本发明属于射频器件设计领域，涉及一种基于耦合矩阵驱动ai赋能的滤波天线优化设计方法。
背景技术：
1、现代通信技术的进步使得微波和毫米波技术及其元件发挥着越来越重要的作用。随着越来越多无线终端和组件的出现，由天线和滤波器组合而成的滤波天线受到了广泛的关注和研究。这种天线不需要与额外的滤波器元件级联，因此不仅能实现带通滤波器的效果，还能降低插入损耗。滤波天线不需要额外的级联滤波器元件，从而减少了系统中所需的元件和接口数量，降低了系统成本，并为射频系统集成更多功能留出了空间。
2、对滤波天线优化的核心是各个关键尺寸的优化，合适的尺寸参数可以实现想要的s参数和天线阶数。而高阶滤波天线的复杂耦合结构使得想要获得预期的频率响应等目标有着较高的难度，在过去的天线尺寸优化研究中，主要依靠经验进行仿真以调整尺寸，需要付出较多的时间来手算和通过电磁仿真软件进行仿真以调整电路尺寸。
技术实现思路
1、为了解决现有技术中存在的上述技术问题，本发明提出了一种基于耦合矩阵驱动ai赋能的滤波天线优化设计方法，利用启发式算法大范围搜索最优尺寸组合，在得到目标函数后实现s参数误差最小化，其具体技术方案如下：
2、一种基于耦合矩阵驱动ai赋能的滤波天线优化设计方法，包括：
3、根据滤波天线指标，选定天线待优化的元件尺寸；
4、根据所预设的滤波天线目标参数，训练生成一个前向网络模型；
5、通过粒子群优化算法对元件尺寸进行迭代优化，直到优化尺寸后的滤波天线在调用所述前向网络模型后，该前向网络模型输出的滤波天线参数满足所述目标参数。
6、进一步的，所述滤波天线目标参数即前向网络模型的输出，包括：滤波天线s参数的耦合矩阵、带宽bw和谐振点数量。
7、进一步的，s参数由若干频点构成，利用分段函数对每个频点进行判断，若不满足给定条件阈值，则其误差函数c(x)值累加，否则，c(x)为0，再根据滤波天线的带宽bw，计算出带内平均误差值即滤波天线s参数的目标函数f(x)，表达式如下：
8、
9、
10、其中，s(x)是与以x为变量的s参数响应相对应的函数。
11、进一步的，通过贝叶斯优化法对s参数的目标函数f(x)进行估计，使用采样函数来选择天线尺寸组合，新的天线尺寸组合被添加到前向网络模型中，从而更新目标函数的估计，由此，贝叶斯优化在有限的迭代步骤内寻找目标函数的全局最优解，当f(x)＝0时满足滤波天线目标约束，则此时的天线尺寸组合x被保存作为前向网络模型的训练样本，其中，x表示滤波天线尺寸设计中既定参数范围内的随机值，x表示几何参数子空间，在得到天线尺寸组合数据后对其进行归一化处理，表达式如下：
12、
13、进一步的，所述谐振点数量采用前向差分算法判别，当出现谐振点时，会出现f′(x)f′(x+δx)<0，从而保存谐振点，其中，δx为步长，表示两个频点相隔的个数。
14、进一步的，所述粒子群优化算法的计算表达式为：
15、f(x)＝a|nopt-nideal|+|bwopt-bwideal|+∑|mopt-mideal|
16、以f(x)作为粒子群优化算法的目标函数，自变量是元件尺寸，mopt为优化得到耦合矩阵参数，mideal为目标耦合矩阵参数，nopt为优化得到谐振点个数，nideal为目标谐振点个数，a为谐振点数量的权重，bwopt为优化得到的带宽，bwideal为目标带宽。
17、进一步的，所述粒子群优化算法的具体步骤包括：
18、6.1、求得粒子群优化算法的目标函数f(x)的最小值：
19、minimize f(x),x∈[lb,ub]d
20、x＝[lp,d,l3,w2]
