射频阻抗匹配方法、系统和电子设备与流程

1.本技术涉及射频阻抗匹配的领域，且更为具体地，涉及一种射频阻抗匹配方法、系统和电子设备。


背景技术：

2.功率射频源在真空镀膜、半导体蚀刻和感应加热等离子体领域得到了广泛应用。工业上常用的射频源频率为13.56mhz，内阻rs为50ω。
3.通常负载阻抗不等于射频源内阻，若将射频源和负载直接相连时,会存在不同程度的失配。阻抗失配将导致传输线上存在功率反射,从而使得能量不能全部被负载所接收,进而降低传输的效率。若失配程度较深时,则还会引起加工过程的失败。
4.因此，在实际的应用场景中，需要在射频源(或传输线末端)与负载之间设置匹配网络，这样，负载阻抗就能够随工作时间和周围环境等因素的变化而在一定范围内变化。并且，只有实时检测负载阻抗的变化并调整匹配网络的参数,才能得到最大的传输效率。因此，为了实现阻抗的匹配，期望一种射频阻抗匹配方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种射频阻抗匹配方法、系统和电子设备，其采用基于深度神经网络模型的生成器技术，来从由所述多个负载r
l
组成的输入向量生成由所述多个等效阻抗r组成的输出向量，并且，还进一步地引入了参考信息来促进所述神经网络的参数的更新，以提高训练的速度以及增强训练的质量，从而提高了阻抗匹配的准确性。通过这样的方式，可以根据负载阻抗的变化调整匹配网络的参数,从而一直能够保证较大的传输效率。
6.根据本技术的一个方面，提供了一种射频阻抗匹配方法，其包括：
7.训练阶段，包括：
8.获取训练数据集，所述训练数据集包括由多个负载r
l
组成的真实输入向量和由多个等效阻抗r组成的真实输出向量；
9.将所述真实输入向量输入深度神经网络以获得训练输出向量；
10.计算所述训练输出向量和所述真实输出向量之间的距离矩阵，其中，所述距离矩阵基于所述训练输出向量和所述真实输出向量的每个位置的特征值之间的距离生成；
11.计算所述真实输入向量和所述真实输出向量之间的转移矩阵，所述转移矩阵用于表示所述真实输入向量和所述真实输出向量之间的差异；
12.计算所述距离矩阵和所述转移矩阵之间的差分以获得比较矩阵；
13.计算所述比较矩阵的一致性因素作为一致性损失函数值，所述一致性因素基于所述比较矩阵中的最大特征值和所述比较矩阵的大小生成；
14.计算所述训练输出向量和所述真实输出向量之间的均方差损失函数值；
15.计算所述射频源的自身内阻与所述训练输出向量之间的交叉熵损失函数值；
16.计算所述一致性损失函数值、均方差损失函数值和所述交叉熵损失函数值之间的加权和作为损失函数值；以及
17.基于所述损失函数值对所述深度神经网络进行训练；以及
18.推断阶段，包括：
19.获取由多个负载r
l
组成的真实输入向量；以及
20.将所述真实输入向量输入经训练阶段训练完成的所述深度神经网络以获得输出向量，其中，所述输出向量中各个位置特征值用于表示各个负载r
l
对应的等效阻抗r。
21.根据本技术的另一方面，提供了一种射频阻抗匹配系统，其包括：
22.训练模块，包括：
23.训练数据集获取单元，用于获取训练数据集，所述训练数据集包括由多个负载r
l
组成的真实输入向量和由多个等效阻抗r组成的真实输出向量；
24.深度神经网络单元，用于将所述训练数据集获取单元获得的所述真实输入向量输入深度神经网络以获得训练输出向量；
25.距离矩阵计算单元，用于计算所述深度神经网络单元获得的所述训练输出向量和所述训练数据集获取单元获得的所述真实输出向量之间的距离矩阵，其中，所述距离矩阵基于所述训练输出向量和所述真实输出向量的每个位置的特征值之间的距离生成；
26.转移矩阵计算单元，用于计算所述训练数据集获取单元获得的所述真实输入向量和所述训练数据集获取单元获得的所述真实输出向量之间的转移矩阵，所述转移矩阵用于表示所述真实输入向量和所述真实输出向量之间的差异；
