CN111092602A - 功率放大器的建模方法、装置、计算机设备和存储介质 - Google Patents
功率放大器的建模方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111092602A CN111092602A CN201911374488.3A CN201911374488A CN111092602A CN 111092602 A CN111092602 A CN 111092602A CN 201911374488 A CN201911374488 A CN 201911374488A CN 111092602 A CN111092602 A CN 111092602A
- Authority
- CN
- China
- Prior art keywords
- model
- power amplifier
- iterative
- initial
- initial model
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03F—AMPLIFIERS
- H03F3/00—Amplifiers with only discharge tubes or only semiconductor devices as amplifying elements
- H03F3/20—Power amplifiers, e.g. Class B amplifiers, Class C amplifiers
- H03F3/21—Power amplifiers, e.g. Class B amplifiers, Class C amplifiers with semiconductor devices only
- H03F3/217—Class D power amplifiers; Switching amplifiers
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Amplifiers (AREA)
Abstract
本申请涉及一种功率放大器的建模方法、装置、计算机设备和存储介质，计算机设备根据功率放大器的初始模型以及初始模型的评价参数，采用模拟退火算法对初始模型进行迭代寻优处理，得到迭代模型；初始模型为基于功率放大器的输入采样信号与输出采样信号计算得到的函数；评价参数用于表征初始模型对功率放大器的输入‑输出关系的差异程度；在迭代模型的相关信息满足预设的终止迭代条件时，计算机设备将迭代模型确定为功率放大器的目标模型；其中，相关信息包括得到迭代模型时的退火温度、迭代模型的评价参数、迭代模型的重复次数中的任一个。采用上述方法可以获得准确度较高的目标模型，进而提升功率放大器的线性指标。
Description
技术领域
本申请涉及信号处理领域，特别是涉及一种功率放大器的建模方法、装置、计算机设备和存储介质。
背景技术
数字预失真是提升功率放大器线性的重要技术。在数字预失真领域中，可以对功率放大器进行建模，例如建立Volterra模型，以表征功率放大器的非线性特性。随着Volterra模型阶数和记忆深度的增加，模型计算量呈指数增加。
现有技术中，为了降低模型的计算量，可以对功率放大器模型进行简化，例如只考虑Volterra模型的阶数得到无记忆多项式模型，或者只选取Volterra级数模型的对角项，得到记忆多项式模型。
但是，采用上述方法，简化后的功率放大器模型性能降低，导致通过数字预失真方法对功率放大器的线性提升效果较差。
发明内容
基于此，有必要针对上述技术问题，提供一种功率放大器的建模方法、装置、电子设备和存储介质。
一种功率放大器的建模方法，上述方法包括：
计算机设备根据功率放大器的初始模型以及初始模型的评价参数，采用模拟退火算法对初始模型进行迭代寻优处理，得到迭代模型；初始模型为基于功率放大器的输入采样信号与输出采样信号计算得到的函数；评价参数用于表征初始模型对功率放大器的输入-输出关系的差异程度；
在迭代模型的相关信息满足预设的终止迭代条件时，计算机设备将迭代模型确定为功率放大器的目标模型；其中，相关信息包括得到迭代模型时的退火温度、迭代模型的评价参数、迭代模型的重复次数中的任一个。
在其中一个实施例中，上述方法还包括：
计算机设备在功率放大器的Volterra模型中选择预设第一数量的多项式，获得初始模型框架；
计算机设备根据输入采样信号与输出采样信号，计算初始模型框架中各个多项式的预失真系数，获得初始模型。
在其中一个实施例中，上述计算机设备根据功率放大器的初始模型以及初始模型的评价参数，采用模拟退火算法对初始模型进行迭代寻优处理，得到迭代模型，包括：
在当前退火温度下，计算机设备执行迭代模型获取操作，以得到迭代模型；其中，迭代模型获取操作包括：基于初始模型和Volterra模型构建功率放大器的更新模型，以及计算更新模型的评价参数；并在更新模型的评价参数不满足预设阈值条件时，根据初始模型的评价参数以及更新模型的评价参数，在初始模型以及更新模型中选择其中一个模型作为迭代模型；更新模型中的部分多项式与初始模型中的部分多项式相同；
计算机设备将迭代模型作为新的初始模型，返回执行迭代操作以得到新的迭代模型，直至返回次数等于预设的最大迭代次数为止；
按照预设规则降低当前退火温度，并在新的退火温度下再次执行迭代模型获取操作，直至新的退火温度达到预设结束温度为止。
在其中一个实施例中，上述基于初始模型和所述Volterra模型构建所述功率放大器的更新模型，包括：
计算机设备在Volterra模型中选择随机数量的目标多项式；随机数量小于预设第一数量；
计算机设备将初始模型框架中的部分多项式替换为目标多项式，得到更新模型框架；
计算机设备根据输入采样信号与输出采样信号，计算更新模型框架中各个多项式的预失真系数，获得更新模型。
在其中一个实施例中，上述根据初始模型的评价参数以及更新模型的评价参数，在初始模型以及更新模型中选择其中一个模型作为迭代模型，包括：
计算机设备计算更新模型的评价参数与初始模型的评价参数之间的差值；
若差值小于零，则计算机设备确定更新模型为迭代模型；
若差值大于或等于零，则计算机设备计算更新模型被确定为迭代模型的概率，根据概率在初始模型以及更新模型中选择其中一个模型作为迭代模型。
在其中一个实施例中，上述根据概率在初始模型以及更新模型中选择其中一个模型作为迭代模型，包括：
若概率不大于当前迭代过程中产生的随机数，则计算机设备确定更新模型为迭代模型；
若概率大于随机数，则计算机设备确定初始模型为迭代模型。
在其中一个实施例中，上述评价参数pm根据公式
计算获得；
其中，N为输出采样信号中的采样点数量，y(n)为第n个采样点对应的的输入采样值， yps(n)为根据第n个采样点的输出采样值以及功率放大器的模型获得的第n个输入拟合值。
在其中一个实施例中，上述终止迭代条件包括以下任一种：
迭代模型的评价参数小于等于预设参数阈值；
获得迭代模型时的退火温度为预设结束温度；
迭代模型的重复次数大于预设次数阈值。
在其中一个实施例中，上述在功率放大器的Volterra模型中选择预设第一数量的多项式，获得初始模型框架，包括：
在Volterra模型中，保留不包含记忆深度的无记忆多项式，并在其余多项式中选择预设第二数量的多项式；无记忆多项式的数量加预设第二数量等于预设第一数量。
在其中一个实施例中，上述在功率放大器的Volterra模型中选择预设第一数量的多项式，获得初始模型框架，包括：
