基于记忆多项式的支持向量回归的DPA建模方法与流程

基于记忆多项式的支持向量回归的dpa建模方法
技术领域
1.本发明属于微电子器件建模技术领域，涉及doherty功率放大器动态行为模型的建立，具体涉及基于记忆多项式的支持向量回归的dpa建模方法。


背景技术：

2.随着电信业的持续发展，每一代网络对射频功率放大器的要求越来越高。从物理层的角度来看，最近的大部分研究工作都集中在克服功率放大器的线性与效率的权衡问题。因此提出了多晶体管功率放大器架构，如doherty功率放大器、多晶体管doherty功率放大器以及outphasing架构。doherty功率放大器被认为是比其他架构更有前途的电路元件，因为它能够在较宽的峰均功率比(papr)范围内实现高效率。然而，由于其内部的非线性负载调制，这种架构受到强烈的非线性和显著的记忆效应的影响，特别是对于基于氮化镓(gan)器件的功率放大器而言。与传统的半导体材料，即砷化镓(gaas)相比，氮化镓器件功率密度的大幅增加和出色的噪声性能，使其不仅成为功率放大器设计中采用的主要功率晶体管，而且也是低噪声应用的最佳选择。尽管基于氮化镓的doherty功率放大器表现出良好的输出功率和效率，但强非线性和记忆效应仍然是其应用的一个大问题。
3.构建功率放大器的精确行为模型是解决其嵌入系统级设计时的非线性和记忆效应的最有效方法之一，也是功率放大器的数字预失真(dpd)的最重要步骤之一。主流观点认为，功率放大器行为模型是一个黑盒子，只使用输入和输出数据即可确定模型参数，不需要围绕内部物理操作的细节。
4.现有技术中的许多行为建模方法都是基于volterra理论或简化的导数，如记忆多项式(mp)模型、一般记忆多项式(gmp)模型，以及动态偏差减少(ddr)模型。然而，对于doherty功率放大器来说，这些模型通常不具备所需的结构来捕捉与该架构相关的复杂非线性行为。而支持向量机建模技术对于强非线性的多管gan doherty功率放大器仍然存在建模精度不够的问题。对于非线性程度更高，内部结构更为复杂的多管gan doherty功率放大器，需要有高精度的描述多管gan doherty功率放大器行为特性的建模方法。


技术实现要素：

5.针对现有技术的不足，本发明提出了基于记忆多项式的支持向量回归的dpa建模方法，在支持向量机建模技术基础上，结合了记忆多项式模型，通过增加输入项，丰富了输入数据的细节，增强了输入与输出之间的联系，提高了强非线性的多管gan doherty功率放大器行为模型的精确率。
6.基于记忆多项式的支持向量回归的dpa建模方法，具体包括以下步骤：
7.步骤一、线性函数拟合
8.选择待建立行为模型的多管gan doherty功率放大器，测量lte(long term evolution)信号xi经过该放大器放大后的信号yi，i为样本序号，n为样本数量，i＝1，2，...n。将进行记忆多项式处理后的信号xi作为输入，信号yi为输出的拟合目标，建立线性函
数：
9.y＝f(x)＝w
t
x b
ꢀꢀꢀ
(1)
10.其中，w为权系数，b为阈值，t表示转置，x表示经过记忆多项式处理后的信号xi＝xi(n)|xi(n)| xi(n)|xi(n)|2 ... xi(n-1)|xi(n-1)| xi(n-1)|xi(n-1)|2，n表示采样时刻。
11.步骤二、优化目标设置
12.对步骤一得到的线性函数在精度ε下进行无误差拟合：
[0013][0014]
设置优化目标为||w||最小化，并引入松弛因子ξ
±
，得到如下优化目标：
[0015][0016]
其中，||w||表示权系数w的2范数，松弛因子ξ
±
表示允许的拟合误差，c为正则化常数，表示对超出允许误差范围的样本的惩罚程度。
[0017]
步骤三、引入拉格朗日乘子
[0018]
在步骤二得到的优化目标中引入拉格朗日乘子，得到拉格朗日函数l如下：
[0019][0020]
其中，η
±
和α
±
为非负的拉格朗日乘子。拉格朗日函数l有解的条件为对w、b、ξ
±
的偏导为零，因此有：
[0021][0022][0023]
其中，j为样本序号，j＝1，2，...n，得到引入拉格朗日乘子的拟合函数：
[0024][0025]
步骤四、非线性函数拟合
[0026]
通过非线性映射将输入数据xi映射到高维特征空间中再进行线性回归，通过核函数k(xi，xj)实现内积运算，得到非线性拟合函数：
[0027][0028][0029]
作为优选，所述核函数为径向基函数，其中e表示常数；γ为宽度参数，用于控制核函数的径向作用范围。
[0030]
步骤五、行为模型输出
[0031]
设置正则化常数c、精度ε以及核函数宽度参数的范围，然后通过网格搜素，选取最
优模型参数，输出多管gan doherty功率放大器的行为模型。
[0032]
作为优选，步骤一中还测量了lte信号xi在该放大器下的am/am、am/pm、功率谱密度和时域波形，用于评价步骤五中选取的模型参数是否最优。
[0033]
本发明具有以下有益效果：
[0034]
突破了现有gan doherty功率放大器建模技术，针对多管gan doherty功率放大器器件的强非线性与记忆效应，通过引入记忆多项式模型，将原始的输入数据替换为记忆多项式模型的基本公式，增加输入数据的信息量，并且增强了输入数据与输出数据的联系，使得到的预测模型的输出曲线更贴合实测的输出曲线，大幅度提升了多管gan doherty功率放大器行为模型的可行性与精确度，能解决现有强非线性多管gan doherty功率放大器器件模型预测精度低的问题。
附图说明
[0035]
图1为基于记忆多项式的支持向量回归模型的拓扑结构图；
[0036]
图2为实施例中模型输出与实测的多管gan doherty功率放大器am/am动态特性曲线；
[0037]
图3为实施例中模型输出与实测的多管gan doherty功率放大器am/pm动态特性曲线；
[0038]
图4为多管gan doherty功率放大器不同建模方法输出的时域波形；
[0039]
图5为多管gan doherty功率放大器不同建模方法的输出功率谱和谱误差。
具体实施方式
[0040]
以下结合附图对本发明作进一步的解释说明；
[0041]
基于记忆多项式的支持向量回归的dpa建模方法，具体包括以下步骤：
[0042]
步骤一、线性函数拟合
[0043]
在80mhzlte信号xi的激励下，测试待建立行为模型的多管gan doherty功率放大器，输出的信号yi，i为样本序号，n为样本数量，i＝1，2，...n。将进行记忆多项式处理后的信号xi作为输入，信号yi为输出的拟合目标，建立线性函数：
[0044]
y＝f(x)＝w
t
x b
ꢀꢀꢀ
(1)
[0045]
其中，w为权系数，b为阈值，t表示转置，x表示经过记忆多项式处理后的信号xi＝xi(n)|xi(n)| xi(n)|xi(n)|2
…
xi(n-1)|xi(n-1)| xi(n-1)|xi(n-1)|2，n表示采样时刻。
[0046]
图1为基于记忆多项式的支持向量回归模型的拓扑结构图，模型的输入为经过记忆多项式模型处理后的lte信号，通过基于支持向量机模型输出预测结果。real[x(n)]，imag[x(n)]为lte信号样本的实部和虚部，real{x(n)*|x(n)|}，imag{x(n)*|x(n)|}为记忆多项式模型的基本公式，即将输入信号乘以对应模值，再提取实部、虚部依次输入，增加输入数据的信息量，增强输入与输出的联系，模型输出为对应输入信号经过多管gan doherty功率放大器放大后的虚部和实部。
[0047]
步骤二、优化目标设置
[0048]
对步骤一得到的线性函数在精度ε下进行无误差拟合：
[0049][0050]
设置优化目标为权系数w的2范数||w||最小化，并引入松弛因子ξ
±
，得到如下优化目标：
[0051][0052]
其中，||w||表示权系数w的2范数，松弛因子ξ
±
表示允许的拟合误差，c为正则化常数，表示对超出允许误差范围的样本的惩罚程度。
[0053]
步骤三、引入拉格朗日乘子
[0054]
在步骤二得到的优化目标中引入拉格朗日乘子，得到拉格朗日函数l如下：
[0055][0056]
其中，η
±
和α
±
为非负的拉格朗日乘子。拉格朗日函数l有解的条件为对w、b、ξ
±
的偏导为零：
[0057][0058]
将公式(5)代入公式(4)中得到：
[0059][0060][0061]
其中，j为样本序号，j＝1，2，...n，得到引入拉格朗日乘子的拟合函数：
[0062][0063]
步骤四、非线性函数拟合
[0064]
通过非线性映射将输入数据xi映射到高维特征空间中再进行线性回归，通过核函数k(xi，xj)实现内积运算，得到非线性拟合函数：
[0065][0066][0067]
所述核函数为径向基函数：
[0068][0069]
其中，e表示常数；γ为宽度参数，用于控制核函数的径向作用范围。
[0070]
步骤五、行为模型输出
[0071]
设置正则化常数c、精度ε以及核函数宽度参数的范围，然后通过网格搜素，选取最优模型参数，输出多管gan doherty功率放大器的行为模型。
[0072]
对实际多管gan doherty功率放大器器件进行测试，获得该功率放大器的实测am/am和am/pm动态特性曲线。再使用步骤五得到的行为模型，输出对应的am/am和am/pm动态特性曲线，如图2、3所示，从结果可以看到，提出的模型能很好的预测非线性强的多管gan doherty功率放大器特性，模型的输出基本与实测数据贴合，验证了本方法所提出的器件行为建模技术的有效性。
[0073]
图4、5为针对同一个多管gan doherty功率放大器，采用本技术的方法与其他不同方法建立的模型输出结果与实测的时域波形和输出功率谱及谱误差对比图，可以看出对比于其他建模方法，本技术所得模型的拟合效果强于其他建模方法，能很好的表现doherty功率放大器的行为特征。
[0074]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明构思的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明保护范围内。