27.差分计算单元，用于计算所述距离矩阵计算单元获得的所述距离矩阵和所述转移矩阵计算单元获得的所述转移矩阵之间的差分以获得比较矩阵；
28.一致性损失函数值计算单元，用于计算所述差分计算单元获得的所述比较矩阵的一致性因素作为一致性损失函数值，所述一致性因素基于所述比较矩阵中的最大特征值和所述比较矩阵的大小生成；
29.均方差损失函数值计算单元，用于计算所述深度神经网络单元获得的所述训练输出向量和所述训练数据集获取单元获得的所述真实输出向量之间的均方差损失函数值；
30.交叉熵损失函数值计算单元，用于计算所述射频源的自身内阻与所述深度神经网络单元获得的所述训练输出向量之间的交叉熵损失函数值；
31.加权和单元，用于计算所述一致性损失函数值计算单元获得的所述一致性损失函数值、所述均方差损失函数值计算单元获得的所述均方差损失函数值和所述交叉熵损失函数值计算单元获得的所述交叉熵损失函数值之间的加权和作为损失函数值；以及
32.训练单元，用于基于所述加权和单元获得的所述损失函数值对所述深度神经网络进行训练；以及
33.推断阶段，包括：
34.真实输入向量获取单元，用于获取由多个负载r
l
组成的真实输入向量；以及
35.输出向量生成单元，用于将所述真实输入向量获取单元获得的所述真实输入向量输入经训练阶段训练完成的所述深度神经网络以获得输出向量，其中，所述输出向量中各个位置特征值用于表示各个负载r
l
对应的等效阻抗r。
36.根据本技术的又一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所
述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的射频阻抗匹配方法。
37.根据本技术的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的射频阻抗匹配方法。
38.根据本技术提供的射频阻抗匹配方法、系统和电子设备，其采用基于深度神经网络模型的生成器技术，来从由所述多个负载r
l
组成的输入向量生成由所述多个等效阻抗r组成的输出向量，并且，还进一步地引入了参考信息来促进所述神经网络的参数的更新，以提高训练的速度以及增强训练的质量，从而提高了阻抗匹配的准确性。通过这样的方式，可以根据负载阻抗的变化调整匹配网络的参数,从而一直能够保证较大的传输效率。
附图说明
39.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
40.图1a为根据本技术实施例的射频阻抗匹配方法的匹配网络的设计示意图。
41.图1b为根据本技术实施例的射频阻抗匹配方法的γ型匹配网络的连接方式示意图。
42.图2为根据本技术实施例的射频阻抗匹配方法中训练阶段的流程图。
43.图3为根据本技术实施例的射频阻抗匹配方法中推断阶段的流程图。
44.图4为根据本技术实施例的射频阻抗匹配方法中训练阶段的架构示意图。
45.图5为根据本技术实施例的射频阻抗匹配方法中推断阶段的架构示意图。
46.图6为根据本技术实施例的射频阻抗匹配系统的框图。
47.图7为根据本技术实施例的电子设备的框图。
具体实施方式
48.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
49.场景概述
50.如前所述，通常负载阻抗不等于射频源内阻，若将射频源和负载直接相连时,会存在不同程度的失配。阻抗失配将导致传输线上存在功率反射,从而使得能量不能全部被负载所接收,进而降低传输的效率。若失配程度较深时,则还会引起加工过程的失败。
51.因此，在实际的应用场景中，需要在射频源(或传输线末端)与负载之间设置匹配网络，这样，负载阻抗就能够随工作时间和周围环境等因素的变化而在一定范围内变化。并且，只有实时检测负载阻抗的变化并调整匹配网络的参数,才能得到最大的传输效率。因此，为了实现阻抗的匹配，期望一种射频阻抗匹配方案。
52.相应地，在本技术的技术方案中，采用γ型匹配网络,匹配网络由一个微调电感和
