1.一种基于神经网络的射频功放谐波平衡参数提取方法，其特征在于，步骤如下：

S1、针对不同偏置条件下的被测HEMT功率放大器，获取到器件在不同偏置条件下的谐波平衡参数的样本数据，偏置条件包括器件的漏源电压、漏极电流、频率和输入功率，谐波平衡参数包括输出功率、功率增益、功率附加效率和三阶交调点；

S2、利用这些样本数据对神经网络进行训练，其中，偏置条件作为神经网络的输入，该偏置条件下对应的谐波平衡参数作为神经网络的输出，最终得到训练好的HB谐波平衡参数神经网络；

S3、针对待测的HEMT功率放大器，将其偏置条件输入到HB谐波平衡参数神经网络，由HB谐波平衡参数神经网络输出该偏置条件下该HEMT功率放大器的谐波平衡参数；

其中，神经网络为由多个基本神经元组成的多层感知器网络；

HB谐波平衡参数神经网络中，第一输入数据、第二输入数据、第三输入数据、第四输入数据依次为漏源电压、漏极电流、频率、输入功率，第一输出数据、第二输出数据、第三输出数据、第四输出数据依次为输出功率、功率增益、功率附加效率、三阶交调点；

不同偏置设置下的功率放大器的谐波平衡参数值通过查阅被测HEMT功率放大器的产品资料得到，或者是通过仿真得到；

仿真获取射频功放谐波平衡参数具体为：使用ADS软件仿真设计该HEMT功率放大器的电路；然后在ADS软件中设置不同的偏置条件，从而仿真得出不同偏置设置下的功率放大器的谐波平衡参数值，这些偏置条件和谐波平衡参数值即为谐波平衡参数的样本数据；

利用这些样本数据对神经网络进行训练具体为：

分别选取部分样本数据作为训练样本数据和测试样本数据，将训练样本数据中的偏置条件作为神经网络的输入，将该偏置条件下的谐波平衡参数作为神经网络的输出，对神经网络进行训练；

训练完成后，再利用测试样本数据对神经网络模型进行误差测试评估：将测试样本的偏置条件输入到模型中，得到模型输出的谐波平衡参数值，然后计算模型输出的谐波平衡参数值和样本数据中该偏置条件下的谐波平衡参数值之间的误差，当误差在允许范围内，说明训练完成，模型即作为最终的HB谐波平衡参数神经网络，当误差超过允许范围，说明还需要继续训练模型。

2.根据权利要求1所述的基于神经网络的射频功放谐波平衡参数提取方法，其特征在于，利用matlab训练神经网络。

3.一种基于神经网络的射频功放谐波平衡参数提取装置，其特征在于，包括：

样本数据获取模块，用于针对不同偏置条件下的被测HEMT功率放大器，获取到器件在不同偏置条件下的谐波平衡参数的样本数据，偏置条件包括器件的漏源电压、漏极电流、频率和输入功率，谐波平衡参数包括输出功率、功率增益、功率附加效率和三阶交调点；

模型构建模块，用于利用样本数据获取模块所获取到的样本数据对神经网络进行训练，其中，偏置条件作为神经网络的输入，该偏置条件下对应的谐波平衡参数作为神经网络的输出，最终得到训练好的HB谐波平衡参数神经网络；

谐波平衡参数提取模块，用于针对待测的HEMT功率放大器，将其偏置条件输入到HB谐波平衡参数神经网络，由HB谐波平衡参数神经网络输出该偏置条件下该HEMT功率放大器的谐波平衡参数；

其中，神经网络为由多个基本神经元组成的多层感知器网络;

HB谐波平衡参数神经网络中，第一输入数据、第二输入数据、第三输入数据、第四输入数据依次为漏源电压、漏极电流、频率、输入功率，第一输出数据、第二输出数据、第三输出数据、第四输出数据依次为输出功率、功率增益、功率附加效率、三阶交调点；

模型构建模块包括样本选取模型、模型训练模块和模型测试模块，其中，样本数据选取模型用于选取部分样本数据作为训练样本数据和测试样本数据；

模型训练模块用于利用训练样本数据对神经网络进行训练，其中，将训练样本数据中的偏置条件作为神经网络的输入，将该偏置条件下的谐波平衡参数作为神经网络的输出；

模型测试模块用于在模型训练完成后，利用测试样本数据对神经网络模型进行误差测试评估：将测试样本的偏置条件输入到模型中，得到模型输出的谐波平衡参数值，然后计算模型输出的谐波平衡参数值和样本数据中该偏置条件下的谐波平衡参数值之间的误差，当误差在允许范围内，说明训练完成，模型即作为最终的HB谐波平衡参数神经网络，当误差超过允许范围，说明还需要继续训练模型。

4.一种计算机可读存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1至2中任一项所述的基于神经网络的射频功放谐波平衡参数提取方法。

5.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1至2中任一项所述的基于神经网络的射频功放谐波平衡参数提取方法。