CN115378518B - 基于深度学习的射频通信设备空间辐射测试系统及方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的射频通信设备空间辐射测试方法，该方法包括：获取被测设备在空间有限个测试点的实际辐射性能参数；基于实际辐射性能参数进行最小化的均方误差训练生成全连接深度神经网络模型；根据全连接深度神经网络模型推算被测设备在空间各方向的辐射性能参数。根据本发明提供的方法和系统能够充分利用射频通信设备测试系统中各个测试点所获取的真实数据，推断出未测试点的空间辐射性能，由此能够在保证射频辐射测试系统精度的条件下，大幅减少系统所需的测试点数目。

Description

基于深度学习的射频通信设备空间辐射测试系统及方法

技术领域

本发明涉及无线通信技术领域，尤其涉及一种基于深度学习的射频通信设备空间辐射测试系统及方法。

背景技术

射频发射机与接收机的空间辐射性能是无线通信设备的关键指标，主要由射频前端系统包括天线整体性能决定。国际标准组织CTIA与3GPP等规范要求在特定的微波暗室中测试射频通信系统在三维空间各个方向的发射的辐射功率与接收灵敏度。然而，传统的射频辐射(OTA，Over-the-Air)测试系统受到微波暗室尺寸大小、天线探头数量、转台旋转精度等物理条件及测试时间限制，其空间分辨力始终受限。

实际应用中，常常需要更高的空间分辨力来评估射频通信设备及天线系统在空间各个方向的辐射性能，用于预测无线通信设备在三维空间上的信号覆盖与接收能力。在对辐射功率和接收灵敏度的每个测试点所需的测试时间成本较高，尤其针对接收灵敏度测试，需在测试点上不断调整探头的发射功率以穷搜该点被测设备的接收灵敏度，导致实际测试系统很难支撑高密集度的测试点。此外，传统测试方法只能获取测试点上被测设备的辐射性能，缺乏有效准确的模型推断被测设备在未测试点上的辐射性能，通常会引入较大的推断误差。因此，传统的测试方法无论在系统复杂度、测试精度，还是在测试时间成本方面上均受到了较高的制约，亟需探寻新的测试方法以解决上述瓶颈问题。

发明内容

本发明所要解决的技术问题在于，提供一种基于深度学习的射频通信设备空间辐射测试系统及方法，能够充分利用射频辐射测试系统中有限个测试点所获取的真实数据，准确推断出未在任意方向上的空间辐射性能，由此能够在保证射频空间辐射测试系统精度的条件下，大幅减少系统所需的测试点数目。

为了解决上述技术问题，本发明第一方面公开了一种基于深度学习的射频通信设备空间辐射测试方法，其特征在于，所述方法包括：获取被测设备在有限个测试点的实际辐射性能参数；基于所述实际辐射性能参数进行最小化的均方误差训练生成全连接深度神经网络模型；根据所述全连接深度神经网络模型推算被测设备在空间各方向的辐射性能参数。

在一些实施方式中，所述获取被测设备在有限个测试点的实际辐射性能参数包括：将被测设备放置于高精度转台和控制器，通过所述高精度转台和控制器对放置的被测设备在水平面上进行全方位的高精度转向；通过环形均匀分布在所述微波暗室的天线探头测量所述被测设备在空间各个方向上的实际辐射性能参数。

在一些实施方式中，辐射性能参数包括辐射功率参数和接收灵敏度参数，所述全连接深度神经网络模型实现为：将有限个测试点的实际辐射功率参数和实际接收灵敏度参数作为训练样本分别代入到下式的随机梯度下降算法公式：

其中，FCDNN_α(.Φ_α)表示全连接深度神经网络模型，Φ_α为其参数，下标α用以区分针对辐射功率参数的模型或针对接收灵敏度参数的模型，E[.]表示针对于随机变量x的数学期望，X表示所有测试点的集合，|X|表示所有测试点的数量,y_α(x)表示被测设备在三维球面上任意一点的辐射性能参数，

表示全连接深度神经网络推算出被测设备在x点上的辐射性能参数，p表示测试时天线探头的极化方式,θ_r表示球坐标系的仰角,

表示球坐标系的方位角。

在一些实施方式中，所述方法还包括：基于预置的精度门限值动态评估判断全连接深度神经网络模型是否需要再次采集训练样本；若所述全连接深度神经网络模型的验证集中的均方误差小于所述预置的精度门限值，则所述全连接深度神经网络模型需要再次采集训练样本。

