1.基于粒子群优化算法的微波腔体滤波器智能调试方法，其特征在于：包括以下步骤：

S101：随机改变微波腔体滤波器电磁仿真模型中耦合螺钉伸入腔体中的长度D，获取对应的耗散参数S，一组耦合螺钉伸入腔体中的长度D与对应的耗散参数S构成一个样本，多个样本构成样本数据集；

S102：对样本数据集中的数据进行预处理，每一个样本的处理方式如下：

首先，对耗散参数S进行移除相位加载处理，得到理想参数Sideal；通过等价变换公式将理想参数Sideal转换为导纳参数Y；

然后，通过矢量拟合法对导纳参数Y进行处理，得到导纳参数Y的极点和留数组成的参数Yres_pole；

最后，以参数Yres_pole中的部分元素组成参数Y’res_pole；所述部分元素能够反映参数Yres_pole的特性；

S103：基于分块建模法，构建微波腔体滤波器机电特性模型，该模型包含多个基于BP神经网络建立的子模型；以耦合螺钉伸入腔体中的长度D与对应的参数Y’res_pole构成一个训练样本，多个训练样本构成训练样本集；以训练样本集对各子模型进行训练，进而得到微波腔体滤波器的机电特性模型：通过梯度下降法，以训练集样本集中的样本对每个基于BP神经网络的子模型进行训练，并通过D-K迭代法对每个基于BP神经网络的子模型的隐层神经元数目和学习率进行迭代优化；

当训练的基于BP神经网络的子模型的精度满足预设精度或者基于D-K迭代法进行迭代优化的次数达到预设迭代次数时，训练完成，多个基于BP神经网络的子模型组合得到满足要求的微波腔体滤波器的机电特性模型；S104：基于机电特性模型和粒子群优化算法，对待调节的微波腔体滤波器进行调试；根据用于评估微波腔体滤波器性能的价值函数，通过粒子群优化算法，确定各耦合螺钉的调节量，使得价值函数的值不断减小，直到微波腔体滤波器的输出满足预设的性能指标，即完成了微波腔体滤波器的调试过程；其中，价值函数值越小，微波腔体滤波器的性能越好；

价值函数fcost通过6个评价函数加权求和得到，如以下公式所示：

其中，ci为权重，fi是基于微波腔体滤波器性能指标设计的评价函数，i＝1,2,3,4,5,6；

价值函数fcost的值越小，表明当前微波腔体滤波器的性能越好；

价值函数fcost中的权重ci和评价函数fi在Sm幅频响应曲线中的具体含义如下：

1)评价函数f1为最大回波波峰与-20dB之间的差值，c1为评价函数f1的权重，评价函数f1反映了通带内的损耗，评价函数f1越小表示微波腔体滤波器通带内的损耗越小，微波腔体滤波器的性能越好；

2)评价函数f2为回波峰值位置的标准差，c2为评价函数f2的权重，评价函数f2反映了微波腔体滤波器回波横向分布的均匀程度，在其他条件相同的情况下，评价函数f2越小，微波腔体滤波器的回波位置分布越均匀，经过微波腔体滤波器后带内信号失真程度越小，微波腔体滤波器的性能越好；

3)评价函数f3为回波波峰幅值的标准差，c3为评价函数f3的权重，评价函数f3反映了微波腔体滤波器回波波峰峰值分布的均匀程度，在其他条件相同的情况下，评价函数f3越小，回波波峰峰值差距越小，经过微波腔体滤波器后带内信号失真程度越小，微波腔体滤波器的性能越好；

4)评价函数f4为回波波峰个数，c4为评价函数f4的权重，波峰个数越多，处于良好谐振状态的腔体数目越多；

5)评价函数f5为回波第一个波谷的位置，c5为评价函数f5的权重，波谷位置越靠近微波腔体滤波器的通带边缘，微波腔体滤波器的带内回波损耗越平坦；

6)评价函数f6为回波第一个波谷的幅值，c6为评价函数f6的权重，波谷幅值的绝对值越大，微波腔体滤波器的频率的选择性越好。

2.如权利要求1所述的基于粒子群优化算法的微波腔体滤波器智能调试方法，其特征在于：在步骤S102中，所述等价变换公式为：其中，S11、S12、S21和S22为理想参数Sideal中的元素，Y0为单位矩阵，Y11、Y12、Y21和Y22为导纳参数Y中的元素。

