CN114301549A - 幅相控制电路的幅相校准方法、系统、介质及电子设备 - Google Patents
幅相控制电路的幅相校准方法、系统、介质及电子设备 Download PDFInfo
- Publication number
- CN114301549A CN114301549A CN202111637640.XA CN202111637640A CN114301549A CN 114301549 A CN114301549 A CN 114301549A CN 202111637640 A CN202111637640 A CN 202111637640A CN 114301549 A CN114301549 A CN 114301549A
- Authority
- CN
- China
- Prior art keywords
- phase
- amplitude
- state
- group
- control circuit
- 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
-
- 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
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
- Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
Abstract
本发明提供一种幅相控制电路的幅相校准方法、系统、介质及电子设备,通过调幅‑寄生调相优化能得出在寄生调相干预下的幅度特性,快速有效地计算推理出最接近实际应用场景的调幅特性;通过调相‑寄生调幅优化能得出寄生调幅干预下的相位特性,快速计算有效地计算推理出最接近实际应用场景的调相特性;通过幅相二维优化将幅相控制电路中多个状态的幅相特性实施正则化转换,将幅相影响按一定权重比例转化为一维向量组,通过对向量组的筛选优化实现了幅度‑相位两个不同维度参数完成联合并折中的优化抽选,同时兼顾了幅度和相位两种状态的抽选,尤其适合于对调幅和移相提出同步性要求的应用场景。
Description
技术领域
本发明涉及电子通信技术领域,特别是涉及一种幅相控制电路的幅相校准方法、系统、介质及电子设备。
背景技术
幅相控制电路是一种主要用于电子对抗雷达、数字移动通信、微波毫米波通信等电子通信系统中的关键元器件,其功能是将输入信号的幅度与相位进行一定值的控制后进行输出。现代相控阵系统具有较多的通道数且工作在复杂的电磁环境中,对每个通道的幅相控制精度提出较为苛刻的要求,而幅相控制电路作为相控阵系统幅相控制的核心单元,提升幅相控制电路的幅相控制精度是未来相控阵系统发展的必然趋势。
但是,现有技术中提高幅相控制电路的幅相控制精度多是从电路结构本身或者信号本身角度出发,对应的结构或者过程较为繁琐,幅相控制精度的提升有限,且效率不高。
因此,目前亟需找到一种快速高效的幅相校准优化技术方案。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种幅相控制电路的幅相校准技术方案,用于快速高效地实现幅相控制电路的幅相校准优化。
为实现上述目的及其他相关目的,本发明提供的技术方案如下。
一种幅相控制电路的幅相校准方法,包括:
获取所述幅相控制电路的N1个实测衰减状态组和M1个理论衰减状态组,通过循环迭代比较,从N1个所述实测衰减状态组中,找到与每个所述理论衰减状态组的误差最小的一个所述实测衰减状态组,实现所述幅相控制电路的调幅优化;
获取所述幅相控制电路的N2个实测移相状态组和M2个理论移相状态组,通过循环迭代比较,从N2个所述实测移相状态组中,找到与每个所述理论移相状态组的误差最小的一个所述实测移相状态组,实现所述幅相控制电路的调相优化;
其中,N1、N2、M1、M2为大于等于2的正整数,且N1大于等于M1,N2大于等于M2。
可选地,所述幅相控制电路的幅相校准方法还包括:
获取所述幅相控制电路的N3个实测衰减状态组和N3个实测移相状态组,结合N3个所述实测衰减状态组和N3个所述实测移相状态组实施正则化操作,得到实测幅相状态向量组,所述实测幅相状态向量组包括N3个实测幅相状态组;
获取所述幅相控制电路的M3个理论衰减状态组和M3个理论移相状态组,结合M3个所述理论衰减状态组和M3个所述理论移相状态组实施正则化操作,得到理论幅相状态向量组,所述理论幅相状态向量组包括N3个理论幅相状态组;
通过循环迭代比较,从N3个所述实测幅相状态组中,找到与每个所述理论幅相状态组的误差最小的一个所述实测幅相状态组,得到幅相优化状态向量组;
按照索引和反正则化的方式,将所述幅相优化状态向量组转换为实测衰减状态组和实测移相状态组,实现所述幅相控制电路的幅相二维优化;
其中,N3、M3为大于等于2的正整数,且N3大于等于M3。
