论文部分内容阅读
信号间的频带随着通信技术的发展变得越来越窄,为了抑制各种干扰信号和降低系统对信号的衰减,国内外学者对微波滤波器的设计已经做了大量的研究工作。微波腔体滤波器由于其具有大功率、低损耗、高抑制、结构紧凑、性能稳定等优点,近些年被广泛地应用在通信系统中。同时,随着计算机技术的高速发展,高频电磁仿真软件与滤波器设计的结合使得滤波器的设计精度和速度都得到了很大的改善,大大缩短了设计周期。但是对于结构复杂的微波滤波器来说,由于其设计的参数较多,电磁仿真软件很难在预期的时间内达到设计所要求的精度,有时甚至还会出现难以收敛的现象。为解决上述问题,本文将改进的神经网络算法和极限学习机算法分别引入到微波腔体滤波器的设计当中,在Matlab环境下实现了微波腔体滤波器HFSS(High Frequency Structure Simulator)的快速建模,一定程度上提高了滤波器的设计效率,缩短了设计周期。首先,研究了带通滤波器的基本理论,以及同轴腔体带通滤波器的谐振腔之间的耦合结构与耦合端口的设计;随后分析并研究了用神经网络优化微波腔体带通滤波器结构参数的方法,提出了遗传神经网络(Genetic Neural Networks, GA-BP)和并行拟牛顿神经网络(Parallel Quasi-Newton Neural Networks, PQN-BP)算法,并将这两种优化算法分别用在微波腔体滤波器的结构参数优化中;接着分析介绍了极限学习机(Extreme Learning Machine, ELM)、核函数、量子粒子群(Quantum particle Swarm Optimization Algorithm, QPSO)的相关理论,首次将小波核极限学习机(Wavelet Kernel Extreme Learning Machine, WKELM)方法引入到微波滤波器的结构参数优化领域中,对其进行改进后,给出了一种基于量子粒子群的小波核极限学习机的优化方案。最后,将三种算法进行对比分析后,得出本文研究的三种方法均能有效的提高收敛速度,克服传统方法易陷入局部最小等缺点,但量子粒子群小波核极限学习机方法(QPSO-WKELM)效果最好。因此,运用量子粒子群小波核极限学习机方法设计了一款七腔带通滤波器,仿真结果表明,该算法能够实现对微波滤波器结构参数的快速精准的设计,与传统的滤波器建模技术相比在精度和速度上都有明显的改善。