一种基于BPNN的射频功放温度特性建模方法技术

本发明专利技术公开了一种基于BPNN的射频功放温度特性建模方法：根据获得的射频功率放大器温度特性的实测数据选取BPNN模型的训练数据和测试数据；确定BPNN模型的输入变量和输出变量；将训练数据导入BPNN模型中，对BPNN模型进行训练；将测试数据导入已经训练好的BPNN模型中，比较BPNN模型输出结果和测试结果并计算二者的误差；比较BPNN模型的测试误差MSE和BPNN模型精度期望值的大小，如果测试误差MSE小于精度期望值，则BPNN模型训练完成；如果测试误差MSE大于精度期望值，调整参数重新训练，直到MSE小于精度期望值，训练结束。本发明专利技术应用BPNN，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。

A temperature characteristic modeling method of RF power amplifier based on BPNN

The invention discloses a method for modeling the temperature characteristic of RF power amplifier based on BPNN: the training data and test data of the BPNN model are selected according to the measured data of the temperature characteristic of the RF power amplifier, the input variable and the output variable of the BPNN model are determined, the training data is guided into the BPNN model and the BPNN model is trained. To import the test data into the trained BPNN model, compare the output and test results of the BPNN model and calculate the error of the two, compare the test error MSE of the BPNN model and the size of the BPNN model precision expectation value, if the test error MSE is less than the precision expectation value, the BPNN model is trained and the test error MSE is large The training parameters are retrained until the MSE is less than the expected precision and the training ends. The invention uses BPNN to realize the prediction of the change 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BPNN的射频功放温度特性建模方法
本专利技术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BPNN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，本专利技术提供一种基于BPNN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BackPropagationNeuralNetwork(BPNN)，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方案实现的。本专利技术的基于BPNN的射频功放温度特性建模方法，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BPNN模型的训练数据和测试数据；步骤二，确定BPNN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BPNN模型中，对BPNN模型进行训练；步骤四，将测试数据导入已经训练好的BPNN模型中，比较BPNN模型输出结果和测试结果并计算二者的误差，即BPNN模型的测试误差MSE：其中，mi表示BPNN模型的测试结果，即BPNN模型的理想输出结果，oi表示BPNN模型的输出结果，即BPNN模型的实际输出结果，n表示样本数量；步骤五，比较BPNN模型的测试误差MSE和BPNN模型精度期望值的大小，如果测试误差MSE小于精度期望值，则BPNN模型训练完成；如果测试误差MSE大于精度期望值，则需要通过调整参数(激励函数F(￡)、隐藏层数L和隐藏神经元个数N)进行重新训练，直到MSE小于精度期望值，训练结束。与现有技术相比，本专利技术的技术方案所带来的有益效果是：本专利技术首次将BPNN模型应用到射频功率放大器温度特性建模，可满足通过少数关键的测试点来表征整个温度范围内射频功率放大器特性的现实需求，填补了射频功率放大器温度特性建模领域的空白。BPNN模型的应用实现了射频功率放大器输入变量(输入功率、频率和温度)和输出变量(输出功率、S参数和PAE)的非线性映射，且当新的数据进入BPNN模型中进行训练的时候，模型能够通过调整权重值以适应更多的数据。另外，通过调整BPNN模型中最后一层神经元的传递函数，可以灵活改变整个模型的输出变量，即模型的最后输出变量可以是任意值。此外，该模型及其建模流程同样可适用于其他射频/微波电路温度特性的分析和预测，对实际射频/微波电路的设计具有很强的现实指导意义。附图说明图1是基于BPNN的建模流程示意图；图2是射频功率放大器温度特性测试电路图；图3是射频功率放大器输出功率和PAE的建模结果示意图；图4是射频功率放大器S21和S22的建模结果示意图。具体实施方式下面结合附图对本专利技术作进一步的描述。本专利技术的基于BPNN的射频功放温度特性建模方法，如图1所示，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BPNN模型的训练数据和测试数据；步骤二，确定BPNN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BPNN模型中，对BPNN模型进行训练；步骤四，将测试数据导入已经训练好的BPNN模型中，比较BPNN模型输出结果和测试结果并计算二者的误差，即BPNN模型的测试误差MSE：其中，mi表示BPNN模型的测试结果，即BPNN模型的理想输出结果，oi表示BPNN模型的输出结果，即BPNN模型的实际输出结果，n表示样本数量；步骤五，比较BPNN模型的测试误差MSE和BPNN模型精度期望值的大小，如果测试误差MSE小于精度期望值，则BPNN模型训练完成；如果测试误差MSE大于精度期望值，则需要通过调整参数(激励函数F(￡)、隐藏层数L和隐藏神经元个数N)进行重新训练，直到MSE小于精度期望值，训练结束。实施例：0.1–1.2GHzCMOS射频功率放大器步骤一，利用环境测试箱开展测试，测试温度范围为-25～125℃，供电电压为3.3V，扫描频率为100MHz到1.2GHz，利用矢量网络分析仪和频谱仪记录射频功率放大器温度特性的实测数据，测试电路图如图2所示；根据所获得的射频功率放大器温度特性的实测数据，将实测数据分为2组，分别作为BPNN模型的训练数据和测试数据。步骤二，确定BPNN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，将所选取的训练数据导入BPNN模型中，对BPNN模型进行训练。步骤四，将所选取的测试数据导入已经训练好的BPNN模型中，比较BPNN模型输出结果和测试结果并计算二者的误差，即BPNN模型的测试误差MSE，按公式(1)计算，其中n＝156。步骤五，比较BPNN模型的测试误差MSE和BPNN模型精度期望值(10-3)的大小，如果测试误差MSE小于精度期望值(10-3)，则BPNN模型训练完成；如果测试误差MSE大于精度期望值(10-3)，则需要通过调整参数(激励函数F(￡)、隐藏层数L和隐藏神经元个数N)进行重新训练，直到MSE小于精度期望值(10-3)，训练结束。在本实施例中，所选取的BPNN模型，隐藏层参数为2，隐藏神经元数目为15，测试误差MSE＝7.7011×10-4。绘制基于BPNN的射频功放温度特性曲线，如图3和4所示。从图3和4中可以看出，BPNN模型和实测结果基本完全吻合，说明该BPNN模型完全可以有效地代表0.1–1.2GHzCMOS射频功率放大器输入和输出之间的非线性关系，完全可以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。综上所述，基于少数关键测试点的数据，并应用BPNN模型，完全可以实现表征整个温度范围内射频功率放大器的特性，并可以极大地缩短测试时间，从而实现对大范围温度变化情况下射频功率放大器温度特性的快速分析和预测。尽管上面结合附图对本专利技术的功能及工作过程进行了描述，但本专利技术并不局限于上述的具体功能和工作过程，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本专利技术的启示下，在不脱离本专利技术宗旨和权利要求所保护的范围情况下，还可以做出很多形式，这些均属于本文档来自技高网...

【技术保护点】
1.一种基于BPNN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BPNN模型的训练数据和测试数据；步骤二，确定BPNN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BPNN模型中，对BPNN模型进行训练；步骤四，将测试数据导入已经训练好的BPNN模型中，比较BPNN模型输出结果和测试结果并计算二者的误差，即BPNN模型的测试误差MSE：

【技术特征摘要】
1.一种基于BPNN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BPNN模型的训练数据和测试数据；步骤二，确定BPNN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BPNN模型中，对BPNN模型进行训练；步骤四，将测试数据导入已经训练好的BPNN模型中，比较BPNN模型输出结果和测试结果并计算二者的误差，即BPNN模型的...

【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