CN113572340B - 一种包络线跟踪电源控制基准信号预测生成方法和装置 - Google Patents
一种包络线跟踪电源控制基准信号预测生成方法和装置 Download PDFInfo
- Publication number
- CN113572340B CN113572340B CN202110689747.2A CN202110689747A CN113572340B CN 113572340 B CN113572340 B CN 113572340B CN 202110689747 A CN202110689747 A CN 202110689747A CN 113572340 B CN113572340 B CN 113572340B
- Authority
- CN
- China
- Prior art keywords
- reference signal
- envelope
- power supply
- prediction model
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
- H02M1/00—Details of apparatus for conversion
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/02—Transmitters
- H04B1/04—Circuits
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/02—Transmitters
- H04B1/04—Circuits
- H04B2001/0408—Circuits with power amplifiers
- H04B2001/0441—Circuits with power amplifiers with linearisation using feed-forward
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Amplifiers (AREA)
- Transmitters (AREA)
Abstract
本发明公开了一种包络线跟踪电源控制基准信号预测生成方法和装置,方法包括:基于神经网络构建基准信号预测模型,该基准信号预测模型用于对导入的基带信号进行处理,预测拟合得到包络线跟踪电源中所需的包络线信息、开关变换器和线性放大器对应的基准信号;所述基准信号预测模型的拟合过程包括:通过加载函数导入基带信号,根据所采用的通信调制算法所定义码元所包含的比特位,将导入的基带信号比特位等分成组,每组比特位数对应一个码元,其组数等于码元个数;分别拟合得到包络线信息、开关变换器和线性放大器对应的基准信号,使之与等分得到的码元分别对应,输出相应的基准信号。本发明能够有效提升包络线跟踪电源生成射频功放所需电压波形速度,降低RF信号延时和对硬件的计算需求。
Description
技术领域
本发明涉及包络线跟踪电源控制技术领域,具体而言涉及一种包络线跟踪电源控制基准信号预测生成方法和装置。
背景技术
为了在相同频带内提高传输信息量,5G等现代移动通信中调制策略对RF输入信号的幅值、相位和频率进行调制,RF输入信号的包络线幅值不为恒定信号,RF信号的峰均比值不断提高。为保证RF输入信号所携带信息不失真地传输,如采用恒压供电方式的射频线性功放,其工作效率非常低。同时由于损耗的电能以热量形式耗散,基站还需要增大空调制冷的耗电,给运营商带来了沉重的电费负担。因此提高基站射频线性功放效率是现代移动通信基站节能的源头。目前,包络线跟踪技术是提高射频功放效率最有前途的方法之一。RF包络信号中包含的频谱能量丰富,但是能量集中在低频部分,高频部分的能量相对较少。开关变换器处理能量效率高,工作带宽相对较低,比较适合处理低频段能量。线性变换器工作带宽高、效率低,比较适合处理高频段能量。由线性放大器和开关变换器的组合结构的包络线跟踪电源,其可有效提高射频功放的工作效率。
包络线跟踪电源***中开关变换器、线性放大器的参考信号通常需要由基带信号调制生成的包络线并滤波产生。图1是典型的包络线跟踪电源基准信号生成架构,基带信号提供给如QAM等通信协议调制模块生成RF射频信号。RF射频信号提供给包络线生成模块产生射频线性功放所需的供电电源包络线信号;该信号输入到基准生成模块生成包络线跟踪电源中所需的基准信号,基准生成模块主要由不同滤波器构成,滤波器的特性与包络线跟踪电源中线性放大器和开关变换器工作特征有关。可见,传统的包络线跟踪电源基准信号产生的流程较长,所占用的硬件计算资源较多。RF输入信号需要经过较长的延时模块才能送入射频线性功放,以与包络线跟踪电源供电波形匹配。由此可见,典型的包络线跟踪电源方案中的包络检波环节和基准信号生成所需要的时间较长、计算量大。目前亟需一种方法能够减少延时时长,并且提高运算效率。