两个真空可调电容组成。具体地，如图1a所示。
53.γ型匹配网络为双元件匹配网络，按照连接方式的不同，有两种组态，如图1b所示。从输入口看进去，需将负载r
l
等效变换为r，因此应根据r
l
与r的前后变换关系选择合适的网络结构。
54.具体地，在本技术的技术方案中，实现阻抗匹配的关键是获得负载r
l
的等效阻抗r，考虑到在实际的应用场景下，射频源us都会并联连接多个负载r
l
，且这些负载之间并不能够完成看作为彼此独立的，因此，需要由多个负载r
l
得到其对应的多个等效阻抗r。
55.具体地，本技术的申请人采用基于深度神经网络模型的生成器技术，来从由多个负载r
l
组成的输入向量生成由多个等效阻抗r组成的输出向量。但是，本技术的申请人发现，如果仅以真实的输入向量、输出向量的数据组来对深度神经网络进行训练，则一方面训练收敛速度交叉，另一方面得到的模型性能不高。
56.也就是，在深度神经网络的训练过程当中，还需要进一步引入参考信息来促进神经网络的参数的更新，从而一方面提高训练速度，一方面增强训练质量。因此，本技术的申请人基于输入向量和输出向量之间的转移矩阵和距离矩阵，来构造比较矩阵，并将比较矩阵的一致性引入到损失函数中，从而促进神经网络的参数的更新。
57.具体地，针对训练用的一组真实输入向量和真实输出向量，首先将真实输入向量输入深度神经网络以得到训练输出向量，然后计算训练输出向量和真实输出向量之间的距离矩阵，即训练输出向量和真实输出向量的每个位置的特征值之间的距离。然后，计算真实输入向量和真实输出向量之间的转移矩阵，即假设真实输入向量为a，真实输出向量为b，则转移矩阵m使得b＝m
×
a。
58.这样，通过计算距离矩阵与转移矩阵之间的差分矩阵，就可以得到比较矩阵，并计算比较矩阵的一致性因数(consistency index)：
[0059][0060]
其中λ是比较矩阵的最大特征值，使得对于比较矩阵p的本征向量a，有p
·
a＝λ
·
a，且m是比较矩阵的大小。
[0061]
然后，计算训练输出向量和真实输出向量之间的均方差损失函数值，且为了考虑射频源自身的内阻变化，进一步计算射频源自身内阻与训练输出向量的交叉熵损失函数值，再结合如上所述的一致性因数作为一致性损失函数值，以其加权和作为最终的损失函数值来更新深度神经网络的参数。
[0062]
基于此，本技术提出了一种射频阻抗匹配方法，其包括：训练阶段和推断阶段。其中，训练阶段包括步骤：获取训练数据集，所述训练数据集包括由多个负载r
l
组成的真实输入向量和由多个等效阻抗r组成的真实输出向量；将所述真实输入向量输入深度神经网络以获得训练输出向量；计算所述训练输出向量和所述真实输出向量之间的距离矩阵，其中，所述距离矩阵基于所述训练输出向量和所述真实输出向量的每个位置的特征值之间的距离生成；计算所述真实输入向量和所述真实输出向量之间的转移矩阵，所述转移矩阵用于表示所述真实输入向量和所述真实输出向量之间的差异；计算所述距离矩阵和所述转移矩阵之间的差分以获得比较矩阵；计算所述比较矩阵的一致性因素作为一致性损失函数值，所述一致性因素基于所述比较矩阵中的最大特征值和所述比较矩阵的大小生成；计算所述
训练输出向量和所述真实输出向量之间的均方差损失函数值；计算所述射频源的自身内阻与所述训练输出向量之间的交叉熵损失函数值；计算所述一致性损失函数值、均方差损失函数值和所述交叉熵损失函数值之间的加权和作为损失函数值；以及，基于所述损失函数值对所述深度神经网络进行训练。其中，推断阶段包括步骤：获取由多个负载r
l
组成的真实输入向量；以及，将所述真实输入向量输入经训练阶段训练完成的所述深度神经网络以获得输出向量，其中，所述输出向量中各个位置特征值用于表示各个负载r
l
对应的等效阻抗r。
[0063]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0064]
示例性方法
[0065]
