一种进行参数自动配置的微波教学系统及其工作方法与流程

本公开涉及微波教学技术领域，特别是涉及一种进行参数自动配置的微波教学系统及其工作方法。

背景技术：

本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。

在微波教学系统中，用户可以通过信号源、滤波器、隔离器、频谱仪等多种器件搭建实验电路，但是由于器件种类繁多、器件中的参数多样、器件之间的连接方式未定等多种原因，如何才能合理配置系统参数达到最佳效果一直是难以解决的难题。

在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：

在教学过程中，微波教学系统的参数配置需要有经验的专业的老师来完成，对于非专业的老师和学生来说，如何为已搭建实验电路的进行快速准确的参数配置是一个很难解决的问题。

在微波教学系统中，若不能合适选择相关参数，将造成实验效果差、性能低的后果，例如数字滤波器的窗函数若选择不当，得到的谱线将不平滑，影响实验效果。

技术实现要素：

为了解决现有技术的不足，本公开提供了一种进行参数自动配置的微波教学系统及其工作方法；将遗传算法应用在微波教学领域，并通过计算每代种群的实时熵值，对遗传算法的控制参数进行调整，扩大了遗传算法后期的搜索空间，最终提高了教学实验系统的性能。

第一方面，本公开提供了一种进行参数自动配置的微波教学系统；

一种进行参数自动配置的微波教学系统，包括：

参数优化模块，其被配置为：仪器元件端口全部连接完毕且连接正确的情况下，读取每个仪器元件设备的默认参数与未配置参数；将未配置参数与默认参数作为待配置参数，输入到改进的遗传算法中进行优化，得到优化后的待配置参数，将优化后的待配置参数作为最终配置参数配置到相应的链路上；完成参数配置；

链路运行模块，其被配置为：开启程控指令，各个仪器元件在配置好的参数下进行启动并运行，并记录运行时数据；

结果展示模块，将运行后的数据或结果，以图表的方式进行展示或输出，从而完成微波教学系统的教学实验。

第二方面，本公开提供了一种进行参数自动配置的微波教学系统的工作方法；

一种进行参数自动配置的微波教学系统的工作方法，包括：

参数优化步骤：仪器元件端口全部连接完毕且连接正确的情况下，读取每个仪器元件设备的默认参数与未配置参数；将未配置参数与默认参数作为待配置参数，输入到改进的遗传算法中进行优化，得到优化后的待配置参数，将优化后的待配置参数作为最终配置参数配置到相应的链路上；完成参数配置；

链路运行步骤：开启程控指令，各个仪器元件在配置好的参数下进行启动并运行，并记录运行时数据；

结果展示步骤：将运行后的数据或结果，以图表的方式进行展示或输出，从而完成微波教学系统的教学实验。

与现有技术相比，本公开的有益效果是：

本公开能够实现微波教学系统里面参数的自动配置和快速配置，即使非专业人士操作微波教学系统，也能够得到很好的参数配置；节省微波教学系统的配置时间，提升用户体验。

提出了一种基于种群香农熵的遗传算法改进方法，并将之应用在微波教学系统中。通过计算每一代种群的香浓熵，得出当前最优化问题的不确定性程度，然后利用该熵值灵活调整交叉概率与变异概率，使得遗传算法在面临教学系统中的众多参数寻优时有充分的几率跳出局部极值点，达到最佳效果。

利用本发明方法，将改进后的遗传算法解决微波教学系统中参数选择的难题，提升了微波教学系统的实验效果与性能。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为第一个实施例的微波教学系统的提供的仪器元件；

图2为第一个实施例的微波教学系统参数优化流程图；

图3为第二个实施案例的微波教学系统功能模块示意图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一，本实施例提供了一种进行参数自动配置的微波教学系统；

如图3所示，一种进行参数自动配置的微波教学系统，包括：

器件选择模块，其被配置为：根据用户的选择指令，从仪器元件数据库中调取相应的仪器元件，调取出来的仪器元件与配置文件存储在缓存数据库中；

判断缓存数据库中调取的仪器元件名称是否与预设仪器元件列表中的仪器元件名称一致，如果一致则进入链路连接模块；否则提示用户漏选或者错选，建议用户重新按照预设仪器元件列表对仪器元件进行选择；

链路连接模块，其被配置为：根据已经选择的器件类型，对各个器件的连接顺序或可用端口做出提示，并等待用户输入的连接配置指令，将已调取的仪器元件的端口进行连接，形成链路；判断是否存在未被连接的仪器元件或端口，如果存在，就继续进行链路连接；如果不存在，则进入连接关系判断模块；