可选地,当所述幅相控制电路的寄生调相参数对所述实测衰减状态组的相对影响值大于第一阈值时,将所述寄生调相参数按预设权重带入所述理论衰减状态组,确定对应状态结果的上下门限,通过循环迭代的方式,从N1个所述实测衰减状态组中筛选出满足所述上下门限范围的所有所述实测衰减状态组;再从满足所述上下门限范围的所有所述实测衰减状态组中,通过循环迭代比较,找到与所述理论衰减状态组的误差最小的一个所述实测衰减状态组,实现所述幅相控制电路的调幅优化。
可选地,当所述幅相控制电路的寄生调幅参数对所述实测移相状态组的相对影响值大于第二阈值时,将所述寄生调幅参数按预设权重带入所述理论移相状态组,确定对应状态结果的上下门限,通过循环迭代的方式,从N2个所述实测移相状态组中筛选出满足所述上下门限范围的所有所述实测移相状态组;再从满足所述上下门限范围的所有所述实测移相状态组中,通过循环迭代比较,找到与所述理论移相状态组的误差最小的一个所述实测移相状态组,实现所述幅相控制电路的调幅优化。
可选地,实施正则化操作的步骤包括:
分别计算出每个幅相状态下的调幅步进值和调相步进值;
针对每个所述幅相状态,将对应的调幅状态数组除以对应的调幅步进值,将对应的调相状态数组除以对应的调幅步进值,得到调幅正则值数组和调相正则值数组;
针对每个所述幅相状态,基于所述调幅正则值数组和所述调相正则值数组,进行正则化操作
其中,Reg_Array为幅相二维正则值数组,Att_Reg_Array为所述调幅正则值数组,Ps_Reg_Array为所述调相正则值数组,i为所述幅相控制电路的一个所述幅相状态,i的取值为1~N3。
可选地,所述幅相控制电路的幅相校准方法还包括:
在每个所述幅相状态下,针对L个所述幅相控制电路,获取每个所述幅相控制电路在调幅优化后的所述实测衰减状态组,基于深度学习,从L个所述实测衰减状态组中筛选出一个所述实测衰减状态组,实现L个所述幅相控制电路的总体调幅优化;
在每个所述幅相状态下,针对L个所述幅相控制电路,获取每个所述幅相控制电路在调相优化后的所述实测移相状态组,基于深度学习,从L个所述实测移相状态组中筛选出一个所述实测移相状态组,实现L个所述幅相控制电路的总体调相优化;
在每个所述幅相状态下,针对L个所述幅相控制电路,获取每个所述幅相控制电路在幅相二维优化后的所述幅相优化状态向量组,基于深度学习,从L个所述幅相优化状态向量组中筛选出一个所述幅相优化状态向量组,实现L个所述幅相控制电路的总体幅相二维优化;
其中,L个为大于等于2的整数。
一种幅相控制电路的幅相校准系统,包括:
数据采集单元,用于获取所述幅相控制电路的实测衰减状态组、理论衰减状态组、实测移相状态组和理论移相状态组;
比较单元,用于比较所述实测衰减状态组与所述理论衰减状态组,用于比较所述实测移相状态组与所述理论移相状态组,还用于比较实测幅相状态向量组与理论幅相状态向量组;
偏置调节单元,用于根据寄生调相参数偏置调节所述理论衰减状态组的上下门限,还用于根据寄生调幅参数偏置调节所述理论移相状态组的上下门限;
深度学习单元,在每个所述幅相状态下,用于从多个所述实测衰减状态组中筛选出一个所述实测衰减状态组,用于从多个所述实测移相状态组中筛选出一个所述实测移相状态组,还用于从多个幅相优化状态向量组中筛选出一个所述幅相优化状态向量组;
输出单元,用于输出幅相校准优化结果。
可选地,所述幅相控制电路的幅相校准系统还包括:
正则单元,用于结合所述实测衰减状态组和所述实测移相状态组实施正则化操作,得到所述实测幅相状态向量组,还用于结合所述理论衰减状态组和所述理论移相状态组实施正则化操作,得到所述理论幅相状态向量组;
反正则单元,用于将所述幅相优化状态向量组转换为实测衰减状态组和实测移相状态组。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法。
一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的方法。
如上所述,本发明提供的幅相控制电路的幅相校准方法、系统、介质及电子设备,至少具有以下有益效果:
通过循环迭代比较,从多个实测状态组中,找到与每个理论状态组的误差最小的一个实测状态组,快速高效地实现了幅相控制电路的调幅优化与调相优化。
附图说明
图1显示为本发明中幅相控制电路的幅相校准方法的流程图。
图2显示为本发明中幅相控制电路的幅相校准方法的步骤示意图。
图3显示为图2中幅相校准方法的调幅优化流程图。
图4显示为图2中幅相校准方法的调相优化流程图。
图5显示为图2中幅相校准方法的幅相二维优化流程图。
图6显示为本发明一实施例中幅相控制电路的幅相校准系统的结构示意图。
图7显示为本发明一实施例中用户终端的硬件结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1至图7。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