21、其中，d是优化变量的数量，是4个；lb和ub分别是优化空间的下限和上限，其维度与d保持一致；滤波天线的寄生带尺寸lp、馈电点位置d、边带的长度l3和宽度w2；每次迭代都调用一次前向网络模型来获得耦合矩阵参数、带宽和谐振点数量，用以得到目标函数f(x)的值；
22、6.2、在每次迭代中，粒子的速度和位置根据以下公式更新：
23、
24、
25、其中和分别表示在迭代t次时，粒子i的速度和位置的矢量；c1和c2分别是全部/局部加速系数，r1和r2是0～1范围内的随机数；表示粒子群的全局最佳位置，而描述了迭代t之前发现的粒子i的历史最佳位置；
26、6.3、更新局部\全局最优：
27、
28、在迭代期间，根据所有粒子的评估函数来更新和当达到评估函数小于给定标准或者达到迭代次数时，粒子群优化将终止以导出全局最佳尺寸即优化后的滤波天线尺寸。
29、进一步的，前向网络模型由四个全连接的隐藏层组成，每个隐藏层分别包含50、200、200和100个隐藏神经元。
30、有益效果：本发明方法针对滤波天线的s参数、带宽和谐振点，使用耦合矩阵对s参数进行了降维，降低了前向模型的输出数量和优化算法的输入变量，提高了求解速度和精度；通过理想目标值和实际优化值作差来设计目标函数，并通过对谐振点个数判断设置相应的权重，加权后得到优化算法的目标函数，提高了其优化能力；基于滤波天线尺寸属于连续型变量的特点，考虑粒子群对连续性优化问题适用性，采用粒子群优化算法优化天线尺寸，在达到迭代次数后得到最优尺寸。
1.一种基于耦合矩阵驱动ai赋能的滤波天线优化设计方法，其特征在于，包括：
2.根据权利要求1所述的基于耦合矩阵驱动ai赋能的滤波天线优化设计方法，其特征在于，所述滤波天线目标参数即前向网络模型的输出，包括：滤波天线s参数的耦合矩阵、带宽bw和谐振点数量。
3.根据权利要求2所述的基于耦合矩阵驱动ai赋能的滤波天线优化设计方法，其特征在于，s参数由若干频点构成，利用分段函数对每个频点进行判断，若不满足给定条件阈值，则其误差函数c(x)值累加，否则，c(x)为0，再根据滤波天线的带宽bw，计算出带内平均误差值即滤波天线s参数的目标函数f(x)，表达式如下：
4.根据权利要求3所述的基于耦合矩阵驱动ai赋能的滤波天线优化设计方法，其特征在于，通过贝叶斯优化法对s参数的目标函数f(x)进行估计，使用采样函数来选择天线尺寸组合，新的天线尺寸组合被添加到前向网络模型中，从而更新目标函数的估计，由此，贝叶斯优化在有限的迭代步骤内寻找目标函数的全局最优解，当f(x)＝0时满足滤波天线目标约束，则此时的天线尺寸组合x被保存作为前向网络模型的训练样本，其中，x表示滤波天线尺寸设计中既定参数范围内的随机值，x表示几何参数子空间，在得到天线尺寸组合数据后对其进行归一化处理，表达式如下：
5.根据权利要求3所述的基于耦合矩阵驱动ai赋能的滤波天线优化设计方法，其特征在于，所述谐振点数量采用前向差分算法判别，当出现谐振点时，会出现f′(x)f′(x+δx)<0，从而保存谐振点，其中，δx为步长，表示两个频点相隔的个数。
6.根据权利要求2所述的基于耦合矩阵驱动ai赋能的滤波天线优化设计方法，其特征在于，所述粒子群优化算法的计算表达式为：
7.根据权利要求6所述的基于耦合矩阵驱动ai赋能的滤波天线优化设计方法，其特征在于，所述粒子群优化算法的具体步骤包括：
8.根据权利要求1所述的基于耦合矩阵驱动ai赋能的滤波天线优化设计方法，其特征在于，前向网络模型由四个全连接的隐藏层组成，每个隐藏层分别包含50、200、200和100个隐藏神经元。
