功率放大器的建模方法、装置、电子设备和存储介质制造方法及图纸

本申请涉及一种功率放大器的建模方法、装置、电子设备和存储介质，电子设备根据预设的模型类型，获取功率放大器的初始模型框架；然后在初始模型框架中选择预设第一数量的多项式，并根据功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型；根据功率放大器的输出采样值与简化模型获得的模型输出值，计算简化模型的适应度；若简化模型的适应度小于或等于预设阈值，则将简化模型确定为功率放大器的目标模型。采用上述方法可以减小功率放大器模型的计算复杂度，降低计算开销；并且提升功率放大器模型的拟合性能，使得该模型能可以满足预失真算法的需求，更好地提升功率放大器的线性指标。

【技术实现步骤摘要】
功率放大器的建模方法、装置、电子设备和存储介质
本申请涉及信号处理领域，特别是涉及一种功率放大器的建模方法、装置、电子设备和存储介质。
技术介绍
数字预失真是提升功率放大器线性的重要技术。在数字预失真领域中，可以对功率放大器进行建模，例如建立Volterra模型，以表征功率放大器的非线性特性。随着Volterra模型阶数和记忆深度的增加，模型计算量呈指数增加。现有技术中，为了降低模型的计算量，可以对功率放大器模型进行简化，例如只考虑Volterra模型的阶数得到无记忆多项式模型，或者只选取Volterra级数模型的对角项，得到记忆多项式模型。但是，采用上述方法，简化后的功率放大器模型性能降低，导致通过数字预失真方法对功率放大器的线性提升效果较差。
技术实现思路
基于此，有必要针对上述技术问题，提供一种功率放大器的建模方法、装置、电子设备和存储介质。一种功率放大器的建模方法，上述方法包括：根据预设的模型类型，获取功率放大器的初始模型框架；在初始模型框架中选择预设第一数量的多项式，并根据功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型；根据功率放大器的输出采样值与简化模型获得的模型输出值，计算简化模型的适应度；适应度用于表征简化模型与功率放大器的输入输出特征的差异程度；若简化模型的适应度小于或等于预设阈值，则将简化模型确定为功率放大器的目标模型。在其中一个实施例中，上述方法还包括：若简化模型的适应度大于预设阈值，则在初始模型框架中重新选择预设第一数量的多项式，返回执行根据功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型的步骤。在其中一个实施例中，上述方法还包括：若迭代次数大于预设次数阈值时，停止执行获得功率放大器的简化模型的步骤；迭代次数为重新选择预设第一数量的多项式获得简化模型的次数；将多次迭代中获得的适应度最小的简化模型，确定为功率放大器的目标模型。在其中一个实施例中，上述在初始模型框架中重新选择预设第一数量的多项式，包括：确定初始模型框架中的各多项式的序号；根据当前简化模型的适应度，以及当前简化模型中各多项式的预失真系数，调整当前简化模型中各多项式的序号；在初始模型框架中，选择与调整后的各序号对应的预设第一数量的多项式。在其中一个实施例中，上述根据当前简化模型的适应度，以及当前简化模型中各多项式的预失真系数，调整当前简化模型中各多项式的序号，包括：根据公式vi＝w*vi+c1r1(pm-hi)+c2r2(pg-hi)确定序号的调整值；其中，vi为第i个多项式的序号的调整值，hi为当前简化模型中第i个多项式的预失真系数，pg为多次迭代过程中获得的简化模型的适应度的最小值，pm为当前简化模型的适应度，w为预设的惯性权重，c1和c2为预设的学习因子，r1和r2为[0，1]范围内的均匀随机数；将当前简化模型中个多项式的序号加上调整值，确定为调整后的各多项式的序号。在其中一个实施例中，上述确定初始模型框架中的各多项式的序号，包括：根据初始模型框架中，各多项式的预失真系数与模型参数的对应关系，按照模型参数中各个参数递增的顺序，确定各预失真系数对应的多项式的序号。在其中一个实施例中，上述根据预设的模型类型，获取功率放大器的初始模型框架，包括：根据功率放大器的带宽，在预设的带宽与模型参数的对应关系中，选择与带宽匹配的模型参数；模型参数包括模型阶数和记忆深度；根据模型类型与模型参数，确定功率放大器的初始模型框架。在其中一个实施例中，上述根据简化模型获得的模型输出值与功率放大器的输出采样值，计算简化模型的适应度，包括：分别获得各模型输出值与对应的输出采样值的差值，并对差值进行归一化处理，确定简化模型的适应度。在其中一个实施例中，上述对差值进行归一化处理，确定简化模型的适应度，包括：根据公式计算简化模型的适应度pm；其中，N为采样点的个数，y(n)为第n各采样点的输出采样值，yps(n)为第n个采样点的模型输出值。在其中一个实施例中，上述根据功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，包括：将输入采样值与输出采样值代入多项式组合中，并根据最小二乘法计算各多项式的预失真系数；多项式组合由预设第一数量的多项式组合而成。在其中一个实施例中，上述在初始模型框架中选择预设第一数量的多项式，包括：在初始模型框架中，保留不包含记忆深度的无记忆多项式，并在其余多项式中选择预设第二数量的多项式；无记忆多项式的数量加预设第二数量等于预设第一数量。在其中一个实施例中，上述在初始模型框架中选择预设第一数量的多项式，包括：在初始模型框架中，保留由对角项组成的记忆多项式，并在其余多项式中选择预设第三数量的多项式；记忆多项式的数量加预设第三数量等于预设第一数量。在其中一个实施例中，上述模型类型为Volterra模型。一种功率放大器的建模装置，上述装置包括：获取模块，用于根据预设的模型类型，获取功率放大器的初始模型框架；建模模块，用于在初始模型框架中选择预设第一数量的多项式，并根据功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型；计算模块，用于根据功率放大器的输出采样值与简化模型获得的模型输出值，计算简化模型的适应度；适应度用于表征简化模型与功率放大器的输入输出特征的差异程度；确定模块，用于在简化模型的适应度小于或等于预设阈值时，将简化模型确定为功率放大器的目标模型。一种电子设备，包括存储器和处理器，存储器存储有计算机程序，上述处理器执行计算机程序时实现上述功率放大器的建模方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现上述功率放大器的建模方法的步骤。上述功率放大器的建模方法、装置、电子设备和存储介质，电子设备根据预设的模型类型，获取功率放大器的初始模型框架；然后在初始模型框架中选择预设第一数量的多项式，并根据功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型；根据功率放大器的输出采样值与简化模型获得的模型输出值，计算简化模型的适应度；适应度用于表征简化模型与功率放大器的输入输出特征的差异程度；若简化模型的适应度小于或等于预设阈值，则将简化模型确定为功率放大器的目标模型。由于电子设备在初始模型框架中选择预设第一数量的多项式，从而减小了简化模型的计算复杂度，降低了计算开销；进一步地，由于电子设备获取了简化模型的适应度，可以通过适应度判断简化模型的性能是否能够准确地表征功率放大器模型的非线性特征；通过将适应度小于预设阈值的简化模型确定为功率放大器的目标模型，使得该目标模型既可以减小模型计算量，又能可以满足预失真算法的本文档来自技高网...