如图1所示,本发明提供一种幅相控制电路的幅相校准方法,该方法包括调幅优化、调相优化和幅相二维优化三个部分,每个部分相互独立。其中,调幅(AM)优化以所选状态的理论衰减值为基准,在幅相控制电路的所有现有状态中抽取最接近每个理论衰减值得到实际状态组,必要时,引入寄生调相作为偏置(BIAS)加入统计;调相(PM)优化以所选状态的理论移相值为基准,在幅相控制电路的所有现有状态中抽取最接近每个理论移相值得到实际状态组,必要时,引入寄生调幅作为偏置(BIAS)加入统计;幅相二维优化算法以所选状态的理论衰减值和移相值为基准,一一定规则进行正则化,建立矢量坐标系,在幅相控制电路中使用同样的规则正则化实际的二维幅相状态,抽取最接近每个理论状态值的实际状态组,完成幅相二维校准优化。
详细地,如图2所示,调幅优化的步骤S1包括:
获取幅相控制电路的N1个实测衰减状态组和M1个理论衰减状态组,通过循环迭代比较,从N1个实测衰减状态组中,找到与每个理论衰减状态组的误差最小的一个实测衰减状态组,实现幅相控制电路的调幅优化,其中,N1、M1为大于等于2的正整数,且N1大于等于M1。
更详细地,如图3所示,调幅优化旨在筛选抽取出幅相控制电路中所有状态中最接近每个理论衰减值的实测状态组。该优化要求实测衰减状态组元素个数N1大于等于理论衰减状态组元素个数M1,通过循环迭代比较的方式,在N1个实测衰减状态组构成的实测状态池里面抽取距离第k个理论衰减状态的误差(RMS值)最小的一组实测衰减状态组数据i,记为调幅STAi-REFk-AM,同时,从实测状态池删除已选择的实测衰减状态组数据i,准备下一个理论衰减状态组的误差调幅优化。最终,在所有N1个实测衰减状态组里抽选出M1个最接近理论衰减状态组的组合即完成单个幅相控制电路的调幅优化。
更详细地,如图3所示,在调幅优化过程中,当幅相控制电路的寄生调相参数对实测衰减状态组(或者实测状态的衰减指标)的相对影响值大于第一阈值(如6%)时,那么该调幅优化过程须加入寄生调相参数作为偏置参与算法统计,具体地:将寄生调相参数按预设权重带入理论衰减状态组,确定对应状态结果的上下门限,通过循环迭代(第一次循环迭代)的方式,从N1个实测衰减状态组中筛选出满足上下门限范围的所有实测衰减状态组;再从满足上下门限范围的所有实测衰减状态组中,通过循环迭代比较(第二次循环迭代),找到与理论衰减状态组的误差最小的一个实测衰减状态组,记为调幅STAi-REFk-AM,最终迭代M1次,得到调幅优化算法的最终结果。
更详细地,如图3所示,如果需要进行调幅优化的幅相控制电路数量巨大,或芯片间状态离散型较大,可以基于深度学习进行回归训练,在每个幅相状态下,针对L个幅相控制电路,获取每个幅相控制电路在调幅优化后的实测衰减状态组,基于深度学习,从L个实测衰减状态组中筛选出一个实测衰减状态组,实现L个幅相控制电路的总体调幅优化,L为大于等于2的整数。筛选出实际的调幅状态组可能不是多个芯片中某一芯片的实际筛选状态值,但符合所有芯片的总体最优化要求。
其中,深度学习可以是基于神经网络(NNs)的深度学习,引入机器学习训练来计算每个幅相控制电路筛选出的实测衰减状态值和理论衰减状态值的交叉熵(CrossEntropy),机器训练的激活函数可以选择Tanh函数或Sigmoid函数,通过线性或非线性回归的方式得出训练结果,再将结果(权重比)映射到每个参考理论值上,筛选出实际的调幅状态组。
详细地,如图2所示,调相优化的步骤S2包括:
获取幅相控制电路的N2个实测移相状态组和M2个理论移相状态组,通过循环迭代比较,从N2个实测移相状态组中,找到与每个理论移相状态组的误差最小的一个实测移相状态组,实现幅相控制电路的调相优化,其中,N2、M2为大于等于2的正整数,且N2大于等于M2。
更详细地,如图4所示,调相优化旨在筛选抽取出幅相控制电路中所有状态中最接近每个理论移相值的实测状态组。该优化要求实测移相状态组元素个数N2大于等于理论移相状态组元素个数M2,通过循环迭代比较的方式,在N2个实测移相状态组构成的实测状态池里面抽取距离第k个理论移相状态的误差(RMS值)最小的一组实测移相状态组数据i,记为调相STAi-REFk-PM,同时,从实测状态池删除已选择的实测移相状态组数据i,准备下一个理论移相状态组的误差调相优化。最终,在所有N2个实测移相状态组里抽选出M2个最接近理论移相状态组的组合即完成单个幅相控制电路的调相优化。
更详细地,如图4所示,在调相优化过程中,当幅相控制电路的寄生调幅参数对实测移相状态组(或者实测状态的衰减指标)的相对影响值大于第二阈值(如6%)时,那么该调相优化过程同样地须加入寄生调幅参数作为偏置参与算法统计,具体地:将寄生调幅参数按预设权重带入理论移相状态组,确定对应状态结果的上下门限,通过循环迭代(第一次循环迭代)的方式,从N2个实测移相状态组中筛选出满足上下门限范围的所有实测移相状态组;再从满足上下门限范围的所有实测移相状态组中,通过循环迭代比较(第二次循环迭代),找到与理论移相状态组的误差最小的一个实测移相状态组,记为调幅STAi-REFk-PM,最终迭代M2次,得到调相优化算法的最终结果。
更详细地,如图4所示,如果需要进行调相优化的幅相控制电路数量巨大,或芯片间状态离散型较大,可以基于深度学习进行回归训练,在每个幅相状态下,针对L个幅相控制电路,获取每个幅相控制电路在调相优化后的实测移相状态组,基于深度学习,从L个实测移相状态组中筛选出一个实测移相状态组,实现L个幅相控制电路的总体调相优化。同样地,筛选出实际的调相状态组可能不是多个芯片中某一芯片的实际筛选状态值,但符合所有芯片的总体最优化要求。
