功率放大器的维纳型动态神经网络建模方法、系统、设备及介质技术方案

本发明专利技术提供功率放大器的维纳型动态神经网络建模方法、系统、设备及介质，通过构建两个维纳模型，用于描述功率放大器输入电压和输入电流之间的关系，及输入电压和输出电压之间的关系；功率放大器在大信号条件下输入电压、输入电流和输出电压的信息，整理后作为模型的训练和测试数据；对输入电流和输出电压的基频分量分别进行矢量拟合，根据所得极点信息确定两个模型中状态变量的个数，简化线性动态方程的结构并确定其系数a

【技术实现步骤摘要】
功率放大器的维纳型动态神经网络建模方法、系统、设备及介质


[0001]本专利技术属于微波电路与器件建模领域，具体涉及功率放大器的维纳型动态神经网络建模方法、系统、设备及介质。

技术介绍

[0002]功率放大器是无线通信系统中的重要非线性器件，其性能决定了整个无线通信系统的功率、效率、线性度等指标，无线通信技术的发展给功率放大器电路的设计带来更多的挑战，5G基站由于更大的带宽和更高的功率，对功率放大器的线性度和效率提出更高的要求，工作在高功率状态的功率放大器，其输出信号会出现非线性失真，使得输出信号与输入信号不能保持线性关系，输出信号中会产生新的频率分量，因此，建立高精度的功率放大器模型十分重要，可以预测功率放大器在无线通信系统中的工作状态，从而指导电路的开发设计，节约成本并缩短无线通信系统的研发周期。
[0003]功率放大器的传统模型包括物理模型和等效电路模型，物理模型可以直接指导半导体器件的制作并预测器件特性，但需要了解器件的内部结构和电路机理，且计算过程比较耗时，等效电路模型是依靠CAD技术建立的模型，以基尔霍夫电流和电压电定律为指导，将复杂的电路结构用一种比较简单的模型表示，但同时与原电路保持相同的作用效果，能够与建模软件相互兼容，随着半导体材料和工艺的不断革新，功率放大器的性能不断发展，现有的模型需要调整或建立新的模型，但等效电路建模往往需要较长的时间反复试验摸索。因此对无线通信系统中功率放大器的仿真建模技术创新，提高建模速度的同时保持较高的精确度是微波射频器件建模领域的重要研究方向。
[0004]人工神经网络通过节点连接来模拟人脑运算，能够学习电路中输入信号与输出信号之间的非线性映射关系，利用人工神经网络建模时不需要知道电路的内部结构和工作机理，通过原始电路的数据训练神经网络的内部权重，即可建立原始电路的行为模型，并且对相似的电路结构具有一定的泛化能力，在微波射频建模领域，人工神经网络模型相比传统建模方法具有更大的优势，动态神经网络是一类含有延迟信息或输出反馈的人工神经网络，具有很强的学习能力和逼近任意非线性函数的特点，能够对非线性电路或器件建模，目前已有将动态神经网络应用于功率放大器建模的方法，但当功率放大器工作在较高的输入功率下时，模型存在不收敛或收敛到错误解的情况，无法对功率放大器的非线性失真做到有效预测。

技术实现思路

[0005]针对现有技术中存在的问题，本专利技术提供一种功率放大器的维纳型动态神经网络建模方法、系统、设备及介质，可以精确拟合非线性区的大信号数据，精确反映微波功率放大器的动态特性和非线性特性。
[0006]本专利技术是通过以下技术方案来实现：
[0007]功率放大器的维纳型动态神经网络建模方法，包括以下步骤：
[0008]步骤一：构建适用于功率放大器的两个维纳模型，分别用于描述输入电压和输入电流之间的关系，以及输入电压和输出电压之间的关系；
[0009]步骤二：功率放大器在大信号条件下输入电压、输入电流和输出电压的信息，整理后作为模型的训练数据和测试数据；
[0010]步骤三：采用矢量拟合法处理输入电流的基频分量的实部虚部数据，得到第一个维纳模型的极点信息，采用矢量拟合法处理输出电压的基频分量的实部虚部数据，得到第二个维纳模型的极点信息，根据所得极点信息分别确定两个模型中状态变量的个数，简化两组线性动态方程的结构并确定线性动态方程系数a
m
,b
m
,A
m
,B
m
初始值；
[0011]步骤四：分别设置两个模型中静态非线性神经网络的隐神经元数量和权重初始值，分别与两个简化的线性动态方程级联构成功率放大器的两个维纳型动态神经网络；
[0012]步骤五：在确定的两个维纳型动态神经网络模型结构上进行训练并测试，误差达到要求后功率放大器的建模完成。
[0013]优选的，在步骤一中用于功率放大器建模的两个维纳模型分别为：
[0014][0015][0016]其中，令v
in
(t)，i
in
(t)，v
out
(t)分别表示功率放大器的输入电压，输入电流，和输出电压，A
m
和B
m
表示线性动态方程的系数，x
m
(t)表示功率放大器电路中的状态变量，表示状态变量关于时间t的导数，其中m＝1,2，指代第m个维纳模型，令g
ANN1
表示输入电压和输入电流之间的神经网络，g
ANN2
表示输入电压和输出电压之间的神经网络，w1和w2分别是两个非线性神经网络部分的内部权重向量。
[0017]优选的，在步骤二中获取功率放大器在大信号条件下的谐波响应数据，选定功率放大器电路的输入功率和频率的范围及步长，在ADS仿真软件中进行谐波平衡分析，将获得输入电压，输入电流和输出电压的实部和虚部数据处理后作为训练数据和测试数据。
[0018]优选的，步骤三和步骤四包括以下步骤：
[0019]根据矢量拟合结果中实极点和复共轭极点的数量简化维纳模型的结构，分别将两个维纳模型中的线性动态方程组解耦合为对应实极点和复共轭极点的简化的线性动态方程组，实极点对应的线性动态方程包含一个状态变量及其导数，复共轭极点对应的线性动态方程包含两个状态变量及其导数；
[0020]对输入电流的基频分量数据进行矢量拟合后得到的多组结果求平均值，作为第一个维纳模型中线性动态方程系数a1,b1,A1,B1的初始值，对输出电压的基频分量数据进行矢量拟合后得到的多组结果求平均值，作为第二个维纳模型中线性动态方程系数a2,b2,A2,B2的初始值，对两个模型中MLP神经网络的权重进行初始化，从而构建功率放大器的两个维纳型动态神经网模型。
[0021]优选的，功率放大器的两个维纳型动态神经模型中简化的线性动态方程分别为：
[0022][0023][0024]其中，i＝1,2,...,N
i
，l＝N
i
+1,N
i
+2,...,N
i
+N
l
，N
i
代表第一个模型中实极点的个数，N
l
代表第一个模型中复共轭极点对的个数，r＝1,2,...,N
r
，s＝N
r
+1,N
r
+2,...,N
r
+N
s
，N
r
代表第二个模型中实极点的个数，N
s
代表第二个模型中复共轭极点对的个数。
[0025]优选的，在步骤五中的两个维纳型动态神经网络模型结构分别为：
[0026][0027][0028]优选的，在步骤五中进行训练并测试的过程为：
[0029]训练输入电压与输入电流之间的维纳型动态神经网络，调整简化的线性动态方程系数和MLP神经网络中的权重，使模型拟合的输入电流逼近功率放大器的仿真数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.功率放大器的维纳型动态神经网络建模方法，其特征在于，包括以下步骤：步骤一：构建适用于功率放大器的两个维纳模型，分别用于描述输入电压和输入电流之间的关系，以及输入电压和输出电压之间的关系；步骤二：功率放大器在大信号条件下输入电压、输入电流和输出电压的信息，整理后作为模型的训练数据和测试数据；步骤三：采用矢量拟合法处理输入电流的基频分量的实部虚部数据，得到第一个维纳模型的极点信息，采用矢量拟合法处理输出电压的基频分量的实部虚部数据，得到第二个维纳模型的极点信息，根据所得极点信息分别确定两个模型中状态变量的个数，简化两组线性动态方程的结构并确定线性动态方程系数a
m
,b
m
,A
m
,B
m
初始值；步骤四：分别设置两个模型中静态非线性神经网络的隐神经元数量和权重初始值，分别与两个简化的线性动态方程级联构成功率放大器的两个维纳型动态神经网络；步骤五：在确定的两个维纳型动态神经网络模型结构上进行训练并测试，误差达到要求后功率放大器的建模完成。2.根据权利要求1所述功率放大器的维纳型动态神经网络建模方法，其特征在于，在步骤一中用于功率放大器建模的两个维纳模型分别为：骤一中用于功率放大器建模的两个维纳模型分别为：其中，令v
in
(t)，i
in
(t)，v
out
(t)分别表示功率放大器的输入电压，输入电流，和输出电压，A
m
和B
m
表示线性动态方程的系数，x
m
(t)表示功率放大器电路中的状态变量，表示状态变量关于时间t的导数，其中m＝1,2，指代第m个维纳模型，令g
ANN1
表示输入电压和输入电流之间的神经网络，g
ANN2
表示输入电压和输出电压之间的神经网络，w1和w2分别是两个非线性神经网络部分的内部权重向量。3.根据权利要求1所述功率放大器的维纳型动态神经网络建模方法，其特征在于，在步骤二中获取功率放大器在大信号条件下的谐波响应数据，选定功率放大器电路的输入功率和频率的范围及步长，在ADS仿真软件中进行谐波平衡分析，将获得输入电压，输入电流和输出电压的实部和虚部数据处理后作为训练数据和测试数据。4.根据权利要求1所述功率放大器的维纳型动态神经网络建模方法，其特征在于，步骤三和步骤四包括以下步骤：根据矢量拟合结果中实极点和复共轭极点的数量简化维纳模型的结构，分别将两个维纳模型中的线性动态方程组解耦合为对应实极点和复共轭极点的简化的线性动态方程组，实极点对应的线性动态方程包含一个状态变量及其导数，复共轭极点对应的线性动态方程包含两个状态变量及其导数；对输入电流的基频分量数据进行矢量拟合后得到的多组结果求平均值，作为第一个维纳模型中线性动态方程系数a1,b1,A1,B1的初始值，对输出电压的基频分量数据进行矢量拟合后得到的多组结果求平均值，作为第二个维纳模型中线性动态方程系数a2,b2,A2,B2的初
始值，对两个模型中MLP神经网络的权重进行初始化，从而构建功率放大器的两个维纳型动态神经网模型。5.根据权利要求1所述功率放大器的维纳型动态神经网络建模方法，其特征在于，功率放大器的两个维纳型动态神经模型中简化的线性动态方程分别为：放大器的两个维纳型动态神经模型中简化的线性动态方程分别为：其中，i＝1,2,...,N
i
，l＝N
i
+1,N
i
+2,...,N
i
+N
l
，...

【专利技术属性】
技术研发人员：刘文远，苏奕，
申请(专利权)人：陕西科技大学，
类型：发明
国别省市：