在Volterra模型中，保留由对角项组成的记忆多项式，并在其余多项式中选择预设第三数量的多项式；记忆多项式的数量加预设第三数量等于预设第一数量。
一种功率放大器的建模装置，上述装置包括：
迭代模块，用于根据功率放大器的初始模型以及初始模型的评价参数，采用模拟退火算法对初始模型进行迭代寻优处理，得到迭代模型；初始模型为基于功率放大器的输入采样信号与输出采样信号计算得到的函数；评价参数用于表征初始模型对功率放大器的输入-输出关系的差异程度；
确定模块，用于在迭代模型的相关信息满足预设的终止迭代条件时，将迭代模型确定为功率放大器的目标模型；其中，相关信息包括得到迭代模型时的退火温度、迭代模型的评价参数、迭代模型的重复次数中的任一个。
一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，上述处理器执行计算机程序时实现上述功率放大器的建模方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现上述功率放大器的建模方法的步骤。
上述功率放大器的建模方法、装置、计算机设备和存储介质，计算机设备根据功率放大器的初始模型以及初始模型的评价参数，采用模拟退火算法对初始模型进行迭代寻优处理，得到迭代模型；初始模型为基于功率放大器的输入采样信号与输出采样信号计算得到的函数；评价参数用于表征初始模型对功率放大器的输入-输出关系的差异程度；在迭代模型的相关信息满足预设的终止迭代条件时，计算机设备将迭代模型确定为功率放大器的目标模型；其中，相关信息包括得到迭代模型时的退火温度、迭代模型的评价参数、迭代模型的重复次数中的任一个。由于计算机设备采用模拟退火算法对初始模型进行迭代寻优处理，使得计算机设备可以获得准确度较高的目标模型，从而可以根据目标模型对功率放大器进行数字预失真处理，更好地提升功率放大器的线性指标。
附图说明
图1为一个实施例中功率放大器的建模方法的应用环境图；
图2为一个实施例中功率放大器的建模方法的流程示意图；
图3为一个实施例中功率放大器的建模方法的流程示意图；
图4为另一个实施例中功率放大器的建模方法的流程示意图；
图5为另一个实施例中功率放大器的建模方法的流程示意图；
图6为一个实施例中功率放大器的建模装置的结构框图；
图7为另一个实施例中功率放大器的建模装置的结构框图；
图8为另一个实施例中功率放大器的建模装置的结构框图；
图9为另一个实施例中功率放大器的建模装置的结构框图；
图10为另一个实施例中功率放大器的建模装置的结构框图；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的功率放大器的建模方法，可以应用于如图1所示的应用环境中。其中，计算机设备100获取功率放大器200的输入输出采样信号，然后对功率放大器的输入输出特征进行建模，获得功率放大器模型300；其中计算机设备可以是基站中的预失真模块，也可以是雷达系统中的信号处理单元，还可以时独立的计算服设备，在此不做限定。上述功率放大器可以是基站中的功率放大器组件，也可以是雷达系统或者数据链系统中的功率放大器单元，也可以是终端设备中的功率放大器器件等，在此不做限定。
在一个实施例中，如图2所示，提供了一种功率放大器的建模方法，以该方法应用于图1中的计算机设备为例进行说明，包括：
S101、计算机设备根据功率放大器的初始模型以及初始模型的评价参数，采用模拟退火算法对初始模型进行迭代寻优处理，得到迭代模型；初始模型为基于功率放大器的输入采样信号与输出采样信号计算得到的函数；评价参数用于表征初始模型对功率放大器的输入-输出关系的差异程度。
其中，上述功率放大器可以设置于移动通信系统中的基站设备，也可以应用于雷达系统、数据链系统以及终端设备中需要对功率进行放大的场景中。上述功率放大器可以是射频放大器，也可以是微波放大器，还可以是中频放大单元，在此不做限定。上述功率放大器可以是基站中的整个功率放大链路，也可以是放大链路中的一级放大单元，还可以是单独的功率放大器器件，在此不作限定。
功率放大器在对输入信号进行放大时，由于器件性能等限制，输出信号的幅度不能随着输入信号的幅度线性增加，呈现非线性特征，影响信息的正确传递与接收。为了提升功率放大器的线性指标，可以采用预失真技术，对功率放大器进行建模，获得功率放大器的非线性特征，然后在模型基础上预先设置一个与功率放大器的非线性特征相反的特征信号，以提升功率放大器的线性指标。
其中，上述初始模型为基于功率放大器的输入采样信号与输出采样信号计算得到的函数。其中，上述初始模型可以以功率放大器的输入信号为自变量，计算功率放大器的输出信号随输入信号的变化关系；可选地，上述初始模型也可以是一个逆模型，即以功率放大器的输出信号为自变量，计算功率放大器的输入信号随输出信号的变化关系。上述初始模型为逆模型时，可以将逆模型直接应用于数字预失真算法，避免对功率放大器的模型进行一次逆变化，降低了数字预失真的计算复杂度。
上述初始模型可以由一般多项式组成，也可以由正交多项式组成，可选地，还可以是基于Volterra模型获得，对于上述初始模型的类型在此不做限定。上述Volterra模型为包含记忆深度的多项式模型。上述记忆深度用于描述功率放大器的记忆效应，上述记忆效应是指模型中功率放大器的输出值与当前时刻之前的其它时刻的输入采样值有关，上述记忆深度只是上述其它时刻的个数。
上述评价参数用于表征初始模型对功率放大器的输入-输出关系的差异程度。具体地，计算机设备可以根据功率放大器的采样信号中的采样值与功率放大器的初始模型输出的值进行比较获得，可以根据采样值与对应的模型输出的值的差值获得，也可以根据采样值与对应的模型输出的值的比值获得，对于上述评价参数的获取方式在此不做限定。
可选地，上述初始模型为逆模型，上述评价参数pm根据如下公式计算获得：
其中，N为输出采样信号中的采样点数量，y(n)为第n个采样点对应的的输入采样值， yps(n)为根据第n个采样点的输出采样值以及功率放大器的模型获得的第n个输入拟合值。
上述模拟退火算法是一种Greedy算法，其在搜索过程中引入了随机因素，以一定的概率接受一个比当前解要差的解，以跳出局部最优解达到全局最优解。
上述迭代寻优处理是指基于模拟退火算法，在初始模型的基础上通过迭代，获取功率放大器的最佳模型的过程。
上述迭代模型是指计算机设备在每一次迭代过程中产生的，可以被接受的功率放大器的模型，为迭代模型。上述迭代模型可以是初始模型，也可以是基于初始模型以及迭代寻优处理过程中的模型构建方法所获得的新的模型；上述迭代模型可以是当前迭代寻优处理过程中的功率放大器模型的最优解，也可以是可以被接受的非最优解。
S102、在迭代模型的相关信息满足预设的终止迭代条件时，计算机设备将迭代模型确定为功率放大器的目标模型；其中，相关信息包括得到迭代模型时的退火温度、迭代模型的评价参数、迭代模型的重复次数中的任一个。
其中，上述迭代模型的相关信息包括迭代模型时的退火温度、迭代模型的评价参数、迭代模型的重复次数中的任一个。其中，上述退火温度是模拟退火算法中的一个参数。上述迭代模型的评价参数与初始模型的评价参数的获取方式相同。在迭代寻优处理过程中，连续多次迭代得到的迭代模型均为同一个模型，那么可以将连续多次迭代次数确定为该迭代模型的重复次数。
