CN112182892B - 一种基于分段仿射的功率放大器行为建模方法及装置 - Google Patents
一种基于分段仿射的功率放大器行为建模方法及装置 Download PDFInfo
- Publication number
- CN112182892B CN112182892B CN202011065497.7A CN202011065497A CN112182892B CN 112182892 B CN112182892 B CN 112182892B CN 202011065497 A CN202011065497 A CN 202011065497A CN 112182892 B CN112182892 B CN 112182892B
- Authority
- CN
- China
- Prior art keywords
- affine
- model
- segmented
- preset
- sub
- 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
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000007621 cluster analysis Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 52
- 238000005457 optimization Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 abstract description 9
- 230000006399 behavior Effects 0.000 description 33
- 230000006870 function Effects 0.000 description 29
- 238000010586 diagram Methods 0.000 description 17
- 230000011218 segmentation Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Amplifiers (AREA)
Abstract
本申请公开了一种基于分段仿射的功率放大器行为建模方法及装置，该方法包括：根据预设的分段仿射方法、预设的输入数据以及输出数据建立功率放大器行为所对应的分段仿射逼近模型，其中，所述分段仿射逼近模型包括多个子模型；根据预设的有序聚类分析算法对所述分段仿射逼近模型中的多个子模型进行聚类得到聚类后的分段仿射逼近模型，其中，所述聚类后的分段仿射逼近模型中任一类用同一子模型表示。本申请解决了现有技术中功率放大器行为模型的线性化效果较差的技术问题。
Description
技术领域
本申请涉及功率放大器建模技术领域，尤其涉及一种基于分段仿射的功率放大器行为建模方法及装置。
背景技术
海量数据的高速传输需求促使着卫星通信向高频段、大带宽、高频谱效率传输方向发展，对星载射频发射机的非线性数字补偿带来了很大困难。星载发射机中的功率放大器表现出失真的不连续性，AM/AM和AM/PM特性的非线性动态发散特性主要集中在低输入功率区域，而高输入功率区域表现出失真的突变特性。具体的，功率放大器的AM/AM特性参见图1所述，功率放大器的AM/PM特性参见图2所示。
鉴于功率放大器在高输入功率区域表现出失真的突变特性，因此，需要构建功率放大器的预失真模型对功率放大器的非线性进行描述。目前，常见的功率放大器预失真模型为可切换的记忆行为模型。具体的，可切换的记忆行为模型主要采用矢量量化的方法对输入信号的幅度进行分区，在每个非线性失真区域内采用不同的记忆模型来描述功率放大器。此外，在包络跟踪结构的发射机中，由于调制电压的动态变化，包络跟踪功放会在不同的功率区域呈现出不同的特性。基于此，分片Volterra模型通过所设置的输入功率门限值把输入信号分解成不同的区域，从而在不同的区域求解出分片功放模型。实验结果表明，使用这种分片模型对包络跟踪结构的发射机进行线性校正，其校正效果明显优于常规预失真器模型，但是，这种分片切割的方法有可能引入新的非线性因素，从而影响功率放大器的线性化效果。
发明内容