神经网络可避免对***工作过程的建模计算,通过调整内部大量节点之间相互连接的关系,从而达到处理输入信息的目的并产生输出控制信号。在实际应用中,通过建造实用的人工神经网络模型,设计相应的学习算法,能够使建造的神经网络模型广泛应用于数据压缩、图像处理、矢量编码、差错控制(纠错和检错编码)、自适应信号处理、自适应均衡、信号检测、模式识别、ATM流量控制、路由选择、通信网优化和智能网管理等技术领域。在包络线跟踪电源中,从基带信号到包络线电源中基准信号的生成过程运算复杂,需要经过调制、包络线生成、滤波等多过环节,基带信号与包络线电源中基准信号之间存在较大的数据格式和时序差异,且没有明确的对应关系。目前尚未有研究人员提出将输入基带信号通过神经网络直接预测生成包络线跟踪电源中基准信号的可行方法。
发明内容
本发明针对现有技术中的不足,提供一种包络线跟踪电源控制基准信号预测生成方法和装置,能够从基带信号经由基准信号预测模型直接生成包络线及其开关变换器、线性放大器基准信号,有效提升包络线跟踪电源生成射频功放所需电压波形速度,降低RF信号延时和对硬件的计算需求。
为实现上述目的,本发明采用以下技术方案:
第一方面,本发明实施例提出了一种包络线跟踪电源控制基准信号预测生成方法,所述预测生成方法包括以下步骤:
基于神经网络构建基准信号预测模型,该基准信号预测模型用于对导入的基带信号进行处理,预测拟合得到包络线跟踪电源中所需的包络线信息、开关变换器和线性放大器对应的基准信号;
所述基准信号预测模型的拟合过程包括:
通过加载函数导入基带信号,根据所采用的通信调制算法法所定义码元所包含的比特位,将导入的基带信号等分成组,每组比特位数对应一个码元,其组数等于码元个数;分别拟合得到包络线信息、开关变换器和线性放大器对应的基准信号,使之与等分得到的码元分别对应,输出所需的基准信号。
可选地,所述基准信号预测模型包括调制单元和多个并行的拟合单元;
所述调制单元用于将导入的基带信号等分成组,每组对应一个码元,根据通信调制算法,其组数等于码元个数;以及将得到的码元同时发送至多个并行的拟合单元;
多个并行的拟合单元分别用于根据导入的码元拟合得到包络线信息、开关变换器和线性放大器对应的基准信号,使之与等分得到的码元分别对应。
可选地,所述基准信号预测模型的构建过程包括以下步骤:
S11,获取基带信号及其对应的基准信号;基带信号为一系列随机的0和1比特位信号;
S12,对基准信号进行采样,得到一系列离散点,将基带信号和基准信号所对应的离散点信息缓存为样本数据;
S13,通过加载函数将样本数据输入至基准信号预测模型;
S14,对样本数据进行预处理,根据相应的通信调制算法策略将基带信号等分成组,每组对应一个码元,其组数等于码元个数;
S15,结合每个码元与基准信号的离散点信息之间的对应关系,对神经网络进行训练,优化神经网络参数,完成神经网络训练过程。
可选地,步骤S11中,使基带信号样本依次通过调制模块、包络线生成模块和基准生成模块以生成对应的基准信号样本;
所述调制模块用于根据包括如QAM等通信调制算法对基带信号进行处理以生成RF射频信号;所述包络线生成模块用于根据RF射频信号生成对应包络线;所述基准生成模块用于根据包络线跟踪电源中开关变换器、线性放大器工作特点,采用相应的滤波器算法对包络线进行处理以生成所需的基准控制信号。
可选地,所述基准信号预测模型的构建过程还包括以下步骤:
定期获取基带信号样本,使基带信号样本依次通过调制模块、包络线生成模块和基准生成模块生成的对应的基准信号样本,同时将基带信号样本导入基准信号预测模型生成预测基准信号;
通过比对预测基准信号和基准信号样本,对基准信号预测模型进行优化更新。
第二方面,本发明实施例提出了一种包络线跟踪电源控制基准信号预测生成装置,所述预测生成装置包括:
基准信号预测模型构建模块,可基于神经网络构建基准信号预测模型;
基带信号加载模块,用于将基带信号加载至基准信号预测模型;
基准信号预测模型,用于对导入的基带信号进行处理,预测拟合得到包络线跟踪电源中所需的包络线信息、开关变换器和线性放大器对应的基准信号;
所述基准信号预测模型的拟合过程包括:
通过加载函数导入基带信号,将导入的基带信号等分成组,每组对应一个码元,根据所采用的通信调制算法,其组数等于码元个数;分别拟合得到包络线信息、开关变换器和线性放大器对应的基准信号,使之与等分得到的码元分别对应,输出所需的基准信号。
第三方面,本发明实施例提出了一种包络线跟踪电源控制装置,所述控制装置包括:
如权利要求1-5任一项中所述的基准信号预测模型,用于对导入的基带信号进行处理,预测拟合得到包络线跟踪电源中所需的包络线信息、开关变换器和线性放大器对应的基准信号,输入包络线跟踪电源;
调制模块,用于根据包括QAM在内的通信调制算法对基带信号进行处理以生成RF射频信号;
延时模块,连接在调制模块和线性功放之间,用于结合基准信号预测模型的实时运算效率自适应地调整延时时长,使RF射频信号和包络线跟踪电源的供电信号同步到达射频线性功放。
