[发明专利]一种数控衰减器建模方法

说明书

本发明公开了一种数控衰减器建模方法，包括获取参考态和衰减基态测试数据、获取其他衰减状态的数据、预处理样本数据、建立神经网络模型、训练神经网络模型几个步骤，该方法在获取建模样本数据时，无需对数控衰减器的所有工作状态都进行测试，而只需对数控衰减器的参考态和几个衰减基态进行测试，并通过去嵌和级联算法计算出其他工作状态的数据，因此可显著减轻测试工作量。接着利用各工作状态下的数据，基于BP神经网络方法构建神经网络模型，可精确拟合模型复杂的非线性映射关系。本发明提出的数控衰减器建模，可对输入输出数据进行自适应训练而学习器件的行为特性，而无需了解芯片内在的结构和工作原理，相较于传统建模方法具有明显优势。

技术领域

本发明涉及射频/微波建模仿真技术领域，尤其涉及一种数控衰减器建模方法。

背景技术

射频器件种类繁多、结构千变万化，工作状态、工作原理各不相同，根据器件工作状态，可分为单状态器件和多状态器件。数控衰减器利用编码控制各级开关器件，从而控制各衰减模块支路处于直通或衰减状态，从而组合出不同的工作状态，因此数控衰减器是一种多状态芯片，如图2所示。

射频器件建模作为射频/微波建模与仿真的重要环节，对准确评估射频微波系统的电性能、信号的传输性能等起到了十分关键的作用。

传统的射频芯片建模方法主要包括：物理模型法、等效电路模型法以及数值方法。然而，物理模型和等效电路模型的计算速度快，但必须对芯片的内在结构和工作原理比较了解，当对各种寄生效应和耦合效应缺乏深入认识时，难以得到准确的模型；数值方法则需要付出巨大的计算量才能得到较准确的模型。

此外，对于多状态器件，其输入信号除了射频信号外，还包含控制信号，可组合出多种工作状态，无论是对器件的测试工作，还是器件的模型描述都更加复杂。

发明内容

针对传统建模方法的局限和数控衰减器多状态的特点，本发明提出一种数控衰减器建模方法，该方法在获取建模样本数据时，无需对数控衰减器的所有工作状态都进行测试，而只需对数控衰减器的参考态(0dB衰减状态)和几个衰减基态进行测试，并通过去嵌和级联算法计算出其他工作状态的数据，因此可显著减轻测试工作量。接着，利用各工作状态下的数据，基于BP神经网络方法构建神经网络模型，可精确拟合模型复杂的非线性映射关系。本发明提出的数控衰减器建模，可对输入输出数据进行自适应训练而学习器件的行为特性，而无需了解芯片内在的结构和工作原理，相较于传统建模方法具有明显优势。

为实现上述目的，本发明的数控衰减器建模方法，包括以下步骤：

步骤一、获取参考态和衰减基态测试数据：针对数控衰减器建模，将S参数作为神经网络模型的输出参数，将频率作为输入参数；利用矢量网络分析仪对数控衰减器的参考态及各衰减基态进行数据测量，其中衰减基态为数控衰减器中各衰减模块单独作用的衰减状态；

步骤二、获取其他衰减状态的数据：通过去嵌公式将各衰减模块的S参数求出，然后再利用级联公式求出参考态与多个衰减模块不同组合下的级联S参数，以得到不同工作状态下的S参数数据；

步骤三、预处理样本数据：对S参数中周期性变化的相位数据进行反折叠处理，以及对神经网络训练样本进行归一化和随机排序处理；

步骤四、建立神经网络模型：利用BP神经网络算法对数控衰减器的数据进行自主学习以建立其模型，针对数控衰减器各工作状态下的各维度的S参数分别建立神经网络模型，确定各神经网络的层数、各隐藏层神经元个数和各神经元激活函数；

步骤五、训练神经网络模型：针对每个工作状态的各维度S参数的幅度和相位分别进行神经网络模型的训练。

进一步的，步骤一中将各通道S参数的幅度、相位单独作为神经网络的输出进行建模，以提高模型精度和训练效率，每个工作状态下的模型包含多个神经网络模型，每个神经网络模型仅计算和输出一维S参数。