CN101771477B - 手机射频发射功率校正系统及方法 - Google Patents

Abstract

一种手机射频发射功率校正系统及方法，该方法包括步骤：采集手机射频发射功率的频谱信号，并获取该频谱信号上的量测点；根据获取的量测点产生多个训练样本；利用产生的训练样本计算出所需构建的类神经网络内各个神经元的权重值，并根据各个神经元的权重值构建出该类神经网络；利用构建的类神经网络对采集的手机射频发射功率进行校正，并产生相应的校正结果；根据校正结果产生并输出手机射频发射功率频谱。实施本发明，只需利用发射功率频谱信号上较少数量的量测点，即可完成对手机射频发射功率的全部量测，从而大量节省校正的时间，提高手机生产效率。

Description

手机射频发射功率校正系统及方法

技术领域

本发明涉及一种无线通讯装置的校正系统及方法，特别是关于一种手机射频发射功率校正系统及方法。

背景技术

具有无线通讯能力的装置(例如手机，以下均以手机为例)，为确保手机射频发射功率频谱的使用效率以及减少互相干扰，都需要对手机射频发射功率进行校正，以符合各相关通讯规范的要求。通常需要取得手机发射功率与数模转换(Digital/Analog Converter，DAC)值之间的关系，以做为手机实际运作时控制射频发射功率的用途。

由于手机组件之间的差异，因此每一部手机在出厂前均需进行校正，以得到手机射频发射功率与DAC值之间的关系。通常是在DAC值的有效范围内，依一定之间隔逐次增加，扫描过一次，将每一次相对应的发射功率记录下来，即可制成发射功率与DAC值之间的曲线图。然而，由于DAC值与发射功率的量测点需要有一定的选择密度，如果选择的量测点太少，所得的曲线代表性不足。如果选择的量测点太多，所得的曲线较为准确，但增加校正的时间。

发明内容

鉴于以上内容，有必要提供一种手机射频发射功率校正系统，通过利用类神经网络的优良内插能力特性来达到加速校正手机射频发射功率之目的。

此外，还有必要提供一种手机射频发射功率校正方法，通过利用类神经网络的优良内插能力特性来达到加速校正手机射频发射功率之目的。

一种手机射频发射功率校正系统，包括一个功率频谱采集单元、一个发射功率校正单元以及一个校正结果输出单元。所述的发射功率校正单元包括：训练样本产生模块，用于接收所述的功率频谱采集单元采集的手机射频发射功率频谱信号，并获取该频谱信号上的量测点来产生多个训练样本；类神经网络构建模块，用于利用产生的训练样本计算出所需构建的类神经网络内各个神经元的权重值，并根据各个神经元的权重值构建出该类神经网络；发射功率校正模块，用于利用构建的类神经网络对采集的手机射频发射功率进行校正，以及产生并输出校正结果至所述的校正结果输出单元。

一种手机射频发射功率校正方法，该方法包括如下步骤：采集手机射频发射功率的频谱信号，并获取该频谱信号上的量测点；根据获取的量测点产生多个训练样本；利用产生的训练样本计算出所需构建的类神经网络内各个神经元的权重值，并根据各个神经元的权重值构建出该类神经网络；利用构建的类神经网络对采集的手机射频发射功率进行校正，并产生相应的校正结果；根据校正结果产生并输出手机射频发射功率频谱，该射频发射功率频谱是一种反应手机射频发射功率与DAC值之间的关系曲线图。

相较于现有技术，本发明所述的手机射频发射功率校正系统及方法只需利用手机射频发射功率频谱信号上较少数量的量测点，即可完成对手机射频发射功率的全部量测，从而大量节省校正手机射频发射功率的时间，提高手机的生产效率。

附图说明

图1是本发明手机射频发射功率校正系统较佳实施例的架构图。

图2是一种类神经网络模型的结构图。

图3是图2中类神经网络的神经元内部结构图。

图4是本发明手机射频发射功率校正方法较佳实施例的流程图。

图5是图4中的步骤S20产生训练样本的细化流程图。

图6是图4中的步骤S30构建类神经网络的细化流程图。

图7是图4中的步骤S40由类神经网络校正射频发射功率的细化流程图。

图8是一种手机射频发射功率频谱图。

图9是通过类神网络校正后的手机射频发射功率频谱图。

具体实施方式

如图1所示，是本发明手机射频发射功率校正系统较佳实施例的架构图。该系统包括一个功率频谱采集单元1、一个发射功率校正单元2以及一个校正结果输出单元3。所述的功率频谱采集单元1用于采集多部(例如N≥100部)手机的射频发射功率频谱信号，并将该频谱信号输入至发射功率校正单元2。所述的发射功率校正单元2用于获取手机频谱信号上的量测点产生N组训练样本，利用该N组训练样本构建并训练一个类神经网络(参见图2)，以及利用该类神经网络对手机射频发射功率进行校正，并产生校正结果。所述的校正结果输出单元3用于根据校正结果产生手机射频发射功率频谱。所述的射频发射功率频谱是一种反应手机射频发射功率与数模转换(Digital/Analog Converter，DAC)值之间的关系曲线图(参见图8)。

