本发明属于射频器件，更为具体地讲，涉及一种基于自回归网络的射频器件输出预测方法。
背景技术：
1、随着射频器件特征尺寸的减小以及集成电路规模的扩大，想要对这些复杂的结构进行建模探索，通常使用基于物理的模型或电气模型，这两类模型都需要通过分析射频器件的内部电路来创建相应模型，因此会产生非常庞大的方程组，毫无疑问从计算成本以及时间成本的角度出发，这是非常耗时且性价比极低的方法。
2、计算机辅助方法在射频非线性电路和系统的宏观建模方面取得了非常可观的成果。神经网络已经被证实可以很好地应用于设备以及射频器件建模，并且在有源器件建模、无源器件建模、器件性能优化、建模以及仿真领域可以显著提升效率。对于非线性电路的建模方式共有行为建模以及晶体管建模，行为建模专注于输入和输出信号而不需要关注电路内部细节，晶体管建模如spice模型，能够给出更准确的模型相应的也更加耗时。神经网络根据其能够模拟输入输出之间关系的强大特性，因其便利性以及快速性，成为了更加首选的建模方式。神经网络中的前馈神经网络对于非线性电路建模的效率低下，研究者们已经研发了多种时域神经网络例如递归神经网络(rnn)、动态神经网络(dnn)、时延神经网络(tdnn)和状态空间动态神经网络(ssdnn)，都能够很好捕捉长时间序列中的依赖关系。
3、对于射频器件建模，neuro-sm和动态neuro-sm也同样提出被用于与dc、小信号、大信号相关的非线性器件建模。neuro-sm模型可以使用多层感知机(mlp)等静态神经网络将设备行为的粗模型映射到精细模型，可以更准确匹配设备行为，其建模层面大多为晶体管级，但大多研究者会先建立映射网络和典型类晶体管数据(例如dc、s参数以及hb数据)的连接，而不会选择将设备的输入输出数据直接作为神经网络的训练数据。同样的，在动态neuro-sm模型中，会通过使用tdnn来代替mlp将粗模型映射到精细模型，但仍需要开发与dc、s参数以及hb数据相关的动态neuro-sm公式。递归神经网络例如长短时记忆网络(lstm)，可以将设备的输入输出数据直接作为神经网络训练数据，能够表示器件的时域动态行为，但其模型存在许多可训练参数导致训练过程非常缓慢，对于长序列的预测也容易出现梯度消失的问题。
4、大多数研究者所使用数据数据驱动均为标准波形，例如不同幅度、不同频率的正弦波、方波等波形，相应的测试信号也同样使用同种波形，所建立的模型能够很好地模拟射频器件的输入输出关系，在此数据驱动下的模型鲁棒性不强。但大多模型针对均为晶体管层级而不是器件的宏观建模，且波形数据的来源为仿真数据，无其他噪声影响，与射频器件实际工作环境中夹杂各种噪声的环境具有一定差距。由于现实世界中存在着广泛而多样的噪声频谱，它们不仅覆盖了从低频到高频的整个频段范围，而且每个频段的噪声都可能对最终的预测性能产生重要影响。如果能够使用噪声数据作为数据驱动，来建立射频器件的宏观精细行为模型，所建立出的模型具有更好的便利性，在工作频段内任意波形都可以预测其输出，其模型能够有更强的鲁棒性，且能够更好地帮助工程师应对复杂的技术挑战。再通过设计一种网络结构，能够学习到噪声数据中更加低维的特征而不需要人工方法进行特征提取，从而能够完整构建出器件的输入输出映射关系。
技术实现思路
1、本发明的目的在于克服现有技术的不足，提供一种基于自回归网络的射频器件输出预测方法，仅靠噪声做数据驱动即可预测射频器件真实工作环境下的时域输出。
2、为实现上述发明目的，本发明一种基于自回归网络的射频器件输出预测方法，其特征在于，包括以下步骤：
3、(1)、数据采集；
4、(1.1)、任意波形发生器随机生成固定带宽且频谱均匀、时域幅度为a的随机噪声信号，随机噪声信号在时域上服从区间[-a/2,a/2]上的均匀分布；
5、(1.2)、将随机噪声信号输入至示波器，通过示波器记录射频器件的输入信号xi；将随机噪声信号先输入至射频器件，再将射频器件的输出信号输入至示波器，通过示波器记录射频器件的输出信号yi；
6、(1.3)、重复步骤(1.1)、(1.2)s次，得到输入信号集合x＝{x1,x2,…,xi,…,xs}，xi＝{xi,1,xi,2,…,xi,j,…,xi,m}，xi,j为第i组输入信号中第j个采样值；输出信号集合y＝{y1,y2,…,yi,…,ys}，yi＝{yi,1,yi,2,…,yi,j,…,yi,m}，yi,j第i组输出信号中第j个采样值；m表示采样个数；
7、(2)、采集数据预处理；
8、(2.1)、在输入信号集合x＝{x1,x2,…,xi,…,xs}中，依次计算每组输入信号xi＝{xi,1,xi,2,…,xi,j,…,xi,m}的均值μi、标准差σi；
9、设置均值阈值μ、标准差阈值σ；然后判断均值μi、标准差σi是否满足：μi≥μ或σi≤σ，如果满足，保留该组输入信号xi及对应输出信号yi；否则，删除输入信号xi及对应输出信号yi，最终得到输入信号集合及对应的输出信号集合
10、(2.2)、延迟校准；
11、计算每组输入信号xi与对应输出信号yi的互相关函数rxiyi(k)：
12、
13、其中，k表示延迟点数；
14、找出互相关函数为最大值时对应的延迟点数kmax：
15、
16、根据延迟点数kmax对输出信号yi进行平移，平移后缺失位置的数据以0填充，得到输出信号
17、
18、其中，的长度为m，填充0的个数为kmax个；
19、最终得到新输出信号集合
20、(3)、构建训练数据；
21、(3.1)、数据归一化处理；
22、分别对输入信号集合和输出信号集合中每组信号进行归一化处理，得到归一化后的输入信号集合和输出信号集合
23、(3.2)、从归一化后的数据提取特征向量以及标签值；
24、按照固定步进，利用滑动窗口对每组输入、输出信号进行滑窗处理，设每次滑动采样n个数据点，共计得到k组输入特征向量，其中，对xnorm中第i组输入信号滑动后得到的一组输入特征向量记为对ynorm中第i组输入信号滑动后，取对应第n个值作为输出标签，记为其中，“”表示归一化；
25、(4)、搭建基于自动编码器架构的全连接自回归神经网络；
26、基于自动编码器架构的全连接自回归神经网络包括输入层、编码器、解码器和输出层
27、其中，所述输入层用于将输入特征向量输入至编码器；
28、所述编码器由l层隐藏层组成，每层隐藏层的神经元的数量由n逐渐递减至nl，每层隐藏层的单个神经元的输出通过激活函数与下一层隐藏层的各个神经元相连；
29、所述解码器由l层隐藏层组成，其中，每层隐藏层的神经元的数量由nl逐渐递增至n，每层隐藏层的通过全连接层和激活函数与下一层每层隐藏层相连；
30、所述输出层用于将解码结果进行输出；
31、(5)、训练基于自动编码器架构的全连接自回归神经网络；
32、(5.1)、将输入特征向量与对应标签输入通过全连接自回归神经网络的输入层输入至编码器；
33、(5.2)、在编码器中，第一层隐藏层对输入特征向量进行如下操作：
34、(5.2.1)、利用第一层隐藏层中的神经元对输入特征向量进行线性变换，其中，第l个神经元的输出为：
35、
36、其中，为输入特征向量中第l个元素，l＝1,2,…,n，wl和bi分别为第l个神经元的权重和偏置；
37、(5.2.2)、将每个神经元的输出yl1通过激活函数激活，得到各个神经元激活后的输出
38、
39、其中，tanh(·)表示激活函数；
40、(5.2.3)、将所有神经元激活后的输出进行拼接，得到第一层隐藏层的输出a1；
41、
42、其中，concat(·)表示特征维度上拼接；
43、(5.2.4)、对于编码器的第2层至l层，均将前一层的输出作为下一层的输入，然后重复步骤(5.2.1)-(5.2.3)的操作，最后得到第l层隐藏层的输出al，并作为编码器的最终输出a；
44、
45、(5.3)、通过解码器进行解码操作；
46、(5.3.1)、将编码器的输出a输入至解码器；
47、(5.3.2)、利用第l层隐藏层中的神经元对输出a进行线性变换，得到各个神经元的输出；
48、
49、其中，和分别为解码器第l层隐藏层的权重和偏置，l＝1,2,…,nl；
50、(5.3.3)、将每个神经元的输出通过激活函数激活，得到各个神经元激活后的输出
51、
52、(5.3.4)、将所有神经元激活后的输出进行拼接，得到第l层隐藏层的输出hl；
53、
54、(5.3.5)、对于解码器的第l-1层至第1层，均将前一层的输出作为下一层的输入，然后重复步骤(5.3.2)-(5.3.4)的操作，得到第1层隐藏层的输出；
55、
56、(5.3.6)、第1层隐藏层的输出通过输出层输出，得到射频器件的输出预测值
57、(5.4)、将xnorm中第i组输入信号滑动后得到k组输入特征向量依次输入至全连接自回归神经网络，按照步骤(5.1)-(5.3)得到k组输出预测值，记为
58、(5.5)、计算本轮训练后全连接自回归神经网络的损失值loss；
59、
60、(5.6)、根据本轮训练后的损失值loss，通过梯度下降法更新全连接自回归神经网络的参数，然后通过反复迭代训练，直至全连接自回归神经网络的收敛，得到训练完成的全连接自回归神经网络；
61、(6)、对射频器件输出进行预测；
62、按照步骤(1.1)的方法生成随机噪声信号，然后将随机噪声信号输入至示波器，通过示波器采样得到射频器件的输入信号x；按照步骤(2.1)、(3.1)、(3.2)对输入信号x进行处理得到输入特征向量，并输入至训练完成的全连接自回归神经网络，从而得到射频器件的输出预测值
63、本发明的发明目的是这样实现的：
64、本发明基于自回归网络的射频器件输出预测方法，先利用任意波形发生器生成随机噪声信号，再结合示波器和射频器件记录输入、输出信号集合；然后对采集数据进行预处理后得到用于模型训练的输入特征向量及标签；接着构建并训练基于自动编码器架构的全连接自回归神经网络，并用训练后的全连接自回归神经网络对射频器件输出进行预测。
65、同时，本发明基于自回归网络的射频器件输出预测方法还具有以下有益效果：
66、(1)、通过使用噪声数据驱动训练网络，可以预测不同于噪声信号的不同频段的正弦波，模型泛化性能强；
67、(2)、对于长序列的捕捉能力要优于rnn、lstm和gru时序预测模型，训练复杂度远低于rnn、lstm，训练时间更短，所占用消耗的内存更低，泛化能力更好，且能更好的对数据进行并行处理，具有更高的计算效率。
1.一种基于自回归网络的射频器件输出预测方法，其特征在于，包括以下步骤：