【技术保护点】
1.一种功率放大器的建模方法，其特征在于，所述方法包括：/n根据预设的模型类型，获取功率放大器的初始模型框架；/n在所述初始模型框架中选择预设第一数量的多项式，并根据所述功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型；/n根据所述功率放大器的输出采样值与所述简化模型获得的模型输出值，计算所述简化模型的适应度；所述适应度用于表征所述简化模型与所述功率放大器的输入输出特征的差异程度；/n若所述简化模型的适应度小于或等于预设阈值，则将所述简化模型确定为所述功率放大器的目标模型。/n

【技术特征摘要】
1.一种功率放大器的建模方法，其特征在于，所述方法包括：
根据预设的模型类型，获取功率放大器的初始模型框架；
在所述初始模型框架中选择预设第一数量的多项式，并根据所述功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型；
根据所述功率放大器的输出采样值与所述简化模型获得的模型输出值，计算所述简化模型的适应度；所述适应度用于表征所述简化模型与所述功率放大器的输入输出特征的差异程度；
若所述简化模型的适应度小于或等于预设阈值，则将所述简化模型确定为所述功率放大器的目标模型。


2.根据权利要求1所述的功率放大器的建模方法，其特征在于，所述方法还包括：
若所述简化模型的适应度大于所述预设阈值，则在所述初始模型框架中重新选择预设第一数量的多项式，返回执行根据所述功率放大器的输入采样值与输出采样值计算各个多项式的预失真系数，获得功率放大器的简化模型的步骤。


3.根据权利要求2所述的功率放大器的建模方法，其特征在于，所述方法还包括：
若迭代次数大于预设次数阈值时，停止执行获得功率放大器的简化模型的步骤；所述迭代次数为重新选择预设第一数量的多项式获得简化模型的次数；
将多次迭代中获得的适应度最小的简化模型，确定为所述功率放大器的目标模型。


4.根据权利要求1所述的功率放大器的建模方法，其特征在于，所述在所述初始模型框架中重新选择预设第一数量的多项式，包括：
确定所述初始模型框架中的各多项式的序号；
根据当前简化模型的适应度，以及当前简化模型中各多项式的预失真系数，调整所述当前简化模型中各多项式的序号；
在所述初始模型框架中，选择与调整后的各序号对应的预设第一数量的多项式。


5.根据权利要求4所述的功率放大器的建模方法，其特征在于，所述根据当前简化模型的适应度，以及当前简化模型中各多项式的预失真系数，调整所述当前简化模型中各多项式的序号，包括：
根据公式vi＝w*vi+c1r1(pm-hi)+c2r2(pg-hi)确定所述序号的调整值；
其中，vi为第i个多项式的序号的调整值，hi为当前简化模型中第i个多项式的预失真系数，pg为多次迭代过程中获得的简化模型的适应度的最小值，pm为当前简化模型的适应度，w为预设的惯性权重，c1和c2为预设的学习因子，r1和r2为[0，1]范围内的均匀随机数；
将所述当前简化模型中个多项式的序号加上所述调整值，确定为调整后的各多项式的序号。


6.根据权利要求4所述的功率放大器的建模方法，其特征在于，所述确定所述初始模型框架中的各多项式的序号，包括：
根据所述初始模型框架中，各多项式的预失真系数与所述模型参数的对应关系，按照所述模型参数中各个参数递增的顺序，确定各所述预失真系数对应的多项式的序号。


7.根据权利要求1-6任一项所述的功率放大器的建模方法，其特征在于，所述根据预设的模型类型，获取功率放大器的初始模型框架，包括：
根据功率放大器的带宽，在预设的带宽与模型参数的对应关系中，选择与所述带宽匹配的模型参数；所述模型参数包括模...

【专利技术属性】
技术研发人员：姜成玉，刁穗东，吴卓智，刘重军，
申请(专利权)人：京信通信系统中国有限公司，
类型：发明
国别省市：广东;44