CN116111984B - 滤波器的设计优化方法及装置、滤波器、设备、介质 - Google Patents

Abstract

本公开实施例涉及天线与电路自动化设计技术领域，提供了一种滤波器的设计优化方法及装置、滤波器、设备、介质，方法包括：确定滤波器的拓扑结构图或电路结构图；基于拓扑结构图或电路结构图，确定滤波器的设计参数及其对应的初始取值范围；将设计参数及其对应的初始取值范围输入训练好的滤波器设计优化模型中，得到设计参数对应的优化预测值，完成滤波器的设计优化；其中，训练好的滤波器设计优化模型基于预设的极限学习机训练得到。本公开实施例可以省去传统方法中设计人员需要人工调整各个设计参数的纷繁冗杂任务，更快、更优地实现滤波器的设计优化，大大节省设计人员的时间和精力，降低滤波器设计优化门槛和设计成本，提高设计优化效率。

Description

滤波器的设计优化方法及装置、滤波器、设备、介质

技术领域

本公开实施例涉及天线与电路自动化设计技术领域，特别涉及一种滤波器的设计优化方法及装置、滤波器、设备、介质。

背景技术

近年来，随着第五代移动通信技术(5th Generation Mobile CommunicationTechnology，简称5G)、Sub-6G(指5G频段且工作频率在450MHz-6000MHz的6G以下频段)通信的大规模发展，物联网、高速信息传递、无人驾驶、人工智能等新型领域飞速发展。5G同时是新一轮科技和产业革命中的核心关键技术之一，它将与物联网、大数据、云计算、人工智能等技术融合。与此同时，5G也对通信系统提出了新的要求。跨入5G时代，射频系统的设计需求量更是大幅增加。

现有技术中，工程师在微波元件以及微波组件如滤波器等的设计优化过程中，为了找到设计变量的最优值，常常需要反复调用全波电磁仿真。然而，由于需要对不同几何参数进行重复耗时的电磁模拟，这就使得全波电磁仿真过程的计算成本很高。同时，传统的滤波器设计方法，通常是设计人员根据所需要的电路的需求、指标，选用相应的电路拓扑结构，通过理论计算得出相对应的参数值，来满足设计需求。在拓扑结构搭建完成，各元器件的设计参数尚未确定时，设计人员往往需要花费大量时间和精力对各设计参数进行逐一调整，以使各设计参数能够满足设计指标需求。一旦遇到元器件较多的电路，设计难度将会进一步加大，更加考验设计人员的设计经验。

发明内容

本公开旨在至少解决现有技术中存在的问题之一，提供一种滤波器的设计优化方法及装置、滤波器、设备、介质。

本公开的一个方面，提供了一种滤波器的设计优化方法，所述方法包括：

确定滤波器的拓扑结构图或电路结构图；

基于所述拓扑结构图或电路结构图，确定所述滤波器的设计参数及其对应的初始取值范围；

将所述设计参数及其对应的初始取值范围输入训练好的滤波器设计优化模型中，得到所述设计参数对应的优化预测值，完成所述滤波器的设计优化；其中，所述训练好的滤波器设计优化模型基于预设的极限学习机训练得到。

可选的，所述训练好的滤波器设计优化模型根据以下步骤训练得到：

确定训练数据，所述训练数据包括与所述设计参数相对应的训练设计参数及其对应的训练取值范围；

对所述训练数据进行归一化处理，将所述训练设计参数减去其对应的所述训练取值范围中的最小值，并将所述训练设计参数减去所述最小值的结果除以所述训练设计参数对应的所述取值范围的长度，得到归一化后的所述训练数据；

利用归一化后的所述训练数据对所述预设的极限学习机进行训练，得到训练好的所述滤波器设计优化模型。

可选的，所述利用归一化后的所述训练数据对所述预设的极限学习机进行训练，得到训练好的所述滤波器设计优化模型，包括：

将归一化后的所述训练数据划分为训练样本和测试样本；

利用所述训练样本对所述预设的极限学习机进行训练，得到更新后的所述极限学习机；

测试步骤：利用所述测试样本对更新后的所述极限学习机进行测试，得到所述测试样本对应的S曲线参数；

判断所述S曲线参数是否达到预设参数范围：若是，则将更新后的所述极限学习机作为训练好的所述滤波器设计优化模型；若否，则利用所述训练样本对更新后的所述极限学习机进行训练，得到再次更新后的所述极限学习机，并回到所述测试步骤。

可选的，所述训练好的所述滤波器设计优化模型表示为下式(1)：

其中，i＝1,…,L表示所述预设的极限学习机中隐藏层的节点编号，L表示所述隐藏层的节点数量，表示权重矩阵，g表示激活函数，w_i表示隐藏层节点i的输入权重，b_i表示隐藏层节点i的偏置，x_j表示所述隐藏层的第j个输入样本，o_j表示x_j对应的预测值，j＝1,…,N表示所述隐藏层的输入样本编号，N表示所述隐藏层的输入样本总数。

可选的，所述预设的极限学习机包括正向网络和逆向网络，所述正向网络和所述逆向网络均包括输入层、隐藏层和输出层，所述输入层、所述隐藏层和所述输出层均包括多个节点；其中，

所述正向网络中，所述隐藏层的所述节点的数量大于所述输出层的所述节点的数量，所述输出层的所述节点的数量大于所述输入层的所述节点的数量；

所述逆向网络中，所述隐藏层的所述节点的数量大于所述输入层的所述节点的数量，所述输入层的所述节点的数量大于所述输出层的所述节点的数量。

可选的，所述滤波器包括平行微带线滤波器或者共面波导滤波器。

本公开的另一个方面，提供了一种滤波器的设计优化装置，所述装置包括：

第一确定模块，用于确定滤波器的拓扑结构图或电路结构图；

第二确定模块，用于基于所述拓扑结构图或电路结构图，确定所述滤波器的设计参数及其对应的初始取值范围；

优化模块，用于将所述设计参数及其对应的初始取值范围输入训练好的滤波器设计优化模型中，得到所述设计参数对应的优化预测值，完成所述滤波器的设计优化；其中，所述训练好的滤波器设计优化模型基于预设的极限学习机训练得到。

本公开的另一个方面，提供了一种滤波器，所述滤波器采用前文记载的滤波器的设计优化方法设计得到。

本公开的另一个方面，提供了一种电子设备，包括：

至少一个处理器；以及，

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行前文记载的滤波器的设计优化方法。

本公开的另一个方面，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现前文记载的滤波器的设计优化方法。

本公开实施方式相对于现有技术而言，可以省去传统方法中设计人员需要人工调整各个设计参数的纷繁冗杂任务，更快、更优地实现滤波器的设计优化，大大节省设计人员的时间和精力，降低滤波器设计优化门槛和设计成本，提高设计优化效率。

附图说明

一个或多个实施方式通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施方式的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1为本公开一实施方式提供的一种滤波器的设计优化方法的流程图；

图2为本公开另一实施方式提供的滤波器的拓扑结构图；

图3为本公开另一实施方式提供的滤波器设计优化模型的训练步骤示意图；

图4为本公开另一实施方式提供的极限学习机包括的正向网络和逆向网络的结构示意图；

图5为本公开另一实施方式提供的通过正向网络生成的S曲线参数图；

图6为本公开另一实施方式提供的通过逆向网络生成的S曲线参数图；

图7为本公开另一实施方式提供的一种滤波器的设计优化装置的结构示意图；

图8为本公开另一实施方式提供的电子设备的结构示意图。

具体实施方式

随着机器学习的发展，人工神经网络(Artificial Neural Network，ANN)已被公认为是一个强有力的工具。人工神经网络通过样板的“学习和培训”，可记忆客观事物在空间、时间方面比较复杂的关系，其特点适合于解决各类预测、分类、评估匹配、识别等问题，还可以显著加快优化过程——具有高速寻找优化解的能力。通常情况下，寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。因此，可以通过训练过程对人工神经网络的内部参数进行调整，使人工神经网络学习滤波器的几何变量与电磁之间的关系，从而利用训练好的人工神经网络对滤波器进行设计优化。其中，由于人工神经网络模型是能够用于建模的正向模型，因此，可以将滤波器的几何变量设置为人工神经网络的输入，而将电磁响应设置为人工神经网络的输出。