其中,深度学习可以是基于神经网络(NNs)的深度学习,在此不再赘述。
详细地,如图5所示,在调幅优化与调相优化的基础上,所述幅相控制电路的幅相校准方法还包括幅相二维优化步骤S3:
S31、获取幅相控制电路的N3个实测衰减状态组和N3个实测移相状态组,结合N3个实测衰减状态组和N3个实测移相状态组实施正则化操作,得到实测幅相状态向量组,实测幅相状态向量组包括N3个实测幅相状态组;
S32、获取幅相控制电路的M3个理论衰减状态组和M3个理论移相状态组,结合M3个理论衰减状态组和M3个理论移相状态组实施正则化操作,得到理论幅相状态向量组,理论幅相状态向量组包括N3个理论幅相状态组;
S33、通过循环迭代比较,从N3个实测幅相状态组中,找到与每个理论幅相状态组的误差最小的一个实测幅相状态组,得到幅相优化状态向量组;
S34、按照索引和反正则化的方式,将幅相优化状态向量组转换为实测衰减状态组和实测移相状态组,实现幅相控制电路的幅相二维优化;
其中,N3、M3为大于等于2的正整数,且N3大于等于M3。
更详细地,如图5所示,幅相二维优化需要将衰减和移相值按照类似极坐标的方式实施正则化操作。
具体地,步骤S31和S32中的正则化操作步骤包括:
Stp1、分别计算出每个幅相状态下的调幅步进值和调相步进值,记为AttSETP和PsSETP;
Stp2、针对每个幅相状态,将对应的调幅状态数组除以对应的调幅步进值,将对应的调相状态数组除以对应的调幅步进值,得到调幅正则值数组和调相正则值数组;
Stp3、针对每个幅相状态,基于调幅正则值数组和调相正则值数组,进行正则化操作
其中,Reg_Array为幅相二维正则值数组,Att_Reg_Array为调幅正则值数组,Ps_Reg_Array为调相正则值数组,i为幅相控制电路的一个幅相状态,i的取值为1~N3。
更详细地,如图5所示,在步骤S31~S32中,通过正则化操作,得到实测幅相状态向量组与理论幅相状态向量组,再通过步骤S33的循环迭代比较,筛选出最优的幅相优化状态向量组,最后,在步骤S34中,按照索引和反正则化的方式,将幅相优化状态向量组转换为实测衰减状态组和实测移相状态组(一维向量向二维向量转换),实现幅相控制电路的幅相二维优化。
更详细地,如图5所示,在幅相二维优化步骤S3中,当幅相二维数据庞大,离散性较大或芯片数量巨大时,可以基于深度学习进行回归训练,在每个幅相状态下,针对L个幅相控制电路,获取每个幅相控制电路在幅相二维优化后的幅相优化状态向量组,基于深度学习,从L个幅相优化状态向量组中筛选出一个幅相优化状态向量组,实现L个幅相控制电路的总体幅相二维优化。
同样地,该深度学习可以是神经网络模型,通过机器学习的方式训练计算出幅相二维数组与理论值的交叉熵,进而得出符合所有芯片的总体最优化要求的幅相二维优化状态组。
其中,神经网络(Neural Network)算法是一种人工智能的有监督深度学习算法(目前已可应用于无监督学习领域),也是该系统能够实现智能身份识别的关键因素。该算法是一种专门用来处理具有类似网络结构的神经网络,例如时间序列数据和图像数据(可以看做是二维的像素网格)。神经网络在诸多领域都表现优异,本发明可以利用该算法通过梯度下降反向校准预估误差优势,自我校准预估误差,训练出阈值范围内的结果。
神经网络为识别二维形状而特殊设计一个多层感知器,其具体结构可参见现有技术,这种网络结构对平移、比例缩放、倾斜或者其他形式的变形具有高度不变形,该性能可以克服偶然因素造成的特征提取偏差。该性能是网络在有监督方式下学会的,网络的结构具有稀疏连接和权值共享特性,包括特征提取、特征映射、子抽样等约束。神经网络的权值共享技术极大的减少了需要学习的自变量个数(BP算法需要全部学习),通过控制模型的规模(隐含层数和滤波算法个数),共享后的权值可以经过权值滤波器过滤掉输入关系微小的特征信息,实现特征信息提取自动化的功能。本发明可通过调节隐含层,达到实现不同精度的可控特征提取功能,自动化选择性特征提取方式使参数状态的筛选具有AI特性。
同时,基于上述幅相控制电路的幅相校准方法的设计思路,本发明还提供一种幅相控制电路的幅相校准系统,用于执行前述方法实施例中所述的幅相控制电路的幅相校准方法,由于系统实施例的技术原理与前述方法实施例的技术原理相似,因而不再对同样的技术细节做重复性赘述。
如图6所示,在本发明的一可选实施例中,幅相控制电路的幅相校准系统包括:
数据采集单元11,用于获取幅相控制电路的实测衰减状态组、理论衰减状态组、实测移相状态组和理论移相状态组;
比较单元12,用于比较实测衰减状态组与理论衰减状态组,用于比较实测移相状态组与理论移相状态组,还用于比较实测幅相状态向量组与理论幅相状态向量组;
偏置调节单元13,用于根据寄生调相参数偏置调节理论衰减状态组的上下门限,还用于根据寄生调幅参数偏置调节理论移相状态组的上下门限;