本申请解决的技术问题是：针对现有技术中功率放大器的线性化效果较差的问题，提供了一种基于分段仿射的功率放大器行为建模方法及装置，本申请实施例所提供的方案中，根据功率放大器的失真不连续非线性特性，将机器学习中的分段仿射逼近同最优分割算法相结合，进行区域划分，得到一分段仿射逼近模型，所得到的分段仿射逼近模型包括多个子模型，即可以将功率放大器的信号回归空间分割成有限个子区间，在每个子区间用一个子模型来描述非线性功放的动态特性，不仅可以以任意精度逼近一个足够平滑的非线性函数外，还可以用来逼近具有非连续特性以及切换特性的非线性系统，进而实现对功放行为模型的统一表征与精确辨识，以及提高功率放大器的线性化效果。
第一方面，本申请实施例提供一种基于分段仿射的功率放大器行为建模方法，该方法包括：
根据预设的分段仿射方法、预设的输入数据以及输出数据建立功率放大器行为所对应的分段仿射逼近模型，其中，所述分段仿射逼近模型包括多个子模型；
根据预设的有序聚类分析算法对所述分段仿射逼近模型中的多个子模型进行聚类得到聚类后的分段仿射逼近模型，其中，所述聚类后的分段仿射逼近模型中任一类用同一子模型表示。
可选地，根据预设的分段仿射方法、预设的输入数据以及输出数据建立功率放大器行为所对应的分段仿射逼近模型，包括：
根据所述预设的输入数据和输出数据建立所述功率放大器的特性曲线，根据所述预设的分段仿射方法分段逼近所述特性曲线确定出分段数目、每段所对应的输入数据范围和参数向量；
根据所述每段所对应的输入数据范围和参数向量以及预设输入数据的非线性仿射函数建立子模型，根据所述子模型得到所述分段仿射逼近模型。
可选地，所述分段仿射逼近模型通过下式表示：
其中，f(x)表示所述分段仿射逼近模型；φ(x)表示输入数据的非线性仿射函数；表示各个子模型对应的参数向量；x表示输入数据；/>表示每段所对应的输入数据范围。
可选地，根据预设的有序聚类分析算法对所述分段仿射逼近模型中的多个子模型进行聚类得到聚类后的分段仿射逼近模型，包括：
根据所述预设的有序聚类分析算法计算所述分段仿射逼近模型中任意两个子模型对应参数向量之间的欧氏距离；
将所述欧氏距离小于预设阈值的子模型划分为一类，将每类用相同子模型表示得到所述聚类后的分段仿射逼近模型。
可选地，还包括：根据预设的约束条件对所述每个子模型对应的参数向量进行稀疏简化优化得到简化后的参数向量；根据所述简化后的参数向量调整所述聚类后的分段仿射逼近模型得到简化后的分段仿射逼近模型，将所述简化后的分段仿射逼近模型作为所述功率放大器的行为模型。
第二方面，本申请实施例提供了一种基于分段仿射的功率放大器行为建模装置，该装置包括：
建模单元，用于根据预设的分段仿射方法、预设的输入数据以及输出数据建立功率放大器行为所对应的分段仿射逼近模型，其中，所述分段仿射逼近模型包括多个子模型；
聚类单元，用于根据预设的有序聚类分析算法对所述分段仿射逼近模型中的多个子模型进行聚类得到聚类后的分段仿射逼近模型，其中，所述聚类后的分段仿射逼近模型中任一类用同一子模型表示。
可选地，所述建模单元，具体用于：
根据所述预设的输入数据和输出数据建立所述功率放大器的特性曲线，根据所述预设的分段仿射方法分段逼近所述特性曲线确定出分段数目、每段所对应的输入数据范围和参数向量；
根据所述每段所对应的输入数据范围和参数向量以及预设输入数据的非线性仿射函数建立子模型，根据所述子模型得到所述分段仿射逼近模型。
可选地，所述分段仿射逼近模型通过下式表示：
其中，f(x)表示所述分段仿射逼近模型；φ(x)表示输入数据的非线性仿射函数；表示各个子模型对应的参数向量；x表示输入数据；/>表示每段所对应的输入数据范围。
可选地，所述聚类单元，用于：
根据所述预设的有序聚类分析算法计算所述分段仿射逼近模型中任意两个子模型对应参数向量之间的欧氏距离；
将所述欧氏距离小于预设阈值的子模型划分为一类，将每类用相同子模型表示得到所述聚类后的分段仿射逼近模型。
可选地，还包括简化单元；所述简化单元，具体用于：
根据预设的约束条件对所述每个子模型对应的参数向量进行稀疏简化优化得到简化后的参数向量；
根据所述简化后的参数向量调整所述聚类后的分段仿射逼近模型得到简化后的分段仿射逼近模型，将所述简化后的分段仿射逼近模型作为所述功率放大器的行为模型。
与现有技术相比，本申请实施例所提供的方案具有如下有益效果：
1、本申请实施例所提供的方案中，根据功率放大器的失真不连续非线性特性，将机器学习中的分段仿射逼近同最优分割算法相结合，进行区域划分，得到一分段仿射逼近模型，所得到的分段仿射逼近模型包括多个子模型，即可以将功率放大器的信号回归空间分割成有限个子区间，在每个子区间用一个子模型来描述非线性功放的动态特性，不仅可以以任意精度逼近一个足够平滑的非线性函数外，还可以用来逼近具有非连续特性以及切换特性的非线性系统，进而实现对功放行为模型的统一表征与精确辨识，以及提高功率放大器的线性化效果。