在一些实施方式中，所述方法还包括：对被测设备在有限个测试点的实际辐射性能参数进行归一化处理；基于经过归一化处理的实际辐射性能参数进行最小化的全连接深度神经的均方误差训练生成的全连接深度神经网络模型。

根据本发明的第二个方面，提供了一种基于深度学习的射频通信设备空间辐射测试系统，其特征在于，所述系统包括：包括多探头微波暗室、无线通信测试仪器、信道模拟器等设备等的射频辐射测试系统，用于获取被测设备在有限个测试点的实际辐射性能参数；

基于所述实际辐射性能参数进行最小化的均方误差训练生成全连接深度神经网络模型；预测模块，用于基于所述全连接深度神经网络模型推算被测设备在空间各方向的辐射性能参数。

在一些实施方式中，所述多探头微波暗室包括：高精度转台和控制器，用于对放置的被测设备在水平面上进行全方位的高精度转向；微波暗室；环形均匀分布在所述微波暗室的天线探头，用于测量所述被测设备在空间各个方向上的实际辐射性能参数；用于切换天线探头的射频开关箱；用于测量被测设备在指定方向上射频辐射性能的无线通信测试仪器。

在一些实施方式中，辐射性能参数包括辐射功率参数和接收灵敏度参数，所述全连接深度神经网络模型实现为：将有限个测试点的实际辐射功率参数和实际接收灵敏度参数作为训练样本分别代入到下式的随机梯度下降算法公式：

其中，FCDNN_α(.Φ_α)表示全连接深度神经网络模型，Φ_α为其参数，下标α用以区分针对辐射功率参数的模型或针对接收灵敏度参数的模型，E[.]表示针对于随机变量x的数学期望，X表示所有测试点的集合，|X|表示所有测试点的数量,y_α(x)表示被测设备在三维球面上任意一点的辐射性能参数，

表示全连接深度神经网络推算出被测设备在x点上的辐射性能参数，p表示测试时天线探头的极化方式,θ_r表示球坐标系的仰角,

表示球坐标系的方位角。

在一些实施方式中，所述系统还包括：动态检验模型，基于预置的精度门限值动态评估判断全连接深度神经网络模型是否需要再次采集训练样本；若所述全连接深度神经网络模型的验证集中的均方误差小于所述预置的精度门限值，则所述全连接深度神经网络模型需要再次采集训练样本。

在一些实施方式中，所述系统还包括：归一化模块，用于对被测设备在有限个测试点的实际辐射性能参数进行归一化处理；基于经过归一化处理的实际辐射性能参数进行最小化的全连接深度神经的均方误差训练生成的全连接深度神经网络模型。

与现有技术相比，本发明的有益效果在于：

实施本发明能够通过自主研制的多探头微波暗室辅助获取精准的被测设备的辐射特性参数数据，并引入深度学习方法，利用三维空间有限测量数据训练一个全连接深度神经网络(FCDNN)模型，从而估计被测射频通信系统在三维空间各个方向上的辐射性能。为了权衡训练FCDNN模型所需的测试点数量与模型预测结果的准确度，进一步提出了动态检验模型准确度,通过预置的精度门限值逐步提升训练测试点数量，直到模型精度达到预设要求的解决办法。在实验结果表明，相比于传统测试系统，本发明所提出的基于深度学习的测试系统只需约60％的测试点，就能精准重构被测射频通信设备的空间辐射性能，验证了本发明的准确性与高效性。并且，本发明所以出的系统与现有的系统相比，还能够推断是空间中任意点的辐射性能参数，而非局限于测试点上。

而且，所提出的系统不仅能大幅降低测试点数量及系统硬件复杂度，更能准确构建出三维空间任意方向角度的辐射性能预测模型，为行业提供了一种高效精确却低成本的空间辐射测试技术解决方案。