本发明的有益效果是:
本发明能够从基带信号经由基准信号预测模型直接生成包络线及其开关变换器、线性放大器基准信号,有效提升包络线跟踪电源生成射频功放所需电压波形速度,降低RF信号延时和对硬件的计算需求。
附图说明
图1是典型的包络线跟踪电源基准信号生成架构示例图。
图2是本发明实施例的包络线跟踪电源架构示例图。
图3是本发明实施例的基准信号预测模型的构建原理图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
需要注意的是,发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
本发明实施例提出了一种包络线跟踪电源控制基准信号预测生成方法,该预测生成方法包括以下步骤:
基于神经网络构建基准信号预测模型,该基准信号预测模型用于对导入的基带信号进行处理,预测拟合得到包络线跟踪电源中所需的包络线信息、开关变换器和线性放大器对应的基准信号。
基准信号预测模型的拟合过程包括:
通过加载函数导入基带信号,根据所采用的通信调制算法法所定义码元所包含的比特位,将导入的基带信号等分成组,每组比特位数对应一个码元,其组数等于码元个数;分别拟合得到包络线信息、开关变换器和线性放大器对应的基准信号,使之与等分得到的码元分别对应,输出多种基准信号。
基准信号预测模型可以包含调制模块、包络线生成模块、基准生成模块等两个或多个环节直接或间接生成包络线跟踪电源中所需的基准信号。图2是本发明实施例的其中一种包络线跟踪电源架构基示例图。该包络线跟踪电源架构在传统包络线跟踪电源架构的基础上针对性地调整。该架构包括基准信号预测模型、调制模块和延时模块。
基准信号预测模型,用于对导入的基带信号进行处理,预测拟合得到包络线跟踪电源中所需的包络线信息、开关变换器和线性放大器对应的基准信号,输入包络线跟踪电源。调制模块,用于根据包括QAM在内的通信调制算法对基带信号进行处理以生成RF射频信号。延时模块,连接在调制模块和线性功放之间,用于结合基准信号预测模型的实时运算效率自适应地调整延时时长,使RF射频信号和包络线跟踪电源的供电信号同步到达线性功放。本实施例的延时模块和传统包络线跟踪电源中的延时模块不同,传统延时模块需要抵消包络线生成模块和基准生成模块的运算时间之和,因此,通常会采用很长的延时模式。而在本实施例中,基准信号预测模型直接替代了调制模块、包络线生成模块、基准生成模块三个环节的运算过程,可以根据导入的基带信号直接得到基准信号;同时在另一条支线上仍引入调制模块,延时模块只需要抵消基准信号预测模型和调制模块的运算时间之差,因此采用的时间极短,并且,随着基准信号预测模型的优化完善,这一时间差会越来越短,从而有效提升了包络线跟踪电源生成射频功放所需电压波形速度。
图3是本发明实施例的基准信号预测模型的构建原理图。基准信号预测模型的构建过程包括以下步骤:首先获取基带信号及其对应的基准信号。基带信号为一系列随机的0和1,这也是本实施例采用基准信号预测模型直接替代了调制模块、包络线生成模块、基准生成模块三个环节的运算过程的另一个原因,相对于调制后的信号,原始的基带信号更为规则。在本步骤中,使基带信号样本依次通过调制模块、包络线生成模块和基准生成模块以生成对应的基准信号样本。调制模块用于根据包括QAM在内的通信调制算法对基带信号进行处理以生成RF射频信号;包络线生成模块用于根据RF射频信号生成对应包络线;基准生成模块用于根据包络线跟踪电源中开关变换器、线性放大器工作特点,采用相应的滤波器算法对包络线进行处理以生成所需的基准控制信号。其次,对基准信号进行采样,得到一系列离散点,将基带信号和基准信号所对应的离散点信息缓存为样本数据,以便神经网络读取学习。最后,神经网络读取样本数据文件,将基带信号和基准信号所对应的离散点通过加载函数输入到人工神经网络中。神经网络对数据进行预处理,根据相应的通信调制算法策略将基带信号等分成组,其组数等于码元个数。以神经网络算法处理码元与基准信号的数据之间的对应关系,最终使神经网络通过基带信号直接预测生成基准信号。
示例性地,神经网络可以持续地获得基带信号通过传统的调制模块、包络线生成模块和基准生成模块所产生的基准信号信息,神经网络通过学习传统方法所生成的结果训练神经网络算法中的参数配置,持续优化以提高基准信号预测的准确性。
具体的,可以定期获取基带信号样本,使基带信号样本依次通过调制模块、包络线生成模块和基准生成模块生成的对应的基准信号样本,同时将基带信号样本导入基准信号预测模型生成预测基准信号;通过比对预测基准信号和基准信号样本,对基准信号预测模型进行优化更新。
包络线跟踪电源的结构不同,需要的基准信号类型也不相同。通常需要包络线信息的基准信号、开关变换器的基准信号和线性放大器的基准信号等三种类型。为此,本实施例设置如下:
