CN111999587B - 一种调制域网络参数测试的迭代矢量误差修正方法 - Google Patents
一种调制域网络参数测试的迭代矢量误差修正方法 Download PDFInfo
- Publication number
- CN111999587B CN111999587B CN202010900961.3A CN202010900961A CN111999587B CN 111999587 B CN111999587 B CN 111999587B CN 202010900961 A CN202010900961 A CN 202010900961A CN 111999587 B CN111999587 B CN 111999587B
- Authority
- CN
- China
- Prior art keywords
- clamp
- vector
- test
- calibration
- modulation
- 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.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012937 correction Methods 0.000 title claims abstract description 18
- 230000005284 excitation Effects 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 102200048773 rs2224391 Human genes 0.000 claims 1
- 102220041874 rs587780791 Human genes 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 4
- 102220646098 Actin-like protein 7A_S11A_mutation Human genes 0.000 description 3
- 102100023444 Centromere protein K Human genes 0.000 description 3
- 101000907931 Homo sapiens Centromere protein K Proteins 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 102220247850 rs1421233354 Human genes 0.000 description 2
- 102220243485 rs63750720 Human genes 0.000 description 2
- 102220070930 rs794728599 Human genes 0.000 description 2
- 102220587867 Acidic mammalian chitinase_S22T_mutation Human genes 0.000 description 1
- 102220646099 Actin-like protein 7A_S11T_mutation Human genes 0.000 description 1
- 102220646104 Actin-like protein 7A_S12T_mutation Human genes 0.000 description 1
- 102220521911 THAP domain-containing protein 1_S21T_mutation Human genes 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R1/00—Details of instruments or arrangements of the types included in groups G01R5/00 - G01R13/00 and G01R31/00
- G01R1/28—Provision in measuring instruments for reference values, e.g. standard voltage, standard waveform
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
- Measurement Of Resistance Or Impedance (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种调制域网络参数测试的迭代矢量误差修正方法，首先是采用传统的校准方法提取通道线性误差系数，用来校准整个通道频率响应；然后设计直通线的夹具参数提取算法，并将使用去嵌入算法校除掉夹具的影响；在前面两步的基础上，将被测件接入仪器的端口，使用反馈的思想并基于迭代优化算法修正基带的IQ数据，保证测试端面的输出的是激励被测件的期望调制信号，去除激励源、测试线缆、仪器系统误差和夹具对测试结果的影响，提供调制域网络参数的测试精度。本发明方法，可有效提高被测件自身产生的矢量调制误差等参数的测量精度，而无需同时校准矢量源和信号分析仪，提供测试效率，减少了测试成本。
