(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110431909.2 (22)申请日 2021.04.21 (65)同一申请的已公布的文献号 申请公布号 CN 113128119 A (43)申请公布日 2021.07.16 (73)专利权人 复旦大学 地址 200433 上海市杨 浦区邯郸路2 20号 (72)发明人 黄浩　梁修业　张喆　曾建平　 关放　刘晓晗　资剑　 (74)专利代理 机构 上海正旦专利代理有限公司 31200 代理人 陆飞　陆尤 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/17(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/12(2006.01) G06F 111/06(2020.01) (56)对比文件 CN 110443364 A,2019.1 1.12 CN 1081709 22 A,2018.0 6.15 CN 101997516 A,201 1.03.30 Li yaping etal.an artificial neural network assisted optimizati on system for analog design space expl oration. 《IEEE》 .2020, 审查员 王超 (54)发明名称 基于深度学习的滤波器逆向设计和优化方 法 (57)摘要 本发明属于微波 滤波器设计技术领域,具体 为一种基于深度学习算法的滤波器的逆向设计 和优化方法。 本发明根据滤波器的电磁 响应变化 来针对滤波器的结构参数进行设计； 设计中使用 正向网络生成数据来训练逆向网络， 进行深度学 习， 结合遗传算法优化： 使用正向网络自生成的 数据结合仿真得到的数据训练逆向网络； 滤波器 的电磁响应曲线由切比雪夫多项式综合得到； 将 目标电磁 响应曲线作为逆向神经网络的输入， 获 得结构参数的初始值； 把初值输入 给遗传算法和 正向神经网络， 进行迭代优化； 优化目标为正向 神经网络输出的电磁响应曲线与 目标电磁响应 曲线差距最小， 最后输出优化的滤波响应曲线， 并获得最终滤波器的结构参数。 权利要求书2页 说明书5页 附图3页 CN 113128119 B 2022.04.12 CN 113128119 B 1.一种基于深度学习算法的滤波器的逆向设计和优化方法， 针对滤波器的结构参数设 计进行， 而滤波器的结构参数 由滤波器的电磁响应曲线来反 映， 具体地滤波器的电磁响应 曲线由切比雪夫多项式综合得到； 其特征在于， 采用深度学习算法， 包括使用正向网络生成 数据集训练逆向神经网络预测结构参数初值， 正向神经网络和遗传算法利用预测的初值 实 现优化， 进行深度学习， 最后得到滤波器的结构参数： 具体步骤为： (1)首先， 将仿真软件得到的数据集导入正向神经网络， 进行训练， 达到收敛条件后， 得 到正向神经网络模型； (2)让正向神经网络模型自生成更多数据， 将这些数据与仿真数据组成混合数据集来 训练逆向神经网络， 得到逆向网络模型； (3)再将切比雪夫多项式综合出的目标电磁响应曲线作为逆向网络模型的输入， 由逆 向神经网络预测出 结构参数的初始值； (4)把这初始值输入给遗传算法， 由遗传算法产生此初值附近范围内的结构参数； 再把 该结构参数作为正向网络的输入， 进行迭代优化： 优化依据为切比雪夫多项式综合出 的符 合设计指标的电磁响应曲线， 优化目标为正向神经网络输出的电磁响应曲线与 依据目标的 响应曲线差距最小， 当损失函数达到阈值或算法达到所指 定的最大迭代步数， 优化停止， 最 后输出优化的响应曲线， 并获得最终的结构参数； 对于腔体交指滤波器， 其基本结构如下： 外腔为金属壁， 包括输入、 输出抽头， 四节耦合 谐振金属杆； 滤波器的关键结构参数包括： 四节金属杆的长度， 从上到下依次为第一节L1、 第二节L2、 第三节L2， 第四节L1， 第一二节间距d12， 第二三节间距d23， 第三四节间距d12； 四 节耦合金属杆的宽度都相等， 第一节和 第四节金属杆的长度相等， 都为L 1， 第二节和第三节 金属杆的长度相等， 都为 L2； 即此腔体交指滤波器需要优化的结构参数为 L1、 L2、 d12和d23； 滤波器的电磁响应S11曲线由切比雪夫多项式综合得到， 具体是根据所需滤波器的插 入损耗、 中心频率和工作带宽， 选取合适阶数的切比雪夫多项式， 由此综合出在频带范围内 的滤波响应曲线； 所用的四阶切比雪夫多 项式为： T4＝8x4‑8x2+1； 由切比雪夫多 项式得目标 滤波响应曲线： 式中， k和 δ 为控制参数， k决定 了所期望带宽内滤波器S1 1最大幅度， δ 为 一常数小量； 遗传算法采用的种群数量 为20， 迭代次数为15； 目标函数为MAE平均绝对误差函数 F： 其中， n和m为从S11目标曲线上选取的关键频率点的数量， m表示相对上方的四个点， n 表示相对下方的三个点， 为所设计的S11目标曲线上位置处于相对下方的第n个关键频 率点处的值， 为正向神经网络预测的S1 1目标曲线上第n个关键频率 点处的值。 2.根据权利要求1所述滤波器的逆向设计和优化方法， 其特征在于， 所述逆向神经网权　利　要　求　书 1/2 页 2 CN 113128119 B 2络， 具体包括： 输入层、 十二个全连接隐藏层及相应的Dropout层和LeakyReLU激活函数、 输 出层； 其中， 十二个隐藏层的每层都有140个神经元， Dropout的值都为0.07； 损失函数为MSE 均方误差函数， 训练周期1000个epoch， 训练目标为预测的结构参数与真实结构参数或者正 向网络生成的结构参数的损失函数最小； 通过考察训练集和测试集损失函数的收敛性以及 网络在新数据集上的预测表现， 来判断网络是否训练好； 如果训练后的网络性能较差， 需要 调整正向网络生成的数据集大小、 训练周期、 损失函数。 3.根据权利要求1所述滤波器的逆向设计和优化方法， 其特征在于， 所述正向神经网 络， 具体包括： 输入层、 8层包含LeakyReLU激活函数的全连接层、 16层包含Dropout层和 LeakyReLU激活函数的全连接层、 输出层； 其中， 输入层的全 连接层有4个神经元， 8层全 连接 层中， 每层有80个神经元； 16层全连接层中， 每层有80个神经元； 输出层中， 全连接层为1个 神经元； 损失函数为MSE均方误差函数； 训练周期1000个epoch； 训练目标为预测的S11曲线 与真实S11曲线的损失函数最小， 通过考察训练集和测试集损失函数的收敛性以及 网络在 新数据集上的预测表现， 来判断网络是否训练好； 如果训练后的网络性能较差， 需要调整 数 据集大小、 训练周期、 损失函数。权　利　要　求　书 2/2 页 3 CN 113128119 B 3