基准信号预测模型包括调制单元和三个并行的拟合单元;调制单元用于将导入的基带信号等分成组,每组对应一个码元,根据QAM通信调制算法,其组数等于码元个数;以及将得到的码元同时发送至三个并行的拟合单元;三个并行的拟合单元的网络结构相同,三个拟合单元分别用于根据导入的码元拟合得到包络线信息、开关变换器和线性放大器对应的基准信号,使之与等分得到的码元分别对应。
前述拟合单元是相互独立的并行关系,在训练时,样本数据也被根据最终生成的基准信号的类型分为三类,分别对三个拟合单元进行训练。三个拟合单元的训练原理类似,但最终的网络参数相互独立。当基准信号预测模型训练完成后,导入的基带信号经调制后得到的调制信号分别进入三个拟合单元以预测生成对应类型的基准信号。
在本实施例中,通过利用如神经网络等人工智能算法,训练基带信号和包络线跟踪电源***中开关变换器、线性放大器等所需基准信号的对应关系。训练好的神经网络能够快速响应基带信号变化,生成包络线跟踪电源***中所需的基准信号。通过机器学习中监督学习,可以监督指导神经网络去拟合训练的数据量和输出量的关系。本项目中训练输入的数据是基带信号,训练输出的数据是如开关变换器的基准信号Vref.1、线性放大器所需的基准信号Vref.2和包络线信号Vref.line等多个基准信号,其中监督学习信号的来源如图3所示。训练好神经网络后,直接可由神经网络替代原有调制模块、包络线生成模块和基准生成模块三个环节。生成的基准信号Vref.1、Vref.及Vref.line直接或间接提供给包络线跟踪电源中电路所需的基准信号。
由于本实施例的基准信号预测模型可以从基带信号直接或间接生成包络线跟踪电源所需的基准信号,替代了典型的包络线跟踪电源架构中的调制模块、包络线生成模块和基准生成模块。基准信号预测模型整合了三个模块产生信号的过程,大幅降低了***时延和所需的硬件资源。
相应地,本发明实施例提出了一种包络线跟踪电源控制基准信号预测生成装置,该预测生成装置包括基准信号预测模型构建模块、基带信号加载模块和基准信号预测模型。
基准信号预测模型构建模块,用于基于神经网络构建基准信号预测模型;基带信号加载模块,用于将基带信号加载至基准信号预测模型;基准信号预测模型,用于对导入的基带信号进行处理,预测拟合得到包络线跟踪电源中所需的包络线信息、开关变换器和线性放大器对应的基准信号。该基准信号预测模型的拟合过程包括:通过加载函数导入基带信号,将导入的基带信号等分成组,每组对应一个码元,根据QAM通信调制算法,其组数等于码元个数;分别拟合得到包络线信息、开关变换器和线性放大器对应的基准信号,使之与等分得到的码元分别对应,输出三种基准信号。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (7)
1.一种包络线跟踪电源控制基准信号预测生成方法,其特征在于,所述预测生成方法包括以下步骤:
基于神经网络构建基准信号预测模型,该基准信号预测模型用于对导入的基带信号进行处理,预测拟合得到包络线跟踪电源中所需的包络线信息、开关变换器和线性放大器对应的基准信号;
所述基准信号预测模型的拟合过程包括:
通过加载函数导入基带信号,根据所采用的通信调制算法所定义码元所包含的比特位,将导入的基带信号等分成组,每组比特位数对应一个码元,其组数等于码元个数;分别拟合得到包络线信息、开关变换器和线性放大器对应的基准信号,使之与等分得到的码元分别对应,输出所需的基准信号。
2.根据权利要求1所述的包络线跟踪电源控制基准信号预测生成方法,其特征在于,所述基准信号预测模型包括调制单元和多个并行的拟合单元;
所述调制单元用于将导入的基带信号等分成组,每组对应一个码元,根据通信调制算法,其组数等于码元个数;以及将得到的码元同时发送至多个并行的拟合单元;
多个并行的拟合单元分别用于根据导入的码元拟合得到包络线信息、开关变换器和线性放大器对应的基准信号,使之与等分得到的码元分别对应。
3.根据权利要求1或者2所述的包络线跟踪电源控制基准信号预测生成方法,其特征在于,所述基准信号预测模型的构建过程包括以下步骤:
S11,获取基带信号及其对应的基准信号;基带信号为一系列随机的0和1比特位信号;
S12,对基准信号进行采样,得到一系列离散点,将基带信号和基准信号所对应的离散点信息缓存为样本数据;
S13,通过加载函数将样本数据输入至基准信号预测模型;
S14,对样本数据进行预处理,根据相应的通信调制算法策略将基带信号等分成组,每组对应一个码元,其组数等于码元个数;
S15,结合每个码元与基准信号的离散点信息之间的对应关系,对神经网络进行训练,优化神经网络参数,完成神经网络训练过程。
4.根据权利要求3所述的包络线跟踪电源控制基准信号预测生成方法,其特征在于,步骤S11中,使基带信号样本依次通过调制模块、包络线生成模块和基准生成模块以生成对应的基准信号样本;
所述调制模块用于根据包括如QAM等通信调制算法对基带信号进行处理以生成RF射频信号;所述包络线生成模块用于根据RF射频信号生成对应包络线;所述基准生成模块用于根据包络线跟踪电源中开关变换器、线性放大器工作特点,采用相应的滤波器算法对包络线进行处理以生成所需的基准信号。
