[0043] 下面结合附图和具体实施方式对本发明进一步说明。
[0044] 如图1至图8所示，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。
[0045] 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：
[0046] Γ2，n·A2，n‑B2，n(A2，1，A2，2，，A2，n)＝0 公式(1)
[0047] 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。但是根据公式(1)得到的入射波A2,n的参考平面为器件端口处，而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，因此对入射波进行补偿后公式(1)修正为如下公式(2)所示：
[0048] Γ2，n·Aset·S12，error‑B2，n(A2，1，A2，2，，A2，n)＝0 公式(2)[0049] 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。为了合成目标阻抗，需要求解公式(2)来得到A2,n的值。但B2,n与负载端入射波有关，A2,n的变化会引起B2,n的变化。因此，需要连续迭代，使阻抗值接近目标值。这种迭代过程可能很长，特别是在需要谐波负载时。因此，需要一种新的函数来同时计算A2,n和B2,n从而来模拟负载阻抗。对于被测器件一般为晶体管，将其看成一个二端口网络，在已知各端口入射波的情况下，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：
[0050]
[0051] 其中p和q代表端口号，n和m代表谐波次数。在不知道晶体管的内部结构或工作原理的条件下，可利用贝叶斯理论寻找特定的Fp,m函数。但这里入射波与反射波的量是复值，而贝叶斯理论是为实值情况定义的，因此可以应用实值时域神经网络建模技术(现有技术)，使得器件的反射波可以表示为入射波实部和虚部的函数。同时为了应用贝叶斯技术，所有的描述函数都必须是一组非线性基函数的线性组合，因此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)：
[0052]
[0053] 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进行表示，则为如下公式(5)：
[0054]
[0055] 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。
[0056] 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：
[0057] 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)：
[0058]
[0059] 其中，i为自然数；
[0060] 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)：
[0061]
[0062] 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)：
[0063]
[0064] 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。
[0065] 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)：
[0066]
[0067] 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。
[0068] 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)：
[0069]
[0070] 综上所诉，基于贝叶斯推理理论的模型构建方式就是选择适当的概率密度函数描述权值向量p(w)及似然函数p(D|w)，并通过实际测量数据得到p(D)，即可通过贝叶斯公式得到更新概率分布的p(w|D),通过最大化p(w|D)来选择最优权重，即基于测试数据的模型参数。从而可以推导出公式(2)中的B2,n和对应的Aset，得到被测器件的高精度数据。
[0071] 因此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被测器件输出端的反射波B2,n，及与之相对应的ESG信号发生器输出值。为了计算局部贝叶斯模型起始值，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。其中，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。
[0072] 具体的系统运作步骤如下(其中未做特殊说明的都采用常规技术手段)：
[0073] 步骤1：搭建如图1所示大信号负载牵引测试系统，在矢量网络分析仪中设置测试相关参数，如测量频率。
[0074] 步骤2：对该系统完成校准，包括矢量校准及功率校准，其中矢量校准本文采用了TRM校准放法。校准完成后测量Thru(直通)校准件判断校准质量。
[0075] 步骤3：完成校准后选取了一个10X60um的GaN HEMT器件进行测试，先对器件进行功率扫描，找出其非线性区，选择1dB压缩点作为测试时的LOSP(大信号工作点)。
[0076] 步骤4：根据LOSP设置A1大小即被测器件输入端的入射波大小，在A1不变的情况下改变被测器件负载端的入射波A2的幅度和相位，测量约24组数据，记录响应B1和B2的值，并作为贝叶斯算法中的训练数据集。
[0077] 步骤5：设置单个目标负载阻抗点，利用步骤4中获取的训练数据结合基于贝叶斯推理的行为级模型推导出B2及对应Aset，根据Aset的值设置负载端ESG信号发生器的输出功率。从图5中的测试结果看出，在单点时该算法具有很好的准确性，能将误差控制在1％以内。
[0078] 步骤6：考虑到在实际负载牵引测试应用中需要进行多点连续性测试，选择了30个方形分布的负载阻抗点进行测试验证。根据图6和图7可以看出在多点测试时该算法也具有很好的准确度，误差都能控制在1％以内，并且在开始时获取24组训练数据后，每个负载阻抗点的测试最多只需再经过4次测试就可将误差控制在允许范围内，证明本方案系统具有良好的效率。
[0079] 通过上述实验证明，本文所提出的算法具有很好的实用性和准确性。由图8可以看出，基于贝叶斯算法的测试系统需要的阻抗迭代次数明显少于普通测试系统，具有较高的测试效率。有助于提高开环有源负载牵引系统的性能，可以在晶体管器件和PA的特性、测量、设计和优化等方面带来很大帮助。
[0080] 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。
