相位感知的CNN辅助耦合矩阵提取与推理时局部细化

《IEEE Microwave and Wireless Technology Letters》：Phase-Aware CNN-Assisted Coupling Matrix Extraction With Inference-Time Local Refinement

　　摘要：本文介绍了一种相位感知的卷积神经网络（CNN）辅助方法，用于从高阶微波滤波器的复数 S 参数中提取耦合矩阵（CM）。逆 CNN 联合估计由拓扑定义的 CM 条目、空载品质因数和一阶端口相位参数，避免了预处理的端口相位去嵌入。为了提高参数空间中病态区域的局部精度，在推理时引入一个局部细化阶段，围绕当前预测调整逆模型。该方法在一个 12 阶折叠 Ku 波段通滤波器上得到了验证。参数提取在由 CM 生成的合成数据上进行评估，响应重建在全波电磁（EM）数据上进行，失谐识别则在受控原型实验中进行。对于合成数据集，局部细化将平均分组归一化平均绝对误差（NMAE）从 2.547% 降低至 0.377%。对于 EM 仿真，平均幅度和相位重建误差分别从 1.05×10?2 降低至 4.05×10?3，以及从 3.62° 降低至 1.20°。