5.根据权利要求3所述的包络线跟踪电源控制基准信号预测生成方法,其特征在于,所述基准信号预测模型的构建过程还包括以下步骤:
定期获取基带信号样本,使基带信号样本依次通过调制模块、包络线生成模块和基准生成模块生成的对应的基准信号样本,同时将基带信号样本导入基准信号预测模型生成预测基准信号;
通过比对预测基准信号和基准信号样本,对基准信号预测模型进行优化更新。
6.一种包络线跟踪电源控制基准信号预测生成装置,其特征在于,所述预测生成装置包括:
基准信号预测模型构建模块,用于基于神经网络构建基准信号预测模型;
基带信号加载模块,用于将基带信号加载至基准信号预测模型;
基准信号预测模型,用于对导入的基带信号进行处理,预测拟合得到包络线跟踪电源中所需的包络线信息、开关变换器和线性放大器对应的基准信号;
所述基准信号预测模型的拟合过程包括:
通过加载函数导入基带信号,将导入的基带信号等分成组,每组对应一个码元,根据所采用的通信调制算法,其组数等于码元个数;分别拟合得到包络线信息、开关变换器和线性放大器对应的基准信号,使之与等分得到的码元分别对应,输出所需的基准信号。
7.一种包络线跟踪电源控制装置,其特征在于,所述控制装置包括:
如权利要求1-5任一项中所述的基准信号预测模型,用于对导入的基带信号进行处理,预测拟合得到包络线跟踪电源中所需的包络线信息、开关变换器和线性放大器对应的基准信号,输入包络线跟踪电源;
调制模块,用于根据包括QAM在内的通信调制算法对基带信号进行处理以生成RF射频信号;
延时模块,连接在调制模块和线性功放之间,用于结合基准信号预测模型的实时运算效率自适应地调整延时时长,使RF射频信号和包络线跟踪电源的供电信号同步到达射频线性功放。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110689747.2A CN113572340B (zh) | 2021-06-21 | 2021-06-21 | 一种包络线跟踪电源控制基准信号预测生成方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110689747.2A CN113572340B (zh) | 2021-06-21 | 2021-06-21 | 一种包络线跟踪电源控制基准信号预测生成方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113572340A CN113572340A (zh) | 2021-10-29 |
CN113572340B true CN113572340B (zh) | 2022-09-09 |
Family
ID=78162380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110689747.2A Active CN113572340B (zh) | 2021-06-21 | 2021-06-21 | 一种包络线跟踪电源控制基准信号预测生成方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113572340B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114665892A (zh) * | 2022-02-24 | 2022-06-24 | 南京邮电大学 | 一种基于基带数据感知的射频信号包络线预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103299548A (zh) * | 2010-11-30 | 2013-09-11 | 高通股份有限公司 | 执行增强的σ-δ调制 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050041481A (ko) * | 2003-10-31 | 2005-05-04 | 삼성전자주식회사 | 아날로그 구적 변조 에러 보상 장치 및 방법 |
US8233568B2 (en) * | 2008-09-05 | 2012-07-31 | Rajendra Kumar | Adaptive receiver for high-order modulated signals over fading channels |
CN102684494B (zh) * | 2011-03-17 | 2014-10-29 | 中兴通讯股份有限公司 | 一种电源调制方法及电源调制器 |
US20140241462A1 (en) * | 2013-02-26 | 2014-08-28 | Nvidia Corporation | Circuit and method for envelope tracking and envelope-tracking transmitter for radio-frequency transmission |
