[发明专利]一种基于ELM的射频功放温度特性建模方法

说明书

技术领域

本发明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ELM的射频功放温度特性建模方法。

背景技术

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。

发明内容

本发明的目的是为了克服现有技术中的不足，提供了一种基于ELM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Extreme Learning Machine(ELM)，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。

本发明的目的是通过以下技术方案实现的。

本发明的基于ELM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ELM模型的训练数据和测试数据；

步骤二，确定ELM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ELM模型中，对ELM模型进行训练；

步骤四，将测试数据导入已经训练好的ELM模型中，比较ELM模型输出结果和测试结果并计算二者的误差，即ELM模型的测试误差MSE：

其中，m_i表示ELM模型的测试结果，即ELM模型的理想输出结果，o_i表示ELM模型的输出结果，即ELM模型的实际输出结果，n表示样本数量；

步骤五，比较ELM模型的测试误差MSE和ELM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ELM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，直到测试误差MSE小于精度期望值，训练结束。

与现有技术相比，本发明的技术方案所带来的有益效果是：

本发明首次将ELM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。相比于传统的神经网络，尤其是单隐层前馈神经网络(SLFNs)，在保证学习精度的前提下ELM比传统的学习算法速度更快，因而基于ELM的射频功放温度行为模型所需的训练时间大大缩短。

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ELM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

下面结合附图对本发明作进一步的描述。

本发明的基于ELM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ELM模型的训练数据和测试数据；

步骤二，确定ELM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ELM模型中，对ELM模型进行训练；

步骤四，将测试数据导入已经训练好的ELM模型中，比较ELM模型输出结果和测试结果并计算二者的误差，即ELM模型的测试误差MSE：