附图说明

图1为本发明实施例公开的一种基于深度学习的射频通信设备空间辐射测试的系统示意图；

图2为本发明实施例公开的一种基于深度学习的射频通信设备空间辐射测试系统的多探头微波暗室系统示意图；

图3为本发明实施例公开的一种三维空间方向与单位半径的球坐标系示意图；

图4为本发明实施例公开的一种基于深度学习的射频通信设备空间辐射测试系统的神经网络模型训练流程示意图；

图5为本发明实施例公开的一种基于深度学习的射频通信设备空间辐射测试系统的被测设备所测量的30度采样间隔下的EIRP、EIS性能示意图；

图6为本发明实施例公开的一种基于深度学习的射频通信设备空间辐射测试系统的被测设备所测量的15度采样间隔下的EIRP、EIS性能示意图；

图7为本发明实施例公开的一种基于深度学习的射频通信设备空间辐射测试系统的一种训练集规模下的FCDNN模型所推断出的被测设备射频通信设备的空间辐射性能示意图；

图8为本发明实施例公开的一种基于深度学习的射频通信设备空间辐射测试系统的又一种训练集规模下的FCDNN模型所推断出的被测设备射频通信设备的空间辐射性能示意图；

图9为本发明实施例公开的一种基于深度学习的射频通信设备空间辐射测试系统的另一种训练集规模下的FCDNN模型所推断出的被测设备射频通信设备的空间辐射性能示意图；

图10为本发明实施例公开的一种基于深度学习的射频通信设备空间辐射测试方法的流程示意图。

具体实施方式

为了更好地理解和实施，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。

本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。

本发明实施例公开了一种基于深度学习的射频通信设备空间辐射测试系统及方法，通过自主研制的多探头微波暗室辅助获取精准的被测设备的辐射特性参数数据，并引入深度学习方法，利用三维空间有限测量数据训练一个全连接深度神经网络(FCDNN)模型，从而估计被测射频通信系统在三维空间各个方向上的辐射性能。为了权衡训练FCDNN模型所需的测试点数量与模型预测结果的准确度，进一步提出了动态检验模型准确度,通过预置的精度门限值逐步提升训练测试点数量，直到模型精度达到预设要求的解决办法。在实验结果表明，相比于传统测试系统，本发明所提出的基于深度学习的测试系统只需约60％的测试点，就能精准重构被测射频通信设备的空间辐射性能，验证了本发明的准确性与高效性。并且，本发明所以出的系统与现有的系统相比，还能够推断是空间中任意点的辐射性能参数，而非局限于测试点上。

而且，所提出的系统不仅能大幅降低测试点数量及系统硬件复杂度，更能准确构建出三维空间任意方向角度的辐射性能预测模型，为行业提供了一种高效精确却低成本的空间辐射测试技术解决方案。

请参阅图1，图1为本发明实施例公开的一种基于深度学习的射频通信设备空间辐射测试系统的示意图。其中，该基于深度学习的射频通信设备空间辐射测试系统可以应用在无线通信系统，对于该系统的应用本发明实施例不做限制。如图1所示，该基于深度学习的射频通信设备空间辐射测试系统可以包括：

多探头微波暗室1、全连接深度神经网络模型2和预测模块3。在现有的技术方案中，往往为了提升射频辐射OTA测试系统的空间分辨力，提出使用更大的微波暗室，及部署更多的天线探头，从而通过在三维空间上测试更多点的射频辐射数据以获得更好的射频辐射空间分辨力。然而，这些方法会占用更大的场地空间，增加测试系统的复杂度，从而大幅增加测试时间和测试成本。此外，为了降低测试时间，提出使用更少的天线探头或更大的转台旋转步长，通过减少空间上的测试点数从而节省测试时间。这类方法以牺牲射频通信系统辐射性能的空间分辨力和测量精度来加快测试速度，适用于需要快速验证设计的场景。为了减少场地空间占用，提出使用紧缩场技术在近距离上实现射频通信设备空间辐射性能的远场测量，但这类测量方法仍无法有效推断被测设备在未测试点上的射频通信设备辐射性能，会引入较高的误差。

为此，本发明采取了利用自主设计的多探头微波暗室在三维空间中获取有限的测量数据即实际辐射性能参数，训练成一个全连接深度神经网络FCDNN，从而得到被测射频通信系统在整个三维空间中各个方向上的辐射性能。

具体地，多探头微波暗室1用于获取被测设备在有限个测试点的实际辐射性能参数。该多探头微波暗室1包括：高精度转台和控制器，用于对放置的被测设备在水平面上进行全方位的高精度转向；微波暗室；环形均匀分布在所述微波暗室的天线探头，用于测量被测设备在空间各个方向上的实际辐射性能参数。如图2所示，为一种具体应用中的多探头微波暗室系统示意图，在实际使用时，该系统主要由宽带无线通信测试仪(RF communicationtest instrument)、微波暗室(Anechoic chamber)、天线探头(Probe antennas)、高精度转台和控制器(Turn table andcontroller)，以及带自动测试软件(Automatictestequipment，ATE)的个人电脑组成。其中，为了避免射频信号在空间辐射测试中的反射以及回波，在微波暗室的内部可以采纳吸波材料，从而构建出理想的测试环境。在测试时，将被测设备(Device under test，DUT)放置于转台上，并通过转台控制器使被测设备在水平面上进行全方位的高精度转向。在垂直于水平转台的平面上，通常采纳环形均匀分布的架构在暗室中部署多个天线探头，以测量被测设备在空间各个方向上的射频通信设备辐射性能即被测设备的实际辐射性能参数。这些天线探头与射频转换开关以及空间信道模拟器相连，并由宽带无线通信测试仪进行控制，从而精准的测量被测设备在空间中不同方向、以及不同无线环境下的辐射性能。最后，宽带无线通信测试仪以及转台控制器通过一台个人电脑全局管控，由自主开发的自动测试软件提供用户接口，进一步实现高效的测试途径，以及可视化数据的输出和存储。

其中，射频通信系统在微波暗室中三维空间各个方向的辐射功率是衡量其上行传输性能的关键指标。而其作为接收机时，其下行传输则可以由接收灵敏度参数作为关键指标。由此，实际辐射性能参数中包含有辐射功率参数和接收灵敏度参数。

具体地，辐射功率参数表征天线在各个方向上辐射功率的大小，其定义为在某一特定极化方式下，天线的功率与给定方向上天线绝对增益的乘积。如图3的球坐标系所示，

可表示为单位半径球坐标系中的一个点，即三维空间中一个特定方向上的测试点。其中，0≤θ_r≤π为球坐标系的仰角，可通过

选取不同的测试天线探头进行调整。

为球坐标系的方位角，可通过控制转台的角度进行调整。在实际测试中，可以令被测设备处于最大发射功率状态，调整控制转台的方向，并使天线探头分别采纳水平和垂直的极化方式，利用多个部署的探头从而衡量各个方向上被测设备的辐射功率参数的值。

在其他优先实施方式中，可使用等效全向辐射功率参数作为实际的辐射功率参数，等效全向辐射功率参数EIRP的测试给出了被测设备在空间各个方向上的辐射功率性能，而总辐射功率则反映了其整体辐射功率情况，定义为空间中各点的辐射功率参数的值在三维球面上的积分。由于实际系统所能承载的测试点数量往往受制于其硬件复杂度，如转台精度、天线探头数目等，总辐射功率通常采纳数值积分的方式进行计算。当在仰角坐标上采样N个点，即部署N个天线探头，方位角坐标上采样M个点，即水平转台可精确转向M个角度时，被测件的总辐射功率TRP可以表示为：

具体地，接收灵敏度参数的测试可以反应当发射天线探头在某一极化方式下，被测接收设备针对空间中特定方向上的灵敏度，在实际测试中，首先将被测设备放置于转台上，并调整转台角度。接下来依次激活暗室系统中的各个天线探头，分别采纳水平以及垂直的极化方式，并逐步降低或者升高天线探头的发射功率，使得被测设备的下行接收误比特率(Bit ErrorRate，BER)趋近于一个给定门限，如10％。此时被测设备的接收信号强度，即满足给定误比特率条件下所能容忍的最小接收信号强度，代表其接收灵敏度。最后，通过结合考虑不同转台方向、不同天线探头、不同天线极化方式的组合进行测试，从而确立被测设备在三维空间各个方向的接收灵敏度。

在其他优先实施方式中，可使用总全向灵敏度参数TIS作为接收灵敏度参数，可以通过对三维球面上各点接收灵敏度EIS的值积分进行计算，被测设备的总全向灵敏度参数TIS可以表示为：

可见，TIS的计算方式不同意上述的TRP，在TIS的计算中采纳了了EIS的倒数进行积分。这是由于被测设备在空间各个方向上的灵敏度往往差异较大，若不采纳倒数，灵敏度较差的测试点，即接收灵敏度EIS值较高的项，会主导该式中积分的结果，将导致积分忽略了灵敏度较优的测试点对被测设备整体灵敏度的影响。

进一步地，在获取了实际辐射性能参数后，就可以搭建全连接深度神经网络模型，具体实现为将实际辐射功率参数和实际接收灵敏度参数作为测试点分别代入到下式的随机梯度下降算法公式：

其中，FCDNN_α(.Φ_α)表示全连接深度神经网络模型，Φ_α为其参数，下标α用以区分针对辐射功率参数的模型或针对接收灵敏度参数的模型，E[.]表示针对于随机变量x的数学期望，X表示所有测试点的集合，|X|表示所有测试点的数量,y_α(x)表示被测设备在三维球面上任意一点的辐射性能参数，

