[发明专利]一种基于支持向量机的功率放大器行为模型的建模方法

说明书

本发明公开了一种基于支持向量机的功率放大器行为模型的建模方法，在非线性状态下宽带调制信号的时域输入输出特性数据进行采集，然后根据采集的数据，基于支持向量机算法，使用拉格朗日乘数法，以及网格搜索优化算法，求得模型的优化系数，最后得到最优行为模型；突破了现有功放建模技术，能解决现有强非线性、强记忆效应功放模型预测精度低的问题，开发所得功放行为模型具有很好的可行性和准确性。

技术领域

本发明涉及功率放大器建模领域，更具体的说，它涉及一种基于支持向量机的功率放大器行为模型的建模方法。

背景技术

射频功率放大器是无线通信系统中的关键部分，其作用是将已调制的宽带信号放大到所需要的功率值。当输入信号幅度较小时，射频功率放大器的输入输出信号间通常呈现良好的线性关系。但在实际应用中，为了提高功率效率，放大器往往需要工作在饱和点附近，此时放大器表现出显著的非线性。为了准确的分析放大器非线性对通信系统造成的影响，为后续设计提供高效的线性化方案，首先必须建立精确的放大器模型。近年来一些新的功放类型的出现，如F类，逆F类等，使功放工作在更强的非线性区域，这给功放模型的精确开发带来了新的问题和新挑战。尤其是多管复合功率放大器，如Doherty功放等，非线性及记忆效应将更加强大，传统基于多项式等函数的建模方法已经遇到瓶颈，急需新方法来提高建模的精度及建模效率。基于神经网络方法的模型能逼近任意连续的非线性函数，是建立功率放大器模型的有力工具。但神经网络存在结构难以确定，收敛速度慢等缺陷，很大程度上制约了建模效果。可见，现有的模型在表征强非线性及记忆效应的功率放大器特性时都有各自的局限性。

因此如果要精确描述功放在宽带信号激励时的各种特性，急需一个更加高效精准的建模方法。

发明内容

本发明克服了现有技术的不足，提出一种基于支持向量机的功率放大器行为模型的建模方法，解决现有的功放行为模型对强非线性功放建模精度低的问题，建立能精确预测强非线性功放行为的模型。

本发明的技术方案如下：

一种基于支持向量机的功率放大器行为模型的建模方法，具体包括如下步骤：

101)拟合函数步骤：在宽带信号激励下，实际测量得基于支持向量机的功率放大器的输入波与反射波样本，输入波与反射波样本的集合为n代表样本总数量，i代表样本序号，其中x_i∈R^d，y_i∈R，R代表实数集，d代表实数集的维度，以拟合得到输入波与反射波样本的线性函数如下：

f(x)＝w^Tx+b 公式(1)

其中w为权系数，b为阈值，x为输入波，y为反射波样本，y＝f(x)，T为时间；

102)精度限制步骤：步骤101)中线性函数设置在精度ε下进行无误差拟合得到如下公式：

其中优化目标最小化为||w||，并引入松弛因子ξ^±，用于允许拟合的误差，具体公式如下：

其中，C为常数，表示对超出允许误差的样本的惩罚程度；

103)引入拉格朗日步骤：引入拉格朗日乘子，其中拉格朗日函数L如下：

其中，η^±和α^±为非负的拉格朗日乘子，对应于上述公式有解，则令对w，b,ξ^±的偏导为零，得到如下公式：

将公式(6)带入公式(5)中，可得对偶形式公式如下：