[发明专利]一种数控衰减器建模方法

权利要求书

1.一种数控衰减器建模方法，其特征在于，包括以下步骤：

步骤一、获取参考态和衰减基态测试数据：针对数控衰减器建模，将S参数作为神经网络模型的输出参数，将频率作为输入参数；利用矢量网络分析仪对数控衰减器的参考态及各衰减基态进行数据测量，其中衰减基态为数控衰减器中各衰减模块单独作用的衰减状态；将各通道S参数的幅度、相位单独作为神经网络的输出进行建模，以提高模型精度和训练效率，每个工作状态下的模型包含多个神经网络模型，每个神经网络模型仅计算和输出一维S参数；

步骤二、获取其他衰减状态的数据：其他衰减状态由数控衰减器的参考态和不同衰减模块组合形成，通过去嵌公式将各衰减模块的S参数求出，然后再利用级联公式求出参考态与多个衰减模块不同组合下的级联S参数，以得到不同工作状态下的S参数数据；

步骤三、预处理样本数据：对S参数中周期性变化的相位数据进行反折叠处理，以及对神经网络训练样本进行归一化和随机排序处理；所述反折叠处理包括以下步骤：当一个点的相位数据与上一个点的相位数据相差超过相位周期的一半时，则将当前点的相位数据加上或减去若干倍周期值，从而使相位数据的变化相对平滑，却不会影响相位数据的正确性；

步骤四、建立神经网络模型：利用BP神经网络算法对数控衰减器的数据进行自主学习以建立其模型，针对数控衰减器各工作状态下的各维度的S参数分别建立神经网络模型，确定各神经网络的层数、各隐藏层神经元个数和各神经元激活函数；

步骤五、训练神经网络模型：针对每个工作状态的各维度S参数的幅度和相位分别进行神经网络模型的训练。

2.根据权利要求1所述的一种数控衰减器建模方法，其特征在于，步骤三中，归一化处理是将原始数据归一到相同的尺度范围内，以避免各维度物理量绝对值相差过大而影响模型精度。

3.根据权利要求1或2所述的一种数控衰减器建模方法，其特征在于，步骤五中，采用BP神经网络模型算法，训练过程主要包括正向计算和反向误差传播过程，利用第三方神经网络算法库进行。

4.根据权利要求3所述的一种数控衰减器建模方法，其特征在于，神经网络训练过程主要需确定三个参数：训练算法、学习率和迭代终止条件。