当迭代模型的相关信息满足预设的终止迭代条件时，计算机设备将该迭代模型确定为功率放大器的目标模型。其中，上述终止迭代条件包括以下任一种：迭代模型的评价参数小于等于预设参数阈值；获得迭代模型时的退火温度为预设结束温度；迭代模型的重复次数大于预设次数阈值。
具体地，当迭代模型的评价参数小于等于预设参数阈值时，计算机设备可以认为该迭代模型与功率放大器的输入-输出关系的拟合程度较高，可以将该迭代模型确定为功率放大器的目标模型。当获得迭代模型时的退火温度为预设结束温度时，根据模拟退火算法的规则不继续执行迭代寻优处理，计算机设备可以将最后一次迭代过程中得到的迭代模型确定为功率放大器的目标模型。当迭代模型的重复次数大于预设次数阈值，也就是说计算机设备在连续多次的迭代中接受的模型均为同一个模型，可以将该迭代模型确定为功率放大器的目标模型。
上述功率放大器的建模方法，计算机设备根据功率放大器的初始模型以及初始模型的评价参数，采用模拟退火算法对初始模型进行迭代寻优处理，得到迭代模型；初始模型为基于功率放大器的输入采样信号与输出采样信号计算得到的函数；评价参数用于表征初始模型对功率放大器的输入-输出关系的差异程度；在迭代模型的相关信息满足预设的终止迭代条件时，计算机设备将迭代模型确定为功率放大器的目标模型；其中，相关信息包括得到迭代模型时的退火温度、迭代模型的评价参数、迭代模型的重复次数中的任一个。由于计算机设备采用模拟退火算法对初始模型进行迭代寻优处理，使得计算机设备可以获得准确度较高的目标模型，从而可以根据目标模型对功率放大器进行数字预失真处理，更好地提升功率放大器的线性指标。
图3为另一个实施例中功率放大器的建模方法的流程示意图，本实施例涉及计算机设备获取初始模型的一种方式，在上述实施例的基础上，如图3所示，上述方法还包括：
S201、计算机设备在功率放大器的Volterra模型中选择预设第一数量的多项式，获得初始模型框架。
上述Volterra模型可以表示为：
其中，y(n)为功率放大器第n个采样点的输出信号大小；x(n)为功率放大器第n个采样点的输入信号大小；P为模型阶数，M为模型的记忆深度，h表示模型中多项式的预失真系数。计算机设备可以根据功率放大器的带宽等参数选择合适的记忆深度以及模型阶数，也可以根据计算能力选择合适的记忆深度以及模型阶数，在此不做限定。在记忆深度以及模型阶数确定之后，计算机设备可以在Volterra模型中选择预设第一数量的多项式，获得初始模型框架。例如计算机设备从上述Volterra模型中选择10个多项式，获得初始模型框架，以降低模型的计算量。
具体地，计算机设备可以在Volterra模型中随机选择预设第一数量的多项式，也可以对上述Volterra模型中的各个多项式按照多项式阶数或记忆深度进行排序，然后按顺序选择预设第一数量的多项式，在此不作限定。
计算机设备可以对Volterra模型中的各个多项式进行排序，确定各个多项式的序号，便于对多项式进行选择。计算机设备可以为各个多项式随机进行排序，确保各个多项式的序号不重复即可；另外，也可以按照模型中的阶数递增的方式进行排序，对于上述序号的确定方式在此不作限定。
例如，计算机设备可以根据Volterra模型中，各多项式的预失真系数与模型参数的对应关系，按照模型参数中各个参数递增的顺序，确定各预失真系数对应的多项式的序号。假设根据功率放大器的带宽确定得到的模型阶数为3，记忆深度为2，代入Volterra模型，可以获得如下Volterra模型：
上述Volterra模型中包含多个形式与h3(0,1,1)x(n)x(n-1)x*(n-1)类似的多项式，计算机设备可以根据模型阶数与记忆深度对初始模型框架中的各个多项式进行编号，可以按照模型阶数从低到高，记忆深度从低到高开始增序编号；例如，当模型阶数P＝3，记忆深度M＝2时，编号方式可以如下表：
根据上述编号方式，上述多项式h3(0,1,1)x(n)x(n-1)x*(n-1)中各模型参数为：p＝3， m1＝0,m2＝1,m3＝1对应的编号为8，可以将上述多项式表示为h8x(n)x(n-1)x*(n-1)。
S202、计算机设备根据输入采样信号与输出采样信号，计算初始模型框架中各个多项式的预失真系数，获得初始模型。
进一步地，计算机设备获得功率放大器的初始模型框架之后，可以根据功率放大器的输入采样信号与输出采样信号计算各个多项式的预失真系数。在上述初始模型框架中，计算机设备将输出采样信号中的多个输出采样值作为初始模型框架的输入值，然后将各输出采样值对应的输入采样值作为初始模型框架的输出值，获得一组输入输出方程，进而求解方程中的各个预失真系数，完成初始模型的建立。
具体地，计算机设备将输入采样值与输出采样值代入初始模型框架中，并根据最小二乘法计算各多项式的预失真系数。
继续以上述Volterra模型为例，在模型阶数为3以及记忆深度为2时，初始模型框架中可以包括10个多项式，功率放大器的输入采样值和输出采样值可以有多个，例如可以是2048 个采样值。也就是说，计算机设备可以通过2048个方程组成的超定方程，来计算10个预失真系数。例如，初始模型框架表示为矩阵形式：Y＝UH。其中，Y包含N个输入采样值，N为采样点个数，H＝(h1,h2,…hK)，K为预设第一数量，U为由输入采样值与模型参数构成的多项式矩阵，维度为N×K。然后根据H＝(UHU)-1UHY,计算H中各个预失真系数的值。
上述功率放大器的建模方法，计算机设备通过在Volterra模型中选择预设第一数量的多项式获得初始模型，可以降低功率放大器的建模速度。
图4为另一个实施例中功率放大器的建模方法的流程示意图，本实施例涉及计算机设备进行迭代处理的一种方式，在上述实施例的基础上，如图4所示，上述S101包括：
S301、在当前退火温度下，计算机设备执行迭代模型获取操作，以得到迭代模型；其中，迭代模型获取操作包括：基于初始模型和Volterra模型构建功率放大器的更新模型，以及计算更新模型的评价参数；并在更新模型的评价参数不满足预设阈值条件时，根据初始模型的评价参数以及更新模型的评价参数，在初始模型以及更新模型中选择其中一个模型作为迭代模型；更新模型中的部分多项式与初始模型中的部分多项式相同。
具体地，计算机设备可以运算时间容忍度，确定初始退火温度以及每个退火温度下的最大迭代次数。计算机设备在每个退火温度下可以执行多次迭代模型获取操作，以得到当前迭代过程中的最优解或者可以被接受的非最优解，确定为迭代模型。
在迭代模型获取操作中，计算机设备可以基于初始模型和Volterra模型构建功率放大器的更新模型，其中，上述更新模型中的部分多项式与初始模型中的部分多项式相同；也就是说上述更新模型是以初始模型为基础获得的，且与初始模型不同。
具体地，计算机设备可以通过随机扰动的方法获得上述更新模型，例如计算机设备可以对初始模型框架中的多项式的编号A进行随机扰动，获得一个新的编号B，然后根据编号B 在Volterra模型中获取编号B对应的多项式，并将该多项式替换初始模型框中编号A对应的多项式，获得更新模型；另外，计算机设备也可以在初始模型中增加一个多项式或者减小一个多项式，以获得更新模型；对于初始模型的获取方式在此不做限定。上述更新模型中多项式的数量可以是预设第一数量，也可以大于或小于预设第一数量，在此不做限定。
在获得了更新模型之后，计算机设备可以计算更新模型的评价参数。具体地评价参数的计算方式与初始模型的评价参数的计算方式类似，在此不再赘述。
进一步地，计算机设备可以将更新模型的评价参数与预设阈值条件进行比较，当更新模型的评价参数小于预设参数阈值时，计算机设备可以认为更新模型可以较好地拟合功率放大器的输入-输出特征，可以直接将该更新模型确定为功率放大器的目标模型。