所述的发射功率校正单元2包括训练样本产生模块21、类神经网络构建模块22以及发射功率校正模块23。其中，所述的训练样本产生模块21用于接收所述功率频谱采集单元1采集的射频发射功率的频谱信号，并获取手机频谱信号上的量测点产生N组训练样本。所述的类神经网络构建模块22用于利用训练样本产生模块21产生的N组训练样本计算出所需构建的类神经网络内各个神经元的权重值，并根据各个神经元的权重值构建出该类神经网络。所述的发射功率校正模块23用于对利用构建出的类神经网络对所述功率频谱采集单元1采集的手机射频发射功率进行校正并产生校正结果。该发射功率校正模块23还用于将获取量测点的发射功率进行正规划运算或反正规划运算得到相应的发射功率值，所述的正规划运算或反正规划运算法将在图5及图7中详细描述。

如图2所示，是一种类神经网络模型的结构图。在本实施例中，所述的类神经网络构建模块22构建的类神经网络是一种较为常见且运用范围较为广泛的前传式倒传递类神经网络(Feed-Forward Back-Propagation Neural Network)，或称为倒传递类神经网络。该倒传递类神经网络的架构通常分为三层，其分别称为输入层、隐藏层与输出层。每一层各有多个神经元，每一层的每一个神经元都与下一层的每一个神经元通过神经突触相连接。该类神经网络的信号流向为单向，由输入层流往隐藏层，再由隐藏层流向输出层。

如图3所示，是图2中的类神经网络的神经元内部结构图。其中，每个神经元接收来自前一层每一神经元的信号，每一个接收信号先乘上神经突触上的权重值(记为w_i)，经过加总后再经过一个转换函数δ(y)，其函数表达式如下：

$\mathrm{\δ}\left(y\right)=\frac{1}{1+e^{-y}}$ ，其中“y”为接收信号，“e”为转换系数。

经转换函数δ(y)转换所得到的结果作为该神经元的输出，并再往类神经网络的下一层传递。一般来说，类神经网络具有优良的内插能力，本发明即是利用该特性来达到加速射频发射功率校正之目的。在本实施例中，利用类神经网络来对手机射频发射功率进行校正，就是要将手机射频发射功率的频谱信号的部分量测点馈入该类神经网络输入层的神经元，经过该类神经网络计算与校正得到所有量测点，并将所有量测点输出即可得到完整的射频发射功率频谱，从而达到校正手机射频发射功率的目的。由此可知，类神经网络的“训练知识”是存在于神经突触上的权重值，而要得到这些正确的权重值，必须事先准备一组训练样本。经过该训练样本对类神经网络训练之后，即可得出神经突触上的适当的权重值，而此训练好的类神经网络就可以应用于大批量检测及校正手机的射频发射功率。

如图4所示，是本发明手机射频发射功率校正方法较佳实施例的流程图。首先，功率频谱采集单元1采集多部(例如N≥100部)手机的射频发射功率的频谱信号，并将该频谱信号输入至发射功率校正单元2(步骤S10)。训练样本产生模块21接收采集的射频发射功率的频谱信号，并获取手机频谱信号上的量测点来产生N组训练样本(步骤S20)。类神经网络构建模块22利用训练样本产生模块21产生的N组训练样本计算出所需构建的类神经网络内各个神经元的权重值，并根据各个神经元的权重值构建出该类神经网络(步骤S30)。发射功率校正模块23利用构建出的类神经网络对所述功率频谱采集单元1采集的手机射频发射功率进行校正，产生并输出相应的校正结果至校正结果输出单元3(步骤S40)。校正结果输出单元3根据校正结果产生手机射频发射功率频谱，并输出该射频发射功率频谱(步骤S50)。所述的射频发射功率频谱是一种反应手机射频发射功率与DAC值之间的关系曲线图，参见图8所示。

如图5所示，是图4中的步骤S20产生训练样本的细化流程图。步骤S201，训练样本产生模块21接收所述功率频谱采集单元1采集的射频发射功率频谱信号，并获取手机频谱信号上的所有量测点的DAC值与对应的射频发射功率，其描述为{(DAC₁，P₁)，(DAC₂，P₂)，…，(DAC_M，P_M)}，其中“M”代表获取量测点的数量。步骤S202，发射功率校正模块23将射频发射功率频谱信号上所有量测点的实际功率值{P₁，P₂，…，P_M}进行正规化运算，并得到所有量测点的正规化功率值{P₁，P₂，…，P_M}。其中，所述正规化运算法是将所有输出功率对最大输出功率P_max与最小输出功率P_min的差距做正规化运算，亦即P_i＝(P_i-P_min)/(P_max-P_min)，其中0＜P_i＜1。

