读取计算机程序，处理器执行计算机程序，使得计算机设备执行时实现如上所述的基于深度学习的微带滤波器设计方法。
[0012]本申请具有如下有益效果：
[0013]基于贝叶斯正则化BP神经网络进行微带滤波器的设计，可以快速、准确地对设计的微带滤波器的线宽和线间距等等结构参数进行预测，相较于传统方法需要设计者依靠自己的设计经验并借助仿真软件不断修改滤波器参数进行尝试，本申请方案省时省力，解决相关技术中存在的微带线滤波器的设计耗时长、效率低下、工作量大及准确度不高的问题。此外本申请方案具有一定通用性，可以设计微带低通滤波器、微带高通滤波器、微带带通滤波器、微带带阻滤波器。神经网络的训练过程中，考虑到实际应用时的训练样本(训练数据集)的数目是有限的，采用贝叶斯正则化算法优化BP神经网络，能够在有限的训练样本下有效地训练神经网络。
附图说明
[0014]图1是本申请实施例提供的一种基于深度学习的微带滤波器设计方法的流程图；
[0015]图2是图1对应实施例中步骤140之后在一个实施例的流程图；
[0016]图3是目标设计参数相应的微带滤波器的S参数曲线示意图；
[0017]图4是预测的微带滤波器结构参数相应的微带滤波器的S参数曲线示意图；
[0018]图5是一示例性实施例提供的用于于微带滤波器设计的贝叶斯正则化BP神经网络的结构示意图；
[0019]图6是根据一示例性实施例示出的一种基于深度学习的微带滤波器设计装置的结构框图；
[0020]图7是根据一示例性实施例示出的一种电子设备的结构框图。
具体实施方式
[0021]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。此外，下面所描述的本申请各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0022]本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
[0023]在对本申请所示的各个实施例进行说明之前，首先对本申请涉及到的概念进行介绍。
[0024]S参数，在平行耦合带通滤波器的仿真中，S参数是衡量滤波器性能好坏的的重要
指标，S参数中包括S11和S21。S11为输入反射系数，也就是回波损耗，S21为正向传输系数，也就是插入损耗。
[0025]本申请提供的一种基于深度学习的微带滤波器设计方法，能够快速、准确地对设计的微带滤波器的线宽和线间距等等结构参数进行预测，相应地，该基于深度学习的微带滤波器设计方法适用于基于深度学习的微带滤波器设计装置、该基于深度学习的微带滤波器设计装置可部署于配置冯诺依曼体系结构的电子设备，例如，该电子设备可以是台式电脑、笔记本电脑、服务器等等。
[0026]请参阅图1，本申请实施例提供了一种基于深度学习的微带滤波器设计方法，该方法适用于电子设备，该电子设备可以是台式电脑、笔记本电脑、服务器等等。
[0027]在下述方法实施例中，为了便于描述，以该方法各步骤的执行主体为电子设备为例进行说明，但是并非对此构成具体限定。
[0028]如图1所示，该方法可以包括以下步骤：
[0029]步骤100，获取微带滤波器的目标设计参数。
[0030]微带滤波器的参数用于表征微带滤波器的工作性能，例如参数可以包括中心频率、通带频率、带内波纹等等，此处并不是限定。
[0031]微带滤波器的目标设计参数是根据实际设计目的和要求而得到的，例如设计用于蓝牙的微带滤波器，基于蓝牙工作频率在2.4GHz附近，微带滤波器的目标设计参数至少包括：中心本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的微带滤波器设计方法，其特征在于，包括：获取微带滤波器的目标设计参数；将所述目标设计参数输入贝叶斯正则化BP神经网络；得到预测的微带滤波器结构参数；所述预测的微带滤波器结构参数包括多个微带线线宽值和线间距值。2.如权利要求1所述的方法，其特征在于，所述方法还包括：评估预测的所述微带滤波器结构参数相应的微带滤波器的指标参数是否满足设计要求；若满足，则输出预测的所述微带滤波器结构参数；若不满足，则对预测的所述微带滤波器结构参数进行调整。3.如权利要求1所述的方法，其特征在于，所述贝叶斯正则化BP神经网络的隐藏层激活函数为tansig函数，代价函数为F＝αE
ω
+βE；其中，m为神经网络的权值总数，ω
j
为神经网络连接的权值；α、β为正则化系数；其中，N为样本总数，V
i
为样本第i组的实际输出，D
i
为样本第i组的目标输出。4.如权利要求3所述的方法，其特征在于，所述贝叶斯正则化BP神经网络的训练过程包括：步骤1，将所述贝叶斯正则化BP神经网络初始化；步骤2，运行BP神经网络，使所述代价函数F＝αE
ω
+βE最小化；步骤3，计算所述代价函数F的Hessian矩阵，根据所述Hessian矩阵计算有效参数的数量γ，由所述有效参数的数量γ计算得到α、β的更新值；步骤4，重复进行上...

【专利技术属性】
技术研发人员：罗衡，张书贤，郑金飞，汪震，
申请(专利权)人：中南大学，
类型：发明
国别省市：