在更新模型的评价参数不满足预设阈值条件的情况下，计算机设备可以根据初始模型的评价参数以及更新模型的评价参数，在初始模型以及更新模型中选择其中一个模型作为迭代模型。
具体地，计算机设备可以计算更新模型的评价参数与初始模型的评价参数之间的差值；若差值小于零，则计算机设备可以确定更新模型为迭代模型；若差值大于或等于零，则计算机设备计算更新模型被确定为迭代模型的概率，根据概率在初始模型以及更新模型中选择其中一个模型作为迭代模型。
上述差值小于零的情况下，计算机设备可以认为更新模型与功率放大器的输入-输出特征的差异程度较小，可以确定更新模型为当前迭代中的最优解，可以将更新模型确定为迭代模型。上差值大于或等于零的情况下，计算机设备认为初始模型与功率放大器的输入-输出特征的差异程度较小，可以进一步计算更新模型被确定为迭代模型的概率，并根据概率在初始模型以及更新模型中选择其中一个模型作为迭代模型。
具体地，上述概率可以与获得更新模型时的退火温度以及上述差值有关，可以是e-Δt/T，其中上述Δt为更新模型的评价参数与初始模型的评价参数的差值，上述T为当前退火温度。上述概率随着退火温度的降低而降低，也即是说，随着退火温度的降低，非最优解被接受的概率越来越小。
计算机设备计算得到上述概率之后，可以产生一个0到1之间的随机数，然后将概率与随机数进行比较；若上述概率不大于当前迭代过程中产生的随机数，则计算机设备确定更新模型为迭代模型；若概率大于随机数，则计算机设备确定初始模型为迭代模型。
S302、计算机设备将迭代模型作为新的初始模型，返回执行迭代操作以得到新的迭代模型，直至返回次数等于预设的最大迭代次数为止。
计算机设备可以将上次迭代产生的迭代模型作为新的初始模型，然后返回执行迭代操作，直至返回次数等于预设的最大迭代次数。
计算机设备可以基于新的初始模型重新获得更新模型，并计算更新模型的评价参数，然后进一步根据当前的初始模型的评价参数以及新的更新模型的评价参数进一步确定新的迭代模型。
S303、按照预设规则降低当前退火温度，并在新的退火温度下再次执行迭代模型获取操作，直至新的退火温度达到预设结束温度为止。
在当前退火温度下，迭代次数达到最大迭代次数之后，计算机设备可以按照预设规则降低当前退火温度。具体地，计算机设备可以在当前退火温度上降低1，也可以降低2，对于上述降低规则在此不做限定。
计算机设备调整当前退火温度之后，可以在新的退火温度下再次执行迭代模型获取操作，直至新的退火温度达到预设结束温度为止。
其中，上述预设结束温度可以是0，也可以是初始退火温度与零之间的其他值，在此不做限定。
上述功率放大器的建模方法，计算机设备在当前退火温度下执行迭代操作，获取迭代中产生的迭代模型，可以通过迭代逐步获得更能拟合功率放大器的输入-输出特征的迭代模型，从而确定出更准确的目标模型。
图5为另一个实施例中功率放大器的建模方法的流程示意图，本实施例涉及计算机设备构建功率放大器的更新模型的一种方式，在上述实施例的基础上，如图5所示，上述S301 包括：
S401、计算机设备在Volterra模型中选择随机数量的目标多项式；随机数量小于预设第一数量。
具体地，计算机设备在基于初始模型获得更新模型时，可以在Volterra模型中选择随机数量的目标多项式。其中上述目标多项式可以是1个，也可以是多个，在此不做限定。
S402、计算机设备将初始模型框架中的部分多项式替换为目标多项式，得到更新模型框架。
进一步地，计算机设备可以将初始模型框架中的部分多项式，替换为目标多项式，获得更新模型框架。其中，上述部分多项式的数量可以与目标多项式的数量相同，也可以不同，在此不作限定。
S403、计算机设备根据输入采样信号与输出采样信号，计算更新模型框架中各个多项式的预失真系数，获得更新模型。
在获得了更新模型框架的基础上，计算机设备可以根据输入采样信号与输出采样信号，计算更新模型框架中各个多项式的预失真系数，获得更新模型。上述预失真系数的计算方式，与根据初始模型框架获得初始模型的过程中，计算预失真系数的方式类似，在此不再赘述。
上述功率放大器的建模方法，计算机设备在Volterra模型中选择目标多项式，以替换初始模型框架中的部分多项式获得更新模型框架，避免更新模型与初始模型相同而导致需要重新获得更新模型的步骤，提升建模效率。
在一个实施例中，涉及计算机设备获得初始模型框架的一种方式，在上述实施例的基础桑，计算机设备可以在Volterra模型中，保留不包含记忆深度的无记忆多项式，并在其余多项式中选择预设第二数量的多项式；无记忆多项式的数量加预设第二数量等于预设第一数量。
具体地，计算机设备可以保留Volterra模型中的无记忆多项式，也就是不包含记忆深度的多项式，例如
然后，从Volterra模型中的其余多项式中，选择预设第二数量的多项式，将上述无记忆多项式和预设第二数量的多项式组成初始模型框架。
进一步地，计算机设备可以计算上述初始模型框架中各多项式的预失真系数，获得初始模型，并基于初始模型执行迭代操作获得功率放大器的目标模型。
上述功率放大器的建模方法，计算机设备在Volterra模型中选择多项式时，通过保留无记忆多项式，然后增加预设第二数量的多项式，以确定功率放大器模型的初始模型框架，通过上述方法既可以降低模型计算量，节约计算开销，也可以避免模型过度简化导致的模型性能差的问题。
在一个实施例中，涉及计算机设备获得初始模型框架的一种方式，在上述实施例的基础桑，计算机设备可以在Volterra模型中，保留由对角项组成的记忆多项式，并在其余多项式中选择预设第三数量的多项式；记忆多项式的数量加预设第三数量等于预设第一数量。
具体地，计算机设备可以保留初始模型框架中，由对角项组成的记忆多项式，可以包括：
然后，在Volterra模型中的其它多项式中，选择预设第三数量的多项式，将上述记忆多项式与上述预设第三数量的多项式组成初始模型框架。
进一步地，计算机设备可以计算上述初始模型框架中各多项式的预失真系数，获得初始模型，并基于初始模型执行迭代操作获得功率放大器的目标模型。
上述功率放大器的建模方法，计算机设备在Volterra模型中选择多项式时，通过保留记忆多项式，然后增加预设第三数量的多项式，以确定功率放大器模型的初始模型框架，通过上述方法既可以降低模型计算量，节约计算开销，也可以避免模型过度简化导致的模型性能差的问题；进一步地，通过保留记忆多项式，可以更多地保留功率放大器与记忆效应相关的特征。
应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种功率放大器的建模装置，包括：迭代模块10 和确定模块20，其中：
迭代模块10，用于根据功率放大器的初始模型以及初始模型的评价参数，采用模拟退火算法对初始模型进行迭代寻优处理，得到迭代模型；初始模型为基于功率放大器的输入采样信号与输出采样信号计算得到的函数；评价参数用于表征初始模型对功率放大器的输入-输出关系的差异程度；
确定模块20，用于在迭代模型的相关信息满足预设的终止迭代条件时，将迭代模型确定为功率放大器的目标模型；其中，相关信息包括得到迭代模型时的退火温度、迭代模型的评价参数、迭代模型的重复次数中的任一个。
本申请实施例提供的功率放大器的建模装置，可以实现上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，在上述实施例的基础上，如图7所示，上述装置还包括：
选择模块30，用于在功率放大器的Volterra模型中选择预设第一数量的多项式，获得初始模型框架；
计算模块40，用于根据输入采样信号与输出采样信号，计算初始模型框架中各个多项式的预失真系数，获得初始模型。
在一个实施例中，在上述实施例的基础上，如图8所示，上述迭代模块10包括：
迭代单元101，用于在当前退火温度下，执行迭代模型获取操作，以得到迭代模型；其中，迭代模型获取操作包括：基于初始模型和Volterra模型构建功率放大器的更新模型，以及计算更新模型的评价参数；并在更新模型的评价参数不满足预设阈值条件时，根据初始模型的评价参数以及更新模型的评价参数，在初始模型以及更新模型中选择其中一个模型作为迭代模型；更新模型中的部分多项式与初始模型中的部分多项式相同；
返回单元102，用于将迭代模型作为新的初始模型，返回执行迭代操作以得到新的迭代模型，直至返回次数等于预设的最大迭代次数为止；
降低单元103，用于按照预设规则降低当前退火温度，并在新的退火温度下再次执行迭代模型获取操作，直至新的退火温度达到预设结束温度为止。
在一个实施例中，在上述实施例的基础上，如图9所示，上述迭代单元101包括：
选择子单元1011，用于在Volterra模型中选择随机数量的目标多项式；随机数量小于预设第一数量；
替换子单元1012，用于将初始模型框架中的部分多项式替换为目标多项式，得到更新模型框架；
获取子单元1013，用于根据输入采样信号与输出采样信号，计算更新模型框架中各个多项式的预失真系数，获得更新模型。
在一个实施例中，在上述实施例的基础上，如图10所示，上述迭代单元101包括：
计算子单元1014，用于计算更新模型的评价参数与初始模型的评价参数之间的差值；
确定子单元1015，用于在差值小于零时，确定更新模型为迭代模型；在差值大于或等于零时，计算更新模型被确定为迭代模型的概率，根据概率在初始模型以及更新模型中选择其中一个模型作为迭代模型。
在一个实施例中，在上述实施例的基础上，上述确定子单元1015具体用于：若概率不大于当前迭代过程中产生的随机数，则确定更新模型为迭代模型；若概率大于随机数，则确定初始模型为迭代模型。
在一个实施例中，在上述实施例的基础上，评价参数pm根据公式
其中，N为输出采样信号中的采样点数量，y(n)为第n个采样点对应的的输入采样值，yps(n)为根据第n个采样点的输出采样值以及功率放大器的模型获得的第n个输入拟合值。
在一个实施例中，在上述实施例的基础上，终止迭代条件包括以下任一种：迭代模型的评价参数小于等于预设参数阈值；获得迭代模型时的退火温度为预设结束温度；迭代模型的重复次数大于预设次数阈值。
在一个实施例中，在上述实施例的基础上，上述选择模块30具体用于：在Volterra模型中，保留不包含记忆深度的无记忆多项式，并在其余多项式中选择预设第二数量的多项式；无记忆多项式的数量加预设第二数量等于预设第一数量。
在一个实施例中，在上述实施例的基础上，上述选择模块30具体用于：在Volterra模型中，保留由对角项组成的记忆多项式，并在其余多项式中选择预设第三数量的多项式；记忆多项式的数量加预设第三数量等于预设第一数量。
本申请实施例提供的功率放大器的建模装置，可以实现上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于功率放大器的建模装置的具体限定可以参见上文中对于功率放大器的建模方法的限定，在此不再赘述。上述功率放大器的建模装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储功率放大器的建模数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种功率放大器的建模方法。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
根据功率放大器的初始模型以及初始模型的评价参数，采用模拟退火算法对初始模型进行迭代寻优处理，得到迭代模型；初始模型为基于功率放大器的输入采样信号与输出采样信号计算得到的函数；评价参数用于表征初始模型对功率放大器的输入-输出关系的差异程度；
在迭代模型的相关信息满足预设的终止迭代条件时，将迭代模型确定为功率放大器的目标模型；其中，相关信息包括得到迭代模型时的退火温度、迭代模型的评价参数、迭代模型的重复次数中的任一个。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在功率放大器的Volterra模型中选择预设第一数量的多项式，获得初始模型框架；根据输入采样信号与输出采样信号，计算初始模型框架中各个多项式的预失真系数，获得初始模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在当前退火温度下，执行迭代模型获取操作，以得到迭代模型；其中，迭代模型获取操作包括：基于初始模型和Volterra 模型构建功率放大器的更新模型，以及计算更新模型的评价参数；并在更新模型的评价参数不满足预设阈值条件时，根据初始模型的评价参数以及更新模型的评价参数，在初始模型以及更新模型中选择其中一个模型作为迭代模型；更新模型中的部分多项式与初始模型中的部分多项式相同；将迭代模型作为新的初始模型，返回执行迭代操作以得到新的迭代模型，直至返回次数等于预设的最大迭代次数为止；按照预设规则降低当前退火温度，并在新的退火温度下再次执行迭代模型获取操作，直至新的退火温度达到预设结束温度为止。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在Volterra模型中选择随机数量的目标多项式；随机数量小于预设第一数量；将初始模型框架中的部分多项式替换为目标多项式，得到更新模型框架；根据输入采样信号与输出采样信号，计算更新模型框架中各个多项式的预失真系数，获得更新模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：计算更新模型的评价参数与初始模型的评价参数之间的差值；若差值小于零，则确定更新模型为迭代模型；若差值大于或等于零，则计算更新模型被确定为迭代模型的概率，根据概率在初始模型以及更新模型中选择其中一个模型作为迭代模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：若概率不大于当前迭代过程中产生的随机数，则确定更新模型为迭代模型；若概率大于随机数，则确定初始模型为迭代模型。
在一个实施例中，评价参数pm根据公式
计算获得；
其中，N为输出采样信号中的采样点数量，y(n)为第n个采样点对应的的输入采样值， yps(n)为根据第n个采样点的输出采样值以及功率放大器的模型获得的第n个输入拟合值。
在一个实施例中，终止迭代条件包括以下任一种：迭代模型的评价参数小于等于预设参数阈值；获得迭代模型时的退火温度为预设结束温度；迭代模型的重复次数大于预设次数阈值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在Volterra模型中，保留不包含记忆深度的无记忆多项式，并在其余多项式中选择预设第二数量的多项式；无记忆多项式的数量加预设第二数量等于预设第一数量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在Volterra模型中，保留由对角项组成的记忆多项式，并在其余多项式中选择预设第三数量的多项式；记忆多项式的数量加预设第三数量等于预设第一数量。
