【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)屬于射頻器件，更為具體地講，涉及一種基于自回歸網(wǎng)絡(luò)的射頻器件輸出預測方法。
技術(shù)介紹
1、隨著射頻器件特征尺寸的減小以及集成電路規(guī)模的擴大，想要對這些復雜的結(jié)構(gòu)進行建模探索，通常使用基于物理的模型或電氣模型，這兩類模型都需要通過分析射頻器件的內(nèi)部電路來創(chuàng)建相應模型，因此會產(chǎn)生非常龐大的方程組，毫無疑問從計算成本以及時間成本的角度出發(fā)，這是非常耗時且性價比極低的方法。
2、計算機輔助方法在射頻非線性電路和系統(tǒng)的宏觀建模方面取得了非常可觀的成果。神經(jīng)網(wǎng)絡(luò)已經(jīng)被證實可以很好地應用于設(shè)備以及射頻器件建模，并且在有源器件建模、無源器件建模、器件性能優(yōu)化、建模以及仿真領(lǐng)域可以顯著提升效率。對于非線性電路的建模方式共有行為建模以及晶體管建模，行為建模專注于輸入和輸出信號而不需要關(guān)注電路內(nèi)部細節(jié)，晶體管建模如spice模型，能夠給出更準確的模型相應的也更加耗時。神經(jīng)網(wǎng)絡(luò)根據(jù)其能夠模擬輸入輸出之間關(guān)系的強大特性，因其便利性以及快速性，成為了更加首選的建模方式。神經(jīng)網(wǎng)絡(luò)中的前饋神經(jīng)網(wǎng)絡(luò)對于非線性電路建模的效率低下，研究者們已經(jīng)研發(fā)了多種時域神經(jīng)網(wǎng)絡(luò)例如遞歸神經(jīng)網(wǎng)絡(luò)(rnn)、動態(tài)神經(jīng)網(wǎng)絡(luò)(dnn)、時延神經(jīng)網(wǎng)絡(luò)(tdnn)和狀態(tài)空間動態(tài)神經(jīng)網(wǎng)絡(luò)(ssdnn)，都能夠很好捕捉長時間序列中的依賴關(guān)系。
3、對于射頻器件建模，neuro-sm和動態(tài)neuro-sm也同樣提出被用于與dc、小信號、大信號相關(guān)的非線性器件建模。neuro-sm模型可以使用多層感知機(mlp)等靜態(tài)神經(jīng)網(wǎng)絡(luò)將設(shè)備行為的粗模型映射到精細模型，可以
4、大多數(shù)研究者所使用數(shù)據(jù)數(shù)據(jù)驅(qū)動均為標準波形，例如不同幅度、不同頻率的正弦波、方波等波形，相應的測試信號也同樣使用同種波形，所建立的模型能夠很好地模擬射頻器件的輸入輸出關(guān)系，在此數(shù)據(jù)驅(qū)動下的模型魯棒性不強。但大多模型針對均為晶體管層級而不是器件的宏觀建模，且波形數(shù)據(jù)的來源為仿真數(shù)據(jù)，無其他噪聲影響，與射頻器件實際工作環(huán)境中夾雜各種噪聲的環(huán)境具有一定差距。由于現(xiàn)實世界中存在著廣泛而多樣的噪聲頻譜，它們不僅覆蓋了從低頻到高頻的整個頻段范圍，而且每個頻段的噪聲都可能對最終的預測性能產(chǎn)生重要影響。如果能夠使用噪聲數(shù)據(jù)作為數(shù)據(jù)驅(qū)動，來建立射頻器件的宏觀精細行為模型，所建立出的模型具有更好的便利性，在工作頻段內(nèi)任意波形都可以預測其輸出，其模型能夠有更強的魯棒性，且能夠更好地幫助工程師應對復雜的技術(shù)挑戰(zhàn)。再通過設(shè)計一種網(wǎng)絡(luò)結(jié)構(gòu)，能夠?qū)W習到噪聲數(shù)據(jù)中更加低維的特征而不需要人工方法進行特征提取，從而能夠完整構(gòu)建出器件的輸入輸出映射關(guān)系。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于自回歸網(wǎng)絡(luò)的射頻器件輸出預測方法，僅靠噪聲做數(shù)據(jù)驅(qū)動即可預測射頻器件真實工作環(huán)境下的時域輸出。
2、為實現(xiàn)上述專利技術(shù)目的，本專利技術(shù)一種基于自回歸網(wǎng)絡(luò)的射頻器件輸出預測方法，其特征在于，包括以下步驟：
3、(1)、數(shù)據(jù)采集；
4、(1.1)、任意波形發(fā)生器隨機生成固定帶寬且頻譜均勻、時域幅度為a的隨機噪聲信號，隨機噪聲信號在時域上服從區(qū)間[-a/2,a/2]上的均勻分布；
5、(1.2)、將隨機噪聲信號輸入至示波器，通過示波器記錄射頻器件的輸入信號xi；將隨機噪聲信號先輸入至射頻器件，再將射頻器件的輸出信號輸入至示波器，通過示波器記錄射頻器件的輸出信號yi；
6、(1.3)、重復步驟(1.1)、(1.2)s次，得到輸入信號集合x＝{x1,x2,…,xi,…,xs}，xi＝{xi,1,xi,2,…,xi,j,…,xi,m}，xi,j為第i組輸入信號中第j個采樣值；輸出信號集合y＝{y1,y2,…,yi,…,ys}，yi＝{yi,1,yi,2,…,yi,j,…,yi,m}，yi,j第i組輸出信號中第j個采樣值；m表示采樣個數(shù)；
7、(2)、采集數(shù)據(jù)預處理；
8、(2.1)、在輸入信號集合x＝{x1,x2,…,xi,…,xs}中，依次計算每組輸入信號xi＝{xi,1,xi,2,…,xi,j,…,xi,m}的均值μi、標準差σi；
9、設(shè)置均值閾值μ、標準差閾值σ；然后判斷均值μi、標準差σi是否滿足：μi≥μ或σi≤σ，如果滿足，保留該組輸入信號xi及對應輸出信號yi；否則，刪除輸入信號xi及對應輸出信號yi，最終得到輸入信號集合及對應的輸出信號集合
10、(2.2)、延遲校準；
11、計算每組輸入信號xi與對應輸出信號yi的互相關(guān)函數(shù)rxiyi(k)：
12、
13、其中，k表示延遲點數(shù)；
14、找出互相關(guān)函數(shù)為最大值時對應的延遲點數(shù)kmax：
15、
16、根據(jù)延遲點數(shù)kmax對輸出信號yi進行平移，平移后缺失位置的數(shù)據(jù)以0填充，得到輸出信號
17、
18、其中，的長度為m，填充0的個數(shù)為kmax個；
19、最終得到新輸出信號集合
20、(3)、構(gòu)建訓練數(shù)據(jù)；
21、(3.1)、數(shù)據(jù)歸一化處理；
22、分別對輸入信號集合和輸出信號集合中每組信號進行歸一化處理，得到歸一化后的輸入信號集合和輸出信號集合
23、(3.2)、從歸一化后的數(shù)據(jù)提取特征向量以及標簽值；
24、按照固定步進，利用滑動窗口對每組輸入、輸出信號進行滑窗處理，設(shè)每次滑動采樣n個數(shù)據(jù)點，共計得到k組輸入特征向量，其中，對xnorm中第i組輸入信號滑動后得到的一組輸入特征向量記為對ynorm中第i組輸入信號滑動后，取對應第n個值作為輸出標簽，記為其中，“”表示歸一化；
25、(4)、搭建基于自動編碼器架構(gòu)的全連接自回歸神經(jīng)網(wǎng)絡(luò)；
26、基于自動編碼器架構(gòu)的全連接自回歸神經(jīng)網(wǎng)絡(luò)包括輸入層、編碼器、解碼器和輸出層
27、其中，所述輸入層用于將輸入特征向量輸入至編碼器；
28、所述編碼器由l層隱藏層組成，每層隱藏層的神經(jīng)元的數(shù)量由n逐漸遞減至nl，每層隱藏層的單個神經(jīng)元的輸出通過激活函數(shù)與下一層隱藏層的各個神經(jīng)元相連；
29、所述解碼器由l層隱藏層組成，其中，每層隱藏層的神經(jīng)元的數(shù)量由nl逐漸遞增至n，每層隱藏層的通過全連接層和激活函數(shù)與下一層每層隱藏層相連；...
【技術(shù)保護點】
1.一種基于自回歸網(wǎng)絡(luò)的射頻器件輸出預測方法，其特征在于，包括以下步驟：
【技術(shù)特征摘要】
1.一種基于自回歸網(wǎng)絡(luò)的射頻器件輸出...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：肖寅東，王厚軍，莫武，付在明，劉科，高梓航，
申請(專利權(quán))人：電子科技大學深圳高等研究院，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。