基于OP-ELM的射频功率放大器的行为建模方法技术

本发明专利技术公开基于OP‑ELM的射频功率放大器的行为建模方法，包括步骤：确定射频功率放大器的行为模型的输入变量和相应的输出变量；将训练数据导入ELM算法模型当中，对ELM算法模型训练；对ELM算法模型网络结构中的隐藏层神经元按对建模结果影响进行评估排序，修剪掉排序在后的预定隐藏层神经元，形成修剪好的OP‑ELM射频功放行为模型；将测试数据导入修剪好的OP‑ELM射频功放行为模型中，计算测试误差RMSE，比较OP‑ELM模型输出结果，验证行为建模结果。本发明专利技术利用OP‑ELM算法通过对隐藏层神经元重要性的评估和排序进而修剪掉其中对建模结果重要性低的神经元，达到科学地减少隐藏层神经个数的目的，从而实现简便快速准确地对射频功率放大器进行外部行为建模。

Behavior Modeling Method of RF Power Amplifier Based on OP-ELM

【技术实现步骤摘要】
基于OP-ELM的射频功率放大器的行为建模方法
本专利技术涉及通信
，特别是涉及一种基于OP-ELM的射频功率放大器的行为建模方法。
技术介绍
随着移动通信技术的发展，从第二代GSM到第四代LTE通信技术乃至当今的5G万物互联革命，为了实现提高通信速率的目的，调制信号的带宽和功率峰均比都会显著增高。这些都使得对通信系统中起着重要作用的射频功率放大器的要求愈加严苛。射频功率放大器自身的非线性和频率相关性等都将会对最终的通信效果产生影响。因此，准确了解射频功率放大器的输入输出特性，即行为模型就变得愈发重要。目前，针对射频功率放大器的行为建模技术多种多样，其中神经网络类的建模方法是学界的主流。最近，一种叫极限学习机(extremelearningmachine，ELM)的单隐藏层神经元神经网络的学习算法，能够在取得同等建模精度的情况下，凭借着其极其快速的网络训练速度的优势，也被引入到了射频功率放大器的行为建模当中。但是，在使用ELM算法进行功放建模等实际应用中，往往为了提高建模精度，要增加单隐藏层神经网络中隐藏层神经元，导致网络结构的不紧凑。因此，最佳剪裁极限学习机(Optimall本文档来自技高网...

【技术保护点】
1.基于OP‑ELM的射频功率放大器的行为建模方法，其特征在于，包括步骤：确定射频功率放大器的行为模型的输入变量和相应的输出变量；将训练数据导入ELM算法模型当中，对ELM算法模型训练；对ELM算法模型网络结构中的隐藏层神经元按对建模结果影响进行评估排序，修剪掉排序在后的预定隐藏层神经元，形成修剪好的OP‑ELM射频功放行为模型；将测试数据导入修剪好的OP‑ELM射频功放行为模型中，计算测试误差RMSE，比较OP‑ELM模型输出结果，验证行为建模结果。

【技术特征摘要】
1.基于OP-ELM的射频功率放大器的行为建模方法，其特征在于，包括步骤：确定射频功率放大器的行为模型的输入变量和相应的输出变量；将训练数据导入ELM算法模型当中，对ELM算法模型训练；对ELM算法模型网络结构中的隐藏层神经元按对建模结果影响进行评估排序，修剪掉排序在后的预定隐藏层神经元，形成修剪好的OP-ELM射频功放行为模型；将测试数据导入修剪好的OP-ELM射频功放行为模型中，计算测试误差RMSE，比较OP-ELM模型输出结果，验证行为建模结果。2.如权利要求1所述的基于OP-ELM的射频功率放大器的行为建模方法，其特征在于，所述输入变量为输入功率，输入信号频率，所述输入变量为输出功率，PAE效率。3.如权利要求1所述的基于OP-ELM的射频功率放大器的行为建模方法，其特...

【专利技术属性】
技术研发人员：马建国，邢光宇，傅海鹏，周绍华，张新，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12