CN117200906A - 基于深度学习的射频通道校准方法 - Google Patents
基于深度学习的射频通道校准方法 Download PDFInfo
- Publication number
- CN117200906A CN117200906A CN202311467567.5A CN202311467567A CN117200906A CN 117200906 A CN117200906 A CN 117200906A CN 202311467567 A CN202311467567 A CN 202311467567A CN 117200906 A CN117200906 A CN 117200906A
- Authority
- CN
- China
- Prior art keywords
- radio frequency
- signal
- sequence
- deep learning
- phase
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 230000005540 biological transmission Effects 0.000 claims abstract description 14
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 230000001276 controlling effect Effects 0.000 claims abstract description 8
- 230000001105 regulatory effect Effects 0.000 claims abstract description 7
- 238000000819 phase cycle Methods 0.000 claims description 22
- 238000009825 accumulation Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 14
- 238000012417 linear regression Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000010363 phase shift Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
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
- Transmitters (AREA)
Abstract
本发明公开了一种基于深度学习的射频通道校准方法，涉及无线电波传输校准领域，包括：构建射频信号补偿装置；将射频信号补偿装置与射频通道串联，构成射频链路；向射频链路注入测试信号，并通过深度学习自适应校准模型调控射频信号补偿装置，使得射频链路输出信号的功率、相位与测试信号一致，以完成射频通道校准。本发明根据测试信号，在深度学习自适应校准模型的调控下，对射频通道进行自适应校准补偿，其效率高，具有动态自学习能力，灵活性强，可满足批量校正补偿的工程需求。
Description
技术领域
本发明涉及无线电波传输校准领域，具体涉及一种基于深度学习的射频通道校准方法。
背景技术
由于器件老化和环境变化等原因，天线接收的信号经过由多个器件组成的射频通道后，发生畸变。从频域上可以看作不同频点的幅度和相位发生变化。若对于MIMO（Multiple Input Multiple Output，多输入多输出）技术，该变化会导致经过多个射频通道发射的射频信号无法形成直接波束，因此射频通道有校准的需求。
目前，在进行射频通道校准时，通常设置一个外置馈源，产生校准信号，然后将校准信号通过各个射频通道发射出去，接收经过各个射频通道发出出来的测量信号，然后使用测试仪表比较校准信号和各个测量信号之间幅度差和相位差，根据幅度差和相位差校准对各个射频通道进行补偿。该方法补偿效率低下，灵活性差，无法根据器件老化和环境变化动态调整，也无法满足批量校正补偿的需求。
发明内容
针对现有技术中的上述不足，本发明提供的基于深度学习的射频通道校准方法解决了现有射频通道校准技术效率低下，灵活性差，不能动态调整，无法满足批量校正补偿需求的问题。
为了达到上述发明目的，本发明采用的技术方案为：
基于深度学习的射频通道校准方法，包括以下步骤：
S1、构建射频信号补偿装置，包括：
移相器，用于调节射频信号各频点的相位；
衰减器，用于调节射频信号各频点的功率衰减；
放大器，用于调节射频信号各频点的功率增益；
S2、将射频信号补偿装置与射频通道串联，构成射频链路；
S3、向射频链路注入测试信号，并通过深度学习自适应校准模型调控射频信号补偿装置，使得射频链路输出信号的功率、相位与测试信号一致，以完成射频通道校准。
本发明的有益效果为：本发明构建了由移相器、衰减器和放大器组成的射频信号补偿装置，根据测试信号，在深度学习自适应校准模型的调控下，对射频通道进行自适应校准补偿，其效率高，具有动态自学习能力，灵活性强，可满足批量校正补偿的工程需求。
进一步地，所述S3包括以下分步骤：
S31、向射频链路注入测试信号，将未经过射频链路传输的测试信号记为原信号，将经过射频链路传输的测试信号记为畸变信号；
S32、通过目标函数，根据原信号和畸变信号训练深度学习自适应校准模型，并由深度学习自适应校准模型调控射频信号补偿装置。
进一步地，所述深度学习自适应校准模型包括：
第1时频变换单元，用于通过FFT（Fast Fourier Transform，快速傅里叶）变换，根据原信号，计算得到原信号频域复数序列；
第2时频变换单元，用于通过FFT变换，根据畸变信号，计算得到畸变信号频域复数序列；
第1信号解析单元，用于根据原信号频域复数序列，计算得到原信号相位序列和原信号频域功率序列；
第2信号解析单元，用于根据畸变信号频域复数序列，计算得到畸变信号相位序列和畸变信号频域功率序列；
序列拼接单元，用于拼接原信号相位序列、畸变信号相位序列、原信号频域功率序列和畸变信号频域功率序列，得到射频通道传输特性序列；
递减式多层卷积融合运算单元，用于根据射频通道传输特性序列，通过多层卷积融合运算，得到移相器控制量、衰减器控制量和放大器控制量，以调控射频信号补偿装置。
进一步地，所述第1信号解析单元和第二信号的运算表达式为：
其中，为正整数序号，/>为频域功率序列中第/>频点的功率，/>为相位序列中第/>频点的相位，/>为频域复数序列中第/>频点数据的实部，/>为频域复数序列中第/>频点数据的虚部。
上述进一步方案的有益效果为：射频通道对射频信号的畸变，从频域上而言，是不同频点的信号出现了不同的幅度和相位变化，本发明构建的深度学习自适应校准模型，是通过对射频通道前后的信号的对比，计算移相器、衰减器和放大器的控制量，对射频通道进行补偿式校准。因此，对信号进行FFT变化，并计算其频域上的功率和相位，有效提取信息，利于减少后续深度学习的运算量。
进一步地，所述序列拼接单元按以下各式拼接原信号相位序列、畸变信号相位序列、原信号频域功率序列和畸变信号频域功率序列：
其中，至/>依次为射频通道传输特性序列第/>至/>个元素，/>为原信号频域功率序列中第/>频点的功率，/>为畸变信号频域功率序列中第/>频点的功率，/>为原信号相位序列中第/>频点的相位，/>为畸变信号相位序列中第/>频点的相位。
上述进一步方案的有益效果为：有效拼接数据，利于后续的目标函数设置以及自适应深度学习的展开。
进一步地，所述递减式多层卷积融合运算单元包括：加权累加层、线性回归层和N个卷积层，N为大于1的正整数；第1至第N卷积层依次分别设有N至1个卷积核；
所述射频通道传输特性序列复制N份，分别输入第1卷积层的N个卷积核；
每个卷积层的第1卷积核的输出端均与加权累加层的输入端连接；
第i卷积层的第j卷积核的输出端均与第i+1卷积层的第j-1卷积核的输入端连接，i为大于等于1且小于N的正整数，j为大于1且小于等于N的正整数；
所述加权累加层的输出端与线性回归层的输入端连接；
所述线性回归层的输出端输出移相器控制量、衰减器控制量和放大器控制量。
进一步地，所述加权累加层的运算表达式为：
其中，为加权累加层输出的序列，/>为第/>卷积层的第1卷积核输向加权累加层的序列，/>为第/>加权系数，/>为卷积层的数量；
所述线性回归层的运算表达式为：
其中，为移相器控制量，/>为衰减器控制量，/>为放大器控制量，/>至/>分别为第1至第3线性系数向量，/>至/>分别为第1至第3偏置参数。
上述进一步方案的有益效果为：本发明设计了多层次、阶梯化，串并结合，多尺度数据融合的深度卷积运算模式，既多层次解算了射频通道前后的射频信号频域功率、相位信息，以不同的尺度防止训练过程中，欠拟合、过拟合和梯度消失的情形，又有足够的并行速率，其效率高，具有动态自学习能力，灵活性强。
进一步地，所述S32的目标函数为：
其中，为目标函数，/>为求取最小值的函数，/>为功率重要度系数，/>为相移重要度系数。
上述进一步方案的有益效果为：目标函数依据序列拼接单元的拼接方式而设立，以射频通道前后信号在频域各频点的相移和功率变化的加权最小为目标，用户可根据需要调节功率重要度系数和相移重要度系数的大小，使深度学习自适应校准模型实现不同侧重点的训练，以灵活校准射频通道。
附图说明
图1为本发明实施例提供的一种基于深度学习的射频通道校准方法的流程图；
图2为本发明实施例通过深度学习自适应校准模型调控射频信号补偿装置，校准射频通道的示意图；
图3为本发明实施例深度学习自适应校准模型的结构图；
图4为本发明实施例递减式多层卷积融合运算单元的结构图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，在本发明的一个实施例中，基于深度学习的射频通道校准方法，包括以下步骤：
S1、构建射频信号补偿装置，如图2所示，包括：
移相器，用于调节射频信号各频点的相位；
衰减器，用于调节射频信号各频点的功率衰减；
放大器，用于调节射频信号各频点的功率增益；
S2、将射频信号补偿装置与射频通道串联，构成射频链路；
S3、向射频链路注入测试信号，并通过深度学习自适应校准模型调控射频信号补偿装置，使得射频链路输出信号的功率、相位与测试信号一致，以完成射频通道校准。
S3包括以下分步骤：
S31、向射频链路注入测试信号，将未经过射频链路传输的测试信号记为原信号，将经过射频链路传输的测试信号记为畸变信号；
S32、通过目标函数，根据原信号和畸变信号训练深度学习自适应校准模型，并由深度学习自适应校准模型调控射频信号补偿装置。
如图3所示，深度学习自适应校准模型包括：
第1时频变换单元，用于通过FFT（Fast Fourier Transform，快速傅里叶）变换，根据原信号，计算得到原信号频域复数序列；
第2时频变换单元，用于通过FFT变换，根据畸变信号，计算得到畸变信号频域复数序列；
第1信号解析单元，用于根据原信号频域复数序列，计算得到原信号相位序列和原信号频域功率序列；
第2信号解析单元，用于根据畸变信号频域复数序列，计算得到畸变信号相位序列和畸变信号频域功率序列；
序列拼接单元，用于拼接原信号相位序列、畸变信号相位序列、原信号频域功率序列和畸变信号频域功率序列，得到射频通道传输特性序列；
递减式多层卷积融合运算单元，用于根据射频通道传输特性序列，通过多层卷积融合运算，得到移相器控制量、衰减器控制量和放大器控制量，以调控射频信号补偿装置。
第1信号解析单元和第二信号的运算表达式为：
其中，为正整数序号，/>为频域功率序列中第/>频点的功率，/>为相位序列中第/>频点的相位，/>为频域复数序列中第/>频点数据的实部，/>为频域复数序列中第/>频点数据的虚部。
射频通道对射频信号的畸变，从频域上而言，是不同频点的信号出现了不同的幅度和相位变化，本发明构建的深度学习自适应校准模型，是通过对射频通道前后的信号的对比，计算移相器、衰减器和放大器的控制量，对射频通道进行补偿式校准。因此，对信号进行FFT变化，并计算其频域上的功率和相位，有效提取信息，利于减少后续深度学习的运算量。
所述序列拼接单元按以下各式拼接原信号相位序列、畸变信号相位序列、原信号频域功率序列和畸变信号频域功率序列：
其中，至/>依次为射频通道传输特性序列第/>至/>个元素，/>为原信号频域功率序列中第/>频点的功率，/>为畸变信号频域功率序列中第/>频点的功率，/>为原信号相位序列中第/>频点的相位，/>为畸变信号相位序列中第/>频点的相位。
有效拼接数据，利于后续的目标函数设置以及自适应深度学习的展开。
如图4所示，递减式多层卷积融合运算单元包括：加权累加层、线性回归层和N个卷积层，N为大于1的正整数；第1至第N卷积层依次分别设有N至1个卷积核；
所述射频通道传输特性序列复制N份，分别输入第1卷积层的N个卷积核；
每个卷积层的第1卷积核的输出端均与加权累加层的输入端连接；
第i卷积层的第j卷积核的输出端均与第i+1卷积层的第j-1卷积核的输入端连接，i为大于等于1且小于N的正整数，j为大于1且小于等于N的正整数；
所述加权累加层的输出端与线性回归层的输入端连接；
所述线性回归层的输出端输出移相器控制量、衰减器控制量和放大器控制量。
加权累加层的运算表达式为：
其中，为加权累加层输出的序列，/>为第/>卷积层的第1卷积核输向加权累加层的序列，/>为第/>加权系数，/>为卷积层的数量；
线性回归层的运算表达式为：
其中，为移相器控制量，/>为衰减器控制量，/>为放大器控制量，/>至/>分别为第1至第3线性系数向量，/>至/>分别为第1至第3偏置参数。
本发明设计了多层次、阶梯化，串并结合，多尺度数据融合的深度卷积运算模式，既多层次解算了射频通道前后的射频信号频域功率、相位信息，以不同的尺度防止训练过程中，欠拟合、过拟合和梯度消失的情形，又有足够的并行速率，其效率高，具有动态自学习能力，灵活性强。
深度学习自适应校准模型的各卷积核的参数，以及加权累加层、线性回归层的各系数、参数，均由深度学习自适应校准模型根据目标函数，根据原信号和畸变信号自适应学习得到。
本发明的目标函数为：
其中，为目标函数，/>为求取最小值的函数，/>为功率重要度系数，/>为相移重要度系数。
目标函数依据序列拼接单元的拼接方式而设立，以射频通道前后信号在频域各频点的相移和功率变化的加权最小为目标，用户可根据需要调节功率重要度系数和相移重要度系数的大小，使深度学习自适应校准模型实现不同侧重点的训练，以灵活校准射频通道。
综上，本发明构建了由移相器、衰减器和放大器组成的射频信号补偿装置，根据测试信号，在深度学习自适应校准模型的调控下，对射频通道进行自适应校准补偿，其效率高，具有动态自学习能力，灵活性强，可满足批量校正补偿的工程需求。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种基于深度学习的射频通道校准方法，其特征在于，包括以下步骤：
S1、构建射频信号补偿装置，包括：
移相器，用于调节射频信号各频点的相位；
衰减器，用于调节射频信号各频点的功率衰减；
放大器，用于调节射频信号各频点的功率增益；
S2、将射频信号补偿装置与射频通道串联，构成射频链路；
S3、向射频链路注入测试信号，并通过深度学习自适应校准模型调控射频信号补偿装置，使得射频链路输出信号的功率、相位与测试信号一致，以完成射频通道校准。
2.根据权利要求1所述的基于深度学习的射频通道校准方法，其特征在于，所述S3包括以下分步骤：
S31、向射频链路注入测试信号，将未经过射频链路传输的测试信号记为原信号，将经过射频链路传输的测试信号记为畸变信号；
S32、通过目标函数，根据原信号和畸变信号训练深度学习自适应校准模型，并由深度学习自适应校准模型调控射频信号补偿装置。
3.根据权利要求2所述的基于深度学习的射频通道校准方法，其特征在于，所述深度学习自适应校准模型包括：
第1时频变换单元，用于通过FFT变换，根据原信号，计算得到原信号频域复数序列；
第2时频变换单元，用于通过FFT变换，根据畸变信号，计算得到畸变信号频域复数序列；
第1信号解析单元，用于根据原信号频域复数序列，计算得到原信号相位序列和原信号频域功率序列；
第2信号解析单元，用于根据畸变信号频域复数序列，计算得到畸变信号相位序列和畸变信号频域功率序列；
序列拼接单元，用于拼接原信号相位序列、畸变信号相位序列、原信号频域功率序列和畸变信号频域功率序列，得到射频通道传输特性序列；
递减式多层卷积融合运算单元，用于根据射频通道传输特性序列，通过多层卷积融合运算，得到移相器控制量、衰减器控制量和放大器控制量，以调控射频信号补偿装置。
4.根据权利要求3所述的基于深度学习的射频通道校准方法，其特征在于，所述第1信号解析单元和第二信号的运算表达式为：
其中，为正整数序号，/>为频域功率序列中第/>频点的功率，/>为相位序列中第频点的相位，/>为频域复数序列中第/>频点数据的实部，/>为频域复数序列中第频点数据的虚部。
5.根据权利要求4所述的基于深度学习的射频通道校准方法，其特征在于，所述序列拼接单元按以下各式拼接原信号相位序列、畸变信号相位序列、原信号频域功率序列和畸变信号频域功率序列：
其中，至/>依次为射频通道传输特性序列第/>至/>个元素，/>为原信号频域功率序列中第/>频点的功率，/>为畸变信号频域功率序列中第频点的功率，/>为原信号相位序列中第/>频点的相位，/>为畸变信号相位序列中第/>频点的相位。
6.根据权利要求5所述的基于深度学习的射频通道校准方法，其特征在于，所述递减式多层卷积融合运算单元包括：加权累加层、线性回归层和N个卷积层，N为大于1的正整数；第1至第N卷积层依次分别设有N至1个卷积核；
所述射频通道传输特性序列复制N份，分别输入第1卷积层的N个卷积核；
每个卷积层的第1卷积核的输出端均与加权累加层的输入端连接；
第i卷积层的第j卷积核的输出端均与第i+1卷积层的第j-1卷积核的输入端连接，i为大于等于1且小于N的正整数，j为大于1且小于等于N的正整数；
所述加权累加层的输出端与线性回归层的输入端连接；
所述线性回归层的输出端输出移相器控制量、衰减器控制量和放大器控制量。
7.根据权利要求6所述的基于深度学习的射频通道校准方法，其特征在于，所述加权累加层的运算表达式为：
其中，为加权累加层输出的序列，/>为第/>卷积层的第1卷积核输向加权累加层的序列，/>为第/>加权系数，/>为卷积层的数量；
所述线性回归层的运算表达式为：
其中，为移相器控制量，/>为衰减器控制量，/>为放大器控制量，/>至/>分别为第1至第3线性系数向量，/>至/>分别为第1至第3偏置参数。
8.根据权利要求7所述的基于深度学习的射频通道校准方法，其特征在于，所述S32的目标函数为：
其中，为目标函数，/>为求取最小值的函数，/>为功率重要度系数，/>为相移重要度系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311467567.5A CN117200906B (zh) | 2023-11-07 | 2023-11-07 | 基于深度学习的射频通道校准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311467567.5A CN117200906B (zh) | 2023-11-07 | 2023-11-07 | 基于深度学习的射频通道校准方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117200906A true CN117200906A (zh) | 2023-12-08 |
| CN117200906B CN117200906B (zh) | 2024-01-23 |
Family
ID=88987361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311467567.5A Active CN117200906B (zh) | 2023-11-07 | 2023-11-07 | 基于深度学习的射频通道校准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117200906B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100169254A1 (en) * | 2008-12-29 | 2010-07-01 | Chi Mei Communication Systems, Inc. | System and method for calibrating radio frequency power of communication devices |
| CN107248868A (zh) * | 2017-06-09 | 2017-10-13 | 福州智程信息科技有限公司 | 基于神经网络算法的宽带有源天线阵列自适应校正方法 |
| CN109845145A (zh) * | 2017-03-27 | 2019-06-04 | 华为技术有限公司 | 一种射频通道校准装置及方法 |
| US20190218954A1 (en) * | 2018-01-16 | 2019-07-18 | Cts Corporation | Radio Frequency Sensor System Incorporating Machine Learning System and Method |
| CN114692427A (zh) * | 2022-04-20 | 2022-07-01 | 为准（北京）电子科技有限公司 | 设备校准方法及装置 |
| US11637582B1 (en) * | 2022-02-08 | 2023-04-25 | Qualcomm Incorporated | Machine learning-based radio frequency (RF) front-end calibration |
| CN116248202A (zh) * | 2022-12-30 | 2023-06-09 | 中电科思仪科技股份有限公司 | 一种基于深度学习实现射频通道校准的方法 |
| WO2023185070A1 (zh) * | 2022-03-28 | 2023-10-05 | 东南大学 | 一种射频电路单元的射频域校准系统及方法 |
-
2023
- 2023-11-07 CN CN202311467567.5A patent/CN117200906B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100169254A1 (en) * | 2008-12-29 | 2010-07-01 | Chi Mei Communication Systems, Inc. | System and method for calibrating radio frequency power of communication devices |
| CN101771477A (zh) * | 2008-12-29 | 2010-07-07 | 深圳富泰宏精密工业有限公司 | 手机射频发射功率校正系统及方法 |
| CN109845145A (zh) * | 2017-03-27 | 2019-06-04 | 华为技术有限公司 | 一种射频通道校准装置及方法 |
| CN107248868A (zh) * | 2017-06-09 | 2017-10-13 | 福州智程信息科技有限公司 | 基于神经网络算法的宽带有源天线阵列自适应校正方法 |
| US20190218954A1 (en) * | 2018-01-16 | 2019-07-18 | Cts Corporation | Radio Frequency Sensor System Incorporating Machine Learning System and Method |
| US11637582B1 (en) * | 2022-02-08 | 2023-04-25 | Qualcomm Incorporated | Machine learning-based radio frequency (RF) front-end calibration |
| WO2023185070A1 (zh) * | 2022-03-28 | 2023-10-05 | 东南大学 | 一种射频电路单元的射频域校准系统及方法 |
| CN114692427A (zh) * | 2022-04-20 | 2022-07-01 | 为准（北京）电子科技有限公司 | 设备校准方法及装置 |
| CN116248202A (zh) * | 2022-12-30 | 2023-06-09 | 中电科思仪科技股份有限公司 | 一种基于深度学习实现射频通道校准的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘畅: "天波超视距雷达频率校准技术研究", 中国优秀硕士学位论文全文数据库-信息科技辑 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117200906B (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021244236A1 (zh) | 预失真方法、系统、设备及存储介质 | |
| CN107196617B (zh) | 基于动态自适应算法的智能功率稳幅环路及稳幅方法 | |
| CN104184527A (zh) | 传送功率测量装置以及传送功率测量方法 | |
| CN111245512B (zh) | 基于神经网络的可见光通信系统非线性信道建模方法 | |
| AU2010364182A1 (en) | Configurable basis-function generation for nonlinear modeling | |
| CN103107967B (zh) | 一种预失真系数的更新方法和系统 | |
| CN111525955B (zh) | 一种基于稀疏贝叶斯学习的可见光通信的均衡方法及系统 | |
| CN107249165A (zh) | 麦克风灵敏度调整系统及方法 | |
| CN103944651A (zh) | 确定奈奎斯特频率色散通信信道中信道损耗的系统和方法 | |
| CN112804171B (zh) | 基于支持向量回归的多分段数字预失真系统及方法 | |
| CN117200906B (zh) | 基于深度学习的射频通道校准方法 | |
| CN114499719A (zh) | 基于信道仿真仪的多射频通道失配校准方法和装置 | |
| CN111404634A (zh) | 基于变步长迭代的大规模mimo检测方法、系统及应用 | |
| CN112865721B (zh) | 信号处理方法、装置、设备及存储介质、芯片、模组设备 | |
| CN110504964A (zh) | 接收器及其共模电压校准方法 | |
| CN115913844A (zh) | 一种基于神经网络的mimo系统数字预失真补偿方法、装置、设备和存储介质 | |
| CN113810930B (zh) | 一种智能反射表面监听优化方法、装置及控制器 | |
| Wang et al. | Low complexity post-distorter based on extended kernel recursive least squares for visible light communications | |
| CN112398543B (zh) | 用于光通信的方法、设备、系统、装置和计算机可读介质 | |
| CN114337745A (zh) | 一种模型驱动深度学习的大规模mimo信号检测方法 | |
| WO2023125251A1 (zh) | 非线性系统失真校正方法、装置、电子设备和存储介质 | |
| CN112329692A (zh) | 一种有限样本条件下跨场景人体行为无线感知方法及装置 | |
| WO2024065725A1 (en) | Methods and apparatuses for perfoming digital predistortion using a combintion model | |
| CN112491392B (zh) | 窗函数分数延时滤波器设计方法、装置及其存储介质 | |
| Yu et al. | Research and application of intelligent vector signal error calibration method |
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 |