Description
技术领域
本发明涉及调制域网络参数测试技术领域，尤其涉及的是，一种调制域网络参数测试的迭代矢量误差修正方法。
背景技术
随着无线技术的快速发展，人们对信息传输速率的要求不断提升，实际通信信号的复杂度和调制带宽也因此越来越高。在3G时期，WCDMA的载波间隔为200kHz、带宽达到5MHz、峰均比3.5dB，指标已经远高于GSM信号。当前，4G无线通信的TD-LTE载波间隔进一步减少到15kHz，同时带宽拓展到最高20MHz，峰均比提高到7.5dB。对于未来5G通信而言，百MHz或GHz的调制带宽将成为主流，峰均比甚至达到10dB以上。正是因为通信系统的实际工作状态越来越复杂，传统的矢量网络分析仪主要以正弦波信号作为被测网络的激励信号，采用窄带锁相跟踪滤波方式接收被测网络的响应信号，通过逐点扫频测量方式，获得被测网络的静态S参数。脉冲调制连续波状态的测量手段逐渐无法满足研究需要，宽带复杂调制激励信号对功放、混频器等核心射频微波器件的测试和表征提出了新的要求。
现有技术中的基于矢量网络分析仪的调制域测试选件，采用调制信号作为激励对被测件的特征进行测试，但是基于输入输出谱的标量测试，并不具备矢量校准的能力，无法有效去除矢量误差的影响，会影响最终的调制域网络参数测试精度。如果使用矢量信号发生器和信号分析仪方式构建复杂调制激励下的网络参数测试系统，系统的成本和复杂度均非常高，没有成熟的校准的方法可用，成本高，测试精度低。
发明内容
本发明提供一种调制域网络参数测试的迭代矢量误差修正方法，保证测试端面的输出的是激励被测件的期望调制信号，去除激励源、测试线缆、仪器系统误差和夹具对测试结果的影响。
本发明的技术方案如下：一种调制域网络参数测试的迭代矢量误差修正方法，包括以下步骤：
步骤1：首先使用射频通道的频率校准算法提取通道线性误差系数，用于校准整个射频通道频率响应；
步骤2：使用基于时域变换和直通线校准件的夹具参数提取算法，并使用去嵌入算法校除掉校准端面与测试端面之间的夹具损耗和相位的SNP文件描述的影响；
步骤3：将被测件通过夹具接入仪器的端口，调制信号激励源产生激励信号，通过射频通道和夹具激励被测件DUT，通过定向耦合器获取IQ解调输出的调制信号，与期望的调制信号做比较，产生矢量调制误差，进入到神经网络中，使用反馈的思想并基于智能优化算法修正基带的IQ数据，保证测试端面的输出的是激励被测件的期望调制信号，去除激励源、测试线缆、仪器系统误差和夹具对测试结果的影响。
上述方法中，所述步骤1中的射频通道的频率校准算法为：在非调制信号激励的线性情况下，采用八项误差模型，并短路-开路-负载-直通SOLT或未知直通SOLR校准方法进行校准。
上述方法中，所述步骤2中直通线的夹具参数提取算法为直通线的自适应校准方法，具体包括以下步骤：
步骤201：使用矢量拟合方法对测得夹具S参数进行拟合；
步骤202：对拟合S参数进行傅里叶反变换，通过时域冲击响应获得电气长度；
步骤203：通过时域门技术得到夹具的选通响应T11A，通过时域到频域的变换获得夹具A的S11A参数；
步骤204：通过与步骤203相同的方法反方向测量直通夹具的时域响应，通过时域门技术得到夹具的选通响应T11B，通过时域到频域的变换获得夹具B的S22B参数。
上述方法中，所述步骤3中基于智能优化算法修正基带的IQ数据，具体包括以下步骤：
步骤301：拟采用高斯径向基函数神经网络来逼近不匹配状态引起的误差其输入输出关系是，公式1：
公式1中，n1，n2，n3分别是RBF网络的输入个数，中间隐层的神经元数目和输出的个数，是神经网络的输入向量，/>是神经网络的输出向量，/>是权值矩阵，具有如下的结构，公式2：
定义RBF网络的结构 选用高斯径向基函数是，公式3：
其中，是高斯径向基函数的中心向量，δnnj表示第j个高斯径向基函数的宽度值；则第k个RBF网络的输出的分量表达式为，公式4：
根据神经网络的通用逼近定理可知，对于任意给定的正常数εnn(max)和连续函数f，则存在理想的最优权值使得具有公式5结构的RBF神经网络能够逼近f：
其中，是满足/>的RBF神经网络逼近误差向量。
采用本发明方法，可以保证测试端面的输出的是激励被测件的期望调制信号，去除激励源、测试线缆、仪器系统误差和夹具对测试结果的影响，提供调制域网络参数的测试精度。并且可有效提高被测件自身产生的矢量调制误差等参数的测量精度，而无需同时校准矢量源和信号分析仪，提供测试效率，减少了测试成本。
附图说明
图1为本发明调制域矢量网络参数误差校准示意图。
图2为本发明实施例中误差模型示意图。
图3为本发明实施例中夹具的直通连接示意图。
