[發明專利]一種基于DNN的射頻功放溫度特性建模方法

在審

• 申請號: 201711409314.7
• 申請日: 2017-12-22
• 公開（公告）號: CN108287941A
• 公開（公告）日: 2018-07-17
• 發明（設計）人: 馬建國;周紹華;傅海鵬
• 申請（專利權）人: 天津大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/08;G06N3/10
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 吳學穎

本發明公開了一種基于DNN的射頻功放溫度特性建模方法：根據射頻功率放大器溫度特性的實測數據選取DNN模型的訓練數據和測試數據；確定DNN模型的輸入變量和輸出變量；將訓練數據導入DNN模型中，對DNN模型進行訓練；將測試數據導入已訓練好的DNN模型中，比較DNN模型輸出結果和測試結果并計算二者的誤差；比較DNN模型的測試誤差MSE和DNN模型精度期望值的大小，如果MSE小于精度期望值，則訓練完成；如果MSE大于精度期望值，調整參數重新訓練，直到MSE小于精度期望值，訓練結束。本發明建立射頻功率放大器性能指標關于溫度的相關模型，實現對給定溫度區間內射頻功率放大器性能指標變化情況的預測。

技術領域

本發明屬于涉及射頻功率放大器溫度特性建模領域，更具體的說，是涉及一種基于DNN的射頻功放溫度特性建模方法。

背景技術

射頻功率放大器是射頻前端不可或缺的核心電路模塊，其性能的好壞直接決定了無線通信系統性能的良莠。射頻功率放大器的性能受溫度的影響巨大，該缺陷在實際的工作過程中無法避免。文獻調研結果表明：目前尚未建立完整的器件溫度模型，導致所設計出來的射頻功率放大器只能在某一特定的溫度范圍內滿足要求。當射頻功率放大器的工作溫度發生變化(尤其是溫度發生大范圍變化)的時候，射頻功率放大器的特性將隨之發生變化，而這將極大地影響整個通信系統的性能和工作狀態。因此，需要針對一個設計完成的射頻功率放大器進行關于溫度特性的行為表征，以實現在大范圍溫度變化情況下射頻功率放大器特性的預測。

要預測在大范圍溫度變化情況下的射頻功率放大器的特性，這就需要開展大量的實際測試，而實際的測試過程是異常耗時的，而且實際的測試點又不可能是完整連續覆蓋所有溫度的。因此，在預測大范圍溫度變化情況下射頻功率放大器的特性就面臨一個迫切的需求：根據少數關鍵的測試點來表征整個溫度范圍內的射頻功率放大器的特性。

發明內容

本發明的目的是為了克服現有技術中的不足，提供了一種基于DNN的射頻功放溫度特性建模方法，基于射頻功率放大器溫度特性的實測數據，應用Deep Neural Network(DNN)，建立射頻功率放大器性能指標(例如：S參數、輸出功率、PAE等)關于溫度的相關模型，實現對給定溫度區間內射頻功率放大器性能指標變化情況的預測。

本發明的目的是通過以下技術方案實現的。

本發明的基于DNN的射頻功放溫度特性建模方法，包括以下步驟：

步驟一，根據所獲得的射頻功率放大器溫度特性的實測數據選取DNN模型的訓練數據和測試數據；

步驟二，確定DNN模型的輸入變量(輸入功率、頻率和溫度)和輸出變量(輸出功率、S參數和PAE)；

步驟三，將訓練數據導入DNN模型中，對DNN模型進行訓練；

步驟四，將測試數據導入已經訓練好的DNN模型中，比較DNN模型輸出結果和測試結果并計算二者的誤差，即DNN模型的測試誤差MSE：

其中，m_i表示DNN模型的測試結果，即DNN模型的理想輸出結果，o_i表示DNN模型的輸出結果，即DNN模型的實際輸出結果，n表示樣本數量；

步驟五，比較DNN模型的測試誤差MSE和DNN模型精度期望值的大小，如果測試誤差MSE小于精度期望值，則DNN模型訓練完成；如果測試誤差MSE大于精度期望值，則需要通過調整參數(激勵函數F(￡)、隱藏層數L和隱藏神經元個數N)進行重新訓練，直到MSE小于精度期望值，訓練結束。

與現有技術相比，本發明的技術方案所帶來的有益效果是：