CN116596061B - 一种基于迁移学习的功率放大器谐波预测方法 - Google Patents
一种基于迁移学习的功率放大器谐波预测方法 Download PDFInfo
- Publication number
- CN116596061B CN116596061B CN202310552210.0A CN202310552210A CN116596061B CN 116596061 B CN116596061 B CN 116596061B CN 202310552210 A CN202310552210 A CN 202310552210A CN 116596061 B CN116596061 B CN 116596061B
- Authority
- CN
- China
- Prior art keywords
- model
- harmonic
- nonlinear region
- signal
- 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 50
- 238000013526 transfer learning Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 42
- 210000002569 neuron Anatomy 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 24
- 230000006978 adaptation Effects 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 10
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 8
- 108700041286 delta Proteins 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000015654 memory Effects 0.000 claims description 2
- 230000003446 memory effect Effects 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims description 2
- 239000000306 component Substances 0.000 description 15
- 238000012360 testing method Methods 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 2
- 208000032365 Electromagnetic interference Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
Classifications
-
- 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
- G06N3/096—Transfer learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Amplifiers (AREA)
Abstract
本发明公开了一种基于迁移学习的功率放大器谐波预测方法,包括以下步骤:S1.获取单音正弦信号经功率放大器后包含的谐波分量;S2.获取多个单音正弦信号对应的谐波分量;S3.构建弱非线性区域样本集和强非线性区域样本集;S4.构建功率放大器弱非线性区域谐波预测模型和强非线性区谐波预测模型;S5.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;S6.对于功率放大器的输入信号,选择训练好的模型进行预测;S7.对于新功率放大器,通过迁移学习获取谐波预测模型进行谐波预测。本发明针对功率放大器强非线性区域和弱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,并且针对新的功率放大器进行迁移学习后即可完成预测。
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迁移学习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,并且对于其他新的功率放大器,往往需要进行重新建模训练。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于迁移学习的功率放大器谐波预测方法,针对功率放大器强非线性区域和弱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,对于新的功率放大器,通过迁移学习就能够完成谐波预测。
本发明的目的是通过以下技术方案来实现的:一种基于迁移学习的功率放大器谐波预测方法,包括以下步骤:
S1.信号源产生单音正弦信号,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.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,得到多个单音正弦信号对应的谐波分量;
S3.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,并分别构建弱非线性区域样本集和强非线性区域样本集;
S4.构建功率放大器弱非线性区域的谐波预测模型和强非线性区域的谐波预测模型;
S5.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;
S6.对于任一输入到功率放大器的信号,首先根据其幅度判断功率放大器处于强非线性区域还是弱非线性区域,然后选择训练好的模型进行预测;
S7.对于新功率放大器,通过迁移学习获取新功率放大器的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,并按照步骤S6进行预测。
本发明的有益效果是:针对功率放大器强非线性区域和弱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,对于新的功率放大器,通过迁移学习就能够完成谐波预测。
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为实施例中新功率放大器弱非线性区域的谐波预测模型的迁移学习示意图;
图4为实施例中新功率放大器强非线性区域的谐波预测模型的迁移学习示意图。
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,一种基于迁移学习的功率放大器谐波预测方法,包括以下步骤:
一种基于迁移学习的功率放大器谐波预测方法,包括以下步骤:
S1.信号源产生单音正弦信号,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.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,得到多个单音正弦信号对应的谐波分量;
S3.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,并分别构建弱非线性区域样本集和强非线性区域样本集;
S4.构建功率放大器弱非线性区域的谐波预测模型和强非线性区域的谐波预测模型;
S5.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;
S6.对于任一输入到功率放大器的信号,首先根据其幅度判断功率放大器处于强非线性区域还是弱非线性区域,然后选择训练好的模型进行预测;
S7.对于新功率放大器,通过迁移学习获取新功率放大器的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,并按照步骤S6进行预测。
如图2所示,在本申请的实施例中,数据集的获取过程中,首先进行测试:信号源产生的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。
大量的测试: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m×f0处,m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m×f0,使得导出的数据中没有m×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m×f0上,而是在m×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m次谐波分量提取出来。LOOP:m=1,2,3。即可提取出前3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3次谐波的幅度值,分别记为H1,H2,H3。
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(即分界值为-29dBm)。
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(根据1dB压缩点预先进行设定)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。
强非线性区域数据集的构建:将提取的前3次谐波H1,H2,H3离散傅里叶逆变换(IDFT),得到离散的时域信号,记为Yn=[y1,y2,...,yn]。输入放大器的信号为正弦信号Asin(2πf0t),对该信号进行离散采样,记为Xn=[x1,x2,...,xn],n为采样点数,Xn和Yn的采样频率和采样点数要保持一致。
至此完成强非线性区域数据集的构建。其中Xn=[x1,x2,...,xn]为特征数据集,即模型的输入项。Yn=[y1,y2,...,yn]为标签数据集。
弱非线性区域数据集的构建: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。它的数据集中的幅度和频率(分别记为A和f0)作为模型的输入项,数据集中的前3次谐波H1,H2,H3构成的向量为模型的标签;
在非线性建模过程中,根据激起非线性的强弱将测试得到的数据集分为两类,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,即输入信号幅度为-42dBm至-29dBm为非线性较强的区域,使用encoder-decoder模型。-29dBm到-15dBm为非线性较弱的区域,使用MLP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;
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。
encoder-decoder模型结构:Encoder中使用一层LSTM层,含有121个LSTM单元。Decoder中第一层为和Encoder中单元个数相同的LSTM层。在这之后增加了一个全连接层作为LSTM层到输出层的过渡,对前边LSTM层输出的结果进行微调,全连接层包含250个神经元,最后为模型的输出层,有121个神经元。
LSTM模型可由以下公式表示:
ft=σ(Wf1xt+Wf2ht-1+bf)
it=σ(Wi1xt+Wi2ht-1+bi)
gt=tanh(Wg1xt+Wg2ht-1+bg)
ot=σ(Wo1xt+Wo2ht-1+bo)
其中ft是遗忘门的参数,表示通过遗忘门数据的比例;it和gt是输入门的参数,it用于决定输入门需要更新哪些数据,gt表示准备更新的数据;ot是输出门的参数,决定长期记忆线ct中有哪些数据要输出至下一个时部t+1。Wf1、Wi1、Wg1、Wo1为输入向量xt的权重,Wf2、Wi2、Wg2、Wo2为上一个单元的输出ht-1的权重,bf1、bi1、bg1、bo1为偏移量。LSTM的记忆能力很好的和放大器的记忆效应相匹配。
LSTM层的输出yt为
全连接层的输出公式为
其中Yfc是全连接层的输出,S是Decoder中LSTM层的输出,是非线性激活函数,wfc是权重矩阵,bfc是偏移量。
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δ01,其中:
Rj表示弱非线性区域样本集中第j个信号样本的标签,Tj表示弱非线性区域样本集中第j个信号样本的样本特征输入时,谐波预测模型的输出值,J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<δ01,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<δ01,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<δ01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MAPE,模型能够接受的误差记为δ02,其中:
Pi表示强非线性区域样本集中第i个信号样本的标签,Ki表示强非线性区域样本集中第i个信号样本的样本特征输入时,谐波预测模型的输出值,I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LSTM层每一个LSTM单元的权重和偏移量,以及全连接层和输出层中每一个神经元的权重和偏移量,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强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<δ02,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,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<δ02或迭代满1000次为止。
所述步骤S6包括:
当输入到功率放大器的信号小于或者等于幅度的分界值时,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;
当输入到功率放大器的信号大于幅度的分界值时,将输入信号的离散采样[x1′,x2′,...,xn′]带入模型,得到对应输出的离散时域信号[y1′,y2′,...,yn′],再对其进行离散傅里叶变换,得到所对应的频谱信息,然后进行谐波提取,得到各次谐波的大小。
所述步骤S7中,通过迁移学习获取新功率放大器的弱非线性区域的谐波预测模型的过程包括:
C1、按照步骤S101~S103,提取出输入信号的幅度At和频率ft时对应的谐波分量H1t,H2t,H3t,并重复多次得到多个输入项和对应的标签;
C2、导入步骤S5中训练好的弱非线性区域的谐波预测模型;
C3、定义Transfer learning模型结构,包括:
训练好的弱非线性区域的谐波预测模型,和连接在训练好的弱非线性区域的谐波预测模型后面的模型适应层一,其中模型适应层一也采用MLP模型,包括一个全连接层和一个输出层;全连接包含20个神经元,它的激活函数为Tanh,输出层包含3个神经元;初始化适应层一的参数,即适应层中每一个神经元的权重和偏置(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)
C4.定义与弱非线性区域的谐波预测模型的训练过程相同的损失函数MSE,模型能够接受的误差记为δ03;
C5、根据模型的输入项和模型的参数得到模型的输出值;
C6、根据损失函数计算模型的输出值与标签之间的误差δ3;
若满足δ3<δ03,训练完成,得到训练好的Transfer learning模型并进行保存,作为新功率放大器的弱非线性区域的谐波预测模型;
若不满足,则根据计算的误差,在反向传播过程中使用Adam优化算法更新模型适应层一的参数,并返回步骤C5,并返回步骤C1,重复进行迭代,直至满足δ3<δ03或迭代满1000次为止;
所述步骤S7中,通过迁移学习获取新功率放大器的强非线性区域的谐波预测模型的过程包括:
D1、按照步骤S304,将新功率放大器提取出的谐波进行IDFT得到的离散时域信号Yt=[y1,y2,...,yt]作为模型的标签,对应的输入信号的离散采样Xt=[x1,x2,...,xt]作为模型的输入项;
D2、导入已保存的Encoder-decoder模型结构,即步骤S5中训练好的强非线性区域的谐波预测模型;
D3、定义Transfer learning模型结构,包括:
Encoder-decoder模型,和连接在Encoder-decoder模型后面的模型适应层二,模型的适应层二也采用MLP模型,包括一个全连接层和输出层,全连接层包含200个神经元,激活函数为Relu,输出层包含121个神经元;初始化适应层二的参数,即适应层中每一个神经元的权重和偏置(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)
D4、定义与强非线性区域的谐波预测模型的训练过程相同的损失函数为MAPE,模型能接受的误差记为δ04;
D5、根据模型的输入项和模型的参数得到模型的输出值;
D6、根据损失函数计算模型的输出值与标签之间的误差δ4;
若满足δ4<δ04,训练完成,得到训练好的Transfer learning模型并进行保存,作为新功率放大器的强非线性区域的谐波预测模型;
若不满足,则根据计算的误差,在反向传播过程中使用Adam优化算法更新模型适应层二的参数,并返回步骤D1,重复进行迭代,直至满足δ4<δ04或迭代满1000次为止。
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 (10)
1.一种基于迁移学习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.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,得到多个单音正弦信号对应的谐波分量;
S3.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,并分别构建弱非线性区域样本集和强非线性区域样本集;
S4.构建功率放大器弱非线性区域的谐波预测模型和强非线性区域的谐波预测模型;
S5.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;
S6.对于任一输入到功率放大器的信号,首先根据其幅度判断功率放大器处于强非线性区域还是弱非线性区域,然后选择训练好的模型进行预测;
S7.对于新功率放大器,通过迁移学习获取新功率放大器的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,并按照步骤S6进行预测。
2.根据权利要求1所述的一种基于迁移学习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m×f0处,m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m×f0,使得导出的数据中没有m×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m×f0上,而是在m×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m次谐波分量,m=1,2,…,3,即提取出前三次谐波的幅度值,记为H1,H2,H3。
3.根据权利要求2所述的一种基于迁移学习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,得到对应的谐波分量。
4.根据权利要求2所述的一种基于迁移学习的功率放大器谐波预测方法,其特征在于:所述步骤S3包括以下子步骤:
S301.步骤S2中得到所有单音正弦信号的谐波分量后,首先单音正弦信号按照幅度分界值进行划分;
S302.在单音正弦信号的幅度小于或者等于幅度的分界值时,则将该单音正弦信号的幅度、频率作为信号特征,将该单音正弦信号的谐波分量构成的向量[H1 H2 H3]作为标签,形成一个信号样本,加入弱非线性区域样本集中;
S303.遍历所有幅度小于或者等于幅度的分界值的单音正弦向量,重复执行步骤S302,完成弱非线性区域样本集的构建;
S304.当单音正弦信号的幅度大于幅度的分界值时,则对单音正弦信号所构成的正弦信号进行离散采样,得到Xn=[x1,x2,...,xn],n为采样点数,并对谐波H1,H2,H3离散傅里叶逆变换,得到离散的时域信号,记为Yn=[y1,y2,...,yn],其中Xn和Yn的采样频率和采样点数要保持一致,并将Xn=[x1,x2,...,xn]中的xi作为信号特征,Yn=[y1,y2,...,yn]中的yi作为标签,形成n个信号样本,加入强非线性区域样本集中,完成强非线性区域样本集的构建。
5.根据权利要求1所述的一种基于迁移学习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。
6.根据权利要求1所述的一种基于迁移学习的功率放大器谐波预测方法,其特征在于:
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;
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;
所述强非线性区域的谐波预测模型采用encoder-decoder模型:
Encoder中使用一层LSTM层,含有121个LSTM单元,Decoder中第一层为和Encoder中单元个数相同的LSTM层,在这之后增加了一个全连接层作为LSTM层到输出层的过渡,对LSTM层输出的结果进行微调,全连接层包含250个神经元,最后为模型的输出层,有121个神经元;
LSTM模型由以下公式表示:
ft=σ(Wf1xt+Wf2ht-1+bf)
it=σ(Wi1xt+Wi2ht-1+bi)
gt=tanh(Wg1xt+Wg2ht-1+bg)
ot=σ(Wo1xt+Wo2ht-1+bo)
其中ft是遗忘门的参数,表示通过遗忘门数据的比例;it和gt是输入门的参数,it用于决定输入门需要更新的数据,gt表示准备更新的数据;ot是输出门的参数,决定长期记忆线ct中有哪些数据要输出至下一个时部t+1;Wf1、Wi1、Wg1、Wo1为输入向量xt的权重,Wf2、Wi2、Wg2、Wo2为上一个单元的输出ht-1的权重,bf1、bi1、bg1、bo1为偏移量,LSTM的记忆能力很好的和放大器的记忆效应相匹配;
LSTM层的输出yt为
全连接层的输出公式为
其中Yfc是全连接层的输出,S是Decoder中LSTM层的输出,是非线性激活函数,wfc是权重矩阵,bfc是偏移量。
7.根据权利要求1所述的一种基于迁移学习的功率放大器谐波预测方法,其特征在于: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δ01,其中:
Rj表示弱非线性区域样本集中第j个信号样本的标签,Tj表示弱非线性区域样本集中第j个信号样本的样本特征输入时,谐波预测模型的输出值,J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,所述模型参数包括初始化每一个神经元权重和和偏移量;
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<δ01,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<δ01,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<δ01或迭代满1000次为止。
8.根据权利要求1所述的一种基于迁移学习的功率放大器谐波预测方法,其特征在于: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MAPE,模型能够接受的误差记为δ02,其中:
Pi表示强非线性区域样本集中第i个信号样本的标签,Ki表示强非线性区域样本集中第i个信号样本的样本特征输入时,谐波预测模型的输出值,I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,所述模型参数包括LSTM层每一个LSTM单元的权重和偏移量,以及全连接层和输出层中每一个神经元的权重和偏移量;
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强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<δ02,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,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<δ02或迭代满1000次为止。
9.根据权利要求1所述的一种基于迁移学习的功率放大器谐波预测方法,其特征在于:所述步骤S6包括:
当输入到功率放大器的信号小于或者等于幅度的分界值时,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;
当输入到功率放大器的信号大于幅度的分界值时,将输入信号的离散采样记为[x′1,x′2,...,x′n]带入强非线性区的谐波预测模型,得到输出的离散时域信号[y′1,y′2,...,y′n],再对其进行离散傅里叶变换,得到所对应的频谱信息,然后进行谐波提取,得到各次谐波的大小。
10.根据权利要求1所述的一种基于迁移学习的功率放大器谐波预测方法,其特征在于:所述步骤S7中,通过迁移学习获取新功率放大器的弱非线性区域的谐波预测模型的过程包括:
C1、按照步骤S101~S103,提取出输入信号的幅度At和频率ft时对应的谐波分量H1t,H2t,H3t,并重复多次得到多个输入项和对应的标签;
C2、导入步骤S5中训练好的弱非线性区域的谐波预测模型;
C3、定义Transfer learning模型结构,包括:
训练好的弱非线性区域的谐波预测模型,和连接在训练好的弱非线性区域的谐波预测模型后面的模型适应层一,其中模型适应层一也采用MLP模型,包括一个全连接层和一个输出层;全连接包含20个神经元,它的激活函数为Tanh,输出层包含3个神经元;
C4.定义与弱非线性区域的谐波预测模型的训练过程相同的损失函数MSE,模型能够接受的误差记为δ03;
C5、根据模型的输入项和模型的参数得到模型的输出值;
C6、根据损失函数计算模型的输出值与标签之间的误差δ3;
若满足δ3<δ03,训练完成,得到训练好的Transfer learning模型并进行保存,作为新功率放大器的弱非线性区域的谐波预测模型;
若不满足,则根据计算的误差,在反向传播过程中使用Adam优化算法更新模型适应层一的参数,并返回步骤C5,并返回步骤C1,重复进行迭代,直至满足δ3<δ03或迭代满1000次为止;
所述步骤S7中,通过迁移学习获取新功率放大器的强非线性区域的谐波预测模型的过程包括:
D1、按照步骤S304,将新功率放大器提取出的谐波进行IDFT得到的离散时域信号Yt=[y1,y2,...,yt]作为模型的标签,对应的输入信号的离散采样Xt=[x1,x2,...,xt]作为模型的输入项;
D2、导入已保存的Encoder-decoder模型结构,即步骤S5中训练好的强非线性区域的谐波预测模型;
D3、定义Transfer learning模型结构,包括:
Encoder-decoder模型,和连接在Encoder-decoder模型后面的模型适应层二,模型的适应层二也采用MLP模型,包括一个全连接层和输出层,全连接层包含200个神经元,激活函数为Relu,输出层包含121个神经元;
D4、定义与强非线性区域的谐波预测模型的训练过程相同的损失函数为MAPE,模型能接受的误差记为δ04;
D5、根据模型的输入项和模型的参数得到模型的输出值;
D6、根据损失函数计算模型的输出值与标签之间的误差δ4;
若满足δ4<δ04,训练完成,得到训练好的Transfer learning模型并进行保存,作为新功率放大器的强非线性区域的谐波预测模型;
若不满足,则根据计算的误差,在反向传播过程中使用Adam优化算法更新模型适应层二的参数,并返回步骤D1,重复进行迭代,直至满足δ4<δ04或迭代满1000次为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310552210.0A CN116596061B (zh) | 2023-05-16 | 2023-05-16 | 一种基于迁移学习的功率放大器谐波预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310552210.0A CN116596061B (zh) | 2023-05-16 | 2023-05-16 | 一种基于迁移学习的功率放大器谐波预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116596061A CN116596061A (zh) | 2023-08-15 |
CN116596061B true CN116596061B (zh) | 2023-12-12 |
Family
ID=87598621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310552210.0A Active CN116596061B (zh) | 2023-05-16 | 2023-05-16 | 一种基于迁移学习的功率放大器谐波预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596061B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111682912A (zh) * | 2020-05-29 | 2020-09-18 | 中国科学院微电子研究所 | 一种基于fpga的超宽带功放谐波消除装置及方法 |
AU2019313334A1 (en) * | 2018-07-30 | 2021-02-04 | Hyperfine Operations, Inc. | Deep learning techniques for magnetic resonance image reconstruction |
CN112949391A (zh) * | 2021-01-28 | 2021-06-11 | 杭州电子科技大学 | 一种基于深度学习谐波信号分析的智能安检方法 |
CN113221308A (zh) * | 2021-06-11 | 2021-08-06 | 北京邮电大学 | 一种面向功率放大器的迁移学习快速低复杂度建模方法 |
WO2021229197A1 (en) * | 2020-05-12 | 2021-11-18 | Queen Mary University Of London | Time-varying and nonlinear audio processing using deep neural networks |
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 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11360843B2 (en) * | 2020-07-10 | 2022-06-14 | Hitachi, Ltd. | System and signal processing method for failure mode identification |
-
2023
- 2023-05-16 CN CN202310552210.0A patent/CN116596061B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2019313334A1 (en) * | 2018-07-30 | 2021-02-04 | Hyperfine Operations, Inc. | Deep learning techniques for magnetic resonance image reconstruction |
WO2021229197A1 (en) * | 2020-05-12 | 2021-11-18 | Queen Mary University Of London | Time-varying and nonlinear audio processing using deep neural networks |
CN111682912A (zh) * | 2020-05-29 | 2020-09-18 | 中国科学院微电子研究所 | 一种基于fpga的超宽带功放谐波消除装置及方法 |
CN112949391A (zh) * | 2021-01-28 | 2021-06-11 | 杭州电子科技大学 | 一种基于深度学习谐波信号分析的智能安检方法 |
CN113221308A (zh) * | 2021-06-11 | 2021-08-06 | 北京邮电大学 | 一种面向功率放大器的迁移学习快速低复杂度建模方法 |
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 |
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 (3)
Title |
---|
"An Algorithm for Output Spectrum Analysis of Nonlinear System with Correlative Sources Based on Power Series";XU Hui;《Chinese Journal of Electronics》;第 542-548页 * |
"Quantification and analysis of the nonlinear effects in spectral broadening through solid medium of femtosecond pulses by neural network";Gao, Yitan;《Physical Review Research》;第1-16页 * |
"基于非线性X参数的射频有源器件行为模型研究";苟元潇;《万方》;第1-173页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116596061A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111261183B (zh) | 一种语音去噪的方法及装置 | |
CN111931983B (zh) | 一种降水量预测方法及系统 | |
US8214312B2 (en) | System and method for calibrating radio frequency power of communication devices | |
CN110991721A (zh) | 基于改进经验模态分解和支持向量机的短期风速预测方法 | |
CN114881093B (zh) | 一种信号分类识别方法 | |
CN111461445A (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
CN111582315B (zh) | 样本数据处理方法、装置及电子设备 | |
Jordovic-Pavlovic et al. | Computationally intelligent description of a photoacoustic detector | |
CN114004162A (zh) | 一种多工况场景下的冶炼负荷谐波发射水平的建模方法 | |
CN113591390B (zh) | 一种接收机射频链路非线性效应的模型筛选方法、平台 | |
CN116596061B (zh) | 一种基于迁移学习的功率放大器谐波预测方法 | |
CN113472415A (zh) | 信号到达角估计方法、装置、电子设备及存储介质 | |
CN116595368B (zh) | 一种基于非线性建模的功率放大器谐波预测方法 | |
CN116826739A (zh) | 基于单变量时序的超短期农业电力负荷预测方法及装置 | |
CN113553771B (zh) | 基于rnn网络的动态x参数核计算方法 | |
US11941083B2 (en) | Quantifying signal purity by means of machine learning | |
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 | |
LU100964B1 (en) | A DNN-based method for modeling temperature characteristics of radio frequency power amplifier | |
CN113919388A (zh) | 一种融合信号频谱幅值调制和深度学习的机电装备故障诊断方法及装置 | |
Mirzaei et al. | Two‐stage blind audio source counting and separation of stereo instantaneous mixtures using Bayesian tensor factorisation | |
Serrà et al. | On tuning consistent annealed sampling for denoising score matching | |
CN111523258B (zh) | 基于MS-Net网络的微地震有效信号初至拾取方法及系统 | |
CN115587629B (zh) | 协方差膨胀系数估计方法、模型训练方法、存储介质终端 | |
CN116318470B (zh) | 非高斯噪声下的通信干扰信号功率估计方法和装置 | |
CN111596138B (zh) | 一种基于贝叶斯推理的有源负载牵引系统的补偿方法 |
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 |