根据预设的分段仿射方法、预设的输入数据以及输出数据建立功率放大器行为所对应的分段仿射逼近模型，其中，所述分段仿射逼近模型包括多个子模型；
根据预设的有序聚类分析算法对所述分段仿射逼近模型中的多个子模型进行聚类得到聚类后的分段仿射逼近模型，其中，所述聚类后的分段仿射逼近模型中任一类用同一子模型表示。
2、本申请实施例所提供的方案中，根据预设的有序聚类分析算法对分段仿射逼近模型中的多个子模型进行聚类得到聚类后的分段仿射逼近模型，以使得聚类后的分段仿射逼近模型中任一类用同一子模型表示，进而简化分段仿射逼近模型，不仅克服非数值解问题，还提高算法的收敛的速度。
3、本申请实施例所提供的方案中，通过预设的约束条件对每个子模型对应的参数向量进行稀疏简化优化得到简化后的参数向量；并根据简化后的参数向量调整聚类后的分段仿射逼近模型得到简化后的分段仿射逼近模型，以减少其模型系数并最大化的释放参数提取算法的实时计算压力，尽可能的得到功放的简约型模型。
附图说明
图1为本申请实施例所提供的一种Doherty功放失真不连续动态AM/AM特性示意图；
图2为本申请实施例所提供的一种Doherty功放失真不连续动态AM/PM特性示意图；
图3为本申请实施例所提供的一种基于分段仿射的功率放大器行为建模方法的流程示意图；
图4为本申请实施例所提供的一种基于分段仿射模型的稀疏预失真补偿系统的结构示意图；
图5为本申请实施例所提供的一种Doherty功放的16APSK信号的示意图；
图6为本申请实施例所提供的一种预失真前后功放输入和输出功率谱对比示意图；
图7为本申请实施例所提供的一种预失真前后功放输入和输出星座图对比示意图；
图8为本申请实施例所提供的一种基于分段仿射的功率放大器行为建模装置的结构示意图；
图9为本申请实施例所提供的一种基于分段仿射的功率放大器行为建模装置的结构示意图。
具体实施方式
本申请实施例提供的方案中，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
以下结合说明书附图对本申请实施例所提供的一种基于分段仿射的功率放大器行为建模方法做进一步详细的说明，该方法具体实现方式可以包括以下步骤(方法流程如图3所示)：
步骤301，根据预设的分段仿射方法、预设的输入数据以及输出数据建立功率放大器行为所对应的分段仿射逼近模型，其中，所述分段仿射逼近模型包括多个子模型。
具体的，在本申请实施例所提供的方案中，根据预设的分段仿射方法、预设的输入数据以及输出数据建立功率放大器行为所对应的分段仿射逼近模型的方式有多种，下面以一种较佳的方式为例进行说明。
在一种可能实现的方式中，根据预设的分段仿射方法、预设的输入数据以及输出数据建立功率放大器行为所对应的分段仿射逼近模型，包括：根据所述预设的输入数据和输出数据建立所述功率放大器的特性曲线，根据所述预设的分段仿射方法分段逼近所述特性曲线确定出分段数目、每段所对应的输入数据范围和参数向量；根据所述每段所对应的输入数据范围和参数向量以及预设输入数据的非线性仿射函数建立子模型，根据所述子模型得到所述分段仿射逼近模型。
进一步，在一种可能实现的方式中，所述分段仿射逼近模型为：
其中，f(x)表示所述分段仿射逼近模型；φ(x)表示输入数据的非线性仿射函数；表示各个子模型对应的参数向量；x表示输入数据；/>表示每段所对应的输入数据范围。
具体的，功放的行为模型应尽可能地捕捉不连续失真非线性来源，当统一考虑幅度和相位非线性失真的影响时，所建立的模型结构如下：
y(s(n)；ω，β)＝g(s(n)；ω)ejp(s(n)；β)s(n) (1)
其中，g(·)表示幅度失真函数；p(·)表示相位失真函数；ω和β表示待提取的参数向量。
由于模型式(1)存在指数函数，因此参数向量ω和β的估计是一个非凸优化问题。如果没有对函数g(·)和p(·)的约束条件，以上参数提取过程有可能具有不可识别性。由于实际功率放大器的AM-AM及AM-PM失真的主要来源是幅度失真函数，故可对式(1)中模型进行简化，可以得到如下的行为模型结构：
y(s(n)；ω)＝g(s(n)；ω)s(n) (2)
其中，幅度失真函数g(·)可以任意选择一些常见的非线性函数，如Volterra级数、记忆多项式以及神经网络等。
根据所述预设的输入数据和输出数据建立所述功率放大器的特性曲线，特性曲线即为功率放大器的失真不连续序列数据，在该特性曲线中确定急剧变化的拐点数据，这些拐点数据衔接着不同特性的序列，然后根据拐点数据确定进行分段。