本实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
根据功率放大器的初始模型以及初始模型的评价参数，采用模拟退火算法对初始模型进行迭代寻优处理，得到迭代模型；初始模型为基于功率放大器的输入采样信号与输出采样信号计算得到的函数；评价参数用于表征初始模型对功率放大器的输入-输出关系的差异程度；
在迭代模型的相关信息满足预设的终止迭代条件时，将迭代模型确定为功率放大器的目标模型；其中，相关信息包括得到迭代模型时的退火温度、迭代模型的评价参数、迭代模型的重复次数中的任一个。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在功率放大器的Volterra 模型中选择预设第一数量的多项式，获得初始模型框架；根据输入采样信号与输出采样信号，计算初始模型框架中各个多项式的预失真系数，获得初始模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在当前退火温度下，执行迭代模型获取操作，以得到迭代模型；其中，迭代模型获取操作包括：基于初始模型和 Volterra模型构建功率放大器的更新模型，以及计算更新模型的评价参数；并在更新模型的评价参数不满足预设阈值条件时，根据初始模型的评价参数以及更新模型的评价参数，在初始模型以及更新模型中选择其中一个模型作为迭代模型；更新模型中的部分多项式与初始模型中的部分多项式相同；将迭代模型作为新的初始模型，返回执行迭代操作以得到新的迭代模型，直至返回次数等于预设的最大迭代次数为止；按照预设规则降低当前退火温度，并在新的退火温度下再次执行迭代模型获取操作，直至新的退火温度达到预设结束温度为止。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在Volterra模型中选择随机数量的目标多项式；随机数量小于预设第一数量；将初始模型框架中的部分多项式替换为目标多项式，得到更新模型框架；根据输入采样信号与输出采样信号，计算更新模型框架中各个多项式的预失真系数，获得更新模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：计算更新模型的评价参数与初始模型的评价参数之间的差值；若差值小于零，则确定更新模型为迭代模型；若差值大于或等于零，则计算更新模型被确定为迭代模型的概率，根据概率在初始模型以及更新模型中选择其中一个模型作为迭代模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：若概率不大于当前迭代过程中产生的随机数，则确定更新模型为迭代模型；若概率大于随机数，则确定初始模型为迭代模型。
在一个实施例中，评价参数pm根据公式
计算获得；
其中，N为输出采样信号中的采样点数量，y(n)为第n个采样点对应的的输入采样值， yps(n)为根据第n个采样点的输出采样值以及功率放大器的模型获得的第n个输入拟合值。
在一个实施例中，终止迭代条件包括以下任一种：迭代模型的评价参数小于等于预设参数阈值；获得迭代模型时的退火温度为预设结束温度；迭代模型的重复次数大于预设次数阈值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在Volterra模型中，保留不包含记忆深度的无记忆多项式，并在其余多项式中选择预设第二数量的多项式；无记忆多项式的数量加预设第二数量等于预设第一数量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在Volterra模型中，保留由对角项组成的记忆多项式，并在其余多项式中选择预设第三数量的多项式；记忆多项式的数量加预设第三数量等于预设第一数量。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM (SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM (DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (13)
1.一种功率放大器的建模方法，其特征在于，所述方法包括：
计算机设备根据功率放大器的初始模型以及所述初始模型的评价参数，采用模拟退火算法对所述初始模型进行迭代寻优处理，得到迭代模型；所述初始模型为基于所述功率放大器的输入采样信号与输出采样信号计算得到的函数；所述评价参数用于表征所述初始模型对所述功率放大器的输入-输出关系的差异程度；
在所述迭代模型的相关信息满足预设的终止迭代条件时，所述计算机设备将所述迭代模型确定为所述功率放大器的目标模型；其中，所述相关信息包括得到所述迭代模型时的退火温度、所述迭代模型的评价参数、所述迭代模型的重复次数中的任一个。
2.根据权利要求1所述的功率放大器的建模方法，其特征在于，所述方法还包括：
所述计算机设备在功率放大器的Volterra模型中选择预设第一数量的多项式，获得初始模型框架；
所述计算机设备根据所述输入采样信号与所述输出采样信号，计算所述初始模型框架中各个多项式的预失真系数，获得所述初始模型。
3.根据权利要求2所述的功率放大器的建模方法，其特征在于，所述计算机设备根据功率放大器的初始模型以及所述初始模型的评价参数，采用模拟退火算法对所述初始模型进行迭代寻优处理，得到迭代模型，包括：
在当前退火温度下，所述计算机设备执行迭代模型获取操作，以得到所述迭代模型；其中，所述迭代模型获取操作包括：基于所述初始模型和所述Volterra模型构建所述功率放大器的更新模型，以及计算所述更新模型的评价参数；并在所述更新模型的评价参数不满足预设阈值条件时，根据所述初始模型的评价参数以及所述更新模型的评价参数，在所述初始模型以及所述更新模型中选择其中一个模型作为迭代模型；所述更新模型中的部分多项式与所述初始模型中的部分多项式相同；
所述计算机设备将所述迭代模型作为新的初始模型，返回执行所述迭代操作以得到新的迭代模型，直至返回次数等于预设的最大迭代次数为止；
按照预设规则降低所述当前退火温度，并在新的退火温度下再次执行所述迭代模型获取操作，直至所述新的退火温度达到预设结束温度为止。
4.根据权利要求3所述的功率放大器的建模方法，其特征在于，所述基于所述初始模型和所述Volterra模型构建所述功率放大器的更新模型，包括：
所述计算机设备在所述Volterra模型中选择随机数量的目标多项式；所述随机数量小于所述预设第一数量；
所述计算机设备将所述初始模型框架中的部分多项式替换为所述目标多项式，得到更新模型框架；
所述计算机设备根据所述输入采样信号与所述输出采样信号，计算所述更新模型框架中各个多项式的预失真系数，获得所述更新模型。
5.根据权利要求3所述的功率放大器的建模方法，其特征在于，所述根据所述初始模型的评价参数以及所述更新模型的评价参数，在所述初始模型以及所述更新模型中选择其中一个模型作为迭代模型，包括：
所述计算机设备计算所述更新模型的评价参数与所述初始模型的评价参数之间的差值；
若所述差值小于零，则所述计算机设备确定所述更新模型为迭代模型；
若所述差值大于或等于零，则所述计算机设备计算所述更新模型被确定为所述迭代模型的概率，根据所述概率在所述初始模型以及所述更新模型中选择其中一个模型作为迭代模型。
6.根据权利要求5所述的功率放大器的建模方法，其特征在于，根据所述概率在所述初始模型以及所述更新模型中选择其中一个模型作为迭代模型，包括：
若所述概率不大于当前迭代过程中产生的随机数，则所述计算机设备确定所述更新模型为所述迭代模型；
若所述概率大于所述随机数，则所述计算机设备确定所述初始模型为所述迭代模型。
7.根据权利要求1-6任一项所述的功率放大器的建模方法，其特征在于，所述评价参数pm根据公式
计算获得；
其中，N为所述输出采样信号中的采样点数量，y(n)为第n个采样点对应的的输入采样值，yps(n)为根据第n个采样点的输出采样值以及功率放大器的模型获得的第n个输入拟合值。
8.根据权利要求1-6任一项所述的功率放大器的建模方法，其特征在于，所述终止迭代条件包括以下任一种：
所述迭代模型的评价参数小于等于预设参数阈值；
获得所述迭代模型时的退火温度为预设结束温度；
所述迭代模型的重复次数大于预设次数阈值。
9.根据权利要求2-6任一项所述的功率放大器的建模方法，其特征在于，所述在功率放大器的Volterra模型中选择预设第一数量的多项式，获得初始模型框架，包括：
在所述Volterra模型中，保留不包含记忆深度的无记忆多项式，并在其余多项式中选择预设第二数量的多项式；所述无记忆多项式的数量加所述预设第二数量等于所述预设第一数量。
10.根据权利要求2-6任一项所述的功率放大器的建模方法，其特征在于，所述在功率放大器的Volterra模型中选择预设第一数量的多项式，获得初始模型框架，包括：
在所述Volterra模型中，保留由对角项组成的记忆多项式，并在其余多项式中选择预设第三数量的多项式；所述记忆多项式的数量加所述预设第三数量等于所述预设第一数量。
11.一种功率放大器的建模装置，其特征在于，所述装置包括：
迭代模块，用于根据功率放大器的初始模型以及所述初始模型的评价参数，采用模拟退火算法对所述初始模型进行迭代寻优处理，得到迭代模型；所述初始模型为基于所述功率放大器的输入采样信号与输出采样信号计算得到的函数；所述评价参数用于表征所述初始模型对所述功率放大器的输入-输出关系的差异程度；
确定模块，用于在所述迭代模型的相关信息满足预设的终止迭代条件时，将所述迭代模型确定为所述功率放大器的目标模型；其中，所述相关信息包括得到所述迭代模型时的退火温度、所述迭代模型的评价参数、所述迭代模型的重复次数中的任一个。
12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述方法的步骤。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911374488.3A CN111092602B (zh) | 2019-12-27 | 2019-12-27 | 功率放大器的建模方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911374488.3A CN111092602B (zh) | 2019-12-27 | 2019-12-27 | 功率放大器的建模方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111092602A true CN111092602A (zh) | 2020-05-01 |
| CN111092602B CN111092602B (zh) | 2023-10-20 |
Family
ID=70398430
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911374488.3A Active CN111092602B (zh) | 2019-12-27 | 2019-12-27 | 功率放大器的建模方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111092602B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024021621A1 (zh) * | 2022-07-26 | 2024-02-01 | 中兴通讯股份有限公司 | 功率放大器模型的获取方法、装置及功率放大器模型 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040116083A1 (en) * | 2002-12-10 | 2004-06-17 | Ntt Docomo, Inc. | Linear power amplification method and linear power amplifier |
| US20060095888A1 (en) * | 2004-10-29 | 2006-05-04 | Xigmix, Inc. | Statistical optimization and design method for analog and digital circuits |
| CN102142814A (zh) * | 2010-02-01 | 2011-08-03 | 富士通株式会社 | 功放相关装置、功率放大器预失真系统以及建模方法 |
| CN102427336A (zh) * | 2011-11-30 | 2012-04-25 | 上海瑞和安琦通信科技有限公司 | 一种实现自适应数字预失真线性化的射频功率放大系统 |
| CN102511153A (zh) * | 2011-11-16 | 2012-06-20 | 华为技术有限公司 | 一种微波预失真信号生成方法和装置 |
| CN105281847A (zh) * | 2015-09-14 | 2016-01-27 | 杭州电子科技大学 | 基于模型参数辨识的欺骗干扰识别方法 |
| US20160329927A1 (en) * | 2013-12-26 | 2016-11-10 | Datang Mobile Communications Equipment Co., Ltd | Digital pre-distortion parameter obtaining method and pre-distortion system |
| CN106253860A (zh) * | 2015-06-05 | 2016-12-21 | 英飞凌科技股份有限公司 | 用于自适应数字预失真的设备和方法 |
| CN108153943A (zh) * | 2017-12-08 | 2018-06-12 | 南京航空航天大学 | 基于时钟循环神经网络的功率放大器的行为建模方法 |
| CN109188907A (zh) * | 2018-09-14 | 2019-01-11 | 哈尔滨理工大学 | 一种应用于稳定平台控制系统的遗传退火粒子群混合算法及其稳定平台控制系统 |
| CN110601665A (zh) * | 2019-08-23 | 2019-12-20 | 海南电网有限责任公司 | 一种基于功放模型裁剪的数字预失真器设计方法及装置 |
-
2019
- 2019-12-27 CN CN201911374488.3A patent/CN111092602B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040116083A1 (en) * | 2002-12-10 | 2004-06-17 | Ntt Docomo, Inc. | Linear power amplification method and linear power amplifier |