图2图示了根据本技术实施例的射频阻抗匹配方法中训练阶段的流程图。如图2所示，根据本技术实施例的射频阻抗匹配方法，包括：训练阶段，包括步骤：s110，获取训练数据集，所述训练数据集包括由多个负载r
l
组成的真实输入向量和由多个等效阻抗r组成的真实输出向量；s120，将所述真实输入向量输入深度神经网络以获得训练输出向量；s130，计算所述训练输出向量和所述真实输出向量之间的距离矩阵，其中，所述距离矩阵基于所述训练输出向量和所述真实输出向量的每个位置的特征值之间的距离生成；s140，计算所述真实输入向量和所述真实输出向量之间的转移矩阵，所述转移矩阵用于表示所述真实输入向量和所述真实输出向量之间的差异；s150，计算所述距离矩阵和所述转移矩阵之间的差分以获得比较矩阵；s160，计算所述比较矩阵的一致性因素作为一致性损失函数值，所述一致性因素基于所述比较矩阵中的最大特征值和所述比较矩阵的大小生成；s170，计算所述训练输出向量和所述真实输出向量之间的均方差损失函数值；s180，计算所述射频源的自身内阻与所述训练输出向量之间的交叉熵损失函数值；s190，计算所述一致性损失函数值、均方差损失函数值和所述交叉熵损失函数值之间的加权和作为损失函数值；以及，s200，基于所述损失函数值对所述深度神经网络进行训练。
[0066]
图3图示了根据本技术实施例的射频阻抗匹配方法中推断阶段的流程图。如图3所示，根据本技术实施例的射频阻抗匹配方法，还包括：推断阶段，包括步骤：s210，获取由多个负载r
l
组成的真实输入向量；以及，s220，将所述真实输入向量输入经训练阶段训练完成的所述深度神经网络以获得输出向量，其中，所述输出向量中各个位置特征值用于表示各个负载r
l
对应的等效阻抗r。
[0067]
图4图示了根据本技术实施例的射频阻抗匹配方法中训练阶段的架构示意图。如图4所示，在训练阶段中，在该网络架构中，首先，获取由多个负载r
l
(例如，如图4中所示意的p)组成的真实输入向量(例如，如图4中所示意的v1)和由多个等效阻抗r(例如，如图4中所示意的q)组成的真实输出向量(例如，如图4中所示意的v2)；接着，将获取的所述真实输入向量输入深度神经网络(例如，如图4中所示意的dnn)以获得训练输出向量(例如，如图4中所示意的v3)；然后，计算所述训练输出向量和获得的所述真实输出向量之间的距离矩阵(例如，如图4中所示意的m1)；接着，计算所述真实输入向量和所述真实输出向量之间的转移矩阵(例如，如图4中所示意的m2)；然后，计算所述距离矩阵和所述转移矩阵之间的差分以获得比较矩阵(例如，如图4中所示意的m3)；接着，计算所述比较矩阵的一致性因素作为一致性损失函数值(例如，如图4中所示意的cl)；然后，计算所述训练输出向量和所述真实
输出向量之间的均方差损失函数值(例如，如图4中所示意的ms)；接着，计算所述射频源的自身内阻(例如，如图4中所示意的h)与所述训练输出向量之间的交叉熵损失函数值(例如，如图4中所示意的ce)；接着，计算所述一致性损失函数值、均方差损失函数值和所述交叉熵损失函数值之间的加权和作为损失函数值(例如，如图4中所示意的l)；以及，最后，基于所述损失函数值对所述深度神经网络进行训练。
[0068]
图5图示了根据本技术实施例的射频阻抗匹配方法中推断阶段的架构示意图。如图5所示，在推断阶段中，在该网络结构中，首先，将多个负载r
l
(例如，如图5中所示意的p)组成的真实输入向量(例如，如图5中所示意的vi)；然后，将所述真实输入向量输入经训练阶段训练完成的所述深度神经网络(例如，如图5中所示意的dn)以获得输出向量(例如，如图5中所示意的v)，其中，所述输出向量中各个位置特征值用于表示各个负载r
l
对应的等效阻抗r。
[0069]
更具体地，在训练阶段中，在步骤s110和步骤s120中，获取训练数据集，所述训练数据集包括由多个负载r
l
组成的真实输入向量和由多个等效阻抗r组成的真实输出向量，并将所述真实输入向量输入深度神经网络以获得训练输出向量。如前所述，应可以理解，在本技术的技术方案中，实现阻抗匹配的关键是获得所述负载r
