[发明专利]一种腔体滤波器智能调谐算法及使用该算法的调谐方法

权利要求书

1.一种腔体滤波器智能调谐算法，其特征在于，包括：

设定目标数据并获取实际数据，所述目标数据包括待调腔体滤波器的调谐指标、腔体滤波器的调谐螺杆分布位置、可调位置限制、调谐螺杆数量，所述实际数据包括当前腔体滤波器的S参数波形；

随机采集S参数波形样本数据并获取特征向量；

训练获得调谐策略模型，所述调谐策略模型是增强学习模型与神经网络系统的融合，包括状态、环境、奖励、动作和策略，其中状态为当前S参数波形的降维特征，环境为待调滤波器，动作为滤波器调谐过程中调谐螺杆的执行动作，策略为“ε-贪婪机制”，根据策略挑选动作、执行动作获得新状态和对应新奖励值以不断优化策略，使奖励值达到最佳；

在上述训练获得调谐策略模型后，还包括步骤：

判断当前的S参数波形是否达到目标S参数波形：

若当前的S参数波形达到目标S参数波形，则退出本周期的训练过程；

若当前的S参数波形未达到目标S参数波形，且未超出最大执行步数，则跳转至步骤“从数据空间中随机采样以获取训练样本”继续优化；

若当前的S参数波形未达到目标S参数波形，且已超出最大执行步数，则退出本周期训练过程。

2.如权利要求1所述的调谐算法，其特征在于，随机采集S参数波形样本数据并获取特征向量，包括：

随机调整腔体滤波器的调谐螺杆的高度，采集若干状态下S参数波形的原始样本数据，该样本数据包含各种螺杆高度组合对应的S参数波形；

计算采集到的样本数据的协方差矩阵；

利用奇异值分解求出协方差矩阵的特征向量和特征值，并将特征值按大到小排序；

选取前k个最大的特征值对应的特征向量得到S参数波形的特征向量。

3.如权利要求2所述的调谐算法，其特征在于，选取前k个最大的特征值对应的特征向量得到S参数波形的特征向量，其中，所述k为5。

4.如权利要求2所述的调谐算法，其特征在于，训练获得调谐策略模型，包括：

初始化调谐策略模型，包括设置待调滤波器的调谐指标、神经网络的各参数、数据储存空间大小、样本抽取数量、训练周期数、最大调谐步数；

从数据空间中随机采样以获取训练样本；每组样本数据包括“原状态(s_t)、动作(a_t)、新状态(s_t+1)、该动作的奖励值(r_t)”四部分，其中“原状态”为某时刻的S参数波形经数据降维后的特征，“动作”为某个可执行的调谐螺杆的调谐动作，“新状态”为相对于“原状态”，指在执行“动作”后得到的S参数波形降维后的特征，“该动作的奖励值”为经过以上动作获取到的奖励值，根据当前S参数波形与调谐目标S参数波形的欧氏距离计算得到；

用训练样本数据训练并更新Q网络，其中输入为训练样本数据中的“原状态”，输出目标为各执行动作对应的Q值，依据如下公式计算：

其中，r_t表示第t步的奖励值，w和b为Q网络的参数，即神经网络各层的权值和偏置，s_t+1为“新状态”，a_t+1为“新状态”下可执行的有效动作，γ为设定的折扣因子；

采样待调滤波器的当前状态的S参数波形，输入当前状态S参数波形降维后特征，经过Q网络预测获得各个执行动作对应的Q值；

以“ε-贪婪机制”选取合适的Q值对应的执行动作并作用于调谐螺杆，完成本次的滤波器调谐动作；

采样待调滤波器执行调谐动作后的S参数波形，计算与调谐目标S参数波形的欧氏距离，计算出本次动作执行的奖励值；

对执行调谐动作后获得的S参数波形进行数据降维处理；

保存本次执行动作的数据组到数据存储空间，数据组包括原状态(s_t)、动作(a_t)、新状态(s_t+1)、该动作的奖励值(r_t)。

5.如权利要求4所述的调谐算法，其特征在于，从数据空间中随机采样以获取训练样本，包括：

若存储空间中无样本数据，则设置本次的样本数据全为0；

若存储空间中样本数据不足预设数量，则进行重复抽取直至达到预设数量。