进一步，根据预设的分段仿射方法得到分段仿射逼近模型的基本方程如下式所示：
其中，k时刻的输入信号x为包含记忆抽头的递归向量，如下式所示：
其中，为功率放大器的输入数据；f(x)表示所述分段仿射逼近模型；φ(x)表示输入数据的非线性仿射函数；/>表示各个子模型对应的参数向量；x表示输入数据；/>表示每段所对应的输入数据范围。
步骤302，根据预设的有序聚类分析算法对所述分段仿射逼近模型中的多个子模型进行聚类得到聚类后的分段仿射逼近模型，其中，所述聚类后的分段仿射逼近模型中任一类用同一子模型表示。
具体的，当测量得到失真不连续发射机中功率放大器的一组输入和输出数据{(xk,yk):k＝1,...M}后，可根据上式(5)建立功率放大器行为模型yk＝f(xk)。对上述公式(5)中的模型非线性辨识问题主要是估计分割的子模型个数s，各子模型对应的输入数据分割面方程以及相应的参数向量θi…i＝1,...,s。如果分段仿射模型子模型数目可以预先确定，那么式(5)对f(·)函数的估计就可以转化为求解s个线性估计问题。因此，对于缺乏足够先验知识的分段仿射逼近系统来说，辨识的困难主要在于如何合理将子模型划分归类。
进一步，将子模型划分归类的方法有多种，例如，E-M聚类算法或机器学习中的有序聚类分析算法等。由于聚类在本质上是一个非线性优化问题，无法得到解析解，故通常用迭代来求解，但是在迭代过程中，会出现聚类数据过少或者聚类数据的线性相关等情况，因此E-M聚类算法在求解样本的高斯密度函数会出现非数值解的情况，进一步，由于E-M聚类算法只侧重于聚类形状，而不关心聚类中心，可能会导致无法区分两两相邻的子类数据集。有鉴于此，在本申请实施例所提供的方案中，着重对基于机器学习中的有序聚类分析算法进行聚类进行简要介绍。
在一种可能实现的方式中，根据预设的有序聚类分析算法对所述分段仿射逼近模型中的多个子模型进行聚类得到聚类后的分段仿射逼近模型，包括：根据所述预设的有序聚类分析算法计算所述分段仿射逼近模型中任意两个子模型对应参数向量之间的欧氏距离；将所述欧氏距离小于预设阈值的子模型划分为一类，将每类用相同子模型表示得到所述聚类后的分段仿射逼近模型。
为了便于理解下面对有序聚类分析算法的过程进行简要介绍。具体的，有序聚类分析算法的主要步骤如下：
1)、计算类内直径。类内直径衡量的是同一类簇中各个样本之间的差异程度，内直径越大则类内样本差异程度越大。在本申请实施例所提供的方案中，类内直径是指任意两个子模块对应的参数向量之间的欧式距离。
2)、定义损失函数。同一些化器学习方法一样，最优分割算法也存在着损失函数，而分割的最终目标就是将s个子模块分割成k类，同时使得损失函数最小,损失函数的最小化即所有类的类内直径之和最小化。
3)、最优化分割求解。采用递推方式对分类结果进行求解，获得各类数据。
进一步，为了减少功率放大器行为模型系数并最大化的释放参数提取算法的实时计算压力，尽可能的得到功放的简约型模型。在一种可能实现的方式中，还包括：根据预设的约束条件对所述每个子模型对应的参数向量进行稀疏简化优化得到简化后的参数向量；根据所述简化后的参数向量调整所述聚类后的分段仿射逼近模型得到简化后的分段仿射逼近模型，将所述简化后的分段仿射逼近模型作为所述功率放大器的行为模型。
具体的，根据压缩感知理论，系统冲击响应系数的稀疏性可以用其l1范数的不等式约束来描述，从而将稀疏系统辨识问题转化为了一个带约束的次最优化问题。这样可以借助于压缩感知理论的一般信号重构算法的成果和方法来确定分段仿射模型的稀疏度，从而决定对于预失真模型性能影响最大的子项。在压缩感知重构的优化算法中，采用属贪婪算法的匹配追踪类算法。
进一步，为了便于了解根据本申请实施例所提供的方案建立的功率放大器行为模型对功率放大器进行预失真仿真效果，下面以Doherty功放为例进行说明。
具体的，参见图4，本申请实施例提供了一种功率放大器的稀疏预失真系统结构示意图。该系统包括：发射通道、反馈接收通道、功率放大器模块和算法处理模块所组成。根据图4构造的稀疏预失真系统，对经过Doherty功放的16APSK信号进行预失真补偿和非线性补偿，具体Doherty功放的16APSK信号参见图5所示，预失真补偿和非线性补偿的效果如图6和图7所示。根据图6和图7可以看出，经过非线性校正，因功放失真不连续非线性造成的输出信号功率谱展宽得到了很好抑制，且星座图扭曲得到很好解决。
进一步，将预失真前后数据进行对比，预失真后的输出信号和功放原始输入信号星座图如7所示。从图7可以看出，经过预失真处理后的16APSK信号星座图接近于原始输入信号星座图。