图4为本发明实施例中IQ数据修正流程图。
图5为本发明实施例中RBF神经网络结构示意图。
具体实施方式
为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本说明书中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
本发明的一个实施例是，提出一种基于智能优化算法的调制域网络测试误差迭代误差修正方法，如图1所示，共分为三步骤完成整个校准过程：
步骤1：首先使用射频通道的频率校准算法提取通道线性误差系数，用来校准整个射频通道频率响应。在非调制信号激励的线性情况下，采用八项误差模型，并短路-开路-负载-直通SOLT或未知直通SOLR校准方法进行校准。
步骤2：使用基于时域变换和直通线校准件的夹具参数提取算法，并使用去嵌入算法校除掉校准端面与测试端面之间的夹具损耗和相位的(SNP文件描述)影响；
步骤3：步骤1及步骤2的基础上，将被测件通过夹具接入仪器的端口，调制信号激励源产生激励信号，通过射频通道和夹具激励被测件(DUT)，通过定向耦合器获取IQ解调输出的调制信号，与期望的调制信号做比较，产生矢量调制误差，进入到神经网络中，使用反馈的思想并基于智能优化算法修正基带的IQ数据，保证测试端面的输出的是激励被测件的期望调制信号，去除激励源、测试线缆、仪器系统误差和夹具对测试结果的影响。
(1)射频通道的频率校准算法
调制域矢量网络参数测试须先进行频率响应校准，此时待测网络进行非调制信号测量。在非调制信号激励的线性情况下，本发明误差模型如图2所示：
图2中，方向性误差EDF、等效源失配误差ESF、等效负载失配误差ELF、反射跟踪误差ERF、传输跟踪误差ETF和串扰误差EXF，可采用SOLT、SOLR等经典校准方法进行校准。
(2)直通线的夹具参数提取算法，并将使用去嵌入算法校除掉夹具的影响
许多被测件都是非同轴端口的，需要通过夹具才能连接到测试仪器上，为了获取被测件的精确特性，需要提取夹具的参数，目前最常用的夹具参数提取方法是TRL校准件，测试后获取夹具参数。但是对于用户来说，设计一套高频段的TRL校准件是一件非常困难的事情。因此，本发明的直通线的夹具参数提取算法使用一种仅依赖于直通线的自适应校准方法，操作简单，方便使用。如图3所示：
步骤201：使用矢量拟合方法对测得夹具S参数进行拟合；
步骤202：对拟合S参数进行傅里叶反变换，通过时域冲击响应获得电气长度；
步骤203：通过时域门技术得到夹具的选通响应T11A，通过时域到频域的变换获得夹具A的S11A参数；
步骤204：通过与步骤203相同的方法反方向测量直通夹具的时域响应，通过时域门技术得到夹具的选通响应T11B，通过时域到频域的变换获得夹具B的S22B参数；
对于夹具目前我们有2个已知量S11A和S22B，和四个直通夹具的S参数，即S11T，S21T，S12T，S22T。假设夹具是对称的，即S21A＝S12A，S12B＝S21B；由步骤301及步骤304可知，只剩4个未知量：S22A，S11B，S21A，S12B，由梅森公式和四个直通夹具S参数求解出这4个未知量S22A，S11B，S21A，S12B。
(3)基于智能优化算法修正基带的IQ数据
主要原理是采用原位校准的方式，将被测件连接到仪器端口，采用复杂调制信号激励被测件，通过仪器的参考通道获取激励信号并进行解调，然后将解调后的IQ数据与期望的IQ数据进行误差计算，通过智能算法计算出IQ数据的修正量，保证输出到器件测试端面的IQ数据是期望的数据，具体流程如图4所示：
由于复杂调制信号激励下，被测件接入后不匹配状态非常复杂，因此我们采用黑箱建模的方法，将通过神经网络的方法进行建模并修正IQ数据。
拟采用高斯径向基函数神经网络(不局限于这类神经网络)来逼近不匹配状态引起的误差结构如图5所示，RBFNN是三层前馈网络，其输入输出关系是，公式1：
其中，n1，n2，n3分别是RBF网络的输入个数，中间隐层的神经元数目和输出的个数，是神经网络的输入向量，/>是神经网络的输出向量，/>是权值矩阵，具有如下的结构，公式2：
定义RBF网络的结构 本发明选用的高斯径向基函数是，公式3：
其中，是高斯径向基函数的中心向量，δnnj表示第j个高斯径向基函数的宽度值。则第k个RBF网络的输出的分量表达式为，公式4：
根据神经网络的通用逼近定理可知，对于任意给定的正常数εnn(max)和连续函数f，则存在理想的最优权值使得具有式(5)结构的RBF神经网络能够逼近f，即公式5：
其中，是满足/>的RBF神经网络逼近误差向量。
综上所述，基于智能优化算法基带IQ数据修正方法首先根据参考通道解调出IQ测试数据，进一步使用神经网络完成不匹配的映射，通过期望的IQ数据输出和被测件的IQ数据输出反馈调制第一级网络和神经网络的权值，最终完成基带IQ数据修正。并且基于智能优化算法基带IQ数据修正方法采用原位校准的方式，将被测件连接到仪器端口，采用复杂调制信号激励被测件，通过仪器的参考通道获取激励信号并进行解调，然后将解调后的IQ数据与期望的IQ数据进行误差计算，通过智能算法计算出IQ数据的修正量，保证输出到器件测试端面的IQ数据是期望的数据。
采用本发明方法，可以保证测试端面的输出的是激励被测件的期望调制信号，去除激励源、测试线缆、仪器系统误差和夹具对测试结果的影响，提供调制域网络参数的测试精度。并且可有效提高被测件自身产生的矢量调制误差等参数的测量精度，而无需同时校准矢量源和信号分析仪，提供测试效率，减少了测试成本。
需要说明的是，上述各技术特征继续相互组合，形成未在上面列举的各种实施例，均视为本发明说明书记载的范围；并且，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (4)
1.一种调制域网络参数测试的迭代矢量误差修正方法，其特征在于，包括以下步骤：
步骤1：首先使用射频通道的频率校准算法提取通道线性误差系数，
用于校准整个射频通道频率响应；
步骤2：使用基于时域变换和直通线校准件的夹具参数提取算法，并使用去嵌入算法校除掉校准端面与测试端面之间的夹具损耗和相位的通讯协议(SNP)文件描述的影响；
步骤3：将被测件通过夹具接入仪器的端口，调制信号激励源产生激励信号，通过射频通道和夹具激励被测件(DUT)，通过定向耦合器获取解调输出的调制信号(IQ)，与期望的调制信号做比较，产生矢量调制误差，进入到神经网络中，使用反馈的思想并基于智能优化算法修正基带的调制信号(IQ)数据，
保证测试端面的输出的是激励被测件的期望调制信号，去除激励源、测试线缆、仪器系统误差和夹具对测试结果的影响。
2.如权利要求1所述的迭代矢量误差修正方法，其特征在于，所述步骤1中的射频通道的频率校准算法为：在非调制信号激励的线性情况下，采用八项误差模型，并“短路-开路-负载-直通校准(SOLT)”或“短路-开路-负载-未知直通校准(SOLR)”校准方法进行校准。
3.如权利要求2所述的迭代矢量误差修正方法，其特征在于，所述步骤2中直通线的夹具参数提取算法为直通线的自适应校准方法，具体包括以下步骤：
步骤201：使用矢量拟合方法对测得夹具S参数进行拟合；
步骤202：对拟合S参数进行傅里叶反变换，通过时域冲击响应获得电气长度；
步骤203：通过时域门技术得到夹具的选通响应T11A，通过时域到频域的变换获得夹具A的S11A参数；步骤204：通过与步骤203相同的方法反方向测量直通夹具的时域响应，通过时域门技术得到夹具的选通响应T11B，通过时域到频域的变换获得夹具B的S22B参数。
4.如权利要求3所述的迭代矢量误差修正方法，其特征在于，所述步骤3中基于智能优化算法修正基带的调制信号(IQ)数据，具体包括以下步骤：
步骤301：拟采用高斯径向基函数神经网络来逼近不匹配状态引起的误差其输入输出关系是，公式1：
公式1中，n1，n2，n3分别是RBF网络的输入个数，中间隐层的神经元数目和输出的个数，是神经网络的输入向量，/>是神经网络的输出向量，/>是权值矩阵，具有如下的结构，公式2：
定义RBF网络的结构 选用高斯径向基函数是，公式3：
其中，是高斯径向基函数的中心向量，δnnj表示第j个高斯径向基函数的宽度值；则第k个RBF网络的输出的分量表达式为，公式4：
根据神经网络的通用逼近定理可知，对于任意给定的正常数εnn(max)和连续函数f，则存在理想的最优权值使得具有公式5结构的RBF神经网络能够逼近f：
其中，是满足/>的RBF神经网络逼近误差向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010900961.3A CN111999587B (zh) | 2020-08-31 | 2020-08-31 | 一种调制域网络参数测试的迭代矢量误差修正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010900961.3A CN111999587B (zh) | 2020-08-31 | 2020-08-31 | 一种调制域网络参数测试的迭代矢量误差修正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111999587A CN111999587A (zh) | 2020-11-27 |
| CN111999587B true CN111999587B (zh) | 2023-07-28 |
Family
ID=73464486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010900961.3A Active CN111999587B (zh) | 2020-08-31 | 2020-08-31 | 一种调制域网络参数测试的迭代矢量误差修正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111999587B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112564823B (zh) * | 2020-12-03 | 2022-11-01 | 浙江铖昌科技股份有限公司 | 一种基于自校准算法的多端口射频微波校准方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR1535832A (fr) * | 1966-08-02 | 1968-08-09 | Solartron Electronic Group | Dispositif pour le calibrage automatique des instruments numériques |
| CN103543427A (zh) * | 2013-10-28 | 2014-01-29 | 中国电子科技集团公司第四十一研究所 | 基于智能搜索算法的无源互调测试系统校准方法和装置 |
| CN106374920A (zh) * | 2016-09-05 | 2017-02-01 | 中山大学 | 一种基于多项式模型的tiadc系统的估计与补偿实现方法 |
| CN107144738A (zh) * | 2017-06-09 | 2017-09-08 | 中国电子科技集团公司第四十研究所 | 一种基于直通线的多端口自动夹具损耗和相位补偿方法 |
| CN107861050A (zh) * | 2017-11-13 | 2018-03-30 | 中国电子科技集团公司第四十研究所 | 一种利用矢量网络分析仪进行在片测试的方法 |
| CN109583575A (zh) * | 2018-12-17 | 2019-04-05 | 东南大学 | 基于深度学习提高仪器矢量信号分析性能的处理方法 |
| CN109856477A (zh) * | 2018-12-24 | 2019-06-07 | 中国信息通信研究院 | 一种激励射频有源器件的方法及输入优化测试系统 |
| CN110554259A (zh) * | 2019-08-07 | 2019-12-10 | 中电科仪器仪表有限公司 | 适用于调制域的一体化矢量网络分析仪及测量方法 |
| CN110850165A (zh) * | 2019-11-28 | 2020-02-28 | 中电科仪器仪表有限公司 | 一种适用于矢网时域功能的直流点求取和频段扩展方法 |
-
2020
- 2020-08-31 CN CN202010900961.3A patent/CN111999587B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR1535832A (fr) * | 1966-08-02 | 1968-08-09 | Solartron Electronic Group | Dispositif pour le calibrage automatique des instruments numériques |
| CN103543427A (zh) * | 2013-10-28 | 2014-01-29 | 中国电子科技集团公司第四十一研究所 | 基于智能搜索算法的无源互调测试系统校准方法和装置 |
| CN106374920A (zh) * | 2016-09-05 | 2017-02-01 | 中山大学 | 一种基于多项式模型的tiadc系统的估计与补偿实现方法 |
| CN107144738A (zh) * | 2017-06-09 | 2017-09-08 | 中国电子科技集团公司第四十研究所 | 一种基于直通线的多端口自动夹具损耗和相位补偿方法 |
| CN107861050A (zh) * | 2017-11-13 | 2018-03-30 | 中国电子科技集团公司第四十研究所 | 一种利用矢量网络分析仪进行在片测试的方法 |
| CN109583575A (zh) * | 2018-12-17 | 2019-04-05 | 东南大学 | 基于深度学习提高仪器矢量信号分析性能的处理方法 |
| CN109856477A (zh) * | 2018-12-24 | 2019-06-07 | 中国信息通信研究院 | 一种激励射频有源器件的方法及输入优化测试系统 |
| CN110554259A (zh) * | 2019-08-07 | 2019-12-10 | 中电科仪器仪表有限公司 | 适用于调制域的一体化矢量网络分析仪及测量方法 |
| CN110850165A (zh) * | 2019-11-28 | 2020-02-28 | 中电科仪器仪表有限公司 | 一种适用于矢网时域功能的直流点求取和频段扩展方法 |
Non-Patent Citations (3)
| Title |
|---|
| A Study on Mixer Measurement Error Based on Vector Network Analyzer;Bowei Zhang etc.;《 2019 IEEE Asia-Pacific Microwave Conference (APMC)》;20191013;1667-1669 * |
