CN108595764A - 电路模块行为级建模方法及系统 - Google Patents
电路模块行为级建模方法及系统 Download PDFInfo
- Publication number
- CN108595764A CN108595764A CN201810254253.XA CN201810254253A CN108595764A CN 108595764 A CN108595764 A CN 108595764A CN 201810254253 A CN201810254253 A CN 201810254253A CN 108595764 A CN108595764 A CN 108595764A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- modeling
- behavioral scaling
- circuit module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
Abstract
本发明实施例提供了一种电路模块行为级建模方法及系统，所述方法包括：基于K‑折交叉验证方法，分别从待建模电路模块的样本数据中确定K次建模中每次建模采用的训练数据和对应的测试数据，所述样本数据中包括至少由所述待建模电路模块的输入数据和输出数据构成的多个数据对；通过每次建模采用的训练数据对支持向量机模型进行训练，得到所述待建模电路模块的第一行为级模型，并通过每次建模对应的测试数据，计算所述第一行为级模型的准确度。可以利用较少的样本数据即可构建第一行为级模型，大大降低了构建第一行为级模型的复杂度和难度。同时，使得到的第一行为级模型简单易于使用。
Description
技术领域
本发明实施例涉及电磁兼容技术领域，更具体地，涉及电路模块行为级建模方法及系统。
背景技术
行为级建模是一种将目标定位在系统或电路模块外部的建模方法，是一种描述系统或电路模块输入输出特征的数学模型。这种方法将系统或电路模块封装在“黑匣子”中，并不关心其组成元器件的具体参数和功能，使对复杂的系统或电路模块的建模成为了可能，提高了效率。
对于电路模块的行为级建模，既要关注电路模块的带内特性，也要关注电路模块的带外特性。目前针对电路模块的行为级建模方法较多，如Volterra级数法、谐波平衡法和神经网络法等。但是Volterra级数法和谐波平衡法仅适用于电路器件级的行为级建模，若应用于电路模块级的行为级建模则会使建立的行为级模型过于复杂；采用神经网络法进行行为级建模则需要庞大的训练数据，这将为构建行为级模型的数据准备工作带来了极大的困难，增加了行为级建模的难度。
发明内容
为克服上述问题或者至少部分地解决上述问题，本发明实施例提供了一种电路模块行为级建模方法及系统。
一方面，本发明实施例提供了一种电路模块行为级建模方法，包括：
基于K-折交叉验证方法，分别从待建模电路模块的样本数据中确定K次建模中每次建模采用的训练数据和对应的测试数据，所述样本数据中包括至少由所述待建模电路模块的输入数据和输出数据构成的多个数据对；
通过每次建模采用的训练数据对支持向量机模型进行训练，得到所述待建模电路模块的第一行为级模型，并通过每次建模对应的测试数据，计算所述第一行为级模型的准确度。
另一方面，本发明实施例提供了一种电路模块行为级建模系统，包括：
数据确定模块，用于基于K-折交叉验证方法，分别从待建模电路模块的样本数据中确定K次建模中每次建模采用的训练数据和对应的测试数据，所述样本数据中包括至少由所述待建模电路模块的输入数据和输出数据构成的多个数据对；
模型构建模块，用于通过每次建模采用的训练数据对支持向量机模型进行训练，得到所述待建模电路模块的第一行为级模型，并通过每次建模对应的测试数据，计算所述第一行为级模型的准确度。
另一方面，本发明实施例提供了一种电路模块行为级建模设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述所述的方法。
另一方面，本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述所述的方法。
本发明实施例提供的一种电路模块行为级建模方法及系统，所述方法通过K-折交叉验证方法，分别从待建模电路模块的样本数据中确定K次建模中每次建模采用的训练数据和对应的测试数据，并通过每次建模采用的训练数据对支持向量机模型进行训练，得到所述待建模电路模块的第一行为级模型，通过每次建模对应的测试数据，计算所述第一行为级模型的准确度。本发明中通过采用支持向量机模型作为基础模型，同时通过K-折交叉验证选取训练数据和测试数据，可以利用较少的样本数据即可构建第一行为级模型，大大降低了构建第一行为级模型的复杂度和难度。同时，使得到的第一行为级模型简单易于使用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种电路模块行为级建模方法的流程示意图；
图2为本发明另一实施例提供的一种电路模块行为级建模方法中归一化预处理的整个流程示意图；
图3为本发明另一实施例提供的一种电路模块行为级建模方法中得到第四行为级模型的整体流程示意图；
图4为本发明另一实施例提供的一种电路模块行为级建模方法中对第二行为级模型的第二预设参数进行优化的整个流程示意图；
图5为本发明另一实施例提供的一种电路模块行为级建模方法中采用的待建模电路模块中外围电路的示意图；
图6A为本发明另一实施例提供的一种电路模块行为级建模方法中第一行为级模型的带内均方误差示意图；
图6B为本发明另一实施例提供的一种电路模块行为级建模方法中第一行为级模型的带外均方误差示意图；
图7A为本发明另一实施例提供的一种电路模块行为级建模方法中第二行为级模型的带内均方误差示意图；
图7B为本发明另一实施例提供的一种电路模块行为级建模方法中第二行为级模型的带外均方误差示意图；
图8A为本发明另一实施例提供的一种电路模块行为级建模方法中第四行为级模型的带内均方误差示意图；
图8B为本发明另一实施例提供的一种电路模块行为级建模方法中第四行为级模型的带外均方误差示意图；
图9为本发明另一实施例提供的一种电路模块行为级建模系统的结构示意图；
图10为本发明另一实施例提供的一种电路模块行为级建模设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明一实施例提供了一种电路模块行为级建模方法，包括：
S1，基于K-折交叉验证方法，分别从待建模电路模块的样本数据中确定K组训练数据和对应的测试数据，所述样本数据中包括至少由所述待建模电路模块的输入数据和输出数据构成的多个数据对；
S2，通过每一组训练数据对支持向量机模型进行训练，得到所述待建模电路模块的第一行为级模型，并通过每一组训练数据对应的测试数据，计算所述第一行为级模型的准确度。
具体地，由于现有技术中存在的电路模块的行为级建模方法均存在一些无法避免的问题，如过于复杂或者需要大量的训练数据，增加建模难度。所以基于上述问题，本发明提供了一种电路模块行为级建模方法，主要是采用基础的支持向量机模型实现。支持向量机(Support Vector Machine，SVM)是常见的一种判别方法。在机器学习领域，是一个有监督功能的学习模型，通常用来进行模式识别、分类以及回归分析。支持向量机模型主要是针对数据线性可分的情况进行分析，对于数据线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本数据转化为高维特征空间使样本数据线性可分，从而使得高维特征空间采用线性算法对样本数据的非线性特征进行线性分析成为可能。支持向量机模型的基本思想是寻找一个最优分类线，可以将样本数据以最大分类间隔准确分开，且在训练样本较少时也能取得很好的建模效果，即建立的支持向量机模型具有很高的准确度。利用有限组电路模块的输入数据和输出数据作为训练集可以训练SVM模型，建立电路模块级的行为级模型。
首先需要获取到待建模电路模块的样本数据，即给定待建模电路模块一输入数据，得到经待建模电路模块后的一输出数据。通过改变待建模电路模块的输入数据可以得到待建模电路模块的多个输出数据。这里的样本数据是指包含了至少由待建模电路模块的输入数据和输出数据构成的多个数据对，即每一个样本数据都是一个数据对，每个数据对中至少包括了待建模电路模块的输入数据和输出数据。
为了确定构建的待建模电路模块的行为级模型的准确性，在构建行为级模型后还需要通过测试数据对构建的行为级模型进行测试，以计算构建的行为级模型的准确度。所以本发明实施例中需要确定出用于训练支持向量机模型的训练数据，以及用于测试构建的行为级模型的测试数据。同时，为了消除人为的从样本数据中选择训练数据和测试数据对构建出的行为级模型准确度的影响，以及随机的从样本数据中选择训练数据和测试数据所带来的不确定性，本发明实施例中采用K-折交叉验证(Cross-Validation，K-CV)的方法将样本数据进行分类，在K次建模的每次建模过程中，将样本数据分为训练数据和测试数据。K-CV主要是将样本数据分为K组数据，其中单独的一组数据被保留作为验证模型正确性的数据，其他K-1组数据被用来训练训练支持向量机模型。交叉验证重复K次，每组数据验证一次，平均K次的结果或者使用其它结合方式，最终得到一个单一估测。这个方法的优势在于，同时重复运用随机产生的分组数据进行训练和验证，使得建立行为级模型所采用的训练数据以及测试数据消除了特殊性，具有普适性。
需要说明的是，本发明实施例中所述的K-CV方法需要交叉验证重复K次，交叉验证一次，会产生一组测试数据和K-1组训练数据，进而实现一次建模。所以完成K次交叉验证，则会实现K次建模。本发明实施例中在构建了第一行为级模型后，还通过每次建模对应的测试数据计算第一行为级模型的准确度，使工作人员在使用第一行为级模型时可以知晓第一行为级模型的准确度，进而确定第一行为级模型的建模效果，使第一行为级模型的准确度更有说服力。通过每次建模采用的训练数据对支持向量机模型进行训练，得到所述待建模电路模块的第一行为级模型，实际上是通过K组不同的训练数据对支持向量机模型进行训练，得到的K个模型进行综合分析，确定出一个合适的模型作为第一行为级模型。例如可以平均K次的结果或者使用其它综合分析方式。计算第一行为级模型的准确度时，首先分别计算出K个模型的准确度，再采用与确定第一行为级模型相同的方式得到第一行为级模型的准确度。例如，可以选取K次建模得到的模型中准确度最高的模型作为第一行为级模型，相应地，该最高准确度即为第一行为级模型的准确度。
这里所说的第一行为级模型中的“第一”以及后面提到的“第二行为级模型”、“第三行为级模型”中的“第二”和“第三”仅仅用于区分得到的不同行为级模型，并没有起到将构建的行为级模型进行排序或者本领域技术人员能够想到的其他作用。
本发明实施例中提供的一种电路模块行为级建模方法，通过K-折交叉验证方法，分别从待建模电路模块的样本数据中确定K次建模中每次建模采用的训练数据和对应的测试数据，并通过每次建模采用的训练数据对支持向量机模型进行训练，得到所述待建模电路模块的第一行为级模型，通过每次建模对应的测试数据，计算所述第一行为级模型的准确度。本发明中通过采用支持向量机模型作为基础模型，同时通过K-折交叉验证选取训练数据和测试数据，可以利用较少的样本数据即可构建第一行为级模型，大大降低了构建第一行为级模型的复杂度和难度。同时，使得到的第一行为级模型简单易于使用。
在上述实施例的基础上，所述基于K-折交叉验证方法，分别从待建模电路模块的样本数据中确定K次建模中每次建模采用的训练数据和对应的测试数据，具体包括：
将所述样本数据平均分成K组数据，对于K次建模中的每次建模，选取K组数据中的一组数据作为测试数据，其他K-1组数据作为训练数据。
具体地，本发明实施例中为从样本数据中确定K次建模中每次建模采用的训练数据和对应的测试数据提供了一种可行性方案，例如样本数据中共有255个数据对，即有255个输入数据和对应的输出数据。将255个数据对平均分成K组，本发明实施例中以K＝5为例，每组中有51个数据对，每次交叉验证时(即每次建模时)，取1组作为测试数据，另外4组作为训练数据集。这样，在实现了5次交叉验证后，可以保证255个数据对中的每一个数据对都有一次机会作为测试数据以验证模型的准确度，使模型准确度更有说服力。
在上述实施例的基础上，所述方法还包括：
通过归一化参数的不同取值分别对每次建模采用的训练数据和对应的测试数据进行归一化预处理，得到最优归一化参数取值；并通过经所述最优归一化参数取值进行归一化预处理后得到的每次建模采用的训练数据，训练所述支持向量机模型，得到第二行为级模型；
根据所述最优归一化参数取值对每次建模对应的测试数据进行归一化预处理，并通过得到的测试数据计算所述第二行为级模型的准确度。
具体地，本发明实施例中，基于上述实施例的整体思路，将基于K-折交叉验证方法得到的每次建模采用的训练数据进行归一化预处理，得到最优归一化参数取值，利用通过最优归一化参数取值进行归一化预处理后得到的训练数据训练支持向量机模型，得到的模型为第二行为级模型。再利用经最优归一化参数取值进行归一化预处理后得到的每次建模对应的测试数据对第二行为级模型进行测试，计算第二行为级模型的准确度。
本实施例中，通过对训练数据和测试数据均进行归一化预处理，可以使得训练数据中奇异数据对模型的建立产生的影响，排除了数据干扰。由此构建的第二行为级模型的准确度高于第一行为级模型的准确度。
在上述实施例的基础上，所述通过归一化参数的不同取值分别对每次建模采用的训练数据进行归一化预处理，得到最优归一化参数，具体包括：
确定所述归一化参数的取值范围，并根据所述归一化参数的取值范围将所述归一化参数进行网格化处理，得到所述归一化参数的不同取值；
对于所述归一化参数的不同取值中的每一取值，通过每一取值分别对每次建模采用的训练数据和对应的测试数据进行归一化预处理，并通过归一化预处理后的每次建模采用的训练数据对所述第一行为级模型进行训练，通过归一化预处理后的每次建模对应的测试数据计算训练后的第一行为级模型的准确度；
选取对应于训练后的第一行为级模型的最高准确度的归一化参数的取值为最优归一化参数取值。
具体地，归一化预处理的整个流程如图2所示。首先进行数据初始化，确定用于进行归一化预处理的归一化参数的取值范围，这个取值范围可以根据需要进行设定，本发明实施例中在此不作具体限定。根据归一化参数的取值范围将归一化参数进行网格化处理，得到所述归一化参数的不同取值，每一网格点对应着归一化参数的一个取值。判断网格内每一网格点是否被遍历，若存在未被遍历的网格点，则随机选取一网格点，即归一化参数的一个取值，对每次建模采用的训练数据进行归一化预处理，其中每次建模采用的训练数据和测试数据通过K-CV方法得到，即将样本数据平均分成K组，使用其中第k组数据作为测试数据，其余K-1组数据作为训练数据。使用K-1组训练数据对第一行为级模型进行训练，并通过第k组测试数据得到第k个训练后的第一行为级模型的准确度。判断K次训练是否完成，若是则计算训练得到的K个训练后的第一行为级模型的准确度的均值作为训练后的第一为级模型的准确度，否则重新选取一组数据作为测试数据，剩余组数据作为训练数据，并重复上述操作，直至K次训练完成。当网格内每一网格点均被遍历后，选取对应于训练后的第一行为级模型的最高准确度的归一化参数的取值作为最优归一化参数取值。
在上述实施例的基础上，所述方法还包括：
基于每次建模采用的训练数据和对应的测试数据，对所述第一行为级模型的第一预设参数进行优化，得到所述待建模电路模块的第三行为级模型，并通过每次建模对应的测试数据计算所述第三行为级模型的准确度；或者，
基于根据所述最优归一化参数取值进行归一化预处理后得到的每次建模采用的训练数据和对应的测试数据，对所述第二行为级模型的第二预设参数进行优化，得到所述待建模电路模块的第四行为级模型，并通过经所述最优归一化参数取值进行归一化预处理后得到的每次建模对应的测试数据计算所述第四行为级模型的准确度。
具体地，本发明实施例中包括两种情况，一种是对第一行为级模型的第一预设参数进行优化，得到第三行为级模型，另一种是对第二行为级模型的第二预设参数进行优化，得到第四行为级模型。
这里需要说明的是，第一预设参数和第二预设参数中的第一和第二仅仅起到区分第一行为级模型和第二行为级模型的预设参数的作用，并不是用来限定预设参数的。由于本发明实施例中对行为级模型的预设参数进行了优化，可以使得得到的第三行为级模型或第四行为级模型的准确度高于第一行为级模型，也高于第二行为级模型，准确度可达8dB。第一行为级模型的第一预设参数具体包括：径向基核函数中的函数宽度参数σ、目标函数中的C和不敏感损失函数中的ε。第二行为级模型的第二预设参数具体包括：径向基核函数中的函数宽度参数σ、目标函数中的C和不敏感损失函数中的ε。
由于在SVM建模的过程中会设置许多参数，这些参数的选择都将影响最终建立模型的准确度，在本发明中主要针对其中影响较大的三个参数进行优化，这三个参数即为预设参数，预设参数分别为径向基核函数中的函数宽度参数σ，目标函数中的C，不敏感损失函数中的ε。
径向基核函数(Radial Basis Function，RBF)可通过如下公式表示：
K(xi,x)＝exp[-|x-xi|2/σ2]
关于径向基核函数中的σ，理论上径向基核函数可以将原始数据空间映射到无穷维，但是当σ选择的比较大时，高次特征衰减比较快，所以映射空间近似于一个低维空间；当σ选择的比较小时，理论上可以将任何数据映射到一个非常高维的空间，从而可以实现线性可分，但是这可能带来非常严重的过拟合问题。所以为径向基核函数中的σ选取合适的取值至关重要。
本发明中采用的目标函数为广义最优分类面拉格朗日泛函，其形式可通过如下公式表示：
关于目标函数中的C，C又称为惩罚因子，表示对于分类错误的容忍程度。当C选择的比较大时，模型对于误差点的惩罚较大，即模型更加不能容忍分类错误，这可能导致过拟合问题的产生。当C选择的比较小时，模型对于误差点的惩罚较小，这可能导致模型性能变差。所以为目标函数中的惩罚因子C选取合适的取值至关重要。
关于不敏感损失函数中的ε，不敏感损失函数为：
e(f(x)-y)＝max(0,|f(x)-y|-ε)
当ε选择的比较小时，模型可能产生过拟合；当ε选择的比较大时，模型的正确率将降低。所以为不敏感损失函数中的ε选取合适的取值至关重要。
本发明实施例中，通过对构建的行为级模型的预设参数进行优化，可以使得构建的行为级模型的准确度得到进一步提升。
如图3所示，为得到第四行为级模型的整体示意图。首先，基于K-折交叉验证方法，分别从待建模电路模块的样本数据中确定K次建模中每次建模采用的训练数据和对应的测试数据，并确定最优归一化参数取值，利用最优归一化参数取值对每次建模采用的训练数据进行归一化预处理，得到第二行为级模型。基于根据所述最优归一化参数取值进行归一化预处理后得到的每次建模采用的训练数据，对所述第二行为级模型的第二预设参数进行优化，得到所述待建模电路模块的第四行为级模型，并通过与归一化预处理后得到的每次建模对应的测试数据计算所述第四行为级模型的准确度。
在上述实施例的基础上，所述基于每次建模采用的训练数据和对应的测试数据，对所述第一行为级模型的第一预设参数进行优化，得到所述待建模电路模块的第三行为级模型，具体包括：
确定所述第一预设参数的取值范围，并根据所述第一预设参数的取值范围将所述第一预设参数进行网格化处理，得到所述第一预设参数的不同取值；
对于所述第一预设参数的不同取值中的每一取值构建的中间行为级模型，通过每次建模采用的训练数据对所述中间行为级模型进行训练，并通过每次建模对应的测试数据计算训练后的中间行为级模型的准确度；
选取对应于训练后的中间行为级模型的最高准确度的所述第一预设参数的取值为所述第一预设参数的最终取值，根据所述最终取值，得到所述待建模电路模块的第三行为级模型；或者，
所述基于根据所述最优归一化参数取值进行归一化预处理后得到的每次建模采用的训练数据和对应的测试数据，对所述第二行为级模型的第二预设参数进行优化，得到所述待建模电路模块的第四行为级模型，具体包括：
确定所述第二预设参数的取值范围，并根据所述第二预设参数的取值范围将所述第二预设参数进行网格化处理，得到所述第二预设参数的不同取值；
对于所述第二预设参数的不同取值中的每一取值构建的中间行为级模型，通过根据所述最优归一化参数取值进行归一化预处理后得到的每次建模采用的训练数据，对所述中间行为级模型进行训练，并通过根据所述最优归一化参数取值进行归一化预处理后得到的每次建模对应的测试数据，计算训练后的中间行为级模型的准确度；
选取对应于训练后的中间行为级模型的最高准确度的所述第二预设参数的取值为所述第二预设参数的最终取值，根据所述最终取值，得到所述待建模电路模块的第四行为级模型。
具体地，本发明实施例中仅以基于根据所述最优归一化参数取值进行归一化预处理后得到的每次建模采用的训练数据，对所述第二行为级模型的第二预设参数进行优化，得到待建模电路模块的第四行为级模型为例进行说明。
对第二行为级模型的第二预设参数进行优化的整个流程如图4所示。首先进行数据初始化，确定用于进行优化的每个第二预设参数的取值范围，这个取值范围可以根据需要进行设定，本发明实施例中在此不作具体限定。根据每个第二预设参数的取值范围将每个第二预设参数进行网格化处理，得到三个第二预设参数的不同取值，每一网格点对应着三个第二预设参数的一个取值，可以理解为三个第二预设参数的取值作为每个网格点的三维坐标值。
判断网格内每一网格点是否被遍历，若存在未被遍历的网格点，则随机选取一网格点，即三个第二预设参数的一个取值，例如σ＝1、C＝2，ε＝3。通过随机选取的三个第二预设参数的取值构建中间行为级模型，通过根据最优归一化参数取值进行归一化预处理后得到的每次建模采用的训练数据，对中间行为级模型进行训练，并通过根据最优归一化参数取值进行归一化预处理后得到的每次建模对应的测试数据，对训练后的中间级行为模型进行测试，计算训练后的中间行为级模型的准确度。其中，根据最优归一化参数取值进行归一化预处理后得到的每次建模采用的训练数据和对应的测试数据可通过如下方法得到：首先对样本数据中的每个数据对均进行归一化预处理，然后通过K-CV方法得到预处理后的每次建模采用的训练数据和测试数据，即将归一化预处理后的样本数据平均分成K组，使用其中第k组数据作为测试数据，其余k-1组数据作为训练数据。使用k-1组训练数据对中间行为级模型进行训练，并通过第k组测试数据得到第k个训练后的中间行为级模型的准确度。判断K次训练是否完成，若是则计算训练得到的K个训练后的第一行为级模型的准确度的均值作为训练后的中间行为级模型的准确度，否则重新选取一组数据作为测试数据，剩余组数据作为训练数据，并重复上述操作，直至K次训练完成。
在上述实施例的基础上，所述通过每次建模对应的测试数据，计算所述第一行为级模型的准确度，具体包括：
将每次建模对应的测试数据中的输入数据输入至所述第一行为级模型中，获取经所述第一行为级模型输出的模型输出数据；
计算所述模型输出数据与所述测试数据中的输出数据之间的带内信号均方误差与带外信号均方误差，所述带内信号均方误差为所述待建模电路模块在工作频段内的输出数据均方误差，所述带外信号均方误差为所述待建模电路模块在除所述工作频段外的输出数据均方误差。
具体地，本发明实施例中，行为级模型的准确度通过均方误差表示，均方误差是输入数据通过行为级模型后得到的模型输出数据与实际电路模块输出数据之间的均方误差，如下公式所示：
其中，M为均方误差，即行为级模型的准确度，E(*)表示参数*的均值，表示输入数据通过行为级模型后得到的模型输出数据，θ表示实际电路模块输出数据。均方误差越大，表示得到的行为级模型的准确度越低，均方误差越小，表示得到的行为级模型的准确度越高。
均方误差还可以分为带内信号均方误差与带外信号均方误差，所述带内信号均方误差为所述待建模电路模块在工作频段内的输出数据均方误差，所述带外信号均方误差为所述待建模电路模块在除所述工作频段外的输出数据均方误差。
以下通过一个具体实例对本发明实施例提供的电路模块行为级建模方法进行说明。
在本发明实施例中，采用matlab软件中的SVM模型作为基本支持向量机模型进行处理，选择现场可编程门阵列(Field-Programmable Gate Array，FPGA)作为信号处理部分，并且基于信号处理和转换的需求进行了外围电路的设计，图5是本发明实施例中采用的待建模电路模块中外围电路的结构图。
下面将结合实例具体阐述该方法的步骤：
以图5所示的待建模电路模块为研究对象，利用本发明提供的建模方法对其进行行为级建模。图5中的外围电路共有五个输入端口，分别为I、Q、和本振(LocalOscillator，LO)信号输入端口，一个输出端口，为射频信号输出端口(Radio Frequency，RF)。LO信号输入至带通滤波器中，经IQ调制器调制再次经带通滤波器后输出RF信号。
根据待建模电路模块的实际工作需求，确定待建模电路模块各输入端口的输入数据是否可变。由于本发明实施例采用的待建模电路模块中LO信号输入端口的输入数据可变而其余四个输入端口的输入数据需要保持不变，因此在行为级建模过程中可以测试多组LO信号输入数据和对应的待建模电路模块的输出频谱数据作为样本数据进行建模及对构建的模型进行测试。在实际应用中，既要关注电路模块的带内有用输出，也要关注电路模块的带外干扰信号，因此输出数据应包含带内有用输出数据和带外干扰输出数据这两部分内容。本发明实施例中使用R&S AFQ100B矢量信号源提供差分IQ基带信号，频率为100kHz，幅度为200mV，直流偏置为500mV。使用Keysight N5171B模拟信号源提供LO信号。在测试待建模电路模块带内信号时，LO频率范围为250MHz至275MHz，每0.5MHz一个测试点；LO功率范围为-10dBm至10dBm，每5dBm一个测试点。在测试待建模电路模块带外信号时，由于LO信号在250MHz至254MHz和268MHz至275MHz时待建模电路模块在带外没有输出信号，所以LO频率范围为254MHz至268MHz，每0.5MHz一个测试点；LO功率范围为-10dBm至10dBm，每5dBm一个测试点，使用Keysight N9918A便携式微波分析仪测试输出频谱。将255组样本数据平均分成5组，每次取5组数据中的1组作为测试数据，构成测试集，另外4组为训练数据，构成训练集。将255组样本数据导入matlab中进行建模并计算构建的第一行为级模型的准确度。得到的带内均方误差如图6A所示，带外均方误差如图6B所示。
对上述255组样本数据进行归一化预处理，归一化预处理流程如图2所示。将经过归一化预处理的样本数据再导入第一行为级模型中进行二次建模，可以得到第二行为级模型以及第二行为级模型的准确度。得到的带内均方误差如图7A所示，带外均方误差如图7B所示。比较图6A与图7A、图6B与图7B可知，第二行为级模型的准确度要高于第一行为级模型的准确度，这是对样本数据进行归一化预处理的结果。
对第二行为级模型中的第二预设参数进行优化，本例中优化的参数分别为径向基核函数中的函数宽度参数σ、目标函数中的C和不敏感损失函数中的ε，对第二预设参数进行优化的流程如图4所示。利用优化后的第二预设参数建立第四行为级模型。通过经最优归一化参数取值进行归一化预处理后得到的每次建模对应的测试数据计算第四行为级模型的准确度。得到第四行为级模型的带内均方误差如图8A所示，带外均方误差如图8B所示。从图8A和图8B可以看出，对第二行为级模型中的第二预设参数进行优化后，可以使得带内均方误差与带外均方误差达到8dB以内。比较图7A与图8A、图7B与图8B可知，第四行为级模型的准确度要高于第二行为级模型的准确度，这是对第二行为级模型中的第二预设参数进行优化的结果。
如图9所示，在上述实施例的基础上，本发明实施例还提供了一种电路模块行为级建模系统，包括：数据确定模块91和模型构建模块92。其中，
数据确定模块91用于基于K-折交叉验证方法，分别从待建模电路模块的样本数据中确定K次建模中每次建模采用的训练数据和对应的测试数据，所述样本数据中包括至少由所述待建模电路模块的输入数据和输出数据构成的多个数据对；
模型构建模块92用于通过每次建模采用的训练数据对支持向量机模型进行训练，得到所述待建模电路模块的第一行为级模型，并通过每次建模对应的测试数据，计算所述第一行为级模型的准确度。
具体地，本发明实施例中各模块的作用与处理流程与上述方法类实施例是一一对应的，本发明实施例在此不再赘述。
本发明实施例中提供的一种电路模块行为级建模系统，数据确定模块通过K-折交叉验证方法，分别从待建模电路模块的样本数据中确定K次建模中每次建模采用的训练数据和对应的测试数据，模型构建模块通过每次建模采用的训练数据对支持向量机模型进行训练，得到所述待建模电路模块的第一行为级模型，通过每次建模对应的测试数据，计算所述第一行为级模型的准确度。本发明中通过采用支持向量机模型作为基础模型，同时通过K-折交叉验证选取训练数据和测试数据，可以利用较少的样本数据即可构建第一行为级模型，大大降低了构建第一行为级模型的复杂度和难度。同时，使得到的第一行为级模型简单易于使用。
如图10所示，在上述实施例的基础上，本发明实施例还提供了一种电路模块行为级建模设备，包括：至少一个处理器10、至少一个存储器30、通信接口20和总线40；其中，所述处理器10、存储器30、通信接口20通过所述总线40完成相互间的通信；所述通信接口20用于该建模设备与显示装置的通信设备之间的信息传输；所述存储器存储有可被所述处理器10执行的程序指令，所述处理器10调用所述程序指令能够执行如图1所述的方法。
上述的存储器30中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在上述实施例的基础上，本发明实施例还提供了一种计算机程序产品，包括：所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如图1所述的方法。
在上述实施例的基础上，本发明实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如图1所述的方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电路模块行为级建模方法，其特征在于，包括：
基于K-折交叉验证方法，分别从待建模电路模块的样本数据中确定K次建模中每次建模采用的训练数据和对应的测试数据，所述样本数据中包括至少由所述待建模电路模块的输入数据和输出数据构成的多个数据对；
通过每次建模采用的训练数据对支持向量机模型进行训练，得到所述待建模电路模块的第一行为级模型，并通过每次建模对应的测试数据，计算所述第一行为级模型的准确度。
2.根据权利要求1所述的方法，其特征在于，还包括：
通过归一化参数的不同取值分别对每次建模采用的训练数据和对应的测试数据进行归一化预处理，得到最优归一化参数取值；并通过经所述最优归一化参数取值进行归一化预处理后得到的每次建模采用的训练数据，训练所述支持向量机模型，得到第二行为级模型；
根据所述最优归一化参数取值对每次建模对应的测试数据进行归一化预处理，并通过得到的测试数据计算所述第二行为级模型的准确度。
3.根据权利要求2所述的方法，其特征在于，还包括：
基于每次建模采用的训练数据和对应的测试数据，对所述第一行为级模型的第一预设参数进行优化，得到所述待建模电路模块的第三行为级模型，并通过每次建模对应的测试数据计算所述第三行为级模型的准确度；或者，
基于根据所述最优归一化参数取值进行归一化预处理后得到的每次建模采用的训练数据和对应的测试数据，对所述第二行为级模型的第二预设参数进行优化，得到所述待建模电路模块的第四行为级模型，并通过经所述最优归一化参数取值进行归一化预处理后得到的每次建模对应的测试数据计算所述第四行为级模型的准确度。
4.根据权利要求1所述的方法，其特征在于，所述基于K-折交叉验证方法，分别从待建模电路模块的样本数据中确定K次建模中每次建模采用的训练数据和对应的测试数据，具体包括：
将所述样本数据平均分成K组数据，对于K次建模中的每次建模，选取K组数据中的一组数据作为测试数据，其他K-1组数据作为训练数据。
5.根据权利要求2所述的方法，其特征在于，所述通过归一化参数的不同取值分别对每次建模采用的训练数据进行归一化预处理，得到最优归一化参数，具体包括：
确定所述归一化参数的取值范围，并根据所述归一化参数的取值范围将所述归一化参数进行网格化处理，得到所述归一化参数的不同取值；
对于所述归一化参数的不同取值中的每一取值，通过每一取值分别对每次建模采用的训练数据和对应的测试数据进行归一化预处理，并通过归一化预处理后的每次建模采用的训练数据对所述第一行为级模型进行训练，通过归一化预处理后的每次建模对应的测试数据计算训练后的第一行为级模型的准确度；
选取对应于训练后的第一行为级模型的最高准确度的归一化参数的取值为最优归一化参数取值。
6.根据权利要求3所述的方法，其特征在于，所述基于每次建模采用的训练数据和对应的测试数据，对所述第一行为级模型的第一预设参数进行优化，得到所述待建模电路模块的第三行为级模型，具体包括：
确定所述第一预设参数的取值范围，并根据所述第一预设参数的取值范围将所述第一预设参数进行网格化处理，得到所述第一预设参数的不同取值；
对于所述第一预设参数的不同取值中的每一取值构建的中间行为级模型，通过每次建模采用的训练数据对所述中间行为级模型进行训练，并通过每次建模对应的测试数据计算训练后的中间行为级模型的准确度；
选取对应于训练后的中间行为级模型的最高准确度的所述第一预设参数的取值为所述第一预设参数的最终取值，根据所述最终取值，得到所述待建模电路模块的第三行为级模型；或者，
所述基于根据所述最优归一化参数取值进行归一化预处理后得到的每次建模采用的训练数据和对应的测试数据，对所述第二行为级模型的第二预设参数进行优化，得到所述待建模电路模块的第四行为级模型，具体包括：
确定所述第二预设参数的取值范围，并根据所述第二预设参数的取值范围将所述第二预设参数进行网格化处理，得到所述第二预设参数的不同取值；
对于所述第二预设参数的不同取值中的每一取值构建的中间行为级模型，通过根据所述最优归一化参数取值进行归一化预处理后得到的每次建模采用的训练数据，对所述中间行为级模型进行训练，并通过根据所述最优归一化参数取值进行归一化预处理后得到的每次建模对应的测试数据，计算训练后的中间行为级模型的准确度；
选取对应于训练后的中间行为级模型的最高准确度的所述第二预设参数的取值为所述第二预设参数的最终取值，根据所述最终取值，得到所述待建模电路模块的第四行为级模型。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述通过每次建模对应的测试数据，计算所述第一行为级模型的准确度，具体包括：
将每次建模对应的测试数据中的输入数据输入至所述第一行为级模型中，获取经所述第一行为级模型输出的模型输出数据；
计算所述模型输出数据与所述测试数据中的输出数据之间的带内信号均方误差与带外信号均方误差，所述带内信号均方误差为所述待建模电路模块在工作频段内的输出数据均方误差，所述带外信号均方误差为所述待建模电路模块在除所述工作频段外的输出数据均方误差。
8.一种电路模块行为级建模系统，其特征在于，包括：
数据确定模块，用于基于K-折交叉验证方法，分别从待建模电路模块的样本数据中确定K次建模中每次建模采用的训练数据和对应的测试数据，所述样本数据中包括至少由所述待建模电路模块的输入数据和输出数据构成的多个数据对；
模型构建模块，用于通过每次建模采用的训练数据对支持向量机模型进行训练，得到所述待建模电路模块的第一行为级模型，并通过每次建模对应的测试数据，计算所述第一行为级模型的准确度。
9.一种电路模块行为级建模设备，其特征在于，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1-7中任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810254253.XA CN108595764A (zh) | 2018-03-26 | 2018-03-26 | 电路模块行为级建模方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810254253.XA CN108595764A (zh) | 2018-03-26 | 2018-03-26 | 电路模块行为级建模方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108595764A true CN108595764A (zh) | 2018-09-28 |
Family
ID=63624642
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810254253.XA Pending CN108595764A (zh) | 2018-03-26 | 2018-03-26 | 电路模块行为级建模方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108595764A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110933104A (zh) * | 2019-12-11 | 2020-03-27 | 成都卫士通信息产业股份有限公司 | 恶意命令检测方法、装置、设备及介质 |
| CN112132308A (zh) * | 2020-07-27 | 2020-12-25 | 国网湖南省电力有限公司 | 电网暴雨长期预测关键因子选取方法、装置及预测系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102024180A (zh) * | 2010-12-23 | 2011-04-20 | 浙江大学 | 一种基于支持向量机的参数自适应的运动预测方法 |
| CN106096646A (zh) * | 2016-06-07 | 2016-11-09 | 衢州学院 | 一种支持向量回归机模型选择方法 |
| CN106374509A (zh) * | 2016-11-07 | 2017-02-01 | 河海大学 | 一种大规模光伏发电并网系统预防电压振荡的方法 |
| CN106874935A (zh) * | 2017-01-16 | 2017-06-20 | 衢州学院 | 基于多核函数自适应融合的支持向量机参数选择方法 |
| CN107563029A (zh) * | 2017-08-22 | 2018-01-09 | 贵州大学 | 一种基于k折交叉验证法的支持向量机近似模型优化方法 |
-
2018
- 2018-03-26 CN CN201810254253.XA patent/CN108595764A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102024180A (zh) * | 2010-12-23 | 2011-04-20 | 浙江大学 | 一种基于支持向量机的参数自适应的运动预测方法 |
| CN106096646A (zh) * | 2016-06-07 | 2016-11-09 | 衢州学院 | 一种支持向量回归机模型选择方法 |
| CN106374509A (zh) * | 2016-11-07 | 2017-02-01 | 河海大学 | 一种大规模光伏发电并网系统预防电压振荡的方法 |
