[發明專利]大功率毫米波回旋行波管功率模塊最優工作參數搜索方法

在審

• 申請號: 202110238818.7
• 申請日: 2021-03-04
• 公開（公告）號: CN112884234A
• 公開（公告）日: 2021-06-01
• 發明（設計）人: 鄢然;鄒富城;羅勇;王麗;姚葉雷
• 申請（專利權）人: 電子科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06N3/04;G06N3/08;G06N3/12
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 甘茂

本發明屬于大功率毫米波技術領域，具體提供一種大功率毫米波回旋行波管功率模塊最優工作參數搜索方法；首先，通過測試數據的合并、相關性分析，選取能夠用來建立預測模型的工作參數作為輸入，并以效率作為輸出，形成樣本數據；然后，通過徑向基神經網絡建立預測模型，并對預測模型進行有效訓練；最后，將訓練完成的徑向基神經網絡預測模型的預測輸出作為適應度函數，采用遺傳算法進行全局優化，獲取預測的最優效率及其對應的工作參數。本發明能夠基于自動化測試系統提供的大量測試數據，預測得到最優效率及其對應的工作參數，大大減小回旋行波管參數設計的工作量，進而大大降低減少設計和測試成本，具有良好的實用價值。

技術領域

本發明屬于大功率毫米波技術領域，涉及大功率毫米波回旋行波管的自動化測試系統；具體提供一種基于徑向基神經網絡預測模型的大功率毫米波回旋行波管功率模塊最優工作參數搜索方法。

背景技術

回旋行波管作為大功率毫米波器件中主流器件，因為其在毫米波波段具有功率大、頻帶寬的特點，使其在國防、科學研究、民用通訊等領域有著廣泛的應用?；匦胁ü艿脑O計主要包括尺寸設計和電子注的電流電壓速度橫縱比兩部分，當結構設計完成后，電子注工作參數通常都需要設計人員的大量的理論計算、以及經驗值進行設計，從而使得回旋行波管工作在最優效率下。而現有的測試系統在測試過程中得到大量的測試數據無法準確的為設計人員反饋測試中的信息，更無法自動的從數據中獲取最優效率對應的工作參數，這使得測試中收集的大量數據無法轉化為實際生產價值。因此，如何從測試數據中發掘出準確有效信息成為了回旋行波管參數設計的研究熱點。

目前，自動化測試系統中通常采用預測模塊對測試數據進行最優效率預測、進而得到預設器件結構下的最優效率對應的工作參數；其中，常見的預測模塊均基于BP神經網絡進行構建，但是，由于BP神經網絡在進行預測時有以下不足：其一是容易陷入局部最優解、其二是隱藏層及隱藏層神經元數量難以確定、其三是一個新的BP神經網絡能否經過訓練達到收斂與很多因素有關(如數據集的大小、數據集選取的方式、網絡結構(輸入輸出節點，隱藏層節點及激活函數)、損失函數和迭代次數等)，最終導致基于BP神經網絡的預測模型受各因素影響較大、預測精度無法保持穩定、泛化能力較差?；诖耍景l明提供一種基于徑向基神經網絡預測模型的大功率毫米波功率模塊最優狀態搜索方法。

發明內容

本發明的目的在于提供一種大功率毫米波回旋行波管功率模塊最優工作參數搜索方法，首先基于徑向基神經網絡構建預測模型，并根據該預測模型，利用遺傳算法尋找全局最優效率點及對應的各個工作參數的值。

為實現上述目的，本發明采用的技術方案如下：

大功率毫米波回旋行波管功率模塊最優工作參數搜索方法，包括以下步驟：

步驟1.建立及訓練徑向基神經網絡預測模型；

步驟1.1構建訓練集

對回旋行波管測試過程中測試數據進行數據清洗、得到有效測試數據，并對有效測試數據進行數據標準化處理，得到若干個訓練樣本，構成訓練集；并同時根據有效測試數據確定每個輸入工作參數的最大取值范圍；

所述訓練樣本中，包括：9個工作參數作為輸入：管高(mm)、陰極脈沖電壓(kv)、陰極脈沖電流(A)、磁場電流(A)、補償電流(A)、燈絲電流(A)、輸出頻率(GHz)、信號源功率(kW)、磁場電壓(V)，并以效率(％)作為訓練樣本的標簽；

步驟1.2構建徑向基神經網絡預測模型

所述徑向基神經網絡預測模型包括：輸入層、隱藏層及輸出層，其中，輸入層的節點數為9，隱藏層節點數50，輸出層節點數為1，所述徑向基神經網絡模型具體為：