l
的等效阻抗r，考虑到在实际的应用场景下，射频源us都会并联连接多个负载r
l
，且这些所述负载之间并不能够完成看作为彼此独立的，因此，需要由多个所述负载r
l
得到其对应的多个所述等效阻抗r。具体地，在本技术的技术方案中，选择采用基于深度神经网络模型的生成器技术，来从由所述多个负载r
l
组成的输入向量生成由所述多个等效阻抗r组成的输出向量。也就是，首先，获取训练数据集，所述训练数据集包括由多个负载r
l
组成的真实输入向量和由多个等效阻抗r组成的真实输出向量；然后，将所述真实输入向量输入深度神经网络中进行处理，以提取出所述真实输入向量中的高维隐含特征，从而得到训练输出向量。
[0070]
具体地，在本技术实施例中，将所述真实输入向量输入深度神经网络以获得训练输出向量的过程，包括：首先，使用所述深度神经网络的全连接层提取所述真实输入向量中各个位置的特征值的高维隐含特征；然后，使用所述深度神经网络的一维卷积层提取所述真实输入向量中各个位置的特征值之间的关联的高维隐含关联特征以获得所述训练输出向量。
[0071]
更具体地，在训练阶段中，在步骤s130和步骤s140中，计算所述训练输出向量和所述真实输出向量之间的距离矩阵，其中，所述距离矩阵基于所述训练输出向量和所述真实输出向量的每个位置的特征值之间的距离生成，并计算所述真实输入向量和所述真实输出向量之间的转移矩阵，所述转移矩阵用于表示所述真实输入向量和所述真实输出向量之间的差异。应可以理解，本技术考虑到如果仅以所述真实输入向量和所述真实输出向量的数据组来对所述深度神经网络进行训练，则一方面训练收敛速度交叉，另一方面得到的模型性能不高。因此，在本技术的技术方案中，在对所述深度神经网络的训练过程当中，还需要进一步引入参考信息来促进所述神经网络的参数的更新，从而一方面提高训练的速度，一方面增强训练的质量。也就是，具体地，首先，计算所述训练输出向量和所述真实输出向量之间的距离矩阵，在一个具体示例中，所述距离矩阵基于所述训练输出向量和所述真实输出向量的每个位置的特征值之间的距离生成。然后，计算所述真实输入向量和所述真实输出向量之间的转移矩阵，在一个具体示例中，设定所述真实输入向量为a且所述真实输出向
量为b，所述转移矩阵m使得b＝m
×
a。值得一提的是，这里，所述转移矩阵用于表示所述真实输入向量和所述真实输出向量之间的差异程度。
[0072]
相应地，在本技术的一个具体示例中，计算所述训练输出向量和所述真实输出向量之间的距离矩阵的过程，包括：计算所述训练输出向量和所述真实输出向量的各个位置的特征值之间的l1距离以获得所述距离矩阵。应可以理解，本领域普通技术人员应了解，l1距离函数，也被称为最小绝对值偏差(lad)，它是目标值与估计值的绝对差值总和，所述公式为：d＝|x
i-yi|，xi表示所述训练输出向量中的各个位置的特征值、yi表示所述真实输出向量中的各个位置的特征值。因此，这里，计算所述训练输出向量和所述真实输出向量的各个位置的特征值之间的l1距离，能够从数值维度上反映出所述训练输出向量和所述真实输出向量之间的特征差异程度。
[0073]
特别地，在本技术的另一个具体示例中，计算所述训练输出向量和所述真实输出向量之间的距离矩阵的过程，还包括：计算所述训练输出向量和所述真实输出向量的各个位置的特征值之间的l2距离以获得所述距离矩阵。应可以理解，本领域普通技术人员应了解，l2距离函数，也被称为最小平方误差(lse)，它是目标值与估计值的差值的平方和，也叫欧氏距离，所述公式为d＝|x
i-yi|2，xi表示所述训练输出向量中的各个位置的特征值、yi表示所述真实输出向量中的各个位置的特征值。应可以理解，相较于l1距离函数而言，所述l2距离函数拥有稳定解。这里，计算所述训练输出向量和所述真实输出向量的各个位置的特征值之间的l2距离，也能够反映出所述训练输出向量和所述真实输出向量之间的特征差异程度。
[0074]