| CN106874935A (zh) * | 2017-01-16 | 2017-06-20 | 衢州学院 | 基于多核函数自适应融合的支持向量机参数选择方法 |
| CN107563029A (zh) * | 2017-08-22 | 2018-01-09 | 贵州大学 | 一种基于k折交叉验证法的支持向量机近似模型优化方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110933104A (zh) * | 2019-12-11 | 2020-03-27 | 成都卫士通信息产业股份有限公司 | 恶意命令检测方法、装置、设备及介质 |
| CN112132308A (zh) * | 2020-07-27 | 2020-12-25 | 国网湖南省电力有限公司 | 电网暴雨长期预测关键因子选取方法、装置及预测系统 |
| CN112132308B (zh) * | 2020-07-27 | 2023-07-25 | 国网湖南省电力有限公司 | 电网暴雨长期预测关键因子选取方法、装置及预测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kang et al. | A weight-incorporated similarity-based clustering ensemble method based on swarm intelligence | |
| CN104166731A (zh) | 一种社交网络重叠社区发现系统及其方法 | |
| CN106778745A (zh) | 一种车牌识别方法及装置、用户设备 | |
| CN106803135A (zh) | 一种光伏发电系统输出功率的预测方法及装置 | |
| CN109359665A (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
| CN104680236A (zh) | 核函数极限学习机分类器的fpga实现方法 | |
| CN103971136A (zh) | 一种面向大规模数据的并行结构化支持向量机分类方法 | |
| CN108595764A (zh) | 电路模块行为级建模方法及系统 | |
| CN107527071A (zh) | 一种基于花朵授粉算法优化模糊k近邻的分类方法及装置 | |
| Garcia-Teruel et al. | Hull geometry optimisation of wave energy converters: On the choice of the objective functions and the optimisation formulation | |
| CN109462564A (zh) | 基于深度神经网络的水下通信调制方式识别方法及系统 | |
| Du et al. | Applying deep convolutional neural network for fast security assessment with N-1 contingency | |
| CN106488482A (zh) | 基于多智能体进化算法的无线传感器网络优化方法 | |
| Xue et al. | A novel intelligent antenna synthesis system using hybrid machine learning algorithms | |
| CN104182854A (zh) | 一种面向企业能源管理系统的混合能耗测算的方法 | |
| KR102583178B1 (ko) | 발전량 예측 방법 및 장치 | |
| Reich et al. | Comparison of different methods for approximating models of energy supply systems and polyoptimising the systems-structure and components-dimension | |
| CN116127447A (zh) | 虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质 | |
| CN103812120B (zh) | 一种基于离散型均匀分布函数的配电网无功优化方法 | |
| CN115186751A (zh) | 一种基于s变换的CVT计量误差预测方法、装置及存储介质 | |
| Pillans | Efficiency of evolutionary search for analog filter synthesis | |
| Chen | Hotel management evaluation index system based on data mining and deep neural network | |
| Wang et al. | Improved artificial bee colony algorithm and its application in classification | |
| CN109981200A (zh) | 基于相关系数的频谱感知方法、装置、设备及存储介质 | |
| CN110502784A (zh) | 一种产品仿真优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |
|
| RJ01 | Rejection of invention patent application after publication |