一种声表面波滤波器的快速智能设计方法和系统

本发明属于声表面波器件与人工智能，具体涉及一种声表面波滤波器的快速智能设计方法和系统。

背景技术：

1、声表面波滤波器具有小型化、抗干扰能力强和易于制造等优势，广泛应用于无线通信、雷达系统、生物传感领域。然而，传统的声表面波器件设计通常需要大量的电磁仿真、复杂的电路拓扑、昂贵的工艺验证以及专业的工程师经验，导致设计的过程十分繁琐、消耗大量的时间成本和硬件成本。

2、传统方法主要包括拟合法和仿真法。其中，拟合法是广泛应用的声表面波滤波器的设计方法，需要大量的实验反复验证和调整，最终使滤波器的特性符合要求。仿真法是考虑声表面波器件的声学特性和物理模型的结构与材料，进而仿真声表面波滤波器，但随着复杂性增加，导致计算资源和时间的消耗也相应增加。

3、随着深度学习技术不断提升，神经网络展示了优越的数据学习能力并广泛应用于多个领域。深度学习算法可以应用于不同类型的数据和任务，包括图像、文本和音频，并能够处理海量数据，从中提取有用信息。在声表面波滤波器的设计中，深度学习技术能够突破传统方法的限制，实现更高效、更准确的设计，显著减少声表面波滤波器设计成本。

4、有鉴于此，提出一种声表面波滤波器的快速智能设计方法和系统是非常具有意义的。

技术实现思路

1、为了解决传统声表面波滤波器设计流程繁琐、复杂、效率低下的问题，本发明提供一种声表面波滤波器的快速智能设计方法和系统，以解决上述存在的技术缺陷问题。

2、第一方面，本发明提出了一种声表面波滤波器的快速智能设计方法，该方法包括如下步骤：

3、s1、基于电磁仿真软件，建立声表面波谐振器物理模型，计算得到对应导纳响应，随机生成所需的样本数据集，得到构造目标声表面滤波器的一系列声表面谐振器导纳响应和关键结构参数；

4、s2、对收集所得所述样本数据集进行预处理，包括数据清洗和归一化处理，形成深度学习模型的输入向量；

5、s3、将所述样本数据集划分为训练集和验证集，在训练集上应用所述深度学习模型，构建逆向设计的神经网络模型，学习结构参数与导纳响应的映射关系，并在验证集上评估算法性能，基于训练好的深度学习模型，进行串、并联声表面波谐振器的结构参数预测；

6、s4、结合com模型，根据串、并联声表面波谐振器导纳响应提取com参数，将saw单端谐振器按照梯形结构组合而成，串、并联谐振器的导纳转化为s矩阵，从而得到滤波通带，实现声表面波滤波器智能快速设计。

7、本方法使用电磁仿真软件，在给定的周期性层状电极结合衬底结构内随机组合计算得到所对应的导纳响应，并将这些数据用于深度学习算法的训练和验证，使神经网络能学习到电极结构和材料，衬底宽度和导纳响应之间的复杂映射关系。

8、优选的，s1中建立的所述声表面波谐振器物理模型的结构参数包括周期性层状电极结构的层数、材料、几何形状、金属化率、宽度、厚度和衬底结构的材料、宽度。

9、进一步优选的，所述周期性层状电极结构的层数为任意层数，所述周期性层状电极结构的材料为钛、铝、铜、金、银金属中任意一种或复合而成，所述周期性层状电极结构的几何形状为矩形或梯形。

10、进一步优选的，所述层状电极结构为三层的金属层状纳米结构，几何形状是梯形，三层电极结构材料为钛铝钛，衬底材料为42°yx切向的钽酸锂压电晶体42°yx-lt，所述衬底的宽度为λ，两个电极的金属化率为r1和r2，其中金属化率r＝w/λ，w为电极宽度，所述三层电极厚度由上至下分别为t1，t2，t3。

