CN110008487A - 一种基于支持向量机的功率放大器行为模型的建模方法 - Google Patents
一种基于支持向量机的功率放大器行为模型的建模方法 Download PDFInfo
- Publication number
- CN110008487A CN110008487A CN201811404799.5A CN201811404799A CN110008487A CN 110008487 A CN110008487 A CN 110008487A CN 201811404799 A CN201811404799 A CN 201811404799A CN 110008487 A CN110008487 A CN 110008487A
- Authority
- CN
- China
- Prior art keywords
- power amplifier
- function
- formula
- fitting
- support vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 230000005284 excitation Effects 0.000 claims description 10
- 238000012886 linear function Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 108010074864 Factor XI Proteins 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 12
- 230000003446 memory effect Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 19
- 238000012360 testing method Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Amplifiers (AREA)
Abstract
本发明公开了一种基于支持向量机的功率放大器行为模型的建模方法，在非线性状态下宽带调制信号的时域输入输出特性数据进行采集，然后根据采集的数据，基于支持向量机算法，使用拉格朗日乘数法，以及网格搜索优化算法，求得模型的优化系数，最后得到最优行为模型；突破了现有功放建模技术，能解决现有强非线性、强记忆效应功放模型预测精度低的问题，开发所得功放行为模型具有很好的可行性和准确性。
Description
技术领域
本发明涉及功率放大器建模领域，更具体的说，它涉及一种基于支持向量机的功率放大器行为模型的建模方法。
背景技术
射频功率放大器是无线通信系统中的关键部分，其作用是将已调制的宽带信号放大到所需要的功率值。当输入信号幅度较小时，射频功率放大器的输入输出信号间通常呈现良好的线性关系。但在实际应用中，为了提高功率效率，放大器往往需要工作在饱和点附近，此时放大器表现出显著的非线性。为了准确的分析放大器非线性对通信系统造成的影响，为后续设计提供高效的线性化方案，首先必须建立精确的放大器模型。近年来一些新的功放类型的出现，如F类，逆F类等，使功放工作在更强的非线性区域，这给功放模型的精确开发带来了新的问题和新挑战。尤其是多管复合功率放大器，如Doherty功放等，非线性及记忆效应将更加强大，传统基于多项式等函数的建模方法已经遇到瓶颈，急需新方法来提高建模的精度及建模效率。基于神经网络方法的模型能逼近任意连续的非线性函数，是建立功率放大器模型的有力工具。但神经网络存在结构难以确定，收敛速度慢等缺陷，很大程度上制约了建模效果。可见，现有的模型在表征强非线性及记忆效应的功率放大器特性时都有各自的局限性。
因此如果要精确描述功放在宽带信号激励时的各种特性，急需一个更加高效精准的建模方法。
发明内容
本发明克服了现有技术的不足，提出一种基于支持向量机的功率放大器行为模型的建模方法，解决现有的功放行为模型对强非线性功放建模精度低的问题，建立能精确预测强非线性功放行为的模型。
本发明的技术方案如下：
一种基于支持向量机的功率放大器行为模型的建模方法，具体包括如下步骤：
101)拟合函数步骤：在宽带信号激励下，实际测量得基于支持向量机的功率放大器的输入波与反射波样本，输入波与反射波样本的集合为n代表样本总数量，i代表样本序号，其中xi∈Rd，yi∈R，R代表实数集，d代表实数集的维度，以拟合得到输入波与反射波样本的线性函数如下：
f(x)＝wTx+b 公式(1)
其中w为权系数，b为阈值，x为输入波，y为反射波样本，y＝f(x)，T为时间；
102)精度限制步骤：步骤101)中线性函数设置在精度ε下进行无误差拟合得到如下公式：
其中优化目标最小化为||w||，并引入松弛因子ξ±，用于允许拟合的误差，具体公式如下：
其中，C为常数，表示对超出允许误差的样本的惩罚程度；
103)引入拉格朗日步骤：引入拉格朗日乘子，其中拉格朗日函数L如下：
其中，η±和α±为非负的拉格朗日乘子，对应于上述公式有解，则令对w，b,ξ±的偏导为零，得到如下公式：
将公式(6)带入公式(5)中，可得对偶形式公式如下：
其中j代表样本数的序号，从而得到对应的拟合函数：
104)非线性拟合步骤：先使用非线性映射把数据映射到一个高维特征空间，然后在高维特征空间进行线性回归，其中在高维特征空间，线性回归中的内积运算可用核函数K来代替，具体公式如下：
为一个线性函数，从而得到引入非线性拟合的最终拟合函数：
其中使用的核函数K为径向基函数，如下：
其中，e表示常数，γ为函数的宽度参数,控制了函数的径向作用范围；
105)通过对参数，包括正则化参数C，余量ε，核函数参数γ的范围的设定以及网格搜索技术的应用，最终选取最优模型参数来得到最优器件模型。
进一步的，宽带信号具体激励为在3.5GHz频段上，在80MHz,4载波LTE信号激励下。
进一步的，实际测量包括功率放大器的AM/AM,AM/PM,时间域，频率域的输入输出特性曲线。
本发明相比现有技术优点在于：突破了现有功放建模技术，能解决现有强非线性、强记忆效应功放模型预测精度低的问题，开发所得功放行为模型具有很好的可行性和准确性。本发明基于向量机算法，开发了可用于功放在高峰均比，宽带调制信号激励的强非线性状态下的行为预测的模型，获得了较高的精度。支持向量机算法所得的模型与实测数据有很好的拟合。
附图说明
图1为本发明的模型的拓扑结构图；
图2为本发明的测验AM/PM特性图；
图3为本发明的测验AM/AM特性图；
图4为本发明的测验时域特性图；
图5为本发明的测验频域特性图。
具体实施方式
下面结合附图和具体实施方式对本发明进一步说明。
如图1至图5所示，一种基于支持向量机的功率放大器行为模型的建模方法，具体包括如下步骤：
101)拟合函数步骤：在宽带信号激励下，即在对20瓦Doherty功率放大器进行实行建模，该功率放大器工作在3.5GHz频段上，在80MHz,4载波LTE信号激励下，进行测试。功率放大器的模型拓扑结构如图1所示，其中模型拓扑结构中各组件意义说明如下：
为功率放大器的输入信号包络，其中下标n代表信号的序号，m代表使用的记忆阶数。输入端口不同记忆阶数的信号的实部与虚部作为支持向量机的输入，输出则为与此对应的输出信号的实部与虚部。即实际测量的输入波与反射波样本，输入波与反射波样本的集合为其中xi∈Rd，yi∈R，以拟合得到输入波与反射波样本的线性函数如下：
f(x)＝wTx+b 公式(1)
其中w为权系数，b为阈值，x为输入波，y为反射波样本，y＝f(x)，T为时间；
102)精度限制步骤：步骤101)中线性函数设置在精度ε下进行无误差拟合得到如下公式：
其中优化目标最小化为||w||，并引入松弛因子ξ±，用于允许拟合的误差，具体公式如下：
其中，C为常数，表示对超出允许误差的样本的惩罚程度；
103)引入拉格朗日步骤：引入拉格朗日乘子，其中拉格朗日函数L如下：
其中，η±和α±为非负的拉格朗日乘子，对应于上述公式有解，则令对w，b,ξ±的偏导为零，得到如下公式：
将公式(6)带入公式(5)中，可得对偶形式公式如下：
从而得到对应的拟合函数：
104)非线性拟合步骤：先使用非线性映射把数据映射到一个高维特征空间，然后在高维特征空间进行线性回归，其中在高维特征空间，线性回归中的内积运算可用核函数K来代替，具体公式如下：
为一个线性函数，从而得到引入非线性拟合的最终拟合函数：
其中使用的核函数K为径向基函数，如下：
其中，e表示常数，γ为函数的宽度参数,控制了函数的径向作用范围。
105)通过对参数，包括正则化参数C，余量ε，核函数参数γ的范围的设定以及网格搜索技术的应用，最终选取最优模型参数来得到最优器件模型。
综上所述，对实际功率放大器进行测试，获得该器件在宽带信号激励下的各种测试数据，包括器件的AM/AM,AM/PM,时间域，频率域的不同的输入输出特性曲线；对上述测试数据按照本发明的建模方法，实现模型参数提取，获得的该测试功放的模型参数。
将测试数据与模型仿真数据的进行拟合对比，如图2至图5为Vgs＝-6V，Ids＝50mA的偏置条件下，工作频率为3.5GHz，80MHz带宽，4载波信号激励，输出平均功率为35dBm，所使用的测试采样率为400M/S。如图2至图3为功放的AM/AM及AM/PM特性，从结果可以看到，提出的模型能很好的预测功放的特性，即使功放为多管功放，且工作在强非线性区域(曲线有明显的弯曲)，所提出的模型依然给出很高的预测精度，很好的反映了该测试件的输出特性，验证了本方案所提出的器件行为建模技术的有效性。同时，如图4至图5给出了功放在时域与频域的特性，同样，所提出的基于支持向量机的模型依然给出了很好的建模精度。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明构思的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明保护范围内。
Claims (3)
1.一种基于支持向量机的功率放大器行为模型的建模方法，其特征在于，具体包括如下步骤：
101)拟合函数步骤：在宽带信号激励下，实际测量得基于支持向量机的功率放大器的输入波与反射波样本，输入波与反射波样本的集合为n代表样本总数量，i代表样本序号，其中xi∈Rd，yi∈R，R代表实数集，d代表实数集的维度，以拟合得到输入波与反射波样本的线性函数如下：
f(x)＝wTx+b公式(1)
其中w为权系数，b为阈值，x为输入波，y为反射波样本，y＝f(x)，T为时间；
102)精度限制步骤：步骤101)中线性函数设置在精度ε下进行无误差拟合得到如下公式：
其中优化目标最小化为||w||，并引入松弛因子ξ±，用于允许拟合的误差，具体公式如下：
其中，C为常数，表示对超出允许误差的样本的惩罚程度；
103)引入拉格朗日步骤：引入拉格朗日乘子，其中拉格朗日函数L如下：
其中，η±和α±为非负的拉格朗日乘子，对应于上述公式有解，则令对w，b,ξ±的偏导为零，得到如下公式：
将公式(6)带入公式(5)中，可得对偶形式公式如下：
其中j代表样本数的序号，从而得到对应的拟合函数：
104)非线性拟合步骤：先使用非线性映射把数据映射到一个高维特征空间，然后在高维特征空间进行线性回归，其中在高维特征空间，线性回归中的内积运算可用核函数K来代替，具体公式如下：
为一个线性函数，从而得到引入非线性拟合的最终拟合函数：
其中使用的核函数K为径向基函数，如下：
其中，e表示常数，γ为函数的宽度参数，控制了函数的径向作用范围；
105)通过对参数，包括正则化参数C，余量ε，核函数参数γ的范围的设定以及网格搜索技术的应用，最终选取最优模型参数来得到最优器件模型。
2.根据权利要求1所述的一种基于支持向量机的功率放大器行为模型的建模方法，其特征在于，宽带信号具体激励为在3.5GHz频段上，在80MHz,4载波LTE信号激励下。
3.根据权利要求2所述的一种基于支持向量机的功率放大器行为模型的建模方法，其特征在于，实际测量包括功率放大器的AM/AM,AM/PM,时间域，频率域的输入输出特性曲线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811404799.5A CN110008487A (zh) | 2018-11-23 | 2018-11-23 | 一种基于支持向量机的功率放大器行为模型的建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811404799.5A CN110008487A (zh) | 2018-11-23 | 2018-11-23 | 一种基于支持向量机的功率放大器行为模型的建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110008487A true CN110008487A (zh) | 2019-07-12 |
Family
ID=67164994
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811404799.5A Pending CN110008487A (zh) | 2018-11-23 | 2018-11-23 | 一种基于支持向量机的功率放大器行为模型的建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110008487A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111832238A (zh) * | 2020-06-30 | 2020-10-27 | 杭州电子科技大学 | 基于支持向量机的GaN HEMT小信号模型建模方法 |
| CN116595368A (zh) * | 2023-05-16 | 2023-08-15 | 北京航空航天大学 | 一种基于非线性建模的功率放大器谐波预测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107657287A (zh) * | 2017-10-26 | 2018-02-02 | 贵州电网有限责任公司电力科学研究院 | 一种变压器油酸值多频超声波测试回归预测方法 |
-
2018
- 2018-11-23 CN CN201811404799.5A patent/CN110008487A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107657287A (zh) * | 2017-10-26 | 2018-02-02 | 贵州电网有限责任公司电力科学研究院 | 一种变压器油酸值多频超声波测试回归预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 华晓杰: "射频功率放大器大信号表征及频域非线性特征建模", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111832238A (zh) * | 2020-06-30 | 2020-10-27 | 杭州电子科技大学 | 基于支持向量机的GaN HEMT小信号模型建模方法 |