连接关系判断模块，其被配置为：判断已连接的仪器元件端口与其他仪器元件端口之间的连接关系，是否与预设的仪器元件端口连接关系数据表不一致，如果不一致，就返回链路连接模块；如果一致，则进入参数优化模块；

参数优化模块，其被配置为：仪器元件端口全部连接完毕且连接正确的情况下，读取每个仪器元件设备的默认参数与未配置参数；将未配置参数与默认参数作为待配置参数，输入到改进的遗传算法中进行优化，得到优化后的待配置参数，将优化后的待配置参数作为最终配置参数配置到相应的链路上；完成参数配置；

链路运行模块，其被配置为：开启程控指令，各个仪器元件在配置好的参数下进行启动并运行，并记录运行时数据；

结果展示模块，将运行后的数据或结果，以图表的方式进行展示或输出，从而完成微波教学系统的教学实验。

在教学过程中，微波教学系统的仪器元件的选取需要专业的指导老师对学生进行指导；非专业的老师无法开展微波教学系统的教学；本发明可以有效解决这一技术问题，通过仪器元件选取过程的比对步骤；通过仪器元件端口连接完备性比对步骤和通过接口连接正确性比对步骤；可以实现非专业的老师也可以开展微波教学系统的教学，提升了学生的学习体验。

如图2所示，作为一个或多个实施例，所述将未配置参数与默认参数作为待配置参数，输入到改进的遗传算法中进行优化，得到优化后的待配置参数具体步骤包括：

s401：确定微波教学系统中待优化的问题：获取未配置参数与默认参数；

s402：设定编码方式、种群数目n和最大迭代数目gen初始参数；

s403：随机产生n个初始串结构的数据，每个串结构数据称为一个个体di，i∈{1，2，…，n}，串结构数据的长度为基因的数目n，个体组成初始种群gi，i＝0；

s404：根据遗传算法的适应度函数fitness对个体适应环境的能力进行评估fi＝fitness(di)；

s405：判断当前种群的已迭代数目i是否满足i＜gen，如果满足则遗传算法终止并输出优化后的配置参数；否则进入s406；

s406：将比例选择方法应用于种群gi，即gi中各个个体di被选中的概率与其适应度fi成正比；被选中的个体形成新的种群g′i+1，未被选中的个体则被淘汰；

s407：根据香农熵的计算公式计算当前种群g′i+1各个基因位点的熵值；最后计算出种群g′i+1的总熵值；

s408：种群g′i+1根据总熵值实时调整交叉概率pc和变异概率pm，最终形成新一代种群gi+1；

s409：令i＝i+1，新一代的种群重新开始执行s405。

作为一个或多个实施例，所述s407中，根据香农熵的计算公式(1)计算当前种群gi的熵值；具体步骤包括：

h(x)＝-∑xp(x)log2[p(x)]公式(1)。

作为一个或多个实施例，所述s407中，计算当前种群gi的各个基因位点的熵值；最后计算出最终种群的熵值；具体步骤包括：

首先统计g′i+1中所有个体di第j基因位点中0出现的次数n0与1出现的次数n1，由此得出该基因位点0与1出现的概率值pj(0)与pj(1)；

再利用pj(0)与pj(1)计算出种群g′i+1中各个基因位点的熵值hj，j∈{1，2，…，n}，见公式(2)：

各个基因位点的熵值hj计算完成之后，利用公式(3)计算出最终种群的熵值：

作为一个或多个实施例，所述s408中，根据种群熵值实时调整交叉概率pc和变异概率pm，最终形成新一代种群gi+1；具体步骤包括：

在改进后的遗传算法中，起始阶段种群g′i+1熵值大，接近于1，pc较大、pm较小，使得多个优秀个体在种群中充分杂交，变异概率较小不会破坏算法的稳定性；

在改进后的遗传算法中期和后期，种群结构经过自然选择趋于稳定，熵值h(g′i+1)减小，接近于0，pc变小、pm增大，此时变异概率增大使得各基因位点的突变能力增强，避免了算法陷入局部最优，最终形成新一代种群gi+1：

其中，n为总的基因长度，亦是初始种群的理论比特值。

应理解的，所述确定微波教学系统中待优化的问题，还包括：滤波器的系数选择、模块间连接参数的智能调整。

应理解的，所述s402使用二进制编码，例如：(13.625)10＝(1101.101)2。

应理解的，所述s403，例如：d1＝(1101.101)2的基因长度n＝6，由前到后可知第1基因位点上数据为1，第3基因位点上数据为0；如此多个个体可产生初始种群g0＝{d1＝(1101.101)2，d2＝(0101.001)2，……，dn＝(0010.111)2}。

应理解的，所述s405中，例如：当i≥gen时，可输出当前种群或当前种群的最佳个体，作为输出的最优解。

本发明所用的遗传算法引入了1948年香农提出的香农熵(又称为信息熵)的概念，解决了对遗传算法中当前种群不确定性度量的问题。对于任意一个随机变量x，其香农熵定义如公式(1)。变量的不确定性越大，其熵值也就越大，需要确定其变量取值时需求的信息量就越多。

h(x)＝-∑xp(x)log2[p(x)]公式(1)

作为一个或多个实施例，所述微波教学系统是用户通过搭建仪器元件组成多种链路，例如信号收发链路、混频滤波实验链路、调制器实验链路，最终实现各种预定教学实验目的的平台，包括熟悉各种微波组件、了解链路基本原理、掌握各种组件在工程系统中的应用等。用户通过该教学系统可以加强对微波领域的认知，实现教学与工程技术的对接。

应理解的，所述微波教学系统是微波领域教学的系统解决方案，包含器件选择模块、链路连接模块、连接关系判断模块、参数优化模块、链路运行模块、运行结果展示模块。

进一步地，器件选择模块，包括：信号源、频谱仪等仪器，以及滤波器、移相器、隔离元件等多种元件；所述仪器元件列表中，包括信号源、频谱仪等仪器，以及滤波器、移相器、隔离元件等多种元件；仪器元件端口连接关系数据表，包括各种仪器元件端口编号、不同教学实验目的下各种仪器元件的端口与其他仪器元件的端口的默认连接关系。

进一步地，链路连接模块，对各个器件连接顺序或可用端口做出提示，并等待用户连接；

进一步地，连接关系判断模块，对用户连接的端口做出正误判断；

进一步地，参数优化模块，将在用户连接设置完成之后对未配置的用户参数或者后台数据库的系统参数进行优化；

进一步地，链路运行模块，调用数据库并发送程控指令，使整个链路运行；

进一步地，运行结果展示模块，将运行后的后台数据或结果进行展示或输出。

如图1所示，微波教学系统的平台提供了多种微波仪器与元件，如其中的微波信号发生器、滤波器、功率计等仅仅是其中一部分，由于其中的器件繁多，且器件模块间的连接完全由用户确定，因此如何提高教学系统性能，达到最佳教学效果就成为待解决的难题。

在整个过程中，存在多种需要参数优化的情况：例如信号源与功率计的匹配、数字滤波器的窗函数选择与相关系数、频谱仪的中心频率与幅度、功率计的最佳频率等相关参数。遗传算法是计算数学中用于解决最优化的搜索算法，最早由美国的j.holland提出，是进化算法一种。该算法借鉴了进化生物学中的一系列现象，包括杂交、突变、自然选择等概念，直接对结构对象进行操作，没有求导和函数连续性的限定，特别适用于微波教学领域中的参数寻优。

遗传算法由搜索空间内随机生成的初始种群出发，在算法起始阶段具备较强的随机性。一般而言，遗传算法的控制参数，只能依靠经验值，如交叉概率常设为0.4～0.9，变异概率常小于0.01，其中仍然存在问题——若两个概率值设置过小，优秀个体的基因模式无法传递给下一代群体，导致算法随机性强且效率低；若两个概率值过大，则导致有一定优势的个体其基因迅速在种群中扩散，极易陷入局部最优解。而且微波教学系统中的参数常常来自于不同模块，没有函数连续性等条件，局部极值点较多，极易陷入局部最优。

本发明将基于香农熵的遗传算法引入微波教学系统中，利用熵值判定当前算法运行状态，提高了微波教学系统中参数优化的能力与效率。

以经典的shaffer’sf6为例模拟教学系统中的多参数优化状况，函数表达式为(其中x，y∈[-100,100])。此函数有多个局部最大点值，但只有一个(0，0)为全局最大值，此时f(0，0)＝1(该函数的实际最优解)。运行200次原有遗传算法与改进后的遗传算法，效果对比如表1所示。

由表1的最优解平均值可知，改进后遗传算法的寻优能力变好，寻优结果更接近实际最优解。整个种群解的平均值下降正是算法后期的突变概率调整所致，这种调整反而提高了算法跳出局部最优值的能力。表1中第三栏取得实际最优解的次数与第四栏的寻优时间可以直接表明本发明可以显著提高遗传算法在微波教学领域的性能，通过较强的参数全局寻优能力与寻优效率，减少了用户操作之间的滞后时间。

表1遗传算法改进前后效果对比表

实施例二，本实施例还提供了一种进行参数自动配置的微波教学系统的工作方法；

一种进行参数自动配置的微波教学系统的工作方法，包括：

s1：器件选择步骤：根据用户的选择指令，从仪器元件数据库中调取相应的仪器元件，调取出来的仪器元件与配置文件存储在缓存数据库中；

判断缓存数据库中调取的仪器元件名称是否与预设仪器元件列表中的仪器元件名称一致，如果一致则进入链路连接模块；否则提示用户漏选或者错选，建议用户重新按照预设仪器元件列表对仪器元件进行选择；

s2：链路连接步骤：根据已经选择的器件类型，对各个器件的连接顺序或可用端口做出提示，并等待用户输入的连接配置指令，将已调取的仪器元件的端口进行连接，形成链路；判断是否存在未被连接的仪器元件或端口，如果存在，就继续进行链路连接；如果不存在，则进入连接关系判断模块；

s3：连接关系判断步骤：判断已连接的仪器元件端口与其他仪器元件端口之间的连接关系，是否与预设的仪器元件端口连接关系数据表不一致，如果不一致，就返回链路连接模块；如果一致，则进入参数优化模块；

s4：参数优化步骤：仪器元件端口全部连接完毕且连接正确的情况下，读取每个仪器元件设备的默认参数与未配置参数；将未配置参数与默认参数作为待配置参数，输入到改进的遗传算法中进行优化，得到优化后的待配置参数，将优化后的待配置参数作为最终配置参数配置到相应的链路上；完成参数配置；

s5：链路运行步骤：开启程控指令，各个仪器元件在配置好的参数下进行启动并运行，并记录运行时数据；

s6：结果展示步骤：将运行后的数据或结果，以图表的方式进行展示或输出，从而完成微波教学系统的教学实验。

作为一个或多个实施例，所述将未配置参数与默认参数作为待配置参数，输入到改进的遗传算法中进行优化，得到优化后的待配置参数具体步骤包括：

s401：确定微波教学系统中待优化的问题：获取未配置参数与默认参数；

s402：设定编码方式、种群数目n和最大迭代数目gen初始参数；

s403：随机产生n个初始串结构的数据，每个串结构数据称为一个个体di，i∈{1，2，…，n}，串结构数据的长度为基因的数目n，个体组成初始种群gi，i＝0；

s404：根据遗传算法的适应度函数fitness对个体适应环境的能力进行评估fi＝fitness(di)；

s405：判断当前种群的已迭代数目i是否满足i＜gen，如果满足则遗传算法终止并输出优化后的配置参数；否则进入s406；

s406：将比例选择方法应用于种群gi，即gi中各个个体di被选中的概率与其适应度fi成正比；被选中的个体形成新的种群g′i+1，未被选中的个体则被淘汰；

s407：根据香农熵的计算公式计算当前种群g′i+1各个基因位点的熵值；最后计算出种群g′i+1的总熵值；

s408：种群g′i+1根据总熵值实时调整交叉概率pc和变异概率pm，最终形成新一代种群gi+1；

s409：令i＝i+1，新一代的种群重新开始执行s405。

作为一个或多个实施例，所述s407中，根据香农熵的计算公式(1)计算当前种群gi的熵值；具体步骤包括：

h(x)＝-∑xp(x)log2[p(x)]公式(1)。

作为一个或多个实施例，所述s407中，计算当前种群gi的各个基因位点的熵值；最后计算出最终种群的熵值；具体步骤包括：

首先统计g′i+1中所有个体di第j基因位点中0出现的次数n0与1出现的次数n1，由此得出该基因位点0与1出现的概率值pj(0)与pj(1)；

再利用pj(0)与pj(1)计算出种群g′i+1中各个基因位点的熵值hj，j∈{1，2，…，n}，见公式(2)：

各个基因位点的熵值hj计算完成之后，利用公式(3)计算出最终种群的熵值：

作为一个或多个实施例，所述s408中，根据种群熵值实时调整交叉概率pc和变异概率pm，最终形成新一代种群gi+1；具体步骤包括：

在改进后的遗传算法中，起始阶段种群g′i+1熵值大，接近于1，pc较大、pm较小，使得多个优秀个体在种群中充分杂交，变异概率较小不会破坏算法的稳定性；

在改进后的遗传算法中期和后期，种群结构经过自然选择趋于稳定，熵值h(g′i+1)减小，接近于0，pc变小、pm增大，此时变异概率增大使得各基因位点的突变能力增强，避免了算法陷入局部最优，最终形成新一代种群gi+1：

其中，n为总的基因长度，亦是初始种群的理论比特值。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。