CN116595368B - 一种基于非线性建模的功率放大器谐波预测方法 - Google Patents
一种基于非线性建模的功率放大器谐波预测方法 Download PDFInfo
- Publication number
- CN116595368B CN116595368B CN202310552698.7A CN202310552698A CN116595368B CN 116595368 B CN116595368 B CN 116595368B CN 202310552698 A CN202310552698 A CN 202310552698A CN 116595368 B CN116595368 B CN 116595368B
- Authority
- CN
- China
- Prior art keywords
- amplitude
- nonlinear region
- signal
- harmonic
- power amplifier
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 24
- 210000002569 neuron Anatomy 0.000 claims description 18
- 238000001228 spectrum Methods 0.000 claims description 14
- 108700041286 delta Proteins 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 2
- 239000000306 component Substances 0.000 description 15
- 230000006835 compression Effects 0.000 description 6
- 238000007906 compression Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000032365 Electromagnetic interference Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Amplifiers (AREA)
Abstract
本发明公开了一种基于非线性建模的功率放大器谐波预测方法,包括以下步骤:S1.信号源产生的单音正弦信号,将单音正弦信号送入功率放大器中进行放大后,获取谐波分量;S2.构建信号样本;S3.改变信号源产生的单音正弦信号的频率和幅度,重复执行步骤S1~S2,得到样本集;S4.设定幅度的分界值,构建弱非线性区域的谐波预测模型和强非线性区的谐波预测模型;S5.将样本集划分为弱非线性区域样本集和强非线性区域样本集;S6.对弱非线性区域的谐波预测模型和强非线性区的谐波预测模型进行训练;S7.对于任一输入功率放大器的信号,进行谐波预测。本发明针对功率放大器弱非线性区域和强非线性区域分别进行建模、训练和预测,能够提高谐波预测的准确性。
Description
技术领域
本发明涉及功率放大器的谐波预测,特别是涉及一种基于非线性建模的功率放大器谐波预测方法。
背景技术
功率放大器是发射机的核心部件之一,也是影响发射信号质量最大的模块。它作用是将输入信号的功率放大,从而让发射机更好的驱动前端的天线向外辐射。然而,当放大器的输入信号功率较大时,功率放大器在放大过程中会产生严重的非线性失真,导致发射机输出频谱中出现较大的谐波分量。若产生的谐波功率达到一定水平时,将会引发辐射杂散发射问题,即使得与发射机相连的前端天线在谐波所在频率处也会产生较大的带外辐射。这些由谐波分量所造成的电磁干扰,将会对同一电磁环境下的其它无线电通信或电子设备的正常运行造成负面影响。
因此,对功率放大器进行非线性建模以预测其谐波分量的大小具有重要意义,当输入信号幅度较小时,功率放大器的非线性特性相对较弱,此时各次谐波分量的大小随输入信号幅度的增大而近似线性增大。但是,当输入信号增大到一定程度时,激起了更强的非线性失真,使得各次谐波随输入信号增大的变化曲线变得更加复杂。目前的预测并未考虑非线性建模过程中强非线性区域和弱非线性区域的差异性,导致预测的准确性并不准确。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于非线性建模的功率放大器谐波预测方法,针对功率放大器弱非线性区域和强非线性区域域分别进行建模、训练和预测,能够提高谐波预测的准确性。
本发明的目的是通过以下技术方案来实现的:一种基于非线性建模的功率放大器谐波预测方法,包括以下步骤:
