技术摘要：
本发明公开了一种基于贝叶斯推理的有源负载牵引系统的补偿方法，有源负载牵引系统包括矢量网络分析仪、第一功率放大器、第二功率放大器、第一耦合器、第二耦合器、第一Bias‑Tee偏置器、第二Bias‑Tee偏置器、ESG信号发生器、直流电源、被测器件；本发明采用了基于贝叶  全部
背景技术：
晶体管器件的大信号特性和非线性特性对确定其在射频功率放大器(RFPA)等非 线性应用中的性能时至关重要的。负载牵引测试系统是用于估计和优化工作于非线性区中 的设备性能的最常用技术之一。负载牵引通过系统地改变呈现给被测器件(DUT)的阻抗，从 而评估器件的最佳效率、增益、功率等性能，以及在网络中提供该性能的相关条件，从而可 以清楚地了解放大器的各种工作模式。 根据负载牵引测试系统中阻抗调谐器的类型可将测试系统分为两类，基于无源阻 抗调谐器的无源负载牵引测试系统和基于有源阻抗调谐器的有源负载牵引系统。无源技术 通过调整无源阻抗调谐器的幅度和相位来合成反射系数，具有较高的稳定性，没有任何振 荡，具有较高的功率处理能力等。但其存在一个主要的缺点，由于限制了最大可合成的反射 系数从而限制了最大可合成阻抗值。可以肯定的说任何标准无源负载牵引系统都不能合成 史密斯圆图边界及边界附近的反射系数。而有源负载牵引系统能有效地解决这一问题，且 其阻抗合成速度比无源技术快得多。 然而，有源负载牵引系统的关键难点是如何预测器件负载端口的入射波来模拟目 标负载阻抗。通常使用数值技术，但这个过程是迭代的，需进行多次测量来收敛于解决方 案，并且还可能会出现多个根或陷入振荡等问题。因此，本文提出了一种新的智能算法，利 用基于贝叶斯理论的行为级模型来预测注入信号。
技术实现要素：
本发明克服了现有技术的不足，结合本身科研实践设计一个用于预测有源负载牵 引系统中器件负载端口入射波的补偿方法，采用了基于贝叶斯理论的行为级模型来预测注 入信号，得到被测器件的高精度数据的一种基于贝叶斯推理的有源负载牵引系统的补偿方 法。 本发明的技术方案如下： 一种基于贝叶斯推理的有源负载牵引系统的补偿方法，有源负载牵引系统包括矢 量网络分析仪、第一功率放大器、第二功率放大器、第一耦合器、第二耦合器、第一Bias-Tee 偏置器、第二Bias-Tee偏置器、ESG信号发生器、直流电源、被测器件；矢量网络分析仪与ESG 信号发生器、第一功率放大器、第一耦合器、第二耦合器连接，第一耦合器与第一功率放大 器、第一Bias-Tee偏置器连接，第一Bias-Tee偏置器上设置RF探针，且第一Bias-Tee偏置器 与直流电源、被测器件连接；第二耦合器与第二功率放大器、第二Bias-Tee偏置器连接，第 二Bias-Tee偏置器上设置RF探针，且第二Bias-Tee偏置器与直流电源、被测器件连接； 有源负载牵引系统通过控制注入信号的幅度和相位，得到负载参考平面处的阻 4 CN 111596138 A 说　明　书 2/6 页 抗，其中的合成反射系数取决于ESG信号发生器的输出功率和驱动第一功率放大器、第二功 率放大器的有效增益，具体关系如公式(1)所示： Γ2,n·A2,n-B2,n(A2,1,A2,2,…,A2,n)＝0   公式(1) 其中，n代表谐波次数，Γ2,n表示被测器件负载端反射系数，A2,n为被测器件负载端 的入射波，B2,n为被测器件的反射波，并与入射波及其各次谐波相关；ESG信号发生器输出的 信号在通过第一功率放大器、第二功率放大器时存在增益，在第一耦合器、第二耦合器中也 存在损耗，对入射波进行补偿后公式(1)修正为如下公式(2)所示： Γ2，n·Aset·S12，error-B2，n(A2，1，A2，2，，A2，n)＝0   公式(2) 其中，S12,error表示误差网络中ESG信号发生器的端口到被测器件端口的增益，Aset 表示ESG信号发生器的输出信号；在被测器件负载端的入射波与被测器件的反射波之间，存 在一个对应函数F进行映射，具体如下公式(3)所示： 其中p和q代表端口号，n和m代表谐波次数；以非线性基函数的线性组合对公式(3) 进行表述，具体如下公式(4)： 其中wj为权重，φj为固定的非线性基函数；在Fp,m参数列表中添加的权值向量表示 描述函数对模型参数的依赖关系；公式(4)通过简洁的向量符号表示，则为如下公式(5)： φ为固定的非线性基函数；结合上述简化后的公式、实际测量的训练数据，利用贝 叶斯定理，推导出公式(2)中的B2,n和对应的Aset，得到被测器件的高精度数据。 进一步的，具体结合上述简化后的公式、实际测量的训练数据，利用贝叶斯定理， 推导出公式(2)中的B2,n和对应的Aset的步骤如下： 步骤101)：概率函数赋值给权值向量，权值向量表示为p(w)；通过对被测器件上获 取的数据，得到一组训练数据K，训练数据K的集合为D，具体为如下公式(6)： 其中，i为自然数； 步骤102)：根据步骤101)得到的训练数据K，通过贝叶斯定理可得似然函数p(D| w)，如下公式(7)： 用于描述先验分布和似然分布的概率密度函数有许多选择，比如正态分布的高斯 概率密度函数、指数分布的概率密度函数。我们选择一个多维正态分布的权重概率密度函 数用于描述公式(7)中的p(w)： 5 CN 111596138 A 说　明　书 3/6 页 其中，α表示概率密度函数的逆方差，exp表示以e为底的指数函数。 将公式(7)中的似然函数p(D|w)转换成一组独立且同分布的概率分布的乘积，如 下公式(9)： 其中，β表示该分布函数的逆方差,φ为固定的非线性基函数。 步骤103):通过最大后验方法来进行模型的提取和优化，由于p(D)与权重w无关， 因此只需将公式(7)中的分子最大化，由此对公式(7)的分子通过最小化负对数函数演变得 到如下公式(10)： 进一步的，最大后验方法为通过确定基于训练数据K的最优权重w来促进模型的提 取，通过最大更新概率分布来选择最优权重。 本发明相比现有技术优点在于：本发明利用基于贝叶斯理论的行为级模型，可以 得到特定反射系数下器件输出端的反射波B2,n，及与之相对应的ESG输出值。为了计算局部 贝叶斯模型起始值，我们在LSOP(大信号工作点)处设置器件输入端的入射波A1，然后注入 振幅和相位变化的入射信号A2，测量并利用响应的B1和B2波作为贝叶斯公式中的训练数据 集D。在负载牵引过程中，如果所测的阻抗不符合目标精度，则将当前测量值加入训练数据 集中重新计算新的贝叶斯模型参数。 附图说明 图1为有源负载牵引测试系统结构框图； 图2为系统负载端结构示意图； 图3为误差网络示意图； 图4为算法实现流程图； 图5为单点负载牵引测试结果； 图6为方形分布阻抗点负载牵引测试结果； 图7为测试次数及误差统计图； 图8为基于贝叶斯算法的系统和普通系统需要的阻抗迭代次数对比。 6 CN 111596138 A 说　明　书 4/6 页