本申请实施例所提供的方案中，根据预设的分段仿射方法、预设的输入数据以及输出数据建立功率放大器行为所对应的分段仿射逼近模型，其中，所述分段仿射逼近模型包括多个子模型，然后根据预设的有序聚类分析算法对所述分段仿射逼近模型中的多个子模型进行聚类得到聚类后的分段仿射逼近模型。即本申请实施例所提供的方案，根据功率放大器的失真不连续非线性特性，将机器学习中的分段仿射逼近同最优分割算法相结合，进行区域划分，得到一分段仿射逼近模型，所得到的分段仿射逼近模型包括多个子模型，即可以将功率放大器的信号回归空间分割成有限个子区间，在每个子区间用一个子模型来描述非线性功放的动态特性，不仅可以以任意精度逼近一个足够平滑的非线性函数外，还可以用来逼近具有非连续特性以及切换特性的非线性系统，进而实现对功放行为模型的统一表征与精确辨识，以及提高功率放大器的线性化效果。
基于与图3所示的方法相同的发明构思，本申请实施例提供了一种基于分段仿射的功率放大器行为建模装置，参见图8，该装置包括：
建模单元801，用于根据预设的分段仿射方法、预设的输入数据以及输出数据建立功率放大器行为所对应的分段仿射逼近模型，其中，所述分段仿射逼近模型包括多个子模型；
聚类单元802，用于根据预设的有序聚类分析算法对所述分段仿射逼近模型中的多个子模型进行聚类得到聚类后的分段仿射逼近模型，其中，所述聚类后的分段仿射逼近模型中任一类用同一子模型表示。
可选地，所述建模单元801，具体用于：
根据所述预设的输入数据和输出数据建立所述功率放大器的特性曲线，根据所述预设的分段仿射方法分段逼近所述特性曲线确定出分段数目、每段所对应的输入数据范围和参数向量；
根据所述每段所对应的输入数据范围和参数向量以及预设输入数据的非线性仿射函数建立子模型，根据所述子模型得到所述分段仿射逼近模型。
可选地，所述分段仿射逼近模型通过下式表示：
其中，f(x)表示所述分段仿射逼近模型；φ(x)表示输入数据的非线性仿射函数；表示各个子模型对应的参数向量；x表示输入数据；/>表示每段所对应的输入数据范围。
可选地，所述聚类单元802，用于：
根据所述预设的有序聚类分析算法计算所述分段仿射逼近模型中任意两个子模型对应参数向量之间的欧氏距离；
将所述欧氏距离小于预设阈值的子模型划分为一类，将每类用相同子模型表示得到所述聚类后的分段仿射逼近模型。
可选地，参见图9，还包括简化单元803；所述简化单元803，具体用于：
根据预设的约束条件对所述每个子模型对应的参数向量进行稀疏简化优化得到简化后的参数向量；
根据所述简化后的参数向量调整所述聚类后的分段仿射逼近模型得到简化后的分段仿射逼近模型，将所述简化后的分段仿射逼近模型作为所述功率放大器的行为模型。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种基于分段仿射的功率放大器行为建模方法，其特征在于，包括：
根据预设的分段仿射方法、预设的输入数据以及输出数据建立功率放大器行为所对应的分段仿射逼近模型，其中，所述分段仿射逼近模型包括多个子模型；
根据预设的有序聚类分析算法对所述分段仿射逼近模型中的多个子模型进行聚类得到聚类后的分段仿射逼近模型，其中，所述聚类后的分段仿射逼近模型中任一类用同一子模型表示。
2.如权利要求1所述的方法，其特征在于，根据预设的分段仿射方法、预设的输入数据以及输出数据建立功率放大器行为所对应的分段仿射逼近模型，包括：
根据所述预设的输入数据和输出数据建立所述功率放大器的特性曲线，根据所述预设的分段仿射方法分段逼近所述特性曲线确定出分段数目、每段所对应的输入数据范围和参数向量；
根据所述每段所对应的输入数据范围和参数向量以及预设输入数据的非线性仿射函数建立子模型，根据所述子模型得到所述分段仿射逼近模型。
3.如权利要求2所述的方法，其特征在于，所述分段仿射逼近模型通过下式表示：
其中，f(x)表示所述分段仿射逼近模型；φ(x)表示输入数据的非线性仿射函数：表示各个子模型对应的参数向量；x表示输入数据；/>表示每段所对应的输入数据范围。
4.如权利要求3所述的方法，其特征在于，根据预设的有序聚类分析算法对所述分段仿射逼近模型中的多个子模型进行聚类得到聚类后的分段仿射逼近模型，包括：
根据所述预设的有序聚类分析算法计算所述分段仿射逼近模型中任意两个子模型对应参数向量之间的欧氏距离；
将所述欧氏距离小于预设阈值的子模型划分为一类，将每类用相同子模型表示得到所述聚类后的分段仿射逼近模型。