| 矢量网络分析仪阻抗特性测量误差分析与验证;杜玮等;《测控技术》;20190518;第38卷(第5期);77-81 * |
| 粗糙集意义下的一种RBF神经网络设计方法;王耀南等;《控制与决策》;20071030;第22卷(第10期);1091-1096 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111999587A (zh) | 2020-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109444717B (zh) | 新型在片s参数误差校准方法和装置 | |
| US6594604B2 (en) | S-parameter measurement system for wideband non-linear networks | |
| CN111092836B (zh) | 一种信号调制方式识别方法及装置 | |
| CN109617560A (zh) | 一种iq信号校准补偿方法 | |
| CN106453170B (zh) | 信号非线性时域测量和模拟方法及应用 | |
| CN103837767B (zh) | 一种利用矢网对互易混频器进行特性表征的方法 | |
| CN104270208B (zh) | 一种远端射频单元rru驻波比检测的方法及装置 | |
| CN107144738B (zh) | 一种基于直通线的多端口自动夹具损耗和相位补偿方法 | |
| CN104378085A (zh) | 一种射频阻抗匹配调试方法 | |
| CN111999587B (zh) | 一种调制域网络参数测试的迭代矢量误差修正方法 | |
| CN105510706A (zh) | 一种高精度欠采样测频方法 | |
| CN111983538B (zh) | 在片s参数测量系统校准方法及装置 | |
| CN103645385B (zh) | 一种基于多端口网络匹配电路嵌入后的s参数获取方法 | |
| CN109583575B (zh) | 基于深度学习提高仪器矢量信号分析性能的处理方法 | |
| CN105606885B (zh) | 一种基于中频替代技术的脉冲功率测量系统 | |
| CN111537780B (zh) | 变流器三端口电磁干扰模型参数提取方法 | |
| Soury et al. | Behavioral modeling of RF and microwave circuit blocks for hierarchical simulation of modern transceivers | |
| CN104062510B (zh) | 可减小测量误差的两端口较远互易馈线插入损耗测量方法 | |
| Le et al. | Multitone characterization and design of FET resistive mixers based on combined active source-pull/load-pull techniques | |
| CN203929891U (zh) | 一种基于电桥和正交相干解调的天调阻抗测量电路 | |
| CN108055091A (zh) | 一种毫米波自校准虚拟仪器及其实施方法 | |
| KR101325658B1 (ko) | 주파수 변환 디바이스의 주파수 응답에 특성을 부여하는방법 | |
| CN112130011A (zh) | 一种星载功率放大器evm测试方法 | |
| Zhao et al. | Calibration algorithm of the n-port vector network analyser using the general node equation | |
| Qin | Measurement and Application of VNA |
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: 266000 No. 98 Xiangjiang Road, Huangdao District, Qingdao City, Shandong Province Applicant after: CLP kesiyi Technology Co.,Ltd. Address before: 266000 No. 98 Xiangjiang Road, Huangdao District, Qingdao City, Shandong Province Applicant before: CHINA ELECTRONICS TECHNOLOGY INSTRUMENTS Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |