CN102025430B - 基于闭环的自动校准方法和设备 - Google Patents

Abstract

本发明涉及一种基于闭环的自动校准方法和设备，在初始搜索时采用变尺度和缩小搜索范围的方法，既保证了初始校准点校准的效率，又保证了准确度；在进行多点校准时，另外本发明方法和设备还采用继承上一校准点的校准值来估算后面校准点的搜索尺度和搜索范围，保证了后面各个点校准的效率和准确度。该方法和设备应用的范围大大拓宽：能用于多功率点、多频点、多DATT值下等各种情形的校准；既能用于一维空间因子的校准，也能用于多维空间因子的搜索校准。

Description

基于闭环的自动校准方法和设备

技术领域

本发明涉及移动通信技术领域，具体是用于无线指标的校准的基于闭环的自动校准方法和设备。

背景技术

无线设备中，有一些指标会受到多个因子的影响，为了消除这种影响带来的不良后果，必须通过遍历整个影响因子空间来获取所需要的最大或者最小值点（后面简称：最优点）来获得最好的输出效果，这个过程通常也叫做校准过程。

针对这种校准，采用的校准架构一般都是闭环校准架构：发射器发送校准信号，接收器接收信号，解调并反馈校准指标的值；控制后台（或者前台）收到该值，然后改变影响因子值，继续记录在该因子值下的指标值，从中找到自己所需要的指标最值，同时记录在该指标值下的因子值。将该组因子值，作为该点下的校准值记录下来。

目前针对这类问题采用的校准方案一般有两种：一种就是一一遍历整个校准空间，获得所需要的当找到校准对象的最值点时的影响因子值，校准完一个点，利用同样的算法再遍历；另外一种是根据因子之间的相关性，利用一个因子得到另一个校准点的因子值，专利CN201010120015.3说明的就是这种处理方式。

针对遍历整个校准空间的方式，也有专利给出了针对IQ（in-phase andquadrature-phase，同相分量和正交分量）校准通过寻找最优寻找方向的方法来降低整个校准的工作量，如专利CN200610091268。专利US2010099363里也提供了针对IQ校准进行速度优化的方法。

但是上述方法进行校准下都存在一定的缺陷：相应的校准都是通过遍历来获取校准点的最优点的因子值速度慢，或计算方法来获取校准点的最优点的因子值跟实际偏差较大，准确性不高，而且普适性比较差，实用范围不广。

发明内容

本发明的主要目的是提供一种校准速度快和校准准确度高、且普适性好的基于闭环的自动校准方法和设备。

本发明解决其技术问题所采用的技术方案是：

一种基于闭环的自动校准方法，其包括：

S110、控制后台根据给定搜索尺度分别选择多个因子值控制发射机发射指定格式的信号到接收机，接收所述接收机利用当前通信路径对多个所述信号的多个解析出来的结果，所述结果为所述因子值对应的结果值；

S120、对所述多个结果进行比较找出当前搜索范围和给定搜索尺度下的校准信号最优值；

S130、根据所述给定搜索尺度下的信号最优值缩小搜索尺度和搜索范围，依次重复所述步骤S110、S120，直至达到给定的迭代次数或者达到最优的搜索尺度为止，得到最后的缩小尺度下的最优点的因子值；

S140、将所述缩小尺度下的最优点的因子值作为当前校准点的最优点的因子值；

其中，所述步骤S130包括：

S131、记录最后的最优点的因子值，若所述最后的最优点的因子值满足给定的阈值条件，则将所述最后的最优点的因子值作为当前校准点的校准值；

S132、根据上一个校准点的校准值和所述当前校准点的校准值来估计当前校准点的搜索因子空间的搜索基准因子值；

S133、根据所述估计的搜索基准因子值缩小搜索尺度和搜索范围，在所述缩小的搜索尺度和搜索范围内进行搜索直到达到给定的迭代次数或者达到最优的搜索尺度为止。

优选地，所述步骤S140之后，进一步包括步骤S150、按照上述步骤S110-S140的过程得到所有校准点的最优点的因子值。

优选地，所述步骤S132、根据上一个校准点的校准值和所述当前校准点的校准值来估计当前校准点的搜索因子空间的搜索基准因子值，具体包括：

根据上一个校准点的校准值和所述校准值，用相关的算法来估计当前校准点的搜索因子空间的搜索基准因子值，其中：相关的算法具体包括：

设上一个校准点找到的最优点坐标值为(x₁,x₂,x₃......x_n)，n≥1,其中n为搜索的维度，则下一个校准点的基准点坐标为(x′₁,x'₂,......x'_n)，n≥1坐标中各因子的值由后式得到 $\left\{\begin{array}{c}{x}_1^{\′}=f_1\left(x_1\right)\\ x_2^{\′}=f_2\left(x_2\right)\\ ......\\ x_n^{\′}=f_n\left(x_n\right)\end{array}\right.,n\≥1,$ 其中函数f₁,f₂......,f_n，为根据多次统计得到的拟合曲线或者是推导得到的曲线。

优选地，所述步骤S131中：若所述最后的最优点的因子值满足给定的阈值条件，则判断校准失败，终止校准过程。

优选地，在步骤S150、按照上述步骤S110-S140的过程得到所有校准点的最优点的因子值，之前，进一步包括：

判断所有的待校准点是否都已校准完毕，如果校准完毕，则终止校准过程。

本发明还提供一种基于闭环的自动校准设备，其包括：

发送接收单元，用于根据给定搜索尺度分别选择多个因子值控制发射机发射指定格式的信号到接收机，接收所述接收机利用当前通信路径对多个所述信号的多个解析出来的结果，所述结果为所述因子值对应的结果值；

结果比较单元，用于对所述多个结果进行比较找出当前搜索范围和给定搜索尺度下的校准信号最优值；

因子值获取单元，用于根据所述给定搜索尺度下的信号最优值缩小搜索尺度，依次重复所述发送接收单元和结果比较单元的操作，直至达到给定的迭代次数或者达到最优的搜索尺度为止，得到最后的缩小尺度下的最优点的因子值；

因子值确定单元，用于将所述缩小尺度下的最优点的因子值作为当前校准点的最优点的因子值；

其中，所述因子值获取单元包括：

因子值比较子单元，用于记录最后的最优点的因子值，若所述最后的最优点的因子值满足给定的阈值条件，则将所述最后的最优点的因子值作为当前校准点的校准值；

基准因子值估计子单元，用于根据上一个校准点的校准值和所述当前校准点的校准值来估计当前校准点的搜索因子空间的搜索基准因子值；

继续搜索子单元，用于根据所述估计的搜索基准因子值缩小搜索尺度，在所述缩小的搜索尺度的范围内进行搜索直到找到最优点为止。

优选地，所述设备还包括：循环处理单元，用于依次按照上述发送接收单元、结果比较单元、因子值获取单元和因子值确定单元操作得到所有校准点的最优点的因子值。

优选地，所述基准因子值估计子单元，用于根据上一个校准点的校准值和所述校准值，用相关的算法来估计当前校准点的搜索因子空间的搜索基准因子值，其中：相关的算法具体包括：

设上一个校准点找到的最优点坐标值为(x₁,x₂,x₃......x_n)，n≥1,其中n为搜索的维度，则下一个校准点的基准点坐标为(x′₁,x'₂,......x'_n)，n≥1坐标中各因子的值由后式得到 $\left\{\begin{array}{c}{x}_1^{\′}=f_1\left(x_1\right)\\ x_2^{\′}=f_2\left(x_2\right)\\ ......\\ x_n^{\′}=f_n\left(x_n\right)\end{array}\right.,n\≥1,$ 其中函数f₁,f₂......,f_n，为根据多次统计得到的拟合曲线或者是推导得到的曲线。

优选地，所述设备还包括校准终止单元，用于：若所述最后的最优点的因子值满足给定的阈值条件，则判断校准失败，终止校准过程。

优选地，所述终止单元，还用于判断所有的待校准点是否都已校准完毕，如果校准完毕，则终止校准过程。

实施本发明的技术方案，具有以下有益效果：本发明提供的方法和设备，在初始搜索时采用变尺度和缩小搜索范围的方法，既保证了初始校准点校准的效率，又保证了准确度；另外，本发明提供的方法和设备还在进行多点校准时，采用继承上一校准点的校准值来估算后面校准点的搜索尺度，保证了后面各个点校准的效率和准确度。该方法和设备应用的范围大大拓宽：能用于多功率点、多频点、多DATT（digital attenuation，数字衰减器）值下等各种情形的校准；既能用于一维空间因子的校准，也能用于多维空间因子的搜索校准，普适性好。

附图说明

图1为本发明实施例提供的方法流程图；

图2为本发明实施例提供的方法的另一流程图；

图3为本发明实施例提供的图1的步骤S130的具体流程图；

图4为本发明实施例提供的方法的又一流程图；

图5为本发明实施例提供的方法的又一流程图；

图6为本发明实施例提供的设备的结构示意图；

图7为本发明实施例提供的设备的另一结构示意图；

图8为本发明实施例提供的因子值获取单元结构示意图；

图9为本发明实施例提供的设备的又一结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供一种基于闭环的自动校准方法，如图1所示，该方法包括步骤：

S110、控制后台根据给定搜索尺度分别选择多个因子值控制发射机发射指定格式的信号到接收机，接收所述接收机利用当前通信路径对多个所述信号的多个解析出来的结果，所述结果为所述因子值对应的结果值；其中，所述因子值是指影响校准对象的因素值，例如校准IQ时，需要校准其幅度和相位值，使信号的镜像功率最小，则幅度和相位就是校准IQ时的因子，而对应的信号镜像功率最小的幅度和相位值，就是最终的校准结果；本振校准时的I，Q分量的值，校准的过程就是找到一对I，Q值，使本振的泄露信号最小。

S120、对所述多个结果进行比较找出当前搜索范围和给定搜索尺度下的校准信号最优值；

S130、根据所述给定搜索尺度下的信号最优值缩小搜索尺度和搜索范围，依次重复所述步骤S110、S120，直至达到给定的迭代次数或者达到最优的搜索尺度为止，得到缩小尺度下的最优点的因子值；

S140、将所述缩小尺度下的最优点的因子值作为当前校准点的最优点的因子值；

上述步骤S110-S140的过程为校准一个待校准点的过程。

该实施例提供的方法在初始搜索时采用变尺度和缩小搜索范围的方法，既保证了初始校准点校准的效率，又保证了准确度。

在其他的实施例中，在上述实施例的基础上，更进一步的，如图2所示，该方法还包括：S150、按照上述步骤S110-S140的过程得到所有校准点的最优点的因子值。得到多点的最优点的因子值。在进行多点校准时，采用继承上一校准点的校准值来估算后面校准点的搜索尺度，保证了后面各个点校准的效率和准确度。该方法和设备应用的范围大大拓宽：能用于多功率点、多频点、多DATT（digital attenuation，数字衰减器）值下等各种情形的校准；既能用于一维空间因子的校准，也能用于多维空间因子的搜索校准，普适性好。

在其他的实施例中，如图3所示，该步骤S130具体包括步骤：

S131、记录该缩小尺度下的最优点的因子值，若所述缩小尺度下的最优点的因子值满足给定的阈值条件，则将所述缩小尺度下的最优点的因子值作为当前校准点的校准值；

S132、根据上一个校准点的校准值和所述当前校准点的校准值来估计当前校准点的搜索因子空间的搜索基准因子值；具体包括：

根据上一个校准点的校准值和所述当前校准点的校准值，用相关的算法来估计当前校准点的搜索因子空间的搜索基准因子值，其中：相关的算法具体包括：

设上一个校准点找到的最优点坐标值为(x₁,x₂,x₃......x_n)，n≥1,其中n为搜索的维度，则下一个校准点的基准点坐标为(x′₁,x'₂,......x'_n)，n≥1坐标中各因子的值由后式得到 $\left\{\begin{array}{c}{x}_1^{\′}=f_1\left(x_1\right)\\ x_2^{\′}=f_2\left(x_2\right)\\ ......\\ x_n^{\′}=f_n\left(x_n\right)\end{array}\right.,n\≥1,$ 其中函数f₁,f₂......,f_n，为根据多次统计得到的拟合曲线或者是推导得到的曲线。由于彼此之间拟合的曲线可能并不相同。一般为了降低复杂度，直接采用继承的方式，即 $\left\{\begin{array}{c}{x}_1^{\′}=f_1\left(x_1\right)\\ x_2^{\′}=f_2\left(x_2\right)\\ ......\\ x_n^{\′}=f_n\left(x_n\right)\end{array}\right.,n\≥1.$

S133、根据所述估计的搜索基准因子值缩小搜索尺度，在所述缩小的搜索尺度的范围内进行搜索直到达到给定的迭代次数或者达到最优的搜索尺度为止，该搜索范围内找到最优点。

在进一步的实施例中，在上述实施例的基础上，所述步骤S131中：若所述最后的最优点的因子值满足给定的阈值条件，则判断校准失败，终止校准过程。

在进一步的实施例中，在上述实施例的基础上，在步骤S150、按照上述步骤S110-S140的过程得到所有校准点的最优点的因子值，之前，进一步包括：

判断所有的待校准点是否都已校准完毕，如果校准完毕，则终止校准过程。

上述实施例中，校准中所使用的搜索尺度、搜索范围、迭代次数等，一般都是根据之前的经验来设置的，根据校准的指标、需要校准的设备等的不同而不同；或者根据大样本统计获得；也可以采用遗传算法神经网络等智能算法来获得。根据有的设备校准，只要满足校准的阈值即可，无需搜索最优值，那么每次搜索时，只要找到满足阈值要求的点，则迭代自动结束；针对多点情况，用上一个点的校准结果估计出当前点的校准结果后，如果经过验证，满足阈值要求，则无需继续迭代，该估计值作为当前点的校准结果即可。

每次迭代搜索终止的条件包括但是不限于如下几种：搜索到满足阈值条件的点；每点都完全迭代、搜索到最优值；部分迭代，找到当次迭代的最优值，满足阈值条件；或者是前几种的混合方式。

本发明提供的方法，在初始搜索时采用该变尺度和缩小搜索尺度范围的方式，既保证了初始校准点校准的效率，又保证了准确度；在进行多点校准时，通过步骤S130的具体步骤中采用的继承上一校准点的校准值来估算后面校准点的搜索尺度，保证了后面各个点校准的效率和准确度。

本发明实施例还提供通过应用上述实施例提供的方法校准得到满足阈值要求的最优点的过程，如图4所示，具体实现包括以下步骤：

S301：针对所校准第一个点，或者以上一个校准点预估的当前点的最优点为基础搜索未获取到满足阈值要求的最优点，所设置的校准参数为初始默认的起始搜索尺度、搜索范围、以及起始搜索的因子值，在设置搜索范围时，需要把本次校准下已经搜索过的空间去掉；

S302：利用给定的搜索尺度和给定的起始因子值，在给定的搜索空间里搜索校准指标的最优值，直到遍历完该搜索空间里的所有点为止；

S303：完成一次搜索，如果达到设定的迭代终止条件，则迭代终止，跳转到S305，如果未达到设定的迭代条件，则跳转到S304；

S304：以上一次搜索的最优点为基准，得到比上一次搜索更小的搜索范围和更精确的搜索尺度，以及本次搜索的起始因子值，然后跳转至S302；

S305：判断得到的最优点是否满足设定的阈值的要求，如果满足则确认本校准点校准成功跳到S306；否则则认为校准失败，跳转到S307；

S306：记录找到的最优点的因子值，作为校准结果；

S307：校准失败，通知后台校准失败，同时终止校准过程；

S308：判断是否所有的待校准点都已经校准完毕，如果是则校准结束，终止校准流程，跳转至S309，否则跳转至S310继续下一点校准;

S309：把所有的校准点的校准数据记录下来，存储到非易失性的存储器上，以便后续使用，整个校准流程结束。

S310：根据上一个校准点的校准值，估计当前校准点的基准最优值。

S311：根据S310估计的当前校准点的最优值设定搜索空间，同时设定搜索尺度，该搜索空间和搜索尺度应该都小于S301中的大小，同时设定搜索的起始因子值。

S312：操作同S302；

S313：判断是否达到的搜索终止条件，如果达到设定的迭代终止条件，则迭代终止，跳转到S314，如果未达到设定的迭代搜索的终止条件，则跳转到S315；

S314：判断本次迭代结束时，判断本次迭代找到的最优值是否满足设定的阈值要求，如果满足，则本校准点的搜索结束，跳转到S306；如果不满足设定的阈值要求，则，跳转到S315；

S315：以上一搜索尺度所找到的最优点为搜索基准点，设定新的搜索的范围，该范围小于上一搜索尺度下的搜索范围，同时设定新的精度更高的搜索尺度，然后跳转到S312。

本发明实施例还提供通过应用上述实施例提供的方法找到满足设定的校准阈值点示意图，该实施例中不找校准的最优点，如图5所示，其具体实现包括以下步骤：

S401：针对所校准第一个点，或者以上一个校准点预估的当前点的校准基准点为基础搜索未获取到满足设定阈值要求的点，所设置的校准参数为初始默认的起始搜索尺度，搜索范围，在设置搜索因子范围时，需要把本次校准时已经搜索过的空间去掉；

S402：利用给定的搜索尺度和给定的起始因子值，在给定的搜索空间里搜索校准指标满足设定阈值要求的点，如果找到则终止本次搜索，若没找到会一直搜索到本次迭代搜索结束；

S403：一旦在S402中找到满足阈值要求的点，则迭代搜索终止，跳转到S406；如果本次迭代搜索结束仍未找到满足设定的阈值条件的点，则跳转到S404；

S404：判断当前迭代搜索是否已经达到了迭代搜索终止的条件，如果是，则跳转到S408；如果不是，则跳转到S405。

S405：用上一次搜索的满足阈值要求的点为基准，得到比上一次搜索更小的搜索范围和更精确的搜索尺度，以及本次搜索的起始因子值；

S406：本校准点已经校准成功，终止迭代搜索；

S407：记录找到的满足校准阈值条件的因子值，作为校准结果；

S408：校准失败，通知后台校准失败，同时终止校准过程；

S409：判断是否所有的待校准点都已经校准完毕，如果是则校准结束，终止校准流程，跳转至S410，否则跳转至S411继续下一点校准;

S410：把所有的校准点的校准数据记录下来，存储到非易失性的存储器上，以便后续使用，整个校准流程结束。

S411：根据上一个校准点的校准值，估计当前校准点的基准值。

S412：根据S411估计的当前校准点的基准值设定搜索空间，同时设定搜索尺度，该搜索空间和搜索尺度应该都小于S401中的大小，同时设定搜索的起始因子值。

S413：操作同S402；

S414：如果在S413中找到了满足阈值条件的点，则直接跳转到S406；否则跳转到S415。

S415：判断是否达到的迭代搜索的次数，如果达到设定的迭代搜索的次数，跳转到S401，如果未达到设定的迭代搜索的次数，则跳转到S416；

S416：以上一搜索尺度所找到的最优点为搜索基准点，设定新的搜索的范围，该范围小于上一搜索尺度下的搜索范围，同时设定新的精度更高的搜索尺度，然后跳转到S413。

本发明实施例还提供一种基于闭环的自动校准设备，如图6所示，该设备包括：

发送接收单元510，用于根据给定搜索尺度分别选择多个因子值控制发射机发射指定格式的信号到接收机，接收所述接收机利用当前通信路径对多个所述信号的多个解析出来的结果，所述结果为所述因子值对应的结果值；

结果比较单元520，用于对所述多个结果进行比较找出当前搜索范围和给定搜索尺度下的校准信号最优值；

因子值获取单元530，用于根据所述给定搜索尺度下的信号最优值缩小搜索尺度和搜索范围，依次重复所述发送接收单元510和结果比较单元520的操作，直至达到给定的迭代次数或者达到最优的搜索尺度为止，得到最后的缩小尺度下的最优点的因子值；

因子值确定单元540，用于将所述缩小尺度下的最优点的因子值作为当前校准点的最优点的因子值；

其他的实施例中，在上述实施例提供的设备的基础上，如图7所示，所述设备还进一步包括：循环处理单元550，用于依次按照上述发送接收单元510、结果比较单元520、因子值获取单元530和因子值确定单元540操作得到所有校准点的最优点的因子值。

其他的实施例中，更为具体的，如图8所示，所述因子值获取单元530还包括：

因子值比较子单元531，用于记录最后的最优点的因子值，若所述最后的最优点的因子值满足给定的阈值条件，则将所述最后的最优点的因子值作为当前校准点的校准值；

基准因子值估计子单元532，用于根据上一个校准点的校准值和所述当前校准点的校准值来估计当前校准点的搜索因子空间的搜索基准因子值；

继续搜索子单元533，用于根据所述估计的搜索基准因子值缩小搜索尺度，在所述缩小的搜索尺度的范围内进行搜索直到找到最优点为止。

在其他的实施例中，更为具体的，所述基准因子值估计子单元532，用于根据上一个校准点的校准值和所述校准值，用相关的算法来估计当前校准点的搜索因子空间的搜索基准因子值，其中：相关的算法具体包括：

设上一个校准点找到的最优点坐标值为(x₁,x₂,x₃......x_n)，n≥1,其中n为搜索的维度，则下一个校准点的基准点坐标为(x′₁,x'₂,......x'_n)，n≥1坐标中各因子的值由后式得到 $\left\{\begin{array}{c}{x}_1^{\′}=f_1\left(x_1\right)\\ x_2^{\′}=f_2\left(x_2\right)\\ ......\\ x_n^{\′}=f_n\left(x_n\right)\end{array}\right.,n\≥1,$ 其中函数f₁,f₂......,f_n，为根据多次统计得到的拟合曲线或者是推导得到的曲线。

其他的实施例中，在上述各实施例提供的设备的基础上，所述设备还进一步包括：如图9所示，所述设备还包括校准终止单元560，用于：若所述最后的最优点的因子值满足给定的阈值条件，则判断校准失败，终止校准过程。

其他的实施例中，在上述各实施例提供的设备的基础上，所述终止单元560，还用于判断所有的待校准点是否都已校准完毕，如果校准完毕，则终止校准过程。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于闭环的自动校准方法，其特征在于，包括：

S110、控制后台根据给定搜索尺度分别选择多个因子值控制发射机发射指定格式的信号到接收机，接收所述接收机利用当前通信路径对多个所述信号的多个解析出来的结果，所述结果为所述因子值对应的结果值；

S120、对所述多个结果进行比较找出当前搜索范围和给定搜索尺度下的校准信号最优值；

S130、根据所述给定搜索尺度下的信号最优值缩小搜索尺度和搜索范围，依次重复所述步骤S110、S120，直至达到给定的迭代次数或者达到最优的搜索尺度为止，得到最后的缩小尺度下的最优点的因子值；

S140、将所述缩小尺度下的最优点的因子值作为当前校准点的最优点的因子值；

其中，所述步骤S130包括：

S131、记录最后的最优点的因子值，若所述最后的最优点的因子值满足给定的阈值条件，则将所述最后的最优点的因子值作为当前校准点的校准值；

S132、根据上一个校准点的校准值和所述当前校准点的校准值来估计当前校准点的搜索因子空间的搜索基准因子值；

S133、根据所述估计的搜索基准因子值缩小搜索尺度和搜索范围，在所述缩小的搜索尺度和搜索范围内进行搜索直到达到给定的迭代次数或者达到最优的搜索尺度为止。

2.如权利要求1所述方法，其特征在于，所述步骤S140之后，进一步包括步骤S150、按照上述步骤S110-S140的过程得到所有校准点的最优点的因子值。

3.如权利要求1所述方法，其特征在于，所述步骤S132、根据上一个校准点的校准值和所述当前校准点的校准值来估计当前校准点的搜索因子空间的搜索基准因子值，具体包括：

根据上一个校准点的校准值和所述校准值，用相关的算法来估计当前校准点的搜索因子空间的搜索基准因子值，其中：相关的算法具体包括：

设上一个校准点找到的最优点坐标值为(x₁,x₂,x₃......x_n)，n≥1,其中n为搜索的维度，则下一个校准点的基准点坐标为(x′₁,x′₂,......x'_n)，n≥1坐标中各因子的值由后式得到 $\left\{\begin{array}{c}{x}_1^{\′}=f_1\left(x_1\right)\\ x_2^{\′}=f_2\left(x_2\right)\\ ......\\ x_n^{\′}=f_n\left(x_n\right)\end{array}\right.,n\≥1,$ 其中函数f₁,f₂......,f_n，为根据多次统计得到的拟合曲线或者是推导得到的曲线。

4.如权利要求1所述方法，其特征在于，所述步骤S131中：若所述最后的最优点的因子值满足给定的阈值条件，则判断校准失败，终止校准过程。

5.如权利要求4所述方法，其特征在于，在步骤S150、按照上述步骤S110-S140的过程得到所有校准点的最优点的因子值，之前，进一步包括：

判断所有的待校准点是否都已校准完毕，如果校准完毕，则终止校准过程。

6.一种基于闭环的自动校准设备，其特征在于，包括：

发送接收单元，用于根据给定搜索尺度分别选择多个因子值控制发射机发射指定格式的信号到接收机，接收所述接收机利用当前通信路径对多个所述信号的多个解析出来的结果，所述结果为所述因子值对应的结果值；

结果比较单元，用于对所述多个结果进行比较找出当前搜索范围和给定搜索尺度下的校准信号最优值；

因子值获取单元，用于根据所述给定搜索尺度下的信号最优值缩小搜索尺度和搜索范围，依次重复所述发送接收单元和结果比较单元的操作，直至达到给定的迭代次数或者达到最优的搜索尺度为止，得到最后的缩小尺度下的最优点的因子值；

因子值确定单元，用于将所述缩小尺度下的最优点的因子值作为当前校准点的最优点的因子值；

其中，所述因子值获取单元包括：

因子值比较子单元，用于记录最后的最优点的因子值，若所述最后的最优点的因子值满足给定的阈值条件，则将所述最后的最优点的因子值作为当前校准点的校准值；

基准因子值估计子单元，用于根据上一个校准点的校准值和所述当前校准点的校准值来估计当前校准点的搜索因子空间的搜索基准因子值；

继续搜索子单元，用于根据所述估计的搜索基准因子值缩小搜索尺度，在所述缩小的搜索尺度的范围内进行搜索直到找到最优点为止。

7.如权利要求6所述设备，其特征在于，还包括：循环处理单元，用于依次按照上述发送接收单元、结果比较单元、因子值获取单元和因子值确定单元操作得到所有校准点的最优点的因子值。

8.如权利要求6所述设备，其特征在于，所述基准因子值估计子单元，用于根据上一个校准点的校准值和所述校准值，用相关的算法来估计当前校准点的搜索因子空间的搜索基准因子值，其中：相关的算法具体包括：

设上一个校准点找到的最优点坐标值为(x₁,x₂,x₃......x_n)，n≥1,其中n为搜索的维度，则下一个校准点的基准点坐标为(x′₁,x'₂,......x'_n)，n≥1坐标中各因子的值由后式得到 $\left\{\begin{array}{c}{x}_1^{\′}=f_1\left(x_1\right)\\ x_2^{\′}=f_2\left(x_2\right)\\ ......\\ x_n^{\′}=f_n\left(x_n\right)\end{array}\right.,n\≥1,$ 其中函数f₁,f₂......,f_n，为根据多次统计得到的拟合曲线或者是推导得到的曲线。

9.如权利要求6所述设备，其特征在于，还包括校准终止单元，用于：若所述最后的最优点的因子值满足给定的阈值条件，则判断校准失败，终止校准过程。

10.如权利要求9所述设备，其特征在于，所述终止单元，还用于判断所有的待校准点是否都已校准完毕，如果校准完毕，则终止校准过程。