步骤S203，训练样本产生模块21从所有量测点中选择部分量测点的正规化功率值{P₁，P_T，…，P_LT}，其中：“T”代表选择的时间间隔，“L”代表选择部分量测点的数量，且L＜M，L×T≤M。步骤S204，训练样本产生模块21以部分量测点的正规化功率值{P₁，P_T，……，P_LT}作为输入和以所有量测点的正规化功率值{P₁，P₂，…，P_M}作为输出建立用于构建并训练一个类神经网络的训练样本。本实施例中，功率频谱采集单元1采集了N部手机的射频发射功率频谱信号，因此训练样本产生模块21产生了N组训练样本。

如图6所示，是图4中的步骤S30构建类神经网络的细化流程图。步骤S301，类神经网络构建模块22接收一训练样本中部分量测点的正规化功率值{P₁，P_T，…，P_LT}输入类神经网络输入层的神经元，经类神经网络后由输出层的神经元输出实际功率值{P₁，P₂，…，P_M}。步骤S302，类神经网络构建模块22将所有量测点的实际功率值{P₁，P₂，…，P_M}与所有量测点的正规化功率值{P₁，P₂，…，P_M}作比较得到一个误差值，并计算该误差值的均方差。

步骤S303，类神经网络构建模块22将该均方差输入类神经网络进行传递，并计算该类神经网络中输出层和隐藏层所有神经元的权重应该改变的权重变化值δ_k及δ_h，其可以让输出的均方差变小。具体地，对输出层神经元计算δ_k，则δ_k＝o_k(1-o_k)(t_k-o_k)，其中o_k为输出层神经元的实际输出，t_k为输出层神经元的目标输出。对隐藏层神经元计算δ_h，δ_h＝o_h(1-o_h)∑w_khδ_h

，其中o_h为隐藏层神经元的实际输出，t_h为隐藏层神经元的目标输出。步骤S304，类神经网络构建模块22根据权重变化值δ_k及δ_h计算出该类神经网络中每一个神经元的权重值w_kh，最后按照如下公式计算出所有神经元的权重值：w_ji＝w_ji+Δw_ji，及Δw_ji＝ηδ_jx_ji，其中“η”为学习率。

步骤S305，类神经网络构建模块22判断每个训练样本的均方差是否少于预设值(例如，0至1之间)。若还有训练样本的均方差大于等于预设值，则重新执行步骤S301至步骤S304直到所有训练样本的均方差少于预设值。若所有训练样本的均方差都小于预设值，则将计算出的权重值w_ji作为该类神经网络中各个神经元的目标权重值，以构建出该类神经网络。

如图7所示，是图4中的步骤S40由类神经网络校正射频发射功率的细化流程图。步骤S401，训练样本产生模块21接收功率频谱采集单元1采集的射频发射功率频谱信号，并获取该射频发射功率频谱上部分量测点的DAC值与发射功率的对应值：{(DAC₁，P₁)，(DAC_T，P_T)，…，(DAC_LT，P_LT)}。步骤S402，发射功率校正模块23将部分量测点的正规化功率值{P₁，P_T，…，P_LT}由训练好的类神经网络输入层输入，通过该类神经网络校正后由输出层输出校正功率值{P₁，P₂，…，P_M}。步骤S403，发射功率校正模块23将该校正功率值{P₁，P₂，…，P_M}进行反正规划运算得到所有量测点的目标功率值{P′₁，P′₂，…，P′_M}。步骤S404，发射功率校正模块23获得通过该类神网络校正后所有量测点的DAC值与发射功率的对应值{(DAC₁，P₁)，(DAC₂，P₂)，…，(DAC_M，P_M)}。

如图8所示，是手机射频发射功率频谱图，其反应了射频发射功率与DAC值之间的曲线关系。如图9所示，是通过类神网络校正后的手机射频发射功率频谱图。当部分预测点的功率值通过类神网络校正后得到所有量测点的DAC值与发射功率的对应值{(DAC₁，P′₁)，(DAC₂，P′₂)，…，(DAC_M，P′_M)}，再由校正结果输出单元3根据该对应值产生校正后的手机射频发射功率频谱。

由此可知，本发明所述的手机射频发射功率校正系统及方法只利用较少数量的预测点，即可完成对手机射频发射功率的全部量测，从而大量节省校正手机射频发射功率的时间，例如当量测点数为原来的五分之一时，则可以节省80％的校正时间，从而提高手机的生产效率。

Claims (10)

1.一种手机射频发射功率校正系统，包括一个功率频谱采集单元、一个发射功率校正单元以及一个校正结果输出单元，其特征在于，所述的发射功率校正单元包括：

训练样本产生模块，用于接收所述的功率频谱采集单元采集的手机射频发射功率频谱信号，并获取该频谱信号上的量测点来产生多个训练样本；

类神经网络构建模块，用于利用产生的训练样本计算出所需构建的类神经网络内各个神经元的权重值，并根据各个神经元的权重值构建出该类神经网络；

发射功率校正模块，用于利用构建的类神经网络对采集的手机射频发射功率进行校正，以及产生并输出校正结果至所述的校正结果输出单元。

2.如权利要求1所述的手机射频发射功率校正系统，其特征在于，所述的功率频谱采集单元用于采集多部手机的射频发射功率频谱信号，并将该频谱信号输入至所述的发射功率校正单元。

3.如权利要求1所述的手机射频发射功率校正系统，其特征在于，所述的发射功率校正模块还用于将所述量测点的发射功率进行正规划运算或反正规划运算得到相应的发射功率值。

4.如权利要求1所述的手机射频发射功率校正系统，其特征在于，所述的校正结果输出单元用于根据所述的校正结果产生手机射频发射功率频谱，该射频发射功率频谱是一种反应手机射频发射功率与DAC值之间的关系曲线图。

5.如权利要求1所述的手机射频发射功率校正系统，其特征在于，所述的类神经网络分为输入层、隐藏层及输出层，其中每一层各有多个神经元，每一层的每一个神经元都与下一层的每一个神经元通过神经突触相连接。

6.一种手机射频发射功率校正方法，其特征在于，该方法包括如下步骤：

采集手机射频发射功率的频谱信号，并获取该频谱信号上的量测点；

根据获取的量测点产生多个训练样本；

利用产生的训练样本计算出所需构建的类神经网络内各个神经元的权重值，并根据各个神经元的权重值构建出该类神经网络；

利用构建的类神经网络对采集的手机射频发射功率进行校正，并产生相应的校正结果；

根据校正结果产生并输出手机射频发射功率频谱，该射频发射功率频谱是一种反应手机射频发射功率与DAC值之间的关系曲线图。

7.如权利要求6所述的手机射频发射功率校正方法，其特征在于，所述的根据获取的量测点产生多个训练样本的步骤包括：

获取手机频谱信号上的所有量测点的DAC值与对应的射频发射功率{(DAC₁,P₁),(DAC₂,P₂),…,(DAC_M,P_M)}，其中“M”代表获取量测点的数量；

将射频发射功率频谱信号上所有量测点的实际功率值{P₁,P₂,…,P_M}进行正规化运算，并得到对应的正规化功率值

从所有量测点中选择部分量测点的正规化功率值

其中“T”代表以秒为单位的时间间隔，“L”代表部分量测点的数量，且L<M及L×T≤M；

以部分量测点的正规化功率值作为输入并以所有量测点的正规化功率值

作为输出建立所述类神经网络的训练样本。

8.如权利要求7所述的手机射频发射功率校正方法，其特征在于，所述的正规化运算是将所有实际功率值对最大输出功率值P_max与最小输出功率值P_min按照正规化算法

做正规化运算，其中

9.如权利要求6所述的手机射频发射功率校正方法，其特征在于，所述的利用产生的训练样本构建类神经网络的步骤包括：

接收一组训练样本中部分量测点的正规化功率值

输入类神经网络输入层的神经元，经类神经网络后由输出层的神经元输出实际功率值{P₁,P₂,…,P_M}；

将所有量测点的实际功率值{P₁,P₂,…,P_M}与所有量测点的正规化功率值作比较得到误差值，并计算该误差值的均方差；

将该均方差输入类神经网路进行传递，并计算该类神经网络中隐藏层和输出层所有神经元的权重应改变的权重变化值；

判断每组训练样本的均方差是否少于预设值；

若每组训练样本的均方差都小于预设值，则根据所述的权重变化值计算出作为类神经网络中各个神经元的目标权重值，以构建出该类神经网络。

10.如权利要求6所述的手机射频发射功率校正方法，其特征在于，所述的利用构建的类神经网络对采集的手机射频发射功率进行校正的步骤包括：

接收采集的射频发射功率频谱信号，并获取该射频发射功率频谱上部分量测点的DAC值与发射功率的对应值

{(DAC₁,P₁),(DAC_T,P_T),…,(DAC_LT,P_LT)}；

将部分量测点的正规化功率值

由训练好的类神经网络输入层输入，通过该类神经网络校正后由输出层输出所有量测点的校正功率值

将所有量测点的校正功率值进行反正规划运算得到所有量测点的目标功率值{P′₁,P′₂,…,P′_M}；

获得通过该类神网络校正后的所有量测点的DAC值与发射功率的对应值{(DAC₁,P'₁),(DAC₂,P'₂),…,(DAC_M,P′_M)}。

Images