3.如权利要求2所述的基于粒子群优化算法的微波腔体滤波器智能调试方法，其特征在于：在步骤S102中，导纳参数Y的矩阵为：其中，s＝jω，λk为导纳参数Y中各元素的极点，r11k、r12k、r21k和r22k为与极点λk对应的留数。

4.如权利要求2所述的基于粒子群优化算法的微波腔体滤波器智能调试方法，其特征在于：在步骤S102中，根据导纳参数Y的极点和留数，赋值极点实部和留数虚部为零，以极点虚部和留数实部代表参数Yres_pole，以参数Yres_pole中的元素：Y11的极点虚部imag(λk)、Y11的留数实部real(r11k)和Y21的留数实部real(r21k)组成参数Y’res_pole，参数Y’res_pole用来反映微波腔体滤波器的电磁特性。

5.如权利要求3所述的基于粒子群优化算法的微波腔体滤波器智能调试方法，其特征在于：在步骤S103中，得到微波腔体滤波器的机电特性模型的具体过程为：基于分块建模法，构建微波腔体滤波器机电特性模型，该模型包括多个基于BP神经网络的子模型，各子模型的隐层层数都设定为3层；各个所述子模型的隐层神经元数目和各神经元之间的学习率都不确定，但隐层神经元数目和各神经元之间的学习率会影响到机电特性模型的精度，因此需要结合D-K迭代法对每个基于BP神经网络的子模型进行迭代优化，得到各子模型的隐层神经元数目及各神经元之间的学习率；

同时，基于梯度下降法，以训练样本集对各个基于BP神经网络的子模型进行训练，待训练的参数为各个神经元之间的权值，每改变一次隐层神经元数目和各神经元间的学习率，就需要对各个子模型进行一次训练；直到各个子模型的精度满足预设精度，或者是基于D-K迭代法进行迭代优化的次数达到预设迭代次数，训练结束，即得到微波腔体滤波器机电特性模型；当把耦合螺钉伸入腔体中的任意长度值输入微波腔体滤波器机电特性模型后，输出分别最接近于当前微波腔体滤波器的极点虚部imag(λ11k)、Y21的留数实部real(r21k)、Y12的留数实部real(r12k)。

6.如权利要求4所述的基于粒子群优化算法的微波腔体滤波器智能调试方法，其特征在于：在步骤S103中，迭代优化过程为：(1)初始化各个神经元之间的学习率、学习率变化范围和隐层的神经元数目的变化范围；(2)保持各个神经元之间的学习率不变，只改变隐层的神经元数目；(3)综合预设精度及网络复杂度，选择使所述神经网络的输出最接近于参数Y’res_pole中的极点虚部imag(λk)、Y11的留数实部real(r11k)和Y21的留数实部real(r21k)时隐层的神经元数目；(4)保持选择的隐层的神经元数目不变，只改变各个神经元之间的学习率，确定达到预设精度时对应的各个神经元之间的学习率；(5)判断在得到的隐层的神经元数目和各个神经元之间的学习率的情况下，机电特性模型的精度是否达到预设精度或者预设迭代次数，若是，则迭代优化结束；若否，则回到步骤(2)继续进行迭代优化。

7.如权利要求4所述的基于粒子群优化算法的微波腔体滤波器智能调试方法，其特征在于：在步骤S103中，将机电特性模型输出的参数Y’res_pole通过变换公式转换为耗散参数Sm，耗散参数Sm的幅频响应曲线反映了微波腔体滤波器的性能指标，用来判断调试结果是否满足给定的性能指标。