表示全连接深度神经网络推算出被测设备在x点上的辐射性能参数，p表示测试时天线探头的极化方式,θ_r表示球坐标系的仰角,

表示球坐标系的方位角。

该随机梯度下降算法即SGD能够实现监督学习的方式优化该全连接深度神经网络模型的神经网络参数帮助构建全连接的神经网络模型。

进一步地，在得到了全连接的神经网络模型后，预测模块3就能够基于全连接深度神经网络模型直接推算被测设备在空间各方向的辐射性能参数，由此基于有限个测试点，就能精准重构被测射频通信设备的空间辐射性能，及准确推断出在未测试点上的测试数据，从而大幅降低了测试时间和测试成本。

作为一种其他优先实施方式中，虽然采纳越密集的测试点往往能训练出越准确的模型，但采纳过于密集的测试点通常很难有效提高模型的准确度，且将引入实际测试系统难以承载的测试次数以及时间成本。为了权衡训练FCDNN模型所需的测试点数量与模型预测结果的准确度，将进一步提出通过动态检验模型准确度,并逐步提升训练测试点数量，直到模型精度达到预设要求的解决办法，最终构建出基于深度学习的射频通信设备空间辐射测试系统。由此，该系统还包括：动态检验模型4，该动态检验模型4用于基于预置的精度门限值动态评估判断全连接深度神经网络模型是否需要再次采集训练样本。

具体地，如图4所示，所设计的射频通信设备辐射测试系统将先在三维空间上随机选取N_test个测试点进行测量并将数据{N_test,X,y_E}，并将其存储于验证池中用以后续所有的评估以及检验。接下来，将在排除验证集中测试点的条件下，额外随机选取N_train个测试点采集数据{N_train,X,y_E}，围绕上述的随机梯度下降算法公式采纳监督学习的方式优化FCDNN模型的神经网络参数。最后，将针对验证池中的样本评估训练后FCDNN模型的准确度，只有当其在验证集中的均方误差表现优于给定预置的精度门限值即容忍门限时才最终确立模型，否则将进一步采集训练数据，并重复以上训练、检验步骤。

在其他优先实施方式中，为了获得更好的训练模型，本系统还包括归一化模块(图中未示)，用于对被测设备的实际辐射性能参数进行归一化处理，基于经过归一化处理的实际辐射性能参数进行最小化的全连接深度神经的均方误差训练生成的全连接深度神经网络模型。

具体地，作为本发明的一种验证实施例，请参阅图5和图6。为了验证所提出的基于深度学习的射频通信设备空间辐射测试系统的可行性、高效性，以及准确性，接下来将以手机作为被测设备，测量其802.11n Wi-Fi射频通信设备的空间辐射性能。在以下的实验中，考虑被测设备采纳如下设置：接入信道为2.4GHz频段下的1号信道，其载波中心频率为2412MHz；系统带宽为20MHz；采用的调制与编码策略为MCS3，即物理层速率为26Mbps。

首先，基于传统射频通信设备空间辐射性能的测试方式测量被测设备的EIRP以及EIS，作为后续实验性能比对的基准。在测试点密度方面，分别考虑以30度为间隔(图5)，和以15度为间隔的两种方式(图6)，针对图3球坐标系的仰角以及方位角采样确立测试点。结合考虑天线探头水平与垂直的极化方式，两种不同测试点密度下的总测量点数分别为120个、528个。被测设备所测量的EIRP、EIS性能如图5和图6所示。可以看出被测设备在空间中不同方向上的辐射性能存在明显差异。此外，越密集的测试点所刻画出的空间辐射性能越精确，但同时所需的测试点数目也较高，将导致较高的测试时间以及系统复杂度。

接下来，通过本发明的基于深度学习的射频通信设备空间辐射测试系统法测量同一被测设备的空间辐射性能。首先，将随机采样Ntest＝60个测量点的测试数据以构成实验的验证集。在训练集方面，将分别额外随机采样140、280、420个测试点上的测量数据，构建出三种不同规模的训练集，并比较他们所训练模型的预测准确度。在模型的超参方面，针对EIRP以及EIS分别采纳了一个四层的FCDNN架构，各层的神经元数量分别为3、64、64、1，每层神经网络的激活函数均为修正线性单元(ReLu)。此外，为了获得更好的训练模型，对采集的数据进行了下式的归一化处理：

其中，a代表原始数据，

表示数据的均值，σ_a则代表数据的标准差。最后，采用SGD算法，并以0.02作为学习率(learning rate)训练各个FCDNN模型，训练的迭代次数(epoch)为15000。每个模型的训练均在十秒内完成，不会成为测试系统的瓶颈。

下表所示为不同训练样本数目所训练的FCDNN模型在测试集中的MSE误差性能比对。

训练集样本数	140	280	420
				测试集MSE	8.1035	4.4352	3.7223

随着训练样本数的增大，FCDNN模型能更准确的预测被测设备在未测量点上的空间辐射性能。此外，当训练样本数从140增加到280时，模型预测的准确度获得了大幅提升，而当训练样本数从280增加到420时，准确度只取得了小幅的增加。因此，为了减少训练模型所需的测试样本，可以采纳所提出的通过动态检验模型准确度，并逐渐提升训练样本数的方法。

图7、图8和图9所示为不同训练集规模下的三个FCDNN模型所推断出的被测设备射频通信设备的空间辐射性能。相比于图5和图6中传统测试方法在高密度测试点下的测量结果，可以看出随着训练样本数的增加，所提出的基于深度学习测试方法能够准确的刻画出被测设备的空间辐射性能。此外，当训练样本数为280时，所提出的方法得到的测量结果趋近于传统测试方法采纳528个测试点时的结果。因此，这一观测结果验证了所提基于深度学习测试方法的可行性、高效性与准确性。

进一步地，下表所示为传统测试方法与所提出的基于深度学习的测试方法针对TRP、TIS测试结果与测试点数的比对。

传统方法TRP(384个测量点)	11.28dBm
		传统方法TRP(528个测量点)	11.76dBm
所提方法TRP(340个测量点)	11.81dBm
		传统方法TIS(384个测量点)	-77.99dBm
传统方法TIS(528个测量点)	-78.45dBm
		所提方法TIS(340个测量点)	-78.57dBm

在传统测试方法中，分别针对三维球面采样了528个点以及384个点进行EIRP、EIS的测量并计算出TRP、TIS。在所提出的测试方法中，采纳构建测试集，并采纳作为系统每次采集训练样本的个数。此外，以6作为系统评估模型时的MSE门限。在实验中，所设计的系统只需采集两轮训练数据，即280个测试点上的数据，就可达到所需的测试集MSE门限要求。考虑系统需采集60个测试点上的数据作为测试集，因而所提出的基于深度学习的测试方法共需要采集340个测试点上的数据用以训练、测试。最后，当模型完成训练后，将利用训练好的模型推断出被测设备在空间各个方向上的EIRP、EIS值，并基于推断的结果计算设备的TRP、TIS。实验结果表明，相比于传统的测试方法，所提出的基于深度学习的测试方法能得到非常精准的TRP、TIS测量结果，却只需约60％的测试点，从而大幅提升了测试效率并降低了系统硬件复杂度。

请参与图10，图10为基于深度学习的射频通信设备空间辐射测试方法的流程图，该方法包括：

701、获取被测设备在有限个测试点的实际辐射性能参数。

利用自主设计的多探头微波暗室在三维空间中获取有限的测量数据即实际辐射性能参数，训练成一个全连接深度神经网络FCDNN，从而得到被测射频通信系统在整个三维空间中各个方向上的辐射性能。具体地，探头微波暗室用于获取被测设备的实际辐射性能参数。该多探头微波暗室包括：高精度转台和控制器，用于对放置的被测设备在水平面上进行全方位的高精度转向；微波暗室；环形均匀分布在所述微波暗室的天线探头，用于测量被测设备在空间各个方向上的实际辐射性能参数。

其中，射频通信系统在微波暗室中三维空间各个方向的辐射功率是衡量其上行传输性能的关键指标。而其作为接收机时，其下行传输则可以由接收灵敏度参数作为关键指标。由此，实际辐射性能参数中包含有辐射功率参数和接收灵敏度参数。

具体地，辐射功率参数表征天线在各个方向上辐射功率的大小，其定义为在某一特定极化方式下，天线的功率与给定方向上天线绝对增益的乘积。如图3的球坐标系所示，

可表示为单位半径球坐标系中的一个点，即三维空间中一个特定方向上的测试点。其中，0≤θ_r≤π为球坐标系的仰角，可通过

选取不同的测试天线探头进行调整。

为球坐标系的方位角，可通过控制转台的角度进行调整。在实际测试中，可以令被测设备处于最大发射功率状态，调整控制转台的方向，并使天线探头分别采纳水平和垂直的极化方式，利用多个部署的探头从而衡量各个方向上被测设备的辐射功率参数的值。

在其他优先实施方式中，可使用等效全向辐射功率参数作为实际的辐射功率参数，等效全向辐射功率参数EIRP的测试给出了被测设备在空间各个方向上的辐射功率性能，而总辐射功率则反映了其整体辐射功率情况，定义为空间中各点的辐射功率参数的值在三维球面上的积分。由于实际系统所能承载的测试点数量往往受制于其硬件复杂度，如转台精度、天线探头数目等，总辐射功率通常采纳数值积分的方式进行计算。当在仰角坐标上采样N个点，即部署N个天线探头，方位角坐标上采样M个点，即水平转台可精确转向M个角度时，被测件的总辐射功率TRP可以表示为：

具体地，接收灵敏度参数的测试可以反应当发射天线探头在某一极化方式下，被测接收设备针对空间中特定方向上的灵敏度，在实际测试中，首先将被测设备放置于转台上，并调整转台角度。接下来依次激活暗室系统中的各个天线探头，分别采纳水平以及垂直的极化方式，并逐步降低或者升高天线探头的发射功率，使得被测设备的下行接收误比特率(Bit ErrorRate，BER)趋近于一个给定门限，如10％。此时被测设备的接收信号强度，即满足给定误比特率条件下所能容忍的最小接收信号强度，代表其接收灵敏度。最后，通过结合考虑不同转台方向、不同天线探头、不同天线极化方式的组合进行测试，从而确立被测设备在三维空间各个方向的接收灵敏度。

在其他优先实施方式中，可使用总全向灵敏度参数TIS作为接收灵敏度参数，可以通过对三维球面上各点接收灵敏度EIS的值积分进行计算，被测设备的总全向灵敏度参数TIS可以表示为：

可见，TIS的计算方式不同意上述的TRP，在TIS的计算中采纳了了EIS的倒数进行积分。这是由于被测设备在空间各个方向上的灵敏度往往差异较大，若不采纳倒数，灵敏度较差的测试点，即接收灵敏度EIS值较高的项，会主导该式中积分的结果，将导致积分忽略了灵敏度较优的测试点对被测设备整体灵敏度的影响。

702、基于实际辐射性能参数进行最小化的均方误差训练生成全连接深度神经网络模型。

在获取了实际辐射性能参数后，就可以搭建全连接深度神经网络模型，具体实现为将实际辐射功率参数和实际接收灵敏度参数作为测试点分别代入到下式的随机梯度下降算法公式：

其中，FCDNN_α(.Φ_α)表示全连接深度神经网络模型，Φ_α为其参数，下标α用以区分针对辐射功率参数的模型或针对接收灵敏度参数的模型，E[.]表示针对于随机变量x的数学期望，X表示所有测试点的集合，|X|表示所有测试点的数量,y_α(x)表示被测设备在三维球面上任意一点的辐射性能参数，

表示全连接深度神经网络推算出被测设备在x点上的辐射性能参数，p表示测试时天线探头的极化方式,θ_r表示球坐标系的仰角,

表示球坐标系的方位角。

该随机梯度下降算法即SGD能够实现监督学习的方式优化该全连接深度神经网络模型的神经网络参数帮助构建全连接的神经网络模型。

703、根据全连接深度神经网络模型推算被测设备在空间各方向的辐射性能参数。

由此基于有限个测试点，就能精准重构被测射频通信设备的空间辐射性能，及准确推断出在未测试点上的测试数据，从而大幅降低了测试时间和测试成本。

作为一种其他优先实施方式中，虽然采纳越密集的测试点往往能训练出越准确的模型，但采纳过于密集的测试点通常很难有效提高模型的准确度，且将引入实际测试系统难以承载的测试次数以及时间成本。为了权衡训练FCDNN模型所需的测试点数量与模型预测结果的准确度，将进一步提出通过动态检验的准确度,并逐步提升训练测试点数量，直到模型精度达到预设要求的解决办法，最终构建出基于深度学习的射频通信设备空间辐射测试系统。由此，还包括筛选满足预置的精度门限值的全连接深度神经网络模型。

在其他优先实施方式中，为了获得更好的训练模型，还包括对被测设备的实际辐射性能参数进行归一化处理，基于经过归一化处理的实际辐射性能参数进行最小化的全连接深度神经的均方误差训练生成的全连接深度神经网络模型。

对于上述步骤的实现方式请参考系统部门的实现方式，在此不进行赘述。

本发明实施例公开了一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行所描述的基于深度学习的射频通信设备空间辐射测试方法。

本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行所描述的基于深度学习的射频通信设备空间辐射测试方法。

以上所描述的实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

最后应说明的是：本发明实施例公开的一种基于深度学习的射频通信设备空间辐射测试方法及系统所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (8)

1.一种基于深度学习的射频通信设备空间辐射测试方法，其特征在于，所述方法包括：

获取被测设备在有限个测试点的实际辐射性能参数；

基于所述实际辐射性能参数进行最小化的均方误差训练生成全连接深度神经网络模型；

根据所述全连接深度神经网络模型推算被测设备在空间各方向的辐射性能参数；

辐射性能参数包括辐射功率参数和接收灵敏度参数，所述全连接深度神经网络模型实现为：

将有限个测试点的实际辐射功率参数和实际接收灵敏度参数作为训练样本，并采纳随机梯度下降算法依据下式的损失函数更新神经网络参数：

其中，FCDNN_α(Φ_α)表示全连接深度神经网络模型，Φ_α为其参数，下标α用以区分针对辐射功率参数的模型或针对接收灵敏度参数的模型，E[.]表示针对于随机变量x的数学期望，X表示所有测试点的集合，|X|表示所有测试点的数量,y_α(x)表示被测设备在三维球面上任意一点的辐射性能参数，

表示全连接深度神经网络推算出被测设备在x点上的辐射性能参数，p表示测试时天线探头的极化方式,θ_r表示球坐标系的仰角,

表示球坐标系的方位角。

2.根据权利要求1所述的基于深度学习的射频通信设备空间辐射测试方法，其特征在于，所述获取被测设备在有限个测试点的实际辐射性能参数包括：

将被测设备放置于高精度转台和控制器，通过所述高精度转台和控制器对放置的被测设备在水平面上进行全方位的高精度转向；

通过环形均匀分布在微波暗室的天线探头测量所述被测设备在空间各个方向上的实际辐射性能参数。

3.根据权利要求1所述的基于深度学习的射频通信设备空间辐射测试方法，其特征在于，所述方法还包括：

基于预置的精度门限值动态评估判断全连接深度神经网络模型是否需要再次采集训练样本；

若所述全连接深度神经网络模型的验证集中的均方误差小于所述预置的精度门限值，则所述全连接深度神经网络模型需要再次采集训练样本。

4.根据权利要求1-3任一项所述的基于深度学习的射频通信设备空间辐射测试方法，其特征在于，所述方法还包括：

对被测设备在有限个测试点的实际辐射性能参数进行归一化处理；

基于经过归一化处理的实际辐射性能参数进行最小化的全连接深度神经的均方误差训练生成的全连接深度神经网络模型。

5.一种基于深度学习的射频通信设备空间辐射测试系统，其特征在于，所述系统包括：

多探头微波暗室，用于获取被测设备在有限个测试点的实际辐射性能参数；

基于所述实际辐射性能参数进行最小化的均方误差训练生成全连接深度神经网络模型；

预测模块，用于基于所述全连接深度神经网络模型推算被测设备在空间各方向的辐射性能参数；

辐射性能参数包括辐射功率参数和接收灵敏度参数，所述全连接深度神经网络模型实现为：

将有限个测试点的实际辐射功率参数和实际接收灵敏度参数作为训练样本，并采纳随机梯度下降算法依据下式的损失函数更新神经网络参数：

其中，FCDNN_α(Φ_α)表示全连接深度神经网络模型，Φ_α为其参数，下标α用以区分针对辐射功率参数的模型或针对接收灵敏度参数的模型，E[.]表示针对于随机变量x的数学期望，X表示所有测试点的集合，|X|表示所有测试点的数量,y_α(x)表示被测设备在三维球面上任意一点的辐射性能参数，

表示全连接深度神经网络推算出被测设备在x点上的辐射性能参数，p表示测试时天线探头的极化方式,θ_r表示球坐标系的仰角,

表示球坐标系的方位角。

6.根据权利要求5所述的基于深度学习的射频通信设备空间辐射测试系统，其特征在于，多探头微波暗室包括：

高精度转台和控制器，用于对放置的被测设备在水平面上进行全方位的高精度转向；

微波暗室；

环形均匀分布在所述微波暗室的天线探头，用于测量所述被测设备在空间各个方向上的实际辐射性能参数。

7.根据权利要求6所述的基于深度学习的射频通信设备空间辐射测试系统，其特征在于，所述系统还包括：

动态检验模型，基于预置的精度门限值动态评估判断全连接深度神经网络模型是否需要再次采集训练样本；

若所述全连接深度神经网络模型的验证集中的均方误差小于所述预置的精度门限值，则所述全连接深度神经网络模型需要再次采集训练样本。

8.根据权利要求5-7任一项所述的基于深度学习的射频通信设备空间辐射测试系统，其特征在于，所述系统还包括：

归一化模块，用于对被测设备在有限个测试点的实际辐射性能参数进行归一化处理；

基于经过归一化处理的实际辐射性能参数进行最小化的全连接深度神经的均方误差训练生成的全连接深度神经网络模型。

Images