更具体地，在训练阶段中，在步骤s150和步骤s160中，计算所述距离矩阵和所述转移矩阵之间的差分以获得比较矩阵，并计算所述比较矩阵的一致性因素作为一致性损失函数值，所述一致性因素基于所述比较矩阵中的最大特征值和所述比较矩阵的大小生成。也就是，在本技术的技术方案中，基于所述输入向量和所述输出向量之间的所述转移矩阵和所述距离矩阵，来构造比较矩阵，并在后续将所述比较矩阵的一致性引入到损失函数中，从而促进所述神经网络的参数的更新。在一个具体示例中，在得到所述转移矩阵和所述距离矩阵后，首先，就需要计算所述距离矩阵和所述转移矩阵之间的差分以获得比较矩阵；然后，计算所述比较矩阵的一致性因素，从而就可以获得一致性损失函数值，以便于后续的计算处理。值得一提的是，这里，所述一致性因素基于所述比较矩阵中的最大特征值和所述比较矩阵的大小生成。
[0075]
具体地，在本技术实施例中，计算所述比较矩阵的一致性因素作为一致性损失函数值的过程，包括：以如下公式计算所述比较矩阵的一致性因素，其中，所述公式为：
[0076][0077]
其中λ是所述比较矩阵的最大特征值，使得对于所述比较矩阵p的本征向量a，有p
·
a＝λ
·
a，且m是比较矩阵的大小。
[0078]
更具体地，在训练阶段中，在步骤s170和步骤s180中，计算所述训练输出向量和所述真实输出向量之间的均方差损失函数值，并计算所述射频源的自身内阻与所述训练输出向量之间的交叉熵损失函数值。也就是，为了对深度神经网络参数进行更好的更新训练，以提高训练的速度，并增强训练的质量。因此，在本技术的技术方案中，需要计算所述训练输
出向量和所述真实输出向量之间的均方差损失函数值，以得到所述训练输出向量和所述真实输出向量之间的差异性程度。接着，进一步地计算所述射频源的自身内阻与所述训练输出向量之间的交叉熵损失函数值，以得到所述射频源的自身内阻与所述训练输出向量之间的一致性程度。
[0079]
更具体地，在训练阶段中，在步骤s190和步骤s200中，计算所述一致性损失函数值、均方差损失函数值和所述交叉熵损失函数值之间的加权和作为损失函数值，并基于所述损失函数值对所述深度神经网络进行训练。也就是，通过计算所述一致性损失函数值、所述均方差损失函数值和所述交叉熵损失函数值之间的加权和来构造损失函数值，以综合地引入参考信息来促进对所述深度神经网络的参数的更新训练，从而提高训练的速度以及增强训练的质量，以提高阻抗匹配的准确性。
[0080]
在训练完成后，进入推断阶段。也就是，在使用射频阻抗匹配算法来训练深度神经网络后，将训练完成的深度神经网络用于实际的推断阶段中。
[0081]
更具体地，在推断阶段中，在步骤s210和步骤s220中，获取由多个负载r
l
组成的真实输入向量，并将所述真实输入向量输入经训练阶段训练完成的所述深度神经网络以获得输出向量，其中，所述输出向量中各个位置特征值用于表示各个负载r
l
对应的等效阻抗r。也就是，在训练完成后，首先，获取由多个负载r
l
组成的真实输入向量；然后，将所述真实输入向量输入经训练阶段训练完成的所述深度神经网络中进行处理，以提取出所述真实输入向量的高维隐含特征，从而获得输出向量。值得一提的是，这里，所述输出向量中各个位置特征值用于表示各个负载r
l
对应的等效阻抗r。通过这样的方式，可以根据负载阻抗的变化调整匹配网络的参数,从而一直能够保证较大的传输效率。
[0082]
综上，基于本技术实施例的射频阻抗匹配方法被阐明，其采用基于深度神经网络模型的生成器技术，来从由所述多个负载r
l
组成的输入向量生成由所述多个等效阻抗r组成的输出向量，并且，还进一步地引入了参考信息来促进所述神经网络的参数的更新，以提高训练的速度以及增强训练的质量，从而提高了阻抗匹配的准确性。通过这样的方式，可以根据负载阻抗的变化调整匹配网络的参数,从而一直能够保证较大的传输效率。
[0083]
示例性系统
[0084]
图6图示了根据本技术实施例的射频阻抗匹配系统的框图。如图6所示，根据本技术实施例的射频阻抗匹配系统600，包括：训练模块610和推断模块620。
[0085]
如图6所示，所述训练模块610，包括：训练数据集获取单元6101，用于获取训练数据集，所述训练数据集包括由多个负载r
l
组成的真实输入向量和由多个等效阻抗r组成的真实输出向量；深度神经网络单元6102，用于将所述训练数据集获取单元6101获得的所述真实输入向量输入深度神经网络以获得训练输出向量；距离矩阵计算单元6103，用于计算所述深度神经网络单元6102获得的所述训练输出向量和所述训练数据集获取单元6101获得的所述真实输出向量之间的距离矩阵，其中，所述距离矩阵基于所述训练输出向量和所述真实输出向量的每个位置的特征值之间的距离生成；转移矩阵计算单元6104，用于计算所述训练数据集获取单元6101获得的所述真实输入向量和所述训练数据集获取单元6101获得的所述真实输出向量之间的转移矩阵，所述转移矩阵用于表示所述真实输入向量和所述真实输出向量之间的差异；差分计算单元6105，用于计算所述距离矩阵计算单元6103获得的所述距离矩阵和所述转移矩阵计算单元6104获得的所述转移矩阵之间的差分以获得
比较矩阵；一致性损失函数值计算单元6106，用于计算所述差分计算单元6105获得的所述比较矩阵的一致性因素作为一致性损失函数值，所述一致性因素基于所述比较矩阵中的最大特征值和所述比较矩阵的大小生成；均方差损失函数值计算单元6107，用于计算所述深度神经网络单元6102获得的所述训练输出向量和所述训练数据集获取单元6101获得的所述真实输出向量之间的均方差损失函数值；交叉熵损失函数值计算单元6108，用于计算所述射频源的自身内阻与所述深度神经网络单元6102获得的所述训练输出向量之间的交叉熵损失函数值；加权和单元6109，用于计算所述一致性损失函数值计算单元6106获得的所述一致性损失函数值、所述均方差损失函数值计算单元6107获得的所述均方差损失函数值和所述交叉熵损失函数值计算单元6108获得的所述交叉熵损失函数值之间的加权和作为损失函数值；以及，训练单元6110，用于基于所述加权和单元6109获得的所述损失函数值对所述深度神经网络进行训练。
[0086]
如图6所示，所述推断模块620，包括：真实输入向量获取单元621，用于获取由多个负载r
l
组成的真实输入向量；以及，输出向量生成单元622，用于将所述真实输入向量获取单元621获得的所述真实输入向量输入经训练阶段训练完成的所述深度神经网络以获得输出向量，其中，所述输出向量中各个位置特征值用于表示各个负载r
l
对应的等效阻抗r。
[0087]
在一个示例中，在上述射频阻抗匹配系统600中，所述深度神经网络单元6102，进一步用于：使用所述深度神经网络的全连接层提取所述真实输入向量中各个位置的特征值的高维隐含特征；以及，使用所述深度神经网络的一维卷积层提取所述真实输入向量中各个位置的特征值之间的关联的高维隐含关联特征以获得所述训练输出向量。
[0088]
在一个示例中，在上述射频阻抗匹配系统600中，所述距离矩阵计算单元6103，进一步用于：计算所述训练输出向量和所述真实输出向量的各个位置的特征值之间的l1距离以获得所述距离矩阵。
[0089]
在一个示例中，在上述射频阻抗匹配系统600中，所述距离矩阵计算单元6103，进一步用于：计算所述训练输出向量和所述真实输出向量的各个位置的特征值之间的l2距离以获得所述距离矩阵。
[0090]
在一个示例中，在上述射频阻抗匹配系统600中，所述转移矩阵计算单元6104，进一步用于：设定所述真实输入向量为a且所述真实输出向量为b，所述转移矩阵m使得b＝m
×
a。
[0091]
在一个示例中，在上述射频阻抗匹配系统600中，所述一致性损失函数值计算单元6106，进一步用于：以如下公式计算所述比较矩阵的一致性因素，其中，所述公式为：
[0092][0093]
其中λ是所述比较矩阵的最大特征值，使得对于所述比较矩阵p的本征向量a，有p
·
a＝λ
·
a，且m是比较矩阵的大小。
[0094]
这里，本领域技术人员可以理解，上述射频阻抗匹配系统600中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的射频阻抗匹配方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0095]
如上所述，根据本技术实施例的射频阻抗匹配系统600可以实现在各种终端设备中，例如射频阻抗匹配算法的服务器等。在一个示例中，根据本技术实施例的射频阻抗匹配
系统600可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该射频阻抗匹配系统600可以是该终端设备的操作装置中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该射频阻抗匹配系统600同样可以是该终端设备的众多硬件模块之一。
[0096]
替换地，在另一示例中，该射频阻抗匹配系统600与该终端设备也可以是分立的设备，并且该射频阻抗匹配系统600可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0097]
示例性电子设备
[0098]
下面，参考图7来描述根据本技术实施例的电子设备。如图7所示，电子设备包括10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0099]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的射频阻抗匹配方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如比较矩阵、损失函数值等各种内容。
[0100]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线装置和/或其他形式的连接机构(未示出)互连。
[0101]
该输入装置13可以包括例如键盘、鼠标等等。
[0102]
该输出装置14可以向外部输出各种信息，包括输出向量等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0103]
当然，为了简化，图7中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0104]
示例性计算机程序产品和计算机可读存储介质
[0105]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的射频阻抗匹配方法中的功能中的步骤。
[0106]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0107]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指
令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的射频阻抗匹配方法中的步骤。
[0108]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0109]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0110]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0111]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0112]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0113]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。