| US20060095888A1 (en) * | 2004-10-29 | 2006-05-04 | Xigmix, Inc. | Statistical optimization and design method for analog and digital circuits |
| CN102142814A (zh) * | 2010-02-01 | 2011-08-03 | 富士通株式会社 | 功放相关装置、功率放大器预失真系统以及建模方法 |
| CN102511153A (zh) * | 2011-11-16 | 2012-06-20 | 华为技术有限公司 | 一种微波预失真信号生成方法和装置 |
| CN102427336A (zh) * | 2011-11-30 | 2012-04-25 | 上海瑞和安琦通信科技有限公司 | 一种实现自适应数字预失真线性化的射频功率放大系统 |
| US20160329927A1 (en) * | 2013-12-26 | 2016-11-10 | Datang Mobile Communications Equipment Co., Ltd | Digital pre-distortion parameter obtaining method and pre-distortion system |
| CN106253860A (zh) * | 2015-06-05 | 2016-12-21 | 英飞凌科技股份有限公司 | 用于自适应数字预失真的设备和方法 |
| CN105281847A (zh) * | 2015-09-14 | 2016-01-27 | 杭州电子科技大学 | 基于模型参数辨识的欺骗干扰识别方法 |
| CN108153943A (zh) * | 2017-12-08 | 2018-06-12 | 南京航空航天大学 | 基于时钟循环神经网络的功率放大器的行为建模方法 |
| CN109188907A (zh) * | 2018-09-14 | 2019-01-11 | 哈尔滨理工大学 | 一种应用于稳定平台控制系统的遗传退火粒子群混合算法及其稳定平台控制系统 |
| CN110601665A (zh) * | 2019-08-23 | 2019-12-20 | 海南电网有限责任公司 | 一种基于功放模型裁剪的数字预失真器设计方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024021621A1 (zh) * | 2022-07-26 | 2024-02-01 | 中兴通讯股份有限公司 | 功率放大器模型的获取方法、装置及功率放大器模型 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111092602B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102468316B1 (ko) | 과거 데이터에 기초한 시계열 예측 방법 및 장치 | |
| CN103947106A (zh) | 系统线性化 | |
| CN110765720B (zh) | 一种复值流水线递归神经网络模型的功放预失真方法 | |
| CN103685111A (zh) | 一种数字预失真参数的求取方法及预失真系统 | |
| CN110390075B (zh) | 矩阵预处理方法、装置、终端及可读存储介质 | |
| CN113037226A (zh) | 基于自适应步长裁剪方法的数字预失真设计方法及装置 | |
| CN115455745B (zh) | 自适应频点采样的扫频方法、系统及相关设备 | |
| Śliwiński et al. | Non‐linear system modelling based on constrained Volterra series estimates | |
| CN110942483A (zh) | 函数快速收敛模型构建方法、装置和终端 | |
| CN111092602B (zh) | 功率放大器的建模方法、装置、计算机设备和存储介质 | |
| CN115221801A (zh) | 基于动态近似建模的飞行器不确定性传播分析方法和装置 | |
| CN103701414B (zh) | 非线性项的选择装置及方法、辨识系统及补偿系统 | |
| CN111147031B (zh) | 功率放大器的建模方法、装置、电子设备和存储介质 | |
| CN108449294B (zh) | 预失真处理方法、装置及预失真处理系统 | |
| CN112632894B (zh) | 约瑟夫森结阵电压输出方法、装置、设备和存储介质 | |
| CN112488224B (zh) | 模型训练方法、装置、计算机设备及存储介质 | |
| CN111901004B (zh) | 平坦度的补偿方法和装置、存储介质和电子设备 | |
| CN113031435B (zh) | 数字式双频扩张状态观测器及扰动观测方法 | |
| CN111274752B (zh) | 一种基于两级开环和二元函数的功率放大器行为建模方法 | |
| CN103731106B (zh) | 一种射频功放的分段数字预失真方法 | |
| Botev et al. | Reliability of stochastic flow networks with continuous link capacities | |
| KR20220010419A (ko) | 동적 예측 신뢰도 임계값 선택에 기반한 저복잡도 인공지능 모델 학습을 위한 전자 장치 및 학습 방법 | |
| CN108595148B (zh) | 除法函数实现方法、电路、芯片以及系统 | |
| CN115801518B (zh) | 基于概率分布统计的频偏估计方法、装置以及计算机设备 | |
| CN110717271A (zh) | 一种基于指数时间差分格式求解的物质演化模拟方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 510663 Shenzhou Road 10, Guangzhou Science City, Guangzhou economic and Technological Development Zone, Guangzhou, Guangdong Applicant after: Jingxin Network System Co.,Ltd. Address before: 510663 Shenzhou Road 10, Guangzhou Science City, Guangzhou economic and Technological Development Zone, Guangzhou, Guangdong Applicant before: COMBA TELECOM SYSTEMS (CHINA) Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |