Intelligent Tuning of Microwave Cavity Filters Using Granular Multi-Swarm Particle Swarm Optimization

Bi, Leyu; Cao, Weihua; Hu, Wenkai; Wu, Min

doi:10.1109/tie.2020.3040658

Cited by 14 publications

(3 citation statements)

References 31 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Therefore, the problem related to generalization or transfer is still demanding work to be addressed in the future. It is also worth noting that some other methods such as Particle Filtering and Particle Swarm Optimization [35] can also be considered in our future work to focus on the tuning process.…”

Section: Discussionmentioning

confidence: 99%

Learning Human Strategies for Tuning Cavity Filters with Continuous Reinforcement Learning

Wang

2022

Applied Sciences

View full text Add to dashboard Cite

Learning to master human intentions and behave more humanlike is an ultimate goal for autonomous agents. To achieve that, higher requirements for intelligence are imposed. In this work, we make an effort to study the autonomous learning mechanism to solve complicated human tasks. The tuning task of cavity filters is studied, which is a common task in the communication industry. It is not only time-consuming, but also depends on the knowledge of tuning technicians. We propose an automatic tuning framework for cavity filters based on Deep Deterministic Policy Gradient and design appropriate reward functions to accelerate training. Simulation experiments are carried out to verify the applicability of the algorithm. This method can not only automatically tune the detuned filter from random starting position to meet the design requirements under certain circumstances, but also realize the transfer of learning skills to new situations, to a certain extent.

show abstract

Section: Discussionmentioning

confidence: 99%

Learning Human Strategies for Tuning Cavity Filters with Continuous Reinforcement Learning

Wang

2022

Applied Sciences

View full text Add to dashboard Cite

show abstract

“…Thus, the number of votes can be used to construct a probability map of the instance position in the scene. We propose to use the MSPSO algorithm [42], [43] for finding valid reference points which are located on the instance's surface. As a result, we propose the method which can combine MSPSO and probability map to iteratively sample scene reference points [see Fig.…”

Section: Feature Descriptor Matchingmentioning

confidence: 99%

Efficient MSPSO Sampling for Object Detection and 6-D Pose Estimation in 3-D Scenes

Xing

Guo

Nan

et al. 2022

IEEE Trans. Ind. Electron.

View full text Add to dashboard Cite

“…Machine Learning (ML) techniques have also been developed to automatize the tuning stage [44][45][46][47]. Other CAD techniques, like pattern search optimization [48] or particle swarm optimization [49] have also been used for tuning purposes.…”

Section: Filter Tuningmentioning

confidence: 99%

Advanced Techniques for the Design and Optimization of Multi-Band and Reconfigurable Microwave Waveguide Filters

Lermas¹

View full text Add to dashboard Cite

El creciente número de dispositivos intercambiando datos ha empujado a las empresas del sector espacial a utilizar bandas de frecuencia cada vez más altas, como Ku, K y Ka, ya que permiten emplear canales de frecuencia más anchos. A medida que disminuye la longitud de onda, el tamaño de los filtros se reduce y, por tanto, son más sensibles a las desviaciones de fabricación. Para compensar estos errores, es necesario emplear elementos de sintonía en la etapa de diseño.En este contexto presentamos una estrategia de diseño que permite incluir todos los factores no ideales, como elementos de sintonía o esquinas redondeadas, en las simulaciones finales de filtros y multiplexores.Una vez se han fabricado los filtros es necesario ajustar manualmente los elementos de sintonía hasta recuperar la respuesta objetivo. Sin embargo, para realizar esta tarea con éxito es necesario tener mucha experiencia previa y, aún así, conlleva un tiempo considerable. Por tanto, también proponemos un procedimiento de sintonización eficiente y sistemático que permite a cualquier persona, independientemente de su experiencia previa en sintonización, realizar esta tarea con éxito.Además del aumento de las tasas de transmisión, otros desafíos del sector espacial son reducir el tamaño y peso de sus componentes, así como dotarlos de capacidad de reconfiguración. Emplear dispositivos multifunción como filtros multibanda o dispositivos reconfigurables es una posible solución. En este contexto, proponemos una nueva familia de filtros multibanda en guía de ondas que puede adaptarse a las futuras necesidades del sector espacial. Con el mismo objetivo, también proponemos una familia de dispositivos reconfigurables de varios estados discretos que pueden modificar su comportamiento de forma remota. v ResumEl creixent nombre de dispositius intercanviant dades ha empés a les empreses del sector espacial a utilitzar bandes de freqüència cada vegada més altes, com Ku, K i Ka, ja que permeten fer servir canals de freqüència més amples. A mesura que la longitud d'ona disminueix, la mida dels filtres es redueix i, per tant, són més sensibles a les desviacions de fabricació. Per compensar aquests errors, és necessari fer servir elements de sintonia en l'etapa de disseny.En aquest context presentem una estratègia de disseny que permet incloure tots els factors no ideals, com a elements de sintonia o cantonades arrodonides, en les simulacions finals de filtres i multiplexors.Una vegada s'han fabricat els filtres és necessari ajustar manualment els elements de sintonia fins a recuperar la resposta objectiu. Però, per realitzar aquesta tasca amb èxit és necessari tenir molta experiència prèvia i, així i tot, comporta un temps considerable. Per tant, també proposem un procediment de sintonització eficient i sistemàtic que permet a qualsevol persona, independentment de la seua experiència prèvia en sintonització, realitzar aquesta tasca amb èxit.A més de l'augment de les taxes de transmissió, altres desafiaments de el sector espacial són reduir la mida i pes dels seus...

show abstract

Intelligent Tuning of Microwave Cavity Filters Using Granular Multi-Swarm Particle Swarm Optimization

Cited by 14 publications

References 31 publications

Learning Human Strategies for Tuning Cavity Filters with Continuous Reinforcement Learning

Learning Human Strategies for Tuning Cavity Filters with Continuous Reinforcement Learning

Efficient MSPSO Sampling for Object Detection and 6-D Pose Estimation in 3-D Scenes

Advanced Techniques for the Design and Optimization of Multi-Band and Reconfigurable Microwave Waveguide Filters

Contact Info

Product

Resources

About