5.如权利要求1～4任一项所述的方法，其特征在于，还包括：
根据预设的约束条件对所述每个子模型对应的参数向量进行稀疏简化优化得到简化后的参数向量；
根据所述简化后的参数向量调整所述聚类后的分段仿射逼近模型得到简化后的分段仿射逼近模型，将所述简化后的分段仿射逼近模型作为所述功率放大器的行为模型。
6.一种基于分段仿射的功率放大器行为建模装置，其特征在于，包括：
建模单元，用于根据预设的分段仿射方法、预设的输入数据以及输出数据建立功率放大器行为所对应的分段仿射逼近模型，其中，所述分段仿射逼近模型包括多个子模型；
聚类单元，用于根据预设的有序聚类分析算法对所述分段仿射逼近模型中的多个子模型进行聚类得到聚类后的分段仿射逼近模型，其中，所述聚类后的分段仿射逼近模型中任一类用同一子模型表示。
7.如权利要求6所述的装置，其特征在于，所述建模单元，具体用于：
根据所述预设的输入数据和输出数据建立所述功率放大器的特性曲线，根据所述预设的分段仿射方法分段逼近所述特性曲线确定出分段数目、每段所对应的输入数据范围和参数向量；
根据所述每段所对应的输入数据范围和参数向量以及预设输入数据的非线性仿射函数建立子模型，根据所述子模型得到所述分段仿射逼近模型。
8.如权利要求7所述的装置，其特征在于，所述分段仿射逼近模型通过下式表示：
其中，f(x)表示所述分段仿射逼近模型；φ(x)表示输入数据的非线性仿射函数；表示各个子模型对应的参数向量；x表示输入数据；/>表示每段所对应的输入数据范围。
9.如权利要求8所述的装置，其特征在于，所述聚类单元，用于：
根据所述预设的有序聚类分析算法计算所述分段仿射逼近模型中任意两个子模型对应参数向量之间的欧氏距离；
将所述欧氏距离小于预设阈值的子模型划分为一类，将每类用相同子模型表示得到所述聚类后的分段仿射逼近模型。
10.如权利要求6～9任一项所述的装置，其特征在于，还包括简化单元；所述简化单元，具体用于：
根据预设的约束条件对所述每个子模型对应的参数向量进行稀疏简化优化得到简化后的参数向量；
根据所述简化后的参数向量调整所述聚类后的分段仿射逼近模型得到简化后的分段仿射逼近模型，将所述简化后的分段仿射逼近模型作为所述功率放大器的行为模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011065497.7A CN112182892B (zh) | 2020-09-30 | 2020-09-30 | 一种基于分段仿射的功率放大器行为建模方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011065497.7A CN112182892B (zh) | 2020-09-30 | 2020-09-30 | 一种基于分段仿射的功率放大器行为建模方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112182892A CN112182892A (zh) | 2021-01-05 |
| CN112182892B true CN112182892B (zh) | 2024-01-02 |
Family
ID=73948236
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011065497.7A Active CN112182892B (zh) | 2020-09-30 | 2020-09-30 | 一种基于分段仿射的功率放大器行为建模方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112182892B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103761536A (zh) * | 2014-01-28 | 2014-04-30 | 五邑大学 | 基于无监督最优美丽特征和深度评价模型的人脸美化方法 |
| US8837839B1 (en) * | 2010-11-03 | 2014-09-16 | Hrl Laboratories, Llc | Method for recognition and pose estimation of multiple occurrences of multiple objects in visual images |
| CN104796091A (zh) * | 2015-04-13 | 2015-07-22 | 南京理工大学 | 基于分段记忆多项式的功率放大器建模及数字预失真方法 |
| CN107070467A (zh) * | 2015-11-03 | 2017-08-18 | 英飞凌科技股份有限公司 | 模拟rf预失真器和非线性分离器 |
| CN107845066A (zh) * | 2017-10-09 | 2018-03-27 | 中国电子科技集团公司第二十八研究所 | 基于分段仿射变换模型的城市遥感图像拼接方法及装置 |
| EP3309960A1 (en) * | 2016-10-14 | 2018-04-18 | Nokia Technologies OY | Amplification system and enodeb |
| CN109668745A (zh) * | 2018-11-05 | 2019-04-23 | 江苏大学 | 一种轮胎纵滑力学特性的分段仿射辨识建模方法 |
| CN109733474A (zh) * | 2019-01-21 | 2019-05-10 | 江苏大学 | 一种基于分段仿射分层控制的智能车转向控制系统及方法 |
| CN109885883A (zh) * | 2019-01-21 | 2019-06-14 | 江苏大学 | 一种基于gk聚类算法模型预测的无人车横向运动的控制方法 |
| CN110447146A (zh) * | 2016-12-21 | 2019-11-12 | 英特尔公司 | 无线通信技术、装置和方法 |
-
2020
- 2020-09-30 CN CN202011065497.7A patent/CN112182892B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8837839B1 (en) * | 2010-11-03 | 2014-09-16 | Hrl Laboratories, Llc | Method for recognition and pose estimation of multiple occurrences of multiple objects in visual images |
| CN103761536A (zh) * | 2014-01-28 | 2014-04-30 | 五邑大学 | 基于无监督最优美丽特征和深度评价模型的人脸美化方法 |
| CN104796091A (zh) * | 2015-04-13 | 2015-07-22 | 南京理工大学 | 基于分段记忆多项式的功率放大器建模及数字预失真方法 |
| CN107070467A (zh) * | 2015-11-03 | 2017-08-18 | 英飞凌科技股份有限公司 | 模拟rf预失真器和非线性分离器 |
| EP3309960A1 (en) * | 2016-10-14 | 2018-04-18 | Nokia Technologies OY | Amplification system and enodeb |
| CN110447146A (zh) * | 2016-12-21 | 2019-11-12 | 英特尔公司 | 无线通信技术、装置和方法 |
| CN107845066A (zh) * | 2017-10-09 | 2018-03-27 | 中国电子科技集团公司第二十八研究所 | 基于分段仿射变换模型的城市遥感图像拼接方法及装置 |
| CN109668745A (zh) * | 2018-11-05 | 2019-04-23 | 江苏大学 | 一种轮胎纵滑力学特性的分段仿射辨识建模方法 |
| CN109733474A (zh) * | 2019-01-21 | 2019-05-10 | 江苏大学 | 一种基于分段仿射分层控制的智能车转向控制系统及方法 |
| CN109885883A (zh) * | 2019-01-21 | 2019-06-14 | 江苏大学 | 一种基于gk聚类算法模型预测的无人车横向运动的控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于分段仿射传播聚类的小电流接地选线法;陈宇;《湖北电力》;第44卷(第2期);13-19 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112182892A (zh) | 2021-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10523159B2 (en) | Digital compensator for a non-linear system | |