S1.信号源产生的单音正弦信号,将单音正弦信号送入功率放大器中进行放大后,通过频谱测试仪测试功率放大器输出信号的频谱数据,并获取其中包含的谐波分量;
S2.将单音正弦信号的幅度和频率(A,f0)作为样本特征,将谐波分量组成的向量[H1 H2H3 H4 H5]作为标签,构建信号样本;
S3.改变信号源产生的单音正弦信号的频率和幅度,重复执行步骤S1~S2,得到样本集;
S4.设定幅度的分界值,将功率放大器划分为弱非线性区域和强非线性区域,并构建弱非线性区域的谐波预测模型和强非线性区的谐波预测模型;
S5.根据设定幅度的分界值,将样本集划分为弱非线性区域样本集和强非线性区域样本集;
S6.根据弱非线性区域样本集中的信号样本对弱非线性区域的谐波预测模型进行训练,根据强非线性区域样本集中的信号样本对强非线性区的谐波预测模型进行训练;
S7.对于任一输入功率放大器的信号,采集其幅度和频率,并判断幅度是否小于或者等于幅度的分界值,若是,将幅度和频率训练得到的弱非线性区域的谐波预测模型中进行谐波预测,若否,将幅度和频率训练得到的强非线性区域的谐波预测模型中进行谐波预测。
本发明的有益效果是:本发明针对功率放大器弱非线性区域和强非线性区域分别进行建模、训练和预测,能够提高谐波预测的准确性。
附图说明
图1为本发明的方法流程图;
图2为实施例中的测试原理示意图;
图3为实施例中谐波变化曲线(500MHz)示意图;
图4为实施例中1dB压缩点。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种基于非线性建模的功率放大器谐波预测方法,包括以下步骤:
S1.信号源产生的单音正弦信号,将单音正弦信号送入功率放大器中进行放大后,通过频谱测试仪测试功率放大器输出信号的频谱数据,并获取其中包含的谐波分量;
S2.将单音正弦信号的幅度和频率(A,f0)作为样本特征,将谐波分量组成的向量[H1 H2H3 H4 H5]作为标签,构建信号样本;
S3.改变信号源产生的单音正弦信号的频率和幅度,重复执行步骤S1~S2,得到样本集;
S4.设定幅度的分界值,将功率放大器划分为弱非线性区域和强非线性区域,并构建弱非线性区域的谐波预测模型和强非线性区的谐波预测模型;
S5.根据设定幅度的分界值,将样本集划分为弱非线性区域样本集和强非线性区域样本集;
S6.根据弱非线性区域样本集中的信号样本对弱非线性区域的谐波预测模型进行训练,根据强非线性区域样本集中的信号样本对强非线性区的谐波预测模型进行训练;
S7.对于任一输入功率放大器的信号,采集其幅度和频率,并判断幅度是否小于或者等于幅度的分界值,若是,将幅度和频率送入训练得到的弱非线性区域的谐波预测模型中进行谐波预测,若否,将幅度和频率送入训练得到的强非线性区域的谐波预测模型中进行谐波预测。
如图2所示,在本申请的实施例中,信号源的产生单音正弦信号作为功率放大器的输入信号,使用频谱仪测得放大器的输出频谱。
输入信号的幅度从-42dBm到-15dBm(步长0.1dBm),频率从300MHz到550MHz(步长50MHz)。一共有1626组输入信号,从频谱仪得到1626对应的放大器的输出频谱。
从频谱仪中分别导出这1626组频谱数据,每一组数据包括两部分,频率及该频率下对应的幅度。将幅度的数据存储在向量X中,提取获得的频谱数据中的谐波分量,谐波分量的提取方法如下:对于频率为f0的单音正弦信号,其谐波分量应在m1×f0处,m1为谐波的次数。由于导出的频谱数据是离散的(如频率每隔fs给出一个幅度值),频谱仪的采样间隔fs不一定能整除m1×f0,使得导出的数据中没有m1×f0这个频点所对应的幅度值。所以有可能会造成频谱仪导出的谐波不是正好落在m1×f0上,而是在m1×f0之前或之后可以被fs整除的频率。对于这种情况,可以通过自定义一个函数MAXA来找到需要提取的谐波分量:
其中,floor函数和ceil函数分别为向下取整和向上取整,max函数是找到二者间较大的那个值。该函数的目的是找到谐波分量所对应的索引位置(频率位置)。从而能将m1次谐波分量提取出来。LOOP:m1=1,2,…,5,即可提取出前五次谐波的幅度值。对所有1626组频谱数据都进行此操作,提取出1626组前五次谐波的幅度值,分别记为H1,H2,H3,H4和H5。
输入放大器的信号为正弦信号Asin(2f0t),为了方便训练,使用1626组A和f0代表这1626组输入信号。
至此完成数据集的构建。其中A和f为特征数据集,即模型的输入项。H1,H2,H3,H4和H5为标签数据集。
根据提取出的谐波数据,绘制在输入信号为500MHz时,基波和各次谐波随输入信号幅度的增大的变化曲线,如图3所示。为了便于观察,图中只展示了输入信号幅度从-42dBm到-15dBm步长为1dBm的情况。我们可以发现,当输入信号幅度较小时,功率放大器的非线性特性相对较弱,此时各次谐波分量的大小随输入信号幅度的增大而近似线性增大。但是,当输入信号增大到一定程度时,如该放大器中当输入信号大小超过-29dBm左右时,激起了更强的非线性失真,使得各次谐波随输入信号增大的变化曲线变得更加复杂。据观察,这种变化的分界在1dB压缩点,1dB压缩点是功率放大器的指标,是指与在很低的功率时相比增益减少1dB时的输入(或输出)功率点。(实际中由于非线性导致随着输入信号的增大,增益会降低)在这里是所对应的输入功率。可以将1dB压缩点处对应的输入信号幅度,预先设定为分界值,附近,如图4所示。
根据激起非线性的强弱将测试得到的数据集分为两类,划分的依据采用放大器的1dB压缩点所对应的输入信号功率。数据集中所有输入信号功率小于1dB压缩点所对应的输入信号功率的数据用于构建弱非线性区域的模型,大于1dB压缩点所对应的输入信号功率的数据用于构建强非线性区域的模型。对非线性较强的和较弱的区域分别进行训练。对于该放大器,即输入信号为-42dBm到-29dBm的所有数据用于弱非线性建模。输入信号为-29dBm到-15dBm的所有数据用于强非线性建模。即可以设定分界值为-29dBm,这样做的目的是让每个模型能更好的匹配所属区域的特性,同时区分开近似线性的区域和复杂的非线性区域可以让模型有更好的预测精度。
具体地,所述弱非线性区域的谐波预测模型采用MLP模型,该模型结构包含输入层,输出层和两个全连接层,其中输入层有2个神经元,第一个全连接层有25个神经元,第二个全连接层有20个神经元,输出层有5个神经元,全连接层的激活函数为Tanh函数;
所述强非线性区域的谐波预测模型也采用MLP模型,该模型结构包含输入层,输出层和两个全连接层,其中输入层有2个神经元,第一个全连接层有20个神经元,第二个全连接层有15个神经元,输出层有5个神经元,全连接层的激活函数为Tanh函数;
其中,任意一个全连接层的输出公式为
其中Y是该全连接层的输出,S是前一层的输出,是非线性激活函数,w是权重矩阵,b是偏移量。
在本申请的实施例中,所述功率放大器输入信号幅度小于或等于幅度的分界值时,功率放大器处于弱非线性区域;当功率放大器的输入信号幅度大于幅度的分界值时,功率放大器处于强非线性区域。
对于样本集中的任一个信号样本,若其中包含的幅度信息小于或等于幅度的分界值,则将该信号样本划分到弱非线性区域样本集,否则将该样本划分到强非线性区域样本集。
在本申请的实施例中,所述弱非线性区域的谐波预测模型的训练过程包括:
A601.定义损失函数为MSE,模型能够接受的误差记为δ0,其中:
Yn表示弱非线性区域样本集中第n个信号样本的标签,Yn表示弱非线性区域样本集中第n个信号样本的样本特征输入时,谐波预测模型的输出值,N表示弱非线性区域样本集中的信号样本个数;
A602.初始化模型参数(模型参数包括初始化每一个神经元权重和和偏移量,初始化的方法一般是赋随机的值,比如从均值为0、标准差为0.01的正态分布中采样随机数来初始化权重,并将偏移量初始化为0);
A603.对于弱非线性区域样本集中的每一个信号样本,将其样本特征输入到弱非线性区域的谐波预测模型,得到模型输出值;
A604.根据损失函数计算模型的输出值与标签之间的误差δ1;
若满足δ1<δ0,训练完成,得到训练好的弱非线性区域的谐波预测模型并进行保存;
若不满足δ1<δ0,则根据计算的误差,在反向传播过程中使用Adam优化算法更新模型的参数,并返回步骤A603,重复进行迭代,直至满足δ1<δ0或迭代满1000次为止。
所述强非线性区域的谐波预测模型的训练过程包括:
B601.定义损失函数为MSE,模型能够接受的误差记为δ0,其中:
Pm表示强非线性区域样本集中第m个信号样本的标签,Km表示强非线性区域样本集中第m个信号样本的样本特征输入时,谐波预测模型的输出值,M表示强非线性区域样本集中的信号样本个数;
B602.初始化模型参数(模型参数包括初始化每一个神经元权重和和偏移量,初始化的方法一般是赋随机的值,比如从均值为0、标准差为0.01的正态分布中采样随机数来初始化权重,并将偏移量初始化为0);
B603.对于强非线性区域样本集中的每一个信号样本,将其样本特征输入到弱非线性区域的谐波预测模型,得到模型输出值;
B604.根据损失函数计算模型的输出值与标签之间的误差δ2;
若满足δ2<δ0,训练完成,得到训练好的强非线性区域的谐波预测模型并进行保存;
若不满足δ2<δ0,则根据计算的误差,在反向传播过程中使用Adam优化算法更新模型的参数,并返回步骤B603,重复进行迭代,直至满足δ2<δ0或迭代满1000次为止。
在本申请的实施例中,使用该模型进行预测时,只需将已知的输入信号的参数A和f0作为输入项带入对应的模型(根据分界值划分),即可得到对应预测的前五次谐波。如需要预测放大器输入信号频率为480MHz,幅度为-42dBm时输出的前五次谐波的幅度。只需将f0=480,A=-42带入弱非线性模型,即可获得对应的预测的前五次谐波的幅度值。
上述说明示出并描述了本发明的一个优选实施例,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (5)
1.一种基于非线性建模的功率放大器谐波预测方法,其特征在于:包括以下步骤:
S1.信号源产生的单音正弦信号,将单音正弦信号送入功率放大器中进行放大后,通过频谱测试仪测试功率放大器输出信号的频谱数据,并获取其中包含的谐波分量;
S2.将单音正弦信号的幅度和频率作为样本特征,将谐波分量组成的向量[H1 H2 H3H4H5]作为标签,构建信号样本;
S3.改变信号源产生的单音正弦信号的频率和幅度,重复执行步骤S1~S2,得到样本集;
S4.设定幅度的分界值,将功率放大器划分为弱非线性区域和强非线性区域,并构建弱非线性区域的谐波预测模型和强非线性区的谐波预测模型;
所述弱非线性区域的谐波预测模型采用MLP模型,该模型结构包含输入层,输出层和两个全连接层,其中输入层有2个神经元,第一个全连接层有25个神经元,第二个全连接层有20个神经元,输出层有5个神经元,全连接层的激活函数为Tanh函数;
所述强非线性区域的谐波预测模型也采用MLP模型,该模型结构包含输入层,输出层和两个全连接层,其中输入层有2个神经元,第一个全连接层有20个神经元,第二个全连接层有15个神经元,输出层有5个神经元,全连接层的激活函数为Tanh函数;
其中,任意一个全连接层的输出公式为
其中Y是该全连接层的输出,S是前一层的输出,是非线性激活函数,w是权重矩阵,b是偏移量;
S5.根据设定幅度的分界值,将样本集划分为弱非线性区域样本集和强非线性区域样本集;
S6.根据弱非线性区域样本集中的信号样本对弱非线性区域的谐波预测模型进行训练,根据强非线性区域样本集中的信号样本对强非线性区的谐波预测模型进行训练;
所述弱非线性区域的谐波预测模型的训练过程包括:
A601.定义损失函数为MSE,模型能够接受的误差记为δ0,其中:
Yn表示弱非线性区域样本集中第n个信号样本的标签,Yn表示弱非线性区域样本集中第n个信号样本的样本特征输入时,谐波预测模型的输出值,N表示弱非线性区域样本集中的信号样本个数;
A602.初始化模型参数;
A603.对于弱非线性区域样本集中的每一个信号样本,将其样本特征输入到弱非线性区域的谐波预测模型,得到模型输出值;
A604.根据损失函数计算模型的输出值与标签之间的误差δ1;
若满足δ1<δ0,训练完成,得到训练好的弱非线性区域的谐波预测模型并进行保存;
若不满足δ1<δ0,则根据计算的误差,在反向传播过程中使用Adam优化算法更新模型的参数,并返回步骤A603,重复进行迭代,直至满足δ1<δ0或迭代满1000次为止;
所述强非线性区域的谐波预测模型的训练过程包括:
B601.定义损失函数为MSE,模型能够接受的误差记为δ0,其中:
Pm表示强非线性区域样本集中第m个信号样本的标签,Km表示强非线性区域样本集中第m个信号样本的样本特征输入时,谐波预测模型的输出值,M表示强非线性区域样本集中的信号样本个数;
B602.初始化模型参数;
B603.对于强非线性区域样本集中的每一个信号样本,将其样本特征输入到弱非线性区域的谐波预测模型,得到模型输出值;
B604.根据损失函数计算模型的输出值与标签之间的误差δ2;
若满足δ2<δ0,训练完成,得到训练好的强非线性区域的谐波预测模型并进行保存;
若不满足δ2<δ0,则根据计算的误差,在反向传播过程中使用Adam优化算法更新模型的参数,并返回步骤B603,重复进行迭代,直至满足δ2<δ0或迭代满1000次为止;
S7.对于任一输入功率放大器的信号,采集其幅度和频率,并判断幅度是否小于或者等于幅度的分界值,若是,将幅度和频率送入训练得到的弱非线性区域的谐波预测模型中进行谐波预测,若否,将幅度和频率送入训练得到的强非线性区域的谐波预测模型中进行谐波预测。
2.根据权利要求1所述的一种基于非线性建模的功率放大器谐波预测方法,其特征在于:所述步骤S1包括:
S101.信号源产生正弦信号Asin(2f0t),其中A表示单音正弦信号的幅度,f0表示单音正弦信号的频率;
S102.将信号源单音正弦信号送入功率放大器中进行放大后,通过频谱测试仪测试功率放大器输出信号的频谱数据并进行导出;每一组频谱数据导出后,均会包含频率及该频率下对应的幅度,将幅度的数据存储在向量X中,提取获得的频谱数据中的谐波分量,谐波分量的提取方法如下:
对于频率为f0的单音正弦信号,其谐波分量应在m1×f0处,m1为谐波的次数,由于导出的频谱数据是离散的,频谱仪的采样间隔fs不一定能整除m1×f0,使得导出的数据中没有m1×f0这个频点所对应的幅度值;所以会造成频谱仪导出的谐波不是正好落在m1×f0上,而是在m1×f0之前或之后能够被fs整除的频率,对于这种情况,通过自定义一个函数MAXA来找到需要提取的谐波分量:
其中,floor函数和ceil函数分别为向下取整和向上取整,max函数取最大值,该函数的目的是找到谐波分量所对应的索引位置;
找到谐波分类对应的索引位置后,提取出m1次谐波分量组成的向量作为标签其中,m1=1,2,…,5,即提取出前五次谐波的幅度值组成向量[H1 H2 H3 H4 H5]。
3.根据权利要求2所述的一种基于非线性建模的功率放大器谐波预测方法,其特征在于:所述信号源产生的单音正弦信号幅度取值范围为-42dBm到-15dBm,步长0.1dBm;信号源产生的单音正弦信号频率取值范围为300MHz到550MHz,步长50MHz;
改变信号源产生的单音正弦信号的频率和幅度时,需要变量幅度和频率取值范围内每一种幅度和频率的组合情况,并且每一种幅度和频率组合情况下均按照步骤S1~S2产生一个信号样本,加入到同一个集合中形成样本集。
4.根据权利要求1所述的一种基于非线性建模的功率放大器谐波预测方法,其特征在于:所述功率放大器输入信号幅度小于或等于幅度的分界值时,功率放大器处于弱非线性区域;当功率放大器的输入信号幅度大于幅度的分界值时,功率放大器处于强非线性区域。
5.根据权利要求1所述的一种基于非线性建模的功率放大器谐波预测方法,其特征在于:对于样本集中的任一个信号样本,若其中包含的幅度信息小于或等于幅度的分界值,则将该信号样本划分到弱非线性区域样本集,否则将该样本划分到强非线性区域样本集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310552698.7A CN116595368B (zh) | 2023-05-16 | 2023-05-16 | 一种基于非线性建模的功率放大器谐波预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310552698.7A CN116595368B (zh) | 2023-05-16 | 2023-05-16 | 一种基于非线性建模的功率放大器谐波预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116595368A CN116595368A (zh) | 2023-08-15 |
CN116595368B true CN116595368B (zh) | 2024-01-26 |
Family
ID=87594948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310552698.7A Active CN116595368B (zh) | 2023-05-16 | 2023-05-16 | 一种基于非线性建模的功率放大器谐波预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116595368B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4628278A (en) * | 1984-06-28 | 1986-12-09 | John Fluke Mfg. Co., Inc. | Low even-order harmonic distortion amplifier and method |
US8706434B1 (en) * | 2013-09-12 | 2014-04-22 | King Fahd University Of Petroleum And Minerals | Nonlinear systems measurement system and method |
CN109150332A (zh) * | 2018-07-26 | 2019-01-04 | 斯必能通讯器材(上海)有限公司 | 一种利用矢量谐波预测量无源互调的装置和方法 |
CN110008487A (zh) * | 2018-11-23 | 2019-07-12 | 杭州电子科技大学 | 一种基于支持向量机的功率放大器行为模型的建模方法 |
CN112947083A (zh) * | 2021-02-09 | 2021-06-11 | 武汉大学 | 一种基于磁悬浮控制系统的非线性模型预测控制优化方法 |
CN113094636A (zh) * | 2021-04-21 | 2021-07-09 | 国网福建省电力有限公司 | 一种基于海量监测数据的干扰性用户谐波水平估计方法 |
CN113553771A (zh) * | 2021-07-30 | 2021-10-26 | 海宁利伊电子科技有限公司 | 基于rnn网络的动态x参数核计算方法 |
CN114880948A (zh) * | 2022-06-02 | 2022-08-09 | 国网重庆市电力公司电力科学研究院 | 一种基于随机森林优化算法的谐波预测建模方法和系统 |
CN115062668A (zh) * | 2022-06-28 | 2022-09-16 | 合肥工业大学 | 基于RAdam优化宽度学习的谐波参数检测方法和系统 |
CN115242336A (zh) * | 2022-08-01 | 2022-10-25 | 北京航空航天大学 | 一种接收机射频前端器件的非线性输出频谱预测方法 |
CN115913845A (zh) * | 2022-11-25 | 2023-04-04 | 电子科技大学长三角研究院(湖州) | 可处理谐波多带发射机次生分量的数字预失真方法及系统 |
-
2023
- 2023-05-16 CN CN202310552698.7A patent/CN116595368B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4628278A (en) * | 1984-06-28 | 1986-12-09 | John Fluke Mfg. Co., Inc. | Low even-order harmonic distortion amplifier and method |
US8706434B1 (en) * | 2013-09-12 | 2014-04-22 | King Fahd University Of Petroleum And Minerals | Nonlinear systems measurement system and method |
CN109150332A (zh) * | 2018-07-26 | 2019-01-04 | 斯必能通讯器材(上海)有限公司 | 一种利用矢量谐波预测量无源互调的装置和方法 |
CN110008487A (zh) * | 2018-11-23 | 2019-07-12 | 杭州电子科技大学 | 一种基于支持向量机的功率放大器行为模型的建模方法 |
CN112947083A (zh) * | 2021-02-09 | 2021-06-11 | 武汉大学 | 一种基于磁悬浮控制系统的非线性模型预测控制优化方法 |
CN113094636A (zh) * | 2021-04-21 | 2021-07-09 | 国网福建省电力有限公司 | 一种基于海量监测数据的干扰性用户谐波水平估计方法 |
CN113553771A (zh) * | 2021-07-30 | 2021-10-26 | 海宁利伊电子科技有限公司 | 基于rnn网络的动态x参数核计算方法 |
CN114880948A (zh) * | 2022-06-02 | 2022-08-09 | 国网重庆市电力公司电力科学研究院 | 一种基于随机森林优化算法的谐波预测建模方法和系统 |
CN115062668A (zh) * | 2022-06-28 | 2022-09-16 | 合肥工业大学 | 基于RAdam优化宽度学习的谐波参数检测方法和系统 |
CN115242336A (zh) * | 2022-08-01 | 2022-10-25 | 北京航空航天大学 | 一种接收机射频前端器件的非线性输出频谱预测方法 |
CN115913845A (zh) * | 2022-11-25 | 2023-04-04 | 电子科技大学长三角研究院(湖州) | 可处理谐波多带发射机次生分量的数字预失真方法及系统 |
Non-Patent Citations (5)
Title |
---|
An Algorithm for Output Spectrum Analysis of Nolinear System with Correlative Sources Based on Power Series;XU Hui等;Chinese Journal of Electronics;第30卷(第3期);第542-548页 * |
Modelling harmonics drawn by nonlinear loads;Lamich Manuel 等;2015 9th International Conference on Compatibility and Power Electronics (CPE);第93-97页 * |
一种宽带功率放大器设计及其非线性效应研究;舒慧桢等;2019年全国天线年会论文集(下册);第2325-2327页 * |
基于矢量测量的射频微波器件非线性参数化行为建模技术评述;苟元潇等;仪器仪表学报;第34卷(第6期);第1319-1329页 * |
苟元潇等.基于矢量测量的射频微波器件非线性参数化行为建模技术评述.仪器仪表学报.2013,第34卷(第6期),第1319-1329页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116595368A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10862517B2 (en) | Digital compensator | |
US10581470B2 (en) | Linearization system | |
CN108768550B (zh) | 基于动态多核带宽广义回归神经网络算法的宽频段发信机非线性建模方法 | |
CN113809992A (zh) | 用于功率放大器的基于机器学习的数字预失真 | |
CN113567793B (zh) | 一种射频微波二端口器件非线性行为模型提取方法 | |
CN108268705B (zh) | 微波电路非线性模型建立方法、测量系统及终端设备 | |
Yu et al. | Self-sensing digital predistortion of RF power amplifiers for 6G intelligent radio | |
CN116595368B (zh) | 一种基于非线性建模的功率放大器谐波预测方法 | |
CN115642971A (zh) | 微波模块非线性参数的仿真文件生成方法及自动提取系统 | |
CN102142814A (zh) | 功放相关装置、功率放大器预失真系统以及建模方法 | |
US20080228292A1 (en) | System and method for pre-distorting a device input | |
CN104734793B (zh) | 基于p次方的无线协作频谱感知的能量检测方法 | |
CN111614408B (zh) | 一种Zigbee模块的RF测试方法 | |
CN112685984A (zh) | 一种铁氧体磁珠对lna性能影响的预测方法 | |
CN116596061B (zh) | 一种基于迁移学习的功率放大器谐波预测方法 | |
CN102628897B (zh) | 基于N1dB压缩点和N2dB压缩点的三阶交调测试方法 | |
CN113553771B (zh) | 基于rnn网络的动态x参数核计算方法 | |
CN115062729A (zh) | 分类模型及其训练方法、分类方法、设备及介质 | |
CN115406911A (zh) | 一种基于多目标遗传算法的对流层大气温湿廓线反演方法 | |
JP2011257199A (ja) | マイクロ波照射試験装置、該試験装置に用いられる照射試験方法及び照射試験プログラム | |
CN108268700A (zh) | 一种基于bpnn的射频功放温度特性建模方法 | |
LU100964B1 (en) | A DNN-based method for modeling temperature characteristics of radio frequency power amplifier | |
CN108304617A (zh) | 浮筏结构宽频线谱振动噪声快速预报方法 | |
Yin et al. | Pattern recognition of RF power amplifier behaviors with multilayer perceptron | |
Zhu et al. | Specific Emitter Identification Based on Temporal Convolutional Network Sequence Processing |
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 |