为使本公开实施方式的目的、技术方案和优点更加清楚，下面将结合附图对本公开的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本公开各实施方式中，为了使读者更好地理解本公开而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本公开所要求保护的技术方案。以下各个实施方式的划分是为了描述方便，不应对本公开的具体实现方式构成任何限定，各个实施方式在不矛盾的前提下可以相互结合相互引用。

本公开的一个实施方式涉及一种滤波器的设计优化方法，其流程如图1所示，包括：

步骤S101，确定滤波器的拓扑结构图或电路结构图。

具体的，滤波器的设计优化通常基于拓扑结构图或电路结构图进行，因此，本实施方式需要首先确定滤波器的拓扑结构图或电路结构图，以在此基础上对滤波器的设计参数进行优化。

需要说明的是，本实施方式并不限定滤波器的具体类型，本领域技术人员可以根据实际需要进行选择。例如，滤波器的类型可以是低通滤波器、高通滤波器、带通滤波器、带阻滤波器、全通滤波器等。

举例而言，当滤波器的类型具体为平行微带线滤波器时，其对应的拓扑结构图可以如图2所示，包括第一微带线201、第二微带线202、第三微带线203、第四微带线204和第五微带线205。各个微带线之间通过相互耦合起到电容电感的作用，从而实现滤波器的功能。

步骤S102，基于拓扑结构图或电路结构图，确定滤波器的设计参数及其对应的初始取值范围。

具体的，本步骤可以在拓扑结构图或电路结构图的基础上，确定滤波器的具体设计参数及其对应的初始取值范围。其中，设计参数可以包括中心频率、截止频率、通带带宽、插入损耗、回波损耗、阻带抑制度等滤波器主要参数。当然，对于不同类型的滤波器，其设计参数可以有所区别。例如，对于平行微带线滤波器而言，其设计参数可以包括微带线1长度、微带线2长度、微带线1宽度、微带线2宽度、微带线1间隔、微带线2间隔、频点等。设计参数对应的初始取值范围是滤波器设计优化的基础，也是设计参数的优化范围，利用训练好的滤波器设计优化模型，可以基于各设计参数对应的初始取值范围，选取出能够使滤波器的性能满足设计需求的设计参数取值组合，从而完成滤波器的设计优化。举例而言，对于平行微带线滤波器来说，其设计参数微带线1长度和微带线2长度对应的初始取值范围可以均为24mm～27mm，其设计参数微带线1宽度对应的初始取值范围可以为1.9mm～2.2mm，其设计参数微带线2宽度对应的初始取值范围可以为2.4mm～2.7mm，其设计参数微带线1间隔对应的初始取值范围可以为0.24mm～0.3mm，其设计参数微带线2间隔对应的初始取值范围可以为0.9mm～1.3mm，其设计参数频点对应的初始取值范围可以为1.5GHz～2.5GHz(间隔为0.005GHz)。

需要说明的是，本实施方式并不限制设计参数的具体类型以及其对应的初始取值范围的具体数值范围，本领域技术人员可以在实际应用中根据需要进行选择设置。

步骤S103，将设计参数及其对应的初始取值范围输入训练好的滤波器设计优化模型中，得到设计参数对应的优化预测值，完成滤波器的设计优化；其中，训练好的滤波器设计优化模型基于预设的极限学习机训练得到。

具体的，训练好的滤波器设计优化模型可以初始取值范围的基础上，选取出能够使滤波器的性能达到最优的设计参数取值组合，并将此时各设计参数对应的实际取值输出，作为各设计参数对应的优化预测值，从而完成滤波器的设计优化。

极限学习机英文全称为Extreme Learning Machine，简称ELM，被视为一类特殊的全连接神经网络(Fully Neural Network，FNN)，或对FNN及其反向传播算法的改进，其特点是隐藏层节点的权重为随机或人为给定的，且不需要更新，学习过程仅计算输出权重。由于极限学习机的学习过程易于在全局极小值收敛，因此，本实施方式选择极限学习机作为滤波器设计优化模型的基础模型，利用训练数据对极限学习机进行训练，从而得到训练好的滤波器设计优化模型。

本公开实施方式相对于现有技术而言，通过确定滤波器的拓扑结构图或电路结构图，基于拓扑结构图或电路结构图确定滤波器的设计参数及其对应的初始取值范围，将设计参数及其对应的初始取值范围输入基于预设的极限学习机训练得到的滤波器设计优化模型中，得到设计参数对应的优化预测值，完成滤波器的设计优化，可以省去传统方法中设计人员需要人工调整各个设计参数的纷繁冗杂任务，更快、更优地实现滤波器的设计优化，大大节省设计人员的时间和精力，降低滤波器设计优化门槛和设计成本，提高设计优化效率。

示例性的，如图3所示，训练好的滤波器设计优化模型根据以下步骤训练得到：

步骤S301，确定训练数据，训练数据包括与设计参数相对应的训练设计参数及其对应的训练取值范围。

具体的，本步骤可以将已有的滤波器设计优化方案的数据集作为训练数据集，从已有的滤波器设计优化方案中选取与设计参数相对应的参数及其优化范围，作为与设计参数相对应的训练设计参数及其对应的训练取值范围，并将各训练设计参数对应的滤波器设计优化方案中的最终取值，作为训练设计参数对应的训练优化预测值，以根据训练数据中的训练设计参数及其对应的训练取值范围、训练优化预测值对预设的极限学习机进行训练。

举例而言，对于平行微带线滤波器来说，其设计参数微带线1长度对应的训练设计参数也为微带线1长度，其对应的训练取值范围可以为涉及参数微带线1长度对应的初始取值范围即24mm～27mm，其对应的训练优化预测值可以为25.9809mm。

需要说明的是，本实施方式并不对训练设计参数的具体类型及其对应的训练取值范围的具体数值范围进行限制，只要训练设计参数及其对应的训练取值范围与设计参数相对应即可。

步骤S302，对训练数据进行归一化处理，将训练设计参数减去其对应的训练取值范围中的最小值，并将训练设计参数减去最小值的结果除以训练设计参数对应的取值范围的长度，得到归一化后的训练数据。

举例而言，对于平行微带线滤波器来说，当训练设计参数为微带线1长度L1，其对应的训练取值范围为24mm～27mm时，对该训练设计参数的归一化处理即表现为：将微带线1长度L1减去24mm～27mm中的最小值即24mm，得到L1-24mm，之后，将L1-24mm除以24mm～27mm的长度即3mm，得到即归一化后的训练设计参数微带线1长度。

步骤S303，利用归一化后的训练数据对预设的极限学习机进行训练，得到训练好的滤波器设计优化模型。

具体的，本步骤可以利用归一化后的训练设计参数及其对应的训练取值范围、训练优化预测值，对预设的极限学习机进行训练，从而得到训练好的滤波器设计优化模型。

本实施方式通过采用线性函数归一化方法，将原始训练数据即预设极限学习机的输入参数转换到[0，1]的范围，可实现对原始训练数据的等比例缩放，让各个特征对结果做出相同的贡献，从而提升模型的收敛速度和精度。

示例性的，预设的极限学习机包括正向网络和逆向网络，正向网络和逆向网络均包括输入层、隐藏层和输出层，输入层、隐藏层和输出层均包括多个节点。其中，正向网络中，隐藏层的节点的数量大于输出层的节点的数量，输出层的节点的数量大于输入层的节点的数量。逆向网络中，隐藏层的节点的数量大于输入层的节点的数量，输入层的节点的数量大于输出层的节点的数量。

举例而言，预设的极限学习机可以包括如图4中的A所示的正向网络和如图4中的B所示的逆向网络。其中，如图4中的A所示，正向网络的输入层可以包括6个节点，隐藏层可以包括1000个节点，输出层可以包括804个节点。如图4中的B所示，逆向网络的输入层可以包括804个节点，隐藏层可以包括1000个节点，输出层可以包括6个节点。

需要说明的是，本实施方式并不对正向网络和逆向网络中各层的节点具体数量进行限制，本领域技术人员可以根据实际需要进行设置。

通过在预设的极限学习机中设置正向网络和逆向网络，可以使对其训练得到的滤波器设计优化模型实现正向预测和反向设计功能，利用其中的正向网络预测不同尺寸参数下滤波器的最优设计参数，利用其中的反向网络预测理想设计波形对应的滤波器的尺寸参数。

示例性的，步骤S303可以包括：

将归一化后的训练数据划分为训练样本和测试样本。其中，训练样本用于对预设的极限学习机进行训练，测试样本用于对训练更新后的极限学习机进行测试。

利用训练样本对预设的极限学习机进行训练，得到更新后的极限学习机。举例而言，本步骤选取的预设的极限学习机可以包括正向网络和逆向网络，以利用训练样本分别对正向网络和逆向网络进行训练更新。在对正向网络进行训练时，可以将训练设计参数及其对应的训练取值范围作为输入，将训练设计参数对应的训练优化预测值作为输出。而在对逆向网络进行训练时，可以将训练设计参数对应的训练优化预测值作为输入，将训练设计参数及其对应的训练取值范围作为输出。

测试步骤：利用测试样本对更新后的极限学习机进行测试，得到测试样本对应的S曲线参数。具体的，本步骤可以在利用一个或多个训练样本对预设的极限学习机进行训练后，利用测试样本对更新后的极限学习机进行测试。举例而言，对预设的极限学习机中的正向网络来说，若其在训练过程中以训练设计参数及其对应的训练取值范围为输入，以训练设计参数对应的训练优化预测值为输出，则在利用测试样本对更新后的正向网络进行测试时，可将测试设计参数及其对应的测试取值范围作为输入，将测试设计参数对应的测试优化预测值作为输出，在此基础上得到测试样本对应的S曲线参数。而对预设的极限学习机中的逆向网络来说，若其在训练过程中以训练设计参数对应的训练优化预测值为输入，以训练设计参数及其对应的训练取值范围为输出，则在利用测试样本对更新后的逆向网络进行测试时，可将测试设计参数对应的测试优化预测值作为输入，将测试设计参数及其对应的测试取值范围作为输出，并在此基础上得到测试样本对应的S曲线参数。

判断S曲线参数是否达到预设参数范围：若是，则将更新后的极限学习机作为训练好的滤波器设计优化模型；若否，则利用训练样本对更新后的极限学习机进行训练，得到再次更新后的极限学习机，并回到测试步骤。

具体的，预设参数范围可以根据实际需要进行设置。若测试样本对应的S曲线参数达到预设参数范围，则表明此时训练得到的极限学习机已能够满足设计优化需求，故可将此时的极限学习机作为训练好的滤波器设计优化模型。若测试样本对应的S曲线参数没有达到预设参数范围，则表明此时训练得到的极限学习机还不能满足设计优化需求，需要继续对其训练，直至测试样本对应的S曲线参数达到预设参数范围。

本实施方式通过判断测试样本对应的S曲线参数是否达到预设参数范围来确定预设的极限学习机是否已训练好，可以准确识别模型是否有效。若极限学习机训练效果不佳，则在极限学习机包括正向网络和反向网络时，无论是正向网络还是反向网络，其预测结果都将与实际情况相差甚远。因此，相比于直接通过损失函数来查看训练情况，本实施方式通过利用测试数据对极限学习机进行测试来验证极限学习机的训练效果，显然更具有实践性。

示例性的，对于包含L个隐藏层节点、M个输出层节点的ELM来说，其学习过程包括以下步骤1至步骤4：

步骤1、随机初始化输入权重W和隐藏层偏置B：

其中，w₁₁表示隐藏层第1个神经元即第1个隐藏层节点对应的输入样本第1个参数的权重，w_1N表示隐藏层第1个神经元即第1个隐藏层节点对应的输入样本第N个参数的权重，w_L1表示隐藏层第L个神经元即第L个隐藏层节点对应的输入样本第1个参数的权重，w_LN表示隐藏层第L个神经元即第L个隐藏层节点对应的输入样本第N个参数的权重，N表示隐藏层的输入样本总数，b₁…b_L分别表示隐藏层节点1…L的偏置。

步骤2、进行激活函数计算，并计算隐藏层的输出矩阵H，其中，激活函数可以是Sigmoid函数：

这里，g表示激活函数，w₁…w_L分别表示隐藏层节点1…L的输入权重，x₁…x_N分别表示隐藏层的第1…N个输入样本。

步骤3、计算权重输出矩阵β：

其中，分别表示隐藏层第1…L个节点参数的权重，分别表示隐藏层的第1…N个输入样本对应的期望输出结果，T表示期望输出矩阵，m表示期望输出结果的数量。

其中，j＝1,…,N表示隐藏层的输入样本编号，o_j表示隐藏层的第j个输入样本x_j对应的预测值，t_j表示隐藏层的第j个输入样本x_j对应的理想值。

其中，i＝1,…,L表示隐藏层的节点编号，w_i表示隐藏层节点i的输入权重，b_i表示隐藏层节点i的偏置，β_i表示隐藏层节点i的输出权重。

其中，表示权重矩阵，且

步骤4、利用在新的数据集上预测T，则有：

因此，训练好的滤波器设计优化模型表示为下式(1)：

其中，i＝1,…,L表示预设的极限学习机中隐藏层的节点编号，L表示隐藏层的节点数量，表示权重矩阵，g表示激活函数，w_i表示隐藏层节点i的输入权重，b_i表示隐藏层节点i的偏置，x_j表示隐藏层的第j个输入样本，o_j表示x_j对应的预测值，j＝1,…,N表示隐藏层的输入样本编号，N表示隐藏层的输入样本总数。

优选的，滤波器包括平行微带线滤波器或者共面波导滤波器。

为更好地体现上述实施方式中训练好的滤波器设计优化模型具有的有益效果，下面以一具体测试示例进行说明。

本次测试中，滤波器具体为平行微带线滤波器，其拓扑结构图如图2所示，设计参数及其对应的初始取值范围为：微带线1长度L1：24mm～27mm；微带线2长度L2：24mm～27mm；微带线1宽度W1：1.9mm～2.2mm；微带线2宽度W2：2.4mm～2.7mm；微带线1间隔S1：0.24mm～0.3mm；微带线2间隔S2：0.9mm～1.3mm；频点：1.5GHz～2.5GHz(间隔为0.005GHz)。训练好的滤波器设计优化模型基于包括正向网络和逆向网络的极限学习机训练得到，其中，正向网络的网络结构如图4中的A所示，隐藏层节点的个数为1000。逆向网络的网络结构如图4中的B所示，隐藏层节点的个数也为1000。在分别对正向网络和逆向网络进行训练时，选取的训练样本数量均为400，测试样本数量均为100。

针对训练好的正向网络，本次测试选取输入参数为W1、W2、L1、L2、S1、S2，输出为回波损耗特性S(1，1)和正向传输系数S(2，1)在1.5GHz～2.5GHz结果的实部和虚部，并选取输入参数对应的取值范围内的两组不同数值分别进行测试，则可得到如图5所示的S曲线参数图。其中，图5-1表示采用输入参数的第一组数值对训练好的正向网络进行测试得到的回波损耗特性S(1，1)即S11和正向传输系数S(2，1)即S21对应的S参数曲线，图5-2表示采用输入参数的第二组数值对训练好的正向网络进行测试得到的S11和S21对应的S参数曲线，虚线线条为正向网络的预测结果，实线线条为实际结果。从图5中可以看出，选取的输入参数对应的两组数值得到的预测结果均与对应的实际结果基本相吻合，模型准确，从而表明，对于输入参数对应的取值范围内的任意数值，模型均能输出与对应的实际结果基本吻合的预测结果。

针对训练好的逆向网络，本次测试选取输入参数为S(1，1)和S(2，1)在1.5GHz～2.5GHz结果的实部和虚部，输出为W1、W2、L1、L2、S1、S2，则可得到W1、W2、L1、L2、S1、S2分别对应的优化预测值，该优化预测值与W1、W2、L1、L2、S1、S2分别对应的实际值可表示为下表1：

表1 W1、W2、L1、L2、S1、S2分别对应的优化预测值和实际值

设计参数	优化预测值(mm)	实际值(mm)
			W1	2.188934	2.199
W2	2.697863	2.628
			L1	0.264229	0.259
L2	1.204551	1.224
			S1	26.354	26.391
S2	24.03737	24.03

由于上表1所示的数值比较不够直观，因此，本次测试将W1、W2、L1、L2、S1、S2分别对应的优化预测值用先进设计系统(Advanced Design System，ADS)进行仿真，得到一组对应的S参数曲线，并将其与理想S参数曲线进行对比，其对比结果如图6所示。其中，图6-1为对回波损耗特性S(1，1)即S11和正向传输系数S(2，1)即S21进行ADS仿真得到的S参数曲线，图6-2为回波损耗特性S(1，1)即S11和正向传输系数S(2，1)即S21对应的理想S参数曲线。从图6中可以看出，对S11、S21进行ADS仿真得到的S参数曲线分别与对应的理想S参数曲线相差不大，因此，W1、W2、L1、L2、S1、S2分别对应的优化预测值符合预设的设计要求。

本公开的另一个实施方式涉及一种滤波器的设计优化装置，如图7所示，包括：

第一确定模块701，用于确定滤波器的拓扑结构图或电路结构图；

第二确定模块702，用于基于拓扑结构图或电路结构图，确定滤波器的设计参数及其对应的初始取值范围；

优化模块703，用于将设计参数及其对应的初始取值范围输入训练好的滤波器设计优化模型中，得到设计参数对应的优化预测值，完成滤波器的设计优化；其中，训练好的滤波器设计优化模型基于预设的极限学习机训练得到。

本公开实施方式提供的滤波器的设计优化装置的具体实现方法，可以参见本公开实施方式提供的滤波器的设计优化方法所述，此处不再赘述。

本公开实施方式相对于现有技术而言，利用第一确定模块确定滤波器的拓扑结构图或电路结构图，利用第二确定模块基于拓扑结构图或电路结构图确定滤波器的设计参数及其对应的初始取值范围，利用优化模块将设计参数及其对应的初始取值范围输入基于预设的极限学习机训练得到的滤波器设计优化模型中，得到设计参数对应的优化预测值，完成滤波器的设计优化，可以省去设计人员需要人工调整各个设计参数的纷繁冗杂任务，更快、更优地实现滤波器的设计优化，大大节省设计人员的时间和精力，降低滤波器设计优化门槛和设计成本，提高设计优化效率。

本公开的另一个实施方式涉及一种滤波器，所述滤波器采用上述实施方式所述的滤波器的设计优化方法设计得到。

本公开的另一个实施方式涉及一种电子设备，如图8所示，包括：

至少一个处理器801；以及，

与至少一个处理器801通信连接的存储器802；其中，

存储器802存储有可被至少一个处理器801执行的指令，指令被至少一个处理器801执行，以使至少一个处理器801能够执行上述实施方式所述的滤波器的设计优化方法。

其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。

处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。

本公开的另一个实施方式涉及一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述实施方式所述的滤波器的设计优化方法。

即，本领域技术人员可以理解，实现上述实施方式所述方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本公开各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域的普通技术人员可以理解，上述各实施方式是实现本公开的具体实施方式，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本公开的精神和范围。

Claims (9)

1.一种滤波器的设计优化方法，其特征在于，所述方法包括：

确定滤波器的拓扑结构图或电路结构图；

基于所述拓扑结构图或电路结构图，确定所述滤波器的设计参数及其对应的初始取值范围；

将所述设计参数及其对应的初始取值范围输入训练好的滤波器设计优化模型中，得到所述设计参数对应的优化预测值，完成所述滤波器的设计优化；其中，所述训练好的滤波器设计优化模型基于预设的极限学习机训练得到；

所述预设的极限学习机包括正向网络和逆向网络，所述正向网络用于预测不同尺寸参数下滤波器的最优设计参数，所述逆向网络用于预测理想设计波形对应的滤波器的尺寸参数；

所述正向网络和所述逆向网络均包括输入层、隐藏层和输出层，所述输入层、所述隐藏层和所述输出层均包括多个节点；其中，

所述正向网络中，所述隐藏层的所述节点的数量大于所述输出层的所述节点的数量，所述输出层的所述节点的数量大于所述输入层的所述节点的数量；

所述逆向网络中，所述隐藏层的所述节点的数量大于所述输入层的所述节点的数量，所述输入层的所述节点的数量大于所述输出层的所述节点的数量。

2.根据权利要求1所述的方法，其特征在于，所述训练好的滤波器设计优化模型根据以下步骤训练得到：

确定训练数据，所述训练数据包括与所述设计参数相对应的训练设计参数及其对应的训练取值范围；

对所述训练数据进行归一化处理，将所述训练设计参数减去其对应的所述训练取值范围中的最小值，并将所述训练设计参数减去所述最小值的结果除以所述训练设计参数对应的所述取值范围的长度，得到归一化后的所述训练数据；

利用归一化后的所述训练数据对所述预设的极限学习机进行训练，得到训练好的所述滤波器设计优化模型。

3.根据权利要求2所述的方法，其特征在于，所述利用归一化后的所述训练数据对所述预设的极限学习机进行训练，得到训练好的所述滤波器设计优化模型，包括：

将归一化后的所述训练数据划分为训练样本和测试样本；

利用所述训练样本对所述预设的极限学习机进行训练，得到更新后的所述极限学习机；

测试步骤：利用所述测试样本对更新后的所述极限学习机进行测试，得到所述测试样本对应的S曲线参数；

判断所述S曲线参数是否达到预设参数范围：若是，则将更新后的所述极限学习机作为训练好的所述滤波器设计优化模型；若否，则利用所述训练样本对更新后的所述极限学习机进行训练，得到再次更新后的所述极限学习机，并回到所述测试步骤。

4.根据权利要求3所述的方法，其特征在于，所述训练好的所述滤波器设计优化模型表示为下式(1)：

其中，i＝1,…,L表示所述预设的极限学习机中隐藏层的节点编号，L表示所述隐藏层的节点数量，表示权重矩阵，g表示激活函数，w_i表示隐藏层节点i的输入权重，b_i表示隐藏层节点i的偏置，x_j表示所述隐藏层的第j个输入样本，o_j表示x_j对应的预测值，j＝1,…,N表示所述隐藏层的输入样本编号，N表示所述隐藏层的输入样本总数。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述滤波器包括平行微带线滤波器或者共面波导滤波器。

6.一种滤波器的设计优化装置，其特征在于，所述装置包括：

第一确定模块，用于确定滤波器的拓扑结构图或电路结构图；

第二确定模块，用于基于所述拓扑结构图或电路结构图，确定所述滤波器的设计参数及其对应的初始取值范围；

优化模块，用于将所述设计参数及其对应的初始取值范围输入训练好的滤波器设计优化模型中，得到所述设计参数对应的优化预测值，完成所述滤波器的设计优化；其中，所述训练好的滤波器设计优化模型基于预设的极限学习机训练得到；

所述预设的极限学习机包括正向网络和逆向网络，所述正向网络用于预测不同尺寸参数下滤波器的最优设计参数，所述逆向网络用于预测理想设计波形对应的滤波器的尺寸参数；

所述正向网络和所述逆向网络均包括输入层、隐藏层和输出层，所述输入层、所述隐藏层和所述输出层均包括多个节点；其中，

所述正向网络中，所述隐藏层的所述节点的数量大于所述输出层的所述节点的数量，所述输出层的所述节点的数量大于所述输入层的所述节点的数量；

所述逆向网络中，所述隐藏层的所述节点的数量大于所述输入层的所述节点的数量，所述输入层的所述节点的数量大于所述输出层的所述节点的数量。

7.一种滤波器，其特征在于，所述滤波器采用权利要求1至5任一项所述的滤波器的设计优化方法设计得到。

8.一种电子设备，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5中任一项所述的滤波器的设计优化方法。

9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的滤波器的设计优化方法。