| CN109472353B (zh) | 一种卷积神经网络量化电路及量化方法 | |
| CN103947106B (zh) | 一种用于使非线性的系统元件线性化的方法、系统及设备 | |
| CN105656434B (zh) | 基于修改分段线性函数的功放数字预失真装置及方法 | |
| US20140105327A1 (en) | Method and apparatus for predicting signal characteristics for a nonlinear power amplifier | |
| CN111490737A (zh) | 一种用于功率放大器的非线性补偿方法和设备 | |
| 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 | |
| KR20210136344A (ko) | 샘플 기반 정규화 기법을 이용한 전이 학습장치 및 방법 | |
| CN107834983B (zh) | 一种基于云平台的数字预失真线性化参数提取方法 | |
| Jiang et al. | Digital predistortion using stochastic conjugate gradient method | |
| Kelly et al. | Direct error-searching SPSA-based model extraction for digital predistortion of RF power amplifiers | |
| Rahati Belabad et al. | An accurate digital baseband predistorter design for linearization of RF power amplifiers by a genetic algorithm based Hammerstein structure | |
| CN112182892B (zh) | 一种基于分段仿射的功率放大器行为建模方法及装置 | |
| WO2022166534A1 (zh) | 预失真处理方法和装置 | |
| CN108111448B (zh) | 预失真查找表的生成方法、装置与预失真校准设备 | |
| CN108449294B (zh) | 预失真处理方法、装置及预失真处理系统 | |
| TW201543231A (zh) | 量化電路及輸入量的量化方法 | |
| Becerra‐González et al. | Digital predistortion of power amplifiers using structured compressed‐sensing Volterra series | |
| Yang et al. | Digital predistortion based on sample selection with memory effect | |
| CN101001327A (zh) | 基于神经网络预失真技术的数字电视发射机激励器 | |
| Torkamani et al. | Delay, state, and parameter estimation in chaotic and hyperchaotic delayed systems with uncertainty and time-varying delay | |
| CN113468842A (zh) | 一种基于矢量量化的宽带数字预失真算法 | |
| Shokair et al. | Wide band digital predistortion using iterative feedback decomposition | |
| Qi et al. | Multi-section support vector regression-based behavioral modeling of RF GaN Doherty power amplifiers | |
| KR20150074644A (ko) | 음악분류를 위한 저차의 오디오 특징 추출 장치 및 방법 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |