This invention discloses a method of modeling the temperature characteristic of RF power amplifier based on DNN: select the training data and test data of the DNN model according to the measured data of the temperature characteristic of the RF power amplifier, determine the input variable and the output variable of the DNN model, and introduce the training data into the DNN model, train the DNN model, and the test will be tested. The data is imported into the trained DNN model to compare the output results and test results of the DNN model and calculate the error of the two. Compare the test error MSE of the DNN model and the size of the DNN model precision expectation value. If MSE is less than the precision expectation value, the training is completed; if MSE is greater than the precision expectation value, the parameters are retrained, straight. The MSE is less than the precision expectation, and the training is over. The invention establishes the correlation model of the performance index of the RF power amplifier, and realizes the prediction of the performance index of the RF power amplifier in a given temperature range.
【技术实现步骤摘要】
一种基于DNN的射频功放温度特性建模方法
本专利技术属于涉及射频功率放大器温度特性建模领域,更具体的说,是涉及一种基于DNN的射频功放温度特性建模方法。
技术介绍
射频功率放大器是射频前端不可或缺的核心电路模块,其性能的好坏直接决定了无线通信系统性能的良莠。射频功率放大器的性能受温度的影响巨大,该缺陷在实际的工作过程中无法避免。文献调研结果表明:目前尚未建立完整的器件温度模型,导致所设计出来的射频功率放大器只能在某一特定的温度范围内满足要求。当射频功率放大器的工作温度发生变化(尤其是温度发生大范围变化)的时候,射频功率放大器的特性将随之发生变化,而这将极大地影响整个通信系统的性能和工作状态。因此,需要针对一个设计完成的射频功率放大器进行关于温度特性的行为表征,以实现在大范围温度变化情况下射频功率放大器特性的预测。要预测在大范围温度变化情况下的射频功率放大器的特性,这就需要开展大量的实际测试,而实际的测试过程是异常耗时的,而且实际的测试点又不可能是完整连续覆盖所有温度的。因此,在预测大范围温度变化情况下射频功率放大器的特性就面临一个迫切的需求:根据少数关键的测试点来表征整个温度范围内的射频功率放大器的特性。
技术实现思路
本专利技术的目的是为了克服现有技术中的不足,提供了一种基于DNN的射频功放温度特性建模方法,基于射频功率放大器温度特性的实测数据,应用DeepNeuralNetwork(DNN),建立射频功率放大器性能指标(例如:S参数、输出功率、PAE等)关于温度的相关模型,实现对给定温度区间内射频功率放大器性能指标变化情况的预测。本专利技术的目的是通过以下 ...
【技术保护点】
1.一种基于DNN的射频功放温度特性建模方法,其特征在于,包括以下步骤:步骤一,根据所获得的射频功率放大器温度特性的实测数据选取DNN模型的训练数据和测试数据;步骤二,确定DNN模型的输入变量(输入功率、频率和温度)和输出变量(输出功率、S参数和PAE);步骤三,将训练数据导入DNN模型中,对DNN模型进行训练;步骤四,将测试数据导入已经训练好的DNN模型中,比较DNN模型输出结果和测试结果并计算二者的误差,即DNN模型的测试误差MSE:
【技术特征摘要】
1.一种基于DNN的射频功放温度特性建模方法,其特征在于,包括以下步骤:步骤一,根据所获得的射频功率放大器温度特性的实测数据选取DNN模型的训练数据和测试数据;步骤二,确定DNN模型的输入变量(输入功率、频率和温度)和输出变量(输出功率、S参数和PAE);步骤三,将训练数据导入DNN模型中,对DNN模型进行训练;步骤四,将测试数据导入已经训练好的DNN模型中,比较DNN模型输出结果和测试结果并计算二者的误差,即DNN模型的测...
【专利技术属性】
技术研发人员:马建国,周绍华,傅海鹏,
申请(专利权)人:天津大学,
类型:发明
国别省市:天津,12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。