深度学习单元14,在每个幅相状态下,用于从多个实测衰减状态组中筛选出一个实测衰减状态组,用于从多个实测移相状态组中筛选出一个实测移相状态组,还用于从多个幅相优化状态向量组中筛选出一个幅相优化状态向量组;
输出单元15,用于输出幅相校准优化结果。
其中,前述方法实施例介绍的调幅优化步骤S1、调相优化步骤S2及幅相二维优化步骤S3为三个并行的过程,调幅优化步骤S1、调相优化步骤S2均同时用到了数据采集单元11、比较单元12、偏置调节单元13、深度学习单元14以及输出单元15,幅相二维优化步骤S3同时用到了数据采集单元11、比较单元12、深度学习单元14以及输出单元15。
进一步地,在本发明的一可选实施例中,如图6所示,所述幅相控制电路的幅相校准系统还包括:
正则单元16,用于结合实测衰减状态组和实测移相状态组实施正则化操作,得到实测幅相状态向量组,还用于结合理论衰减状态组和理论移相状态组实施正则化操作,得到理论幅相状态向量组;
反正则单元17,用于将幅相优化状态向量组转换为实测衰减状态组和实测移相状态组。
其中,正则单元16和反正则单元17主要用于前述方法实施例介绍的幅相二维优化步骤S3中,在此不再赘述。
基于前述实施例相同的发明构思,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本实施例中任一项所述的图数据库的增量更新方法。
其中,计算机可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
基于前述实施例相同的发明构思,本发明还提供了一种电子设备,该电子设备包括:处理器及存储器;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使电子设备执行本实施例中任一项所述的图数据库的增量更新方法。
在实际应用中,该电子设备可以作为用户终端,也可以作为服务器,用户终端的例子可以包括:智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准语音层面3,Moving Picture Experts Group Audio Layer III)播放器、MP4(动态影像专家压缩标准语音层面4,Moving Picture Experts Group Audio Layer IV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等,本申请实施例对于具体的设备不加以限制。
图7为本发明一可选实施例提供的用户终端的硬件结构示意图。如图7所示,该用户终端可以包括:输入设备200、处理器201、输出设备202、存储器203和至少一个通信总线204。通信总线204用于实现元件之间的通信连接。存储器203可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,存储器203中可以存储各种程序,用于完成各种处理功能以及实现本实施例的方法步骤。
可选的,处理器201例如可以为中央处理器(Central Processing Unit,简称CPU)、应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,处理器201通过有线或无线连接耦合到输入设备200和输出设备202。
可选的,输入设备200可以包括多种输入设备,例如可以包括面向用户的用户接口、面向设备的设备接口、软件的可编程接口、摄像头、传感器中至少一种。可选的,该面向设备的设备接口可以是用于设备与设备之间进行数据传输的有线接口、还可以是用于设备与设备之间进行数据传输的硬件插入接口(例如USB接口、串口等);可选的,该面向用户的用户接口例如可以是面向用户的控制按键、用于接收语音输入的语音输入设备以及用户接收用户触摸输入的触摸感知设备(例如具有触摸感应功能的触摸屏、触控板等);可选的,上述软件的可编程接口例如可以是供用户编辑或者修改程序的入口,例如芯片的输入引脚接口或者输入接口等;输出设备202可以包括显示器、音响等输出设备。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
综上所述,在本发明所提供的幅相控制电路的幅相校准方法、系统、介质及电子设备中,通过调幅-寄生调相优化能得出在寄生调相干预下的幅度特性,快速有效地计算推理出最接近实际应用场景的调幅特性;通过调相-寄生调幅优化能得出寄生调幅干预下的相位特性,快速计算有效地计算推理出最接近实际应用场景的调相特性;通过幅相二维优化将幅相控制电路中多个状态的幅相特性实施正则化转换,将幅相影响按一定权重比例转化为一维向量组,通过对向量组的筛选优化实现了幅度-相位两个不同维度参数完成联合并折中的优化抽选,同时兼顾了幅度和相位两种状态的抽选,适合于对调幅和移相提出同步性要求的应用场景;针对多个优化结果,通过深度学习进行训练选择,为满足多个幅相控制电路最优幅相特性选取统一一种折中状态的需求提供了可能,本发明可通过AI分析的方式以现有幅相控制电路数据为依据有效评估并筛查出未知幅相控制电路的最优化状态,为海量芯片状态的筛查提供方法依据和实施方向,通过随机梯度下降法,特别适合依据少量典型数据快速评估大量未知对象的整体特性,极大提高了筛查效率。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种幅相控制电路的幅相校准方法,其特征在于,包括:
获取所述幅相控制电路的N1个实测衰减状态组和M1个理论衰减状态组,通过循环迭代比较,从N1个所述实测衰减状态组中,找到与每个所述理论衰减状态组的误差最小的一个所述实测衰减状态组,实现所述幅相控制电路的调幅优化;
获取所述幅相控制电路的N2个实测移相状态组和M2个理论移相状态组,通过循环迭代比较,从N2个所述实测移相状态组中,找到与每个所述理论移相状态组的误差最小的一个所述实测移相状态组,实现所述幅相控制电路的调相优化;
其中,N1、N2、M1、M2为大于等于2的正整数,且N1大于等于M1,N2大于等于M2。
2.根据权利要求1所述的幅相控制电路的幅相校准方法,其特征在于,所述幅相控制电路的幅相校准方法还包括:
获取所述幅相控制电路的N3个实测衰减状态组和N3个实测移相状态组,结合N3个所述实测衰减状态组和N3个所述实测移相状态组实施正则化操作,得到实测幅相状态向量组,所述实测幅相状态向量组包括N3个实测幅相状态组;
获取所述幅相控制电路的M3个理论衰减状态组和M3个理论移相状态组,结合M3个所述理论衰减状态组和M3个所述理论移相状态组实施正则化操作,得到理论幅相状态向量组,所述理论幅相状态向量组包括N3个理论幅相状态组;
通过循环迭代比较,从N3个所述实测幅相状态组中,找到与每个所述理论幅相状态组的误差最小的一个所述实测幅相状态组,得到幅相优化状态向量组;
按照索引和反正则化的方式,将所述幅相优化状态向量组转换为实测衰减状态组和实测移相状态组,实现所述幅相控制电路的幅相二维优化;
其中,N3、M3为大于等于2的正整数,且N3大于等于M3。
3.根据权利要求1所述的幅相控制电路的幅相校准方法,其特征在于,当所述幅相控制电路的寄生调相参数对所述实测衰减状态组的相对影响值大于第一阈值时,将所述寄生调相参数按预设权重带入所述理论衰减状态组,确定对应状态结果的上下门限,通过循环迭代的方式,从N1个所述实测衰减状态组中筛选出满足所述上下门限范围的所有所述实测衰减状态组;再从满足所述上下门限范围的所有所述实测衰减状态组中,通过循环迭代比较,找到与所述理论衰减状态组的误差最小的一个所述实测衰减状态组,实现所述幅相控制电路的调幅优化。
4.根据权利要求1所述的幅相控制电路的幅相校准方法,其特征在于,当所述幅相控制电路的寄生调幅参数对所述实测移相状态组的相对影响值大于第二阈值时,将所述寄生调幅参数按预设权重带入所述理论移相状态组,确定对应状态结果的上下门限,通过循环迭代的方式,从N2个所述实测移相状态组中筛选出满足所述上下门限范围的所有所述实测移相状态组;再从满足所述上下门限范围的所有所述实测移相状态组中,通过循环迭代比较,找到与所述理论移相状态组的误差最小的一个所述实测移相状态组,实现所述幅相控制电路的调幅优化。
6.根据权利要求5所述的幅相控制电路的幅相校准方法,其特征在于,所述幅相控制电路的幅相校准方法还包括:
在每个所述幅相状态下,针对L个所述幅相控制电路,获取每个所述幅相控制电路在调幅优化后的所述实测衰减状态组,基于深度学习,从L个所述实测衰减状态组中筛选出一个所述实测衰减状态组,实现L个所述幅相控制电路的总体调幅优化;
在每个所述幅相状态下,针对L个所述幅相控制电路,获取每个所述幅相控制电路在调相优化后的所述实测移相状态组,基于深度学习,从L个所述实测移相状态组中筛选出一个所述实测移相状态组,实现L个所述幅相控制电路的总体调相优化;
在每个所述幅相状态下,针对L个所述幅相控制电路,获取每个所述幅相控制电路在幅相二维优化后的所述幅相优化状态向量组,基于深度学习,从L个所述幅相优化状态向量组中筛选出一个所述幅相优化状态向量组,实现L个所述幅相控制电路的总体幅相二维优化;
其中,L个为大于等于2的整数。
7.一种幅相控制电路的幅相校准系统,其特征在于,包括:
数据采集单元,用于获取所述幅相控制电路的实测衰减状态组、理论衰减状态组、实测移相状态组和理论移相状态组;
比较单元,用于比较所述实测衰减状态组与所述理论衰减状态组,用于比较所述实测移相状态组与所述理论移相状态组,还用于比较实测幅相状态向量组与理论幅相状态向量组;
偏置调节单元,用于根据寄生调相参数偏置调节所述理论衰减状态组的上下门限,还用于根据寄生调幅参数偏置调节所述理论移相状态组的上下门限;
深度学习单元,在每个所述幅相状态下,用于从多个所述实测衰减状态组中筛选出一个所述实测衰减状态组,用于从多个所述实测移相状态组中筛选出一个所述实测移相状态组,还用于从多个幅相优化状态向量组中筛选出一个所述幅相优化状态向量组;
输出单元,用于输出幅相校准优化结果。
8.根据权利要求7所述的幅相控制电路的幅相校准系统,其特征在于,所述幅相控制电路的幅相校准系统还包括:
正则单元,用于结合所述实测衰减状态组和所述实测移相状态组实施正则化操作,得到所述实测幅相状态向量组,还用于结合所述理论衰减状态组和所述理论移相状态组实施正则化操作,得到所述理论幅相状态向量组;
反正则单元,用于将所述幅相优化状态向量组转换为实测衰减状态组和实测移相状态组。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。
10.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111637640.XA CN114301549B (zh) | 2021-12-29 | 2021-12-29 | 幅相控制电路的幅相校准方法、系统、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111637640.XA CN114301549B (zh) | 2021-12-29 | 2021-12-29 | 幅相控制电路的幅相校准方法、系统、介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114301549A true CN114301549A (zh) | 2022-04-08 |
CN114301549B CN114301549B (zh) | 2023-08-04 |
Family
ID=80971582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111637640.XA Active CN114301549B (zh) | 2021-12-29 | 2021-12-29 | 幅相控制电路的幅相校准方法、系统、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114301549B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172163A (zh) * | 2023-08-15 | 2023-12-05 | 重庆西南集成电路设计有限责任公司 | 幅相控制电路的幅相二维优化方法、系统、介质及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109150325A (zh) * | 2018-07-26 | 2019-01-04 | 中国电子科技集团公司第二十九研究所 | 一种相控阵天线中场校准方法 |
CN109547382A (zh) * | 2017-09-22 | 2019-03-29 | 刘伟 | 幅相控制电路及多通道幅相控制矩阵 |
US20200382226A1 (en) * | 2018-11-20 | 2020-12-03 | Chengdu Sicore Semiconductor Corp. Ltd. | Method for channel parameters consistency calibration in multi-channel phased array systems |
US20210143920A1 (en) * | 2019-11-08 | 2021-05-13 | Verisilicon Microelectronics (Shanghai) Co., Ltd. | Automatic mismatch calibration circuit and method, and radio frequency receiver system |
-
2021
- 2021-12-29 CN CN202111637640.XA patent/CN114301549B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109547382A (zh) * | 2017-09-22 | 2019-03-29 | 刘伟 | 幅相控制电路及多通道幅相控制矩阵 |
CN109150325A (zh) * | 2018-07-26 | 2019-01-04 | 中国电子科技集团公司第二十九研究所 | 一种相控阵天线中场校准方法 |
US20200382226A1 (en) * | 2018-11-20 | 2020-12-03 | Chengdu Sicore Semiconductor Corp. Ltd. | Method for channel parameters consistency calibration in multi-channel phased array systems |
US20210143920A1 (en) * | 2019-11-08 | 2021-05-13 | Verisilicon Microelectronics (Shanghai) Co., Ltd. | Automatic mismatch calibration circuit and method, and radio frequency receiver system |
Non-Patent Citations (1)
Title |
---|
陈少林等: "一种相控阵接收通道的幅相校准方法", 数字通信世界, no. 8, pages 93 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172163A (zh) * | 2023-08-15 | 2023-12-05 | 重庆西南集成电路设计有限责任公司 | 幅相控制电路的幅相二维优化方法、系统、介质及电子设备 |
CN117172163B (zh) * | 2023-08-15 | 2024-04-12 | 重庆西南集成电路设计有限责任公司 | 幅相控制电路的幅相二维优化方法、系统、介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114301549B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263909A (zh) | 图像识别方法及装置 | |
US8204714B2 (en) | Method and computer program product for finding statistical bounds, corresponding parameter corners, and a probability density function of a performance target for a circuit | |
Sun et al. | Non-fragile dissipative state estimation for semi-Markov jump inertial neural networks with reaction-diffusion | |
CN114301549B (zh) | 幅相控制电路的幅相校准方法、系统、介质及电子设备 | |
CN108182316B (zh) | 一种基于人工智能的电磁仿真方法及其电磁大脑 | |
CN112435193A (zh) | 一种点云数据去噪的方法、装置、存储介质和电子设备 | |
US20220165091A1 (en) | Face search method and apparatus | |
CN110429921A (zh) | 一种变步长lms自适应滤波方法及其存储介质 | |
Wang et al. | Global aligned structured sparsity learning for efficient image super-resolution | |
CN110830939B (zh) | 基于改进的cpn-wlan指纹定位数据库的定位方法 | |
CN112560960A (zh) | 一种高光谱图像分类方法、装置以及计算设备 | |
CN115940202A (zh) | 基于人工智能的多逆变器功率分配控制方法、装置及设备 | |
CN114237187A (zh) | 一种工业过程的约束学习先进控制方法 | |
CN117172163B (zh) | 幅相控制电路的幅相二维优化方法、系统、介质及电子设备 | |
CN110532836B (zh) | 核电站信号识别方法、装置、计算机设备及存储介质 | |
Tammana et al. | An Exploration on Competent Video Processing Architectures | |
Yan et al. | Particle filter based on one‐step smoothing with adaptive iteration | |
CN114423025A (zh) | 一种场景识别方法、装置、设备以及存储介质 | |
CN107728480B (zh) | 非线性系统控制方法及装置 | |
CN114116456A (zh) | 测试用例生成方法、系统及计算机可读存储介质 | |
CN113642593A (zh) | 影像处理方法与影像处理系统 | |
CN117649568B (zh) | 一种用于图像分类卷积神经网络的网络压缩方法及装置 | |
Mousa et al. | Identification the modulation type in cognitive radio network based on Alexnet architecture | |
Frieden | Image restoration using a norm of maximum information | |
Tao et al. | Distributed filtering for a class of periodic non‐linear systems with jumping uncertainties and unreliable channels |
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 |