[发明专利]一种基于DNN的射频功放温度特性建模方法在审
| 申请号： | 201711409314.7 | 申请日： | 2017-12-22 |
| 公开（公告）号： | CN108287941A | 公开（公告）日： | 2018-07-17 |
| 发明（设计）人： | 马建国;周绍华;傅海鹏 | 申请（专利权）人： | 天津大学 |
| 主分类号： | G06F17/50 | 分类号： | G06F17/50;G06N3/08;G06N3/10 |
| 代理公司： | 天津市北洋有限责任专利代理事务所 12201 | 代理人： | 吴学颖 |
| 地址： | 300072*** | 国省代码： | 天津;12 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 射频功率放大器 温度特性 测试数据 射频功放 训练数据 建模 测试误差 调整参数 实测数据 输出变量 输出结果 输入变量 温度区间 指标变化 预测 | ||
【权利要求书】：
1.一种基于DNN的射频功放温度特性建模方法，其特征在于，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DNN模型的训练数据和测试数据；
步骤二，确定DNN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DNN模型中，对DNN模型进行训练；
步骤四，将测试数据导入已经训练好的DNN模型中，比较DNN模型输出结果和测试结果并计算二者的误差，即DNN模型的测试误差MSE：
其中，mi表示DNN模型的测试结果，即DNN模型的理想输出结果，oi表示DNN模型的输出结果，即DNN模型的实际输出结果，n表示样本数量；
步骤五，比较DNN模型的测试误差MSE和DNN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DNN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MSE小于精度期望值，训练结束。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于天津大学，未经天津大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201711409314.7/1.html，转载请声明来源钻瓜专利网。