11、优选的，s3中所述深度学习模型依次包括输入层、隐藏层和输出层，以建立结构参数与导纳响应谱线之间复杂的映射关系；

12、所述输入层接收声表面波谐振器的导纳响应谱线作为输入特征，输出层预测对应谐振器的结构参数和电极材料；输入层的长度为800，对应于导纳响应谱线上的采样点数；

13、所述隐藏层包括8个全连接层，每个隐藏层包含多个神经元，每个神经元通过对上一层的输入进行加权和处理，再通过激活函数进行非线性映射；

14、所述输出层由若干个全连接层构成，输出长度为9，即输出衬底宽度λ，电极宽度w1和w2，电极厚度t1、t2和t3，以及三层电极的材料属性。

15、优选的，在s3中，将训练集输入深度学习模型中建立结构参数和导纳响应的映射关系，所述深度学习模型的训练方法具体包括：

16、初始化参数，设置批量尺寸batch size为128，总学习次数epoch为500，初始学习率为0.0001，学习率衰减策略为每训练30个epoch学习率下降60％，采用adam作为梯度下降优化器，采用均方误差mse作为损失函数，采用relu函数作为整个网络模型的激活函数，通过链式求导法则反向传递梯度到每个神经元中，以优化神经元中的参数。

17、优选的，所述逆向设计的神经网络包括全连接神经网络、卷积神经网络、transformer、残差神经网络、循环神经网络、生成对抗网络和自编码器的神经网络。

18、优选的，还包括：使用电磁仿真软件计算层状电极与衬底结构结合的声表面波谐振器全周期模型的导纳响应，利用预测的结构参数，使用com模型拟合全周期的声表面波谐振器导纳，设置周期为89，基于预测的导纳响应谱线及结构参数，提取表面掠射体波ssbw的波速vb、谐振频率fr和反谐振频率far，com参数计算公式为：

19、δ＝ω/vb-2π/pi

20、

21、δv＝-η2/2

22、κ＝|ε|(η+|ε|/2)

23、κb＝-|ε|2η/(η+2|ε|)

24、其中，δ是归一化频率，ω为角频率，pi表示声表面波在特定结构，如周期性层状电极和衬底结构中的传播周期特性，ε表示saw反射的参数，η是表示saw渗透深度的参数，κ和κb为声表面波在传播过程中不同模式之间耦合强度的不同参数。

25、优选的，s4中基于得到的导纳响应，将saw单端谐振器按照梯形结构组合而成，串、并联谐振器的导纳转化为s矩阵，具体计算过程为：

26、该滤波器只有一个串联谐振器和一个并联谐振器，滤波器的[abcd]矩阵为：

27、

28、对端口阻抗z0，z0为50ω，进行归一化：

29、

30、再将[abcd]矩阵转化为[s]矩阵为：

31、

32、其中，ys和yp为与矩阵变换相关的参数，[abcd]矩阵表示用输出端口的总电压和总电流来表示输入端口的总电压和总电流的矩阵，[abcd]矩阵表示阻抗归一化后的[abcd]矩阵；s11和s22表示反射系数，反映了信号在端口处反射的程度，s21和s12表示传输系数，反映了信号在端口之间传输的程度。

33、第二方面，本发明实施例提供一种声表面波滤波器的快速智能设计系统，包括：

34、数据仿真模块：配置用于基于电磁仿真软件，建立声表面波谐振器物理模型，计算得到对应导纳响应，随机生成所需的样本数据集，得到构造目标声表面滤波器的一系列声表面谐振器导纳响应和关键结构参数；

35、样本处理模块：配置用于对收集所得所述样本数据集进行预处理，包括数据清洗和归一化处理，形成深度学习模型的输入向量；

36、算法训练模块：配置用于构建深度学习模型，学习结构参数与导纳曲线映射关系，评估深度学习模型性能；

37、滤波器预测模块：配置用于输入串联和并联谐振器导纳响应给训练好的深度学习模型，使得表示串联和并联谐振器导纳响应的这两条导纳曲线满足一定的关系，即其中一条导纳曲线为并联谐振器的谐振频率等于另一条导纳曲线为串联谐振器的反谐振频率，基于深度学习模型得到串并联谐振器的关键结构参数；

38、电路拓扑模块：配置用于基于com模型和预测得到的关键结构参数，提取com参数，计算梯形滤波器设计性能。

39、第三方面，本发明实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

40、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

41、与现有技术相比，本发明的有益成果在于：

42、本方法通过深度学习模型能够高效学习复杂的结构参数与导纳响应之间的映射关系，经过训练的算法模型可在毫秒内快速预测结构参数，结合com模型实现不同滤波通带需求的声表面波滤波器实时按需设计，显著提升了声表面波滤波器的设计效率和精确度。相比于传统设计方法，本发明避免了因复杂声学特性和材料参数导致的高计算成本和精确性问题，克服了传统数值模拟方法耗时繁琐和复杂的电路拓扑流程，能够为不同滤波通带需求的声表面波滤波器快速提供符合条件的结构参数和材料的可靠参考方案，满足了声表面波滤波器快速智能设计需求。