[发明专利]滤波器的设计优化方法及装置、滤波器、设备、介质

权利要求书

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。

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。

6.根据权利要求5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。

7.一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。

8.一种滤波器，其特征在于，所述滤波器采用权利要求1至6任一项所述的滤波器的设计优化方法设计得到。