1.一种基于RNN网络的动态X参数核计算方法，其特征在于，可通过单次的RNN网络训练和预测进行卷积核提取计算，包括如下步骤：过程一、包络仿真构建一非线性器件，给与该器件输入信号并在包络域中获取输入波形包络A、输出波形包络B；

过程二、对过程一中器件的输入波形包络A、输出波形包络B进行训练得到RNN网络；

过程三、通过过程二中的RNN网络计算器件的动态X参数核。

2.根据权利要求1所述的基于RNN网络的动态X参数核计算方法，其特征在于，过程一包括如下步骤：

步骤1、在仿真软件数据库中选择一易产生记忆效应的仿真模型最为仿真器件；

步骤2、设置步骤1中器件的仿真类型为包络域仿真，并设定适当的中心频率、阶数与仿真区间使得仿真器件具有较强的非线性；

步骤3、选择适当波型的输入载波AC；

步骤4、选择若干组输入方波AS的直流值VDC和方波的峰均值VPEAK，得到对应组的(VDC，VPEAK)包络信号，并控制所有组的方波的峰值(VDC+VPEAK/2)在射频放大器的1dB增益压缩点内，控制方波频率需要远小于载波AC的频率，将对应组的(VDC，VPEAK)包络信号与步骤3中的载波AC一同进行相乘，作为输入信号A0；

步骤5、利用任意一组(VDC，VPEAK)得到的输入波形包络A和输出波形包络B，从仿真软件中提取得到器件的基波相位偏移P。

3.根据权利要求2所述的基于RNN网络的动态X参数核计算方法，其特征在于，过程一的具体步骤如下：

步骤1、在ADS案例库中下载一工作频率在935GHz附近的C类射频放大器作为仿真器件；

步骤2、设置步骤1中器件的仿真类型为包络域仿真，并设定中心频率为1GHz，阶数为五阶，仿真区间为[0，4000ns]，间隔为10ns；

步骤3、设置输入载波AC的频率为1GHz，幅度为1V，相位为π/4；

步骤4、设置若干组输入方波AS的直流值VDC和方波的峰均值VPEAK，得到对应组的(VDC，VPEAK)包络信号，方波AS频率选取为1MHz，方波AS的上升沿时间和下降沿时间选取为

10ns，将对应组的(VDC，VPEAK)包络信号并与步骤3中的载波AC一同进行处理相乘，作为输入信号A0；

步骤5、利用任意一组(VDC，VPEAK)得到的输入波形包络A和输出波形包络B，从ADS案例库中提取得到器件的基波相位偏移P。

4.根据权利要求2或3所述的基于RNN网络的动态X参数核计算方法，其特征在于，过程一中步骤4中，方波AS中共选择了24组不同高低电平的(VDC，VPEAK)。

5.根据权利要求3所述的基于RNN网络的动态X参数核计算方法，其特征在于，过程一中步骤4中，包括如下处理步骤：

步骤4.1对输入载波AC和输入方波AS相乘，得到输入A0；

步骤4.2对该器件进行仿真，得到输入波形的包络A，输出波形的包络B；

步骤4.3将上述波形数据导出；

以上得到的载波AC，方波AS，输入波形包络A和输出波形包络B都是长度为401的向量。

6.根据权利要求5所述的基于RNN网络的动态X参数核计算方法，其特征在于，过程二包括如下步骤：

步骤1、将得到的过程一中导出的文件导入到python的编译环境spyder中；

步骤2、对不同组别下(VDC，VPEAK)的输入波形包络A和输出波形包络B，将单点的每个值重复五次，得到对应该组的输入长包络A1，输出长包络B1：其中g(n)表示大于等于n的最小整数；

步骤3、在上述(VDC，VPEAK)中，随机选取2个作为验证集SV，剩余的作为训练集ST；

步骤4、将上述验证集SV中的A1，B1拼接为一个长输入向量AV和长输出向量BV；

步骤5、将上述训练集ST中的A1，B1拼接为一个长输入向量AT和长输出向量BT；

步骤6、设置RNN的训练参数：时间步长为1，隐藏层长度为8，隐藏层数量为1，输入长度为1，学习率为0.01；设置RNN的优化器为ADAM，损失函数为MSE；

步骤7、将AT作为输入，BT作为输出，训练该RNN。

7.根据权利要求6所述的基于RNN网络的动态X参数核计算方法，其特征在于，过程三包括如下步骤：

步骤1、利用训练得到的RNN，输入验证集中的AV，得到预测的输出数据BV1；

步骤2、在ADS中提取得到BV1的基波分量BV11，二次谐波分量BV12，三次谐波分量BV13；

步骤3、对于组成AV的两个状态S＝(VDC，VPEAK)，分别找到BV11，BV12，BV13中对应的一段预测输出，根据以下公式计算基波记忆核XG1(S，t)，二次谐波记忆核XG2(S,t)，三次谐波记忆核XG3(S,t)：

‑n

XGn(S,t)＝[BV1n(S,t‑1)‑BV1n(S,t)]·P ，n＝1,2,3；

步骤4、在BV1的这一段预测输出中，选取时间t使得从方波的每一个周期开始算起，此时的BV1的值记作XCW：

XCW(S)＝BV1(S,t)；

步骤5、计算最终预测输出BF(S，t)：其中T表示包络域信号在一个周期内的采样点数。

8.根据权利要求1‑3、5‑7中任意一项所述的基于RNN网络的动态X参数核计算方法，其特征在于，该动态X参数核的计算方法适应于低分辨率的采样率及任意高‑低方波包络的输入信号。