| CN116595368A (zh) * | 2023-05-16 | 2023-08-15 | 北京航空航天大学 | 一种基于非线性建模的功率放大器谐波预测方法 |
| CN116595368B (zh) * | 2023-05-16 | 2024-01-26 | 北京航空航天大学 | 一种基于非线性建模的功率放大器谐波预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tehrani et al. | A comparative analysis of the complexity/accuracy tradeoff in power amplifier behavioral models | |
| CN111092836B (zh) | 一种信号调制方式识别方法及装置 | |
| CN106372357B (zh) | 一种GaN HEMT非线性噪声模型建立方法 | |
| Muha et al. | Validation of power amplifier nonlinear block models | |
| CN106572039A (zh) | 超宽带数字预失真 | |
| Ku et al. | Extraction of accurate behavioral models for power amplifiers with memory effects using two-tone measurements | |
| CN103983850A (zh) | 基于压缩感知的电力系统谐波压缩信号重构与检测方法 | |
| CN108549767B (zh) | 一种用于大信号功率晶体管的神经网络空间映射建模方法 | |
| CN110008487A (zh) | 一种基于支持向量机的功率放大器行为模型的建模方法 | |
| Vieira et al. | Behavioral modeling of radio-over-fiber links using memory polynomials | |
| CN104217075B (zh) | 基于肖特基二极管精确电路模型的混频器参数确定方法 | |
| Guo et al. | A novel design methodology for a multioctave GaN-HEMT power amplifier using clustering guided Bayesian optimization | |
| CN103605856B (zh) | 基于分数阶线路模型的输电线路参数估计方法 | |
| CN101350597A (zh) | 一种宽带射频功率放大器建模方法 | |
| CN107834983A (zh) | 一种基于云平台的数字预失真线性化参数提取方法 | |
| Galaviz-Aguilar et al. | Comparison of a genetic programming approach with ANFIS for power amplifier behavioral modeling and FPGA implementation | |
| CN108921110A (zh) | 新型卷积神经网络与Wigner-Ville分布结合的雷达信号分类方法 | |
| CN112865721A (zh) | 信号处理方法、装置、设备及存储介质、芯片、模组设备 | |
| CN111898320A (zh) | 基于神经网络的射频功放散射参数提取方法及装置 | |
| CN101685123A (zh) | 功率放大器非线性对通信系统宽带干扰影响的计算方法 | |
| Loyka | EMC/EMI analysis in wireless communication networks | |
| Wang et al. | A Novel Transfer Learning Approach for Efficient RF Device Behavior Model Parameter Extraction | |
| Cai et al. | Large Signal Behavioral Model of RF Transistor Using Least Square Support Vector Machine | |
| Wu et al. | A Lightweight Deep Neural Network for Wideband Power Amplifier Behavioral Modeling | |
| Cai et al. | An improved quadratic poly-harmonic distortion behavioral model |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190712 |