一种实现无源微波器件高效设计的优化方法、装置和设备

1.本发明属于无源微波器件的计算机辅助建模和优化技术领域，具体涉及一种实现无源微波器件高效设计的优化方法、装置和设备。


背景技术：

2.无源微波器件(包括无源滤波器、天线、过渡结构等)是现代无线通信中的关键组成部分，被广泛应用于各种通信设备中。随着现代通信技术的发展，对无源微波器件实现智能化且高效设计的需求越来越迫切。设计无源微波器件的传统方法是将优化算法与全波电磁分析软件相结合或者人为地调节器件的结构参数以达到设计指标，但是却有着耗时长、消耗计算机资源多和消耗人力多的缺点，已经无法满足现代设计的需求。因此，寻找一种快速和智能化设计的方法先得尤为重要。
3.近年来，为了加快无源微波器件的设计过程，建立合适的替代模型代替电磁仿真软件进行优化是一种可行的方案。目前常用的电磁替代模型包括人工神经网络(ann)、支持向量机和高斯过程(gp)回归等。其中，gp是一种新型电磁建模方法，它是在高斯随机过程和贝叶斯推断的基础上发展起来的一种概率模型，有着严格的数学理论。gp适用于高维度和非线性的回归问题，相对于ann，有着小样本、参数自适应获取、不会出现过拟合和欠拟合等优点。利用gp对微波在一定范围内进行精确的建模并结合优化算法进行设计固然是一种能提高效率的方法，但是当需要优化的变量较多且优化范围较大时，形成具有足够泛化能力的gp仍然需要大量的训练样本，而训练样本来源于耗时的电磁仿真。而其他单一的机器学习模型也同样面临类似的问题。其次，近年来也出现了一些能加快无源微波器件设计的优化方法，如基于空间映射的优化方法。但是基于空间映射的优化方法往往需要构建等效电路或者理论公式作为粗模型，其本质是基于先验知识的优化方法，而不是所有的无源微波器件都能找到合适的等效电路或者理论公式，从而限制了该方法的应用。


技术实现要素：

4.针对目前无源微波器件优化方法消耗计算机资源多、耗费时间长的问题，本发明提供了一种实现无源微波器件高效设计的优化方法。本发明利用智能优化算法的全局寻优功能，不断优化gp模型并联合电磁仿真软件补充训练集样本，使得建模和优化向着靠近设计指标的方向进行，大幅度减少了进行全波电磁仿真的次数，从而实现了无源微波器件的高效优化。
5.本发明通过下述技术方案实现：
6.一种实现无源微波器件高效设计的优化方法，包括：
7.步骤1，根据优化问题构建误差函数；
8.步骤2，根据优化问题，在优化范围内确定输入样本，结合全波电磁仿真输出数据构建初始的训练样本集；
9.步骤3，利用训练样本集训练高斯过程模型，利用粒子群优化算法对高斯过程模型
寻优，得到最优设计尺寸预测值，对最优设计尺寸预测值进行全波电磁仿真并获得相应的仿真结果；
10.步骤4，判断仿真结果是否满足设计指标，若满足则将最优设计尺寸预测值作为最优设计尺寸输出并结束流程，否则进入步骤5；
11.步骤5，根据误差函数和输出结果计算误差，若满足预设条件，则更新最优设计尺寸和适应度值；判断是否达到迭代终止条件，若达到则输出更新后的最优设计尺寸并结束流程，否则更新训练样本集并返回到步骤3进行下一次迭代优化。
12.优选的，本发明的步骤2具体包括：
13.在优化范围内选取结构尺寸参数x＝{x1，x2，
…
xm}作为输入样本；
14.通过全波电磁仿真获得相应的输出y＝{y1，y2，
…
ym}；
15.根据输入样本x＝{x1，x2，
…
xm}和输出y＝{y1，y2，
…
ym}构成初始的训练样本集d＝{x，y}。
16.优选的，本发明的对于输入样本x中任意一个输入样本矢量xi＝[l1，l2，
…
ln]
t
(i＝1，2，
…
m)，它的归一化矢量为：
[0017]
x
′i＝[(l
1-l
1min
)/(l
1max-l
1min
)，
…
，(l
m-l
mmin
)/(l
mmax-l
mmin
)]
t
[0018]
式中，lk(k＝1，2，
…
n)是第k个设计参数，l
kmax
和l
kmin
是lk对应的上限和下限。
[0019]
优选的，本发明的输入样本x中任意两个输入样本的归一化矢量间的距离大于等于一个预设值η，即：
[0020]
||x
′
i-x
′j||≥η(i≠j)。
[0021]
优选的，本发明的高斯过程模型采用的协方差函数为：
[0022][0023]
式中，σf为特征长度，σm为信号标准差，α为标度参数。
[0024]
优选的，本发明的步骤3中粒子群优化算法采用的适应度函数为所述步骤1中构建的误差函数，优化过程中应使得适应度函数值尽量小。
[0025]
优选的，本发明的全波电磁仿真过程通过在matlab中调用仿真软件cst实现。
[0026]
第二方面，本发明提出了一种实现无源微波器件参数优化装置，包括误差函数构建模块、训练样本构建模块、仿真模块、迭代优化模块、测试模块、更新模块和输出模块；
[0027]
所述误差函数构建模块根据优化问题构建误差函数；
[0028]
所述训练样本构建模块根据优化问题，在优化范围内确定输入样本并结合所述仿真模块进行全波电磁仿真输出的数据构建初始的训练样本集；
[0029]
所述迭代优化模块利用训练样本集训练高斯过程模型，利用粒子群优化算法对高斯过程模型寻优，得到最优设计尺寸预测值；
[0030]
所述仿真模块对最优设计尺寸预测值进行全波电磁仿真并获得相应的仿真结果；
[0031]
所述测试模块判断仿真结果是否满足设计指标，若满足将最优设计尺寸预测值作为最优设计尺寸通过所述输出模块输出；否则通过所述更新模块进行参数更新；
[0032]
所述更新模块根据误差函数和输出结果计算误差，若满足预设条件，则更新最优
设计尺寸和适应度值；判断是否达到迭代终止条件，若达到则通过所述输出模块输出更新后的最优设计尺寸，否则对训练样本集进行更新。
[0033]
第三方面，本发明提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本发明所述方法的步骤。
[0034]
第四方面，本发明提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明所述方法的步骤。
[0035]
本发明具有如下的优点和有益效果：
[0036]
1、本发明仅需确立优化问题、依据设计指标构建合适的误差函数，并设置好终止条件即可实现无源微波器件智能化且高效快速的设计，克服了传统无源微波器件设计需消耗计算机资源多和时间长的问题，同时特别适用于设计参数多且优化范围大的优化问题。
[0037]
2、本发明在训练gp模型的过程中，并不追求在整个优化范围内建立具有较高预测精度的gp模型，而是在优化过程中利用粒子群算法启发式地加入接近最佳设计结构的训练样本，从而逐渐增强了gp模型在最佳设计结构尺寸及其周围空间内的泛化能力。
[0038]
3、本发明克服了现有使用机器学习模型进行建模和优化时所需样本数量多的限制，优化过程中在智能算法引导下将不断补充靠近最佳设计结构的训练样本，从而使得训练样本的选取具有智能化，大幅减少了训练样本的数量。
附图说明
[0039]
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本技术的一部分，并不构成对本发明实施例的限定。在附图中：
[0040]
图1为本发明的优化方法流程示意图。
[0041]
图2为本发明的计算机设备结构示意图。
[0042]
图3为本发明的装置原理框图。
[0043]
图4为本发明的共面波导馈电的超宽带天线结构示意图。
[0044]
图5为优化初始gp模型得到的|s
11
|预测结果和验证结果。
[0045]
图6为优化结束时适应度值的收敛曲线。
[0046]
图7为天线|s
11
|曲线优化结果。
具体实施方式
[0047]
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
[0048]
实施例1
[0049]
现有无源微波器件优化方法存在消耗计算机资源多、耗费时间长、所需样本多以及构建先验知识难的问题，针对此，本实施例提出了一种实现无源微波器件高效设计的优化方法，本发明利用智能优化算法的全局寻优功能，不断优化gp模型并联合电磁仿真软件补充训练集样本，使得建模和优化向着靠近设计指标的方向进行，大幅度减少了进行全波电磁仿真的次数，从而实现了无源微波器件的高效优化。
[0050]
如图1所示，本实施例的方法具体包括以下步骤：
[0051]
步骤1，根据设计指标确定优化问题，根据优化问题构建误差函数。
[0052]
步骤2，根据优化问题，在优化范围内确定输入样本并结合全波电磁仿真输出数据构建初始的训练样本集d。
[0053]
本实施例中在优化范围内选取较少的结构尺寸数据x＝{x1，x2，
…
xm}作为输入样本，在matlab软件中调用全波电磁仿真软件cst仿真获得相应的输出y＝{y1，y2，
…
ym}构成初始的训练样本集d＝{x，y}。
[0054]
其中，x中的每个样本应保持均匀性和差异性。对于任意一个输入样本矢量xi＝[l1，l2，
…
ln]
t
(i＝1，2，
…
m)，它的归一化矢量为：
[0055]
x
′i＝[(l
1-l
1min
)/(l
1max-l
1min
)，
…
，(l
m-l
mmin
)/(l
mmax-l
mmin
)]
t
[0056]
式中，lk(k＝1，2，
…
n)是第k个设计参数，l
kmax
和l
kmin
是lk对应的上限和下限。任意两个归一化输入样本矢量间的距离应大于等于一个预设值η，即：
[0057]
||x
′
i-x
′j||≥η(i≠j)
[0058]
步骤3，利用训练样本集d训练高斯过程模型gp，利用粒子群优化算法对高斯过程模型gp寻优，得到最优设计尺寸预测值x
pred
，对x
pred
进行全波电磁仿真并获得相应的输出结果y
rp
。
[0059]
本实施例中调用全波电磁仿真软件cst仿真获得相应的输出结果。
[0060]
本实施例中高斯过程采用的协方差函数为：
[0061][0062]
式中，σf为特征长度，σm为信号标准差，α为标度参数(为正值)。
[0063]
本实施例的粒子群优化算法采用的适应度函数为步骤1构建的误差函数，优化过程中应使得适应度函数尽量小。
[0064]
步骤4，判断输出结果y
rp
是否满足设计指标，若满足设计指标，则置x
best
＝x
pred
，输出x
best
作为最佳设计结构并结束流程，否则进入步骤5；
[0065]
步骤5，根据误差函数和输出结果y
rp
计算误差d
p
。若p＝0或d
p
＜fitness，更新最优设计尺寸x
best
＝x
pred
，更新适应度值fitness＝d
p
。判断是否达到最大迭代次数n(即达到迭代终止条件)；若达到，输出x
best
作为最佳设计结构并结束流程，否则将x
pred
和y
rp
加入到训练样本集d中并置p＝p+1，返回到步骤3进行下一次迭代。p为迭代次数。
[0066]
本实施例还提出了一种计算机设备，用于执行本实施例的上述方法。
[0067]
具体如图2所示，计算机设备包括处理器、内存储器和系统总线；内存储器和处理器在内的各种设备组件连接到系统总线上。处理器是一个用来通过计算机系统中基本的算术和逻辑运算来执行计算机程序指令的硬件。内存储器是一个用于临时或永久性存储计算程序或数据(例如，程序状态信息)的物理设备。系统总线可以为以下几种类型的总线结构中的任意一种，包括存储器总线或存储控制器、外设总线和局部总线。处理器和内存储器可以通过系统总线进行数据通信。其中内存储器包括只读存储器(rom)或闪存(图中未示出)，以及随机存取存储器(ram)，ram通常是指加载了操作系统和计算机程序的主存储器。
[0068]
计算机设备一般包括一个外存储设备。外存储设备可以从多种计算机可读介质中
选择，计算机可读介质是指可以通过计算机设备访问的任何可利用的介质，包括移动的和固定的两种介质。例如，计算机可读介质包括但不限于，闪速存储器(微型sd卡)，cd-rom，数字通用光盘(dvd)或其它光盘存储、磁带盒、磁带、磁盘存储或其它磁存储设备，或者可用于存储所需信息并可由计算机设备访问的任何其它介质。
[0069]
计算机设备可在网络环境中与一个或者多个网络终端进行逻辑连接。网络终端可以是个人电脑、服务器、路由器、智能电话、平板电脑或者其它公共网络节点。计算机设备通过网络接口(局域网lan接口)与网络终端相连接。局域网(lan)是指在有限区域内，例如家庭、学校、计算机实验室、或者使用网络媒体的办公楼，互联组成的计算机网络。wifi和双绞线布线以太网是最常用的构建局域网的两种技术。
[0070]
应当指出的是，其它包括比计算机设备更多或更少的子系统的计算机系统也能适用于发明。
[0071]
如上面详细描述的，适用于本实施例的计算机设备能执行优化方法的指定操作。计算机设备通过处理器运行在计算机可读介质中的软件指令的形式来执行这些操作。这些软件指令可以从存储设备或者通过局域网接口从另一设备读入到存储器中。存储在存储器中的软件指令使得处理器执行上述的群成员信息的处理方法。此外，通过硬件电路或者硬件电路结合软件指令也能同样实现本发明。因此，实现本实施例并不限于任何特定硬件电路和软件的组合。
[0072]
实施例2
[0073]
本实施例提出了一种实现无源微波器件高效设计的优化装置，如图3所示，该优化装置包括误差函数构建模块、训练样本构建模块、仿真模块、迭代优化模块、测试模块、迭代模块、更新模块、输出模块。
[0074]
其中，该误差函数构建模块根据优化问题构建误差函数。
[0075]
该训练样本构建模块根据优化问题，在优化范围内确定输入样本并结合所述仿真模块进行全波电磁仿真输出的数据构建初始的训练样本集d。
[0076]
该迭代优化模块利用训练样本集d训练高斯过程模型gp，利用粒子群优化算法对高斯过程模型gp寻优，得到最优设计尺寸预测值x
pred
；
[0077]
该仿真模块对x
pred
进行全波电磁仿真并获得相应的输出结果y
rp
。
[0078]
该测试模块判断输出结果y
rp
是否满足设计指标，若满足设计指标，则置x
best
＝x
pred
，通过输出模块输出x
best
作为最佳设计结构；否则通过更新模块进行参数更新。
[0079]
该更新模块根据误差函数和输出结果y
rp
计算误差d
p
。若p＝0或d
p
《fitness,更新最优设计尺寸x
best
＝x
pred
，更新适应度值fitness＝d
p
，判断是否达到最大迭代次数n；若达到，则通过输出模块输出x
best
作为最佳设计结构，否则对训练样本集d进行更新。
[0080]
该输出模块用于输出最优设计尺寸。
[0081]
实施例3
[0082]
本实施例对上述实施例1提出的优化方法对共面波导馈电的超宽带天线(以下简称cwp天线)的设计进行优化，该天线结构如图4所示，图4中介质基板高度h＝0.813mm，相对介电系数εr＝3.38，已经确定好的尺寸为w0＝4mm，s0＝0.3mm，不作为设计参数。具体的优化流程如下：
[0083]
步骤1，确定cwp天线的设计指标为在2.3ghz-7.6ghz范围内|s
11
|《-13db，构造的误
差函数为d＝max(s
11@2.3-7.6ghz
)，最大迭代次数设置为30，每个设计变量的优化范围如表1所示。
[0084]
表1 cwp天线设计参数优化范围
[0085][0086][0087]
步骤2，在优化范围内选取30组结构尺寸数据x＝{x1,x2,
…
x
30
}作为输入样本，在matlab软件中调用全波电磁仿真软件cst仿真获得相应的|s
11
|输出数据y＝{y1,y2,
…y30
}构成初始训练样本集d＝{x,y}，置p＝0。x中的每个样本应保证均匀性和差异性，任意两个归一化输入样本矢量间的距离应大于1.1。
[0088]
步骤3，用d训练高斯过程模型gp，利用gp代替电磁仿真软件并用粒子群算法对gp寻优，得到预测的最优设计尺x
pred
，调用cst对x
pred
进行仿真并获得相应的输出结果y
rp
。
[0089]
步骤4：判断y
rp
是否满足设计指标，若满足设计指标，则置x
best
＝x
pred
，输出x
best
作为最佳设计结构并结束流程，否则进入步骤5。
[0090]
步骤5：根据误差函数和y
rp
计算误差d
p
。若p＝0或d
p
《fitness，更新最优设计尺寸x
best
＝x
pred
，更新适应度值fitness＝d
p
。判断是否达到最大迭代次数n；若达到，输出x
best
作为最佳设计结构并结束流程，否则将x
pred
和y
rp
加入到训练集d中并置p＝p+1，返回到步骤3。
[0091]
图5是初始训练样本集训练gp后用粒子群算法对模型寻优得到的结果。由图5可见，初始gp模型预测的最佳设计结果与cst软件的验证结果差异较大，且均不满足设计指标。这是由于在较大的优化范围内进行多参数设计，建立有较高精度的gp模型所需样本数量很大，而初始训练样本集的样本数量不充足。图6是本发明所提出的方法在优化过程中fitness的收敛图，图7是优化结束时gp模型的预测结果和cst中的验证结果，两者结果十分一致且均满足设计指标，对应的x
best
＝[38.08,6.55,9.23,13.07,1.65]mm。由图6、图7可知，本发明提出的方法在优化过程中会向着好的方向进行并逐渐收敛，最终获得最佳设计结构。表2给出了用本发明提出的方法进行优化和直接用粒子群算法结合cst软件优化所消耗的时间对比。由表2可见，本发明所提方法耗时仅为直接使用粒子群算法结合cst软件进行优化的1.35％，证明所提出方法的高效性。
[0092]
表2本发明所提优化方法和现有方法优化结果对比表
[0093][0094]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明
的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。