-
2021
- 2021-06-21 CN CN202110689747.2A patent/CN113572340B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103299548A (zh) * | 2010-11-30 | 2013-09-11 | 高通股份有限公司 | 执行增强的σ-δ调制 |
Also Published As
Publication number | Publication date |
---|---|
CN113572340A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111328087B (zh) | 基于深度学习的高能效异构网络子信道分配与功率分配方法 | |
CN113572340B (zh) | 一种包络线跟踪电源控制基准信号预测生成方法和装置 | |
CN110234128B (zh) | 无线接入频谱灵活光网络的能耗优化方法、*** | |
CN111447164B (zh) | Ofdm***中基于建设性干扰的峰均比抑制方法 | |
CN114125871B (zh) | 无线自组织网络性能评估方法及装置 | |
Su et al. | Green communications for future vehicular networks: Data compression approaches, opportunities, and challenges | |
CN111277308A (zh) | 基于机器学习的波宽控制方法 | |
CN107181494A (zh) | 一种基于神经网络控制发射机工作模式的方法 | |
Wei et al. | Differentiable architecture search-based automatic modulation classification | |
US20230291357A1 (en) | Method for predicting envelope features and generating switching converter control signal in envelope tracking power supply, storage medium, and electronic device | |
Feng et al. | Reverse offloading for latency minimization in vehicular edge computing | |
CN109587091A (zh) | 基于逻辑回归算法的相干光通信***调制格式识别方法 | |
Al-Dujaili et al. | Enhancement of the Fifth Generation of Wireless Communication by Using a Search Optimization Algorithm. | |
CN110213815B (zh) | 一种基于统计信道状态信息的中继***功率控制方法 | |
CN114665892A (zh) | 一种基于基带数据感知的射频信号包络线预测方法 | |
CN108471624A (zh) | 无线体域网的通信模式切换方法及装置 | |
Wang et al. | Intelligent fault diagnosis method for mobile cellular networks | |
CN115685747A (zh) | 一种基于残差神经网络优化的模型预测控制方法 | |
CN114565077A (zh) | 一种面向功率放大器的深度神经网络泛化性建模方法 | |
CN110620686B (zh) | 一种基于复杂通信网络的路由节点选取方法 | |
CN113131971A (zh) | 基于IPv6的电力线载波通信网关装置的组网传输方法及*** | |
Zecchin et al. | In-Context Learning for MIMO Equalization Using Transformer-Based Sequence Models | |
CN105812307A (zh) | 一种基于概率模型的papr降低方法 | |
CN111884602A (zh) | 一种基于单输出节点神经网络的功率放大器预失真方法 | |
CN111130697A (zh) | 一种降低基于自动编码器的通信物理层传输***复杂度的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |