【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于數(shù)字預(yù)失真，具體涉及一種基于神經(jīng)網(wǎng)絡(luò)的預(yù)失真方法。
技術(shù)介紹
1、自第五代5g通信系統(tǒng)問世以來，高容量和高速度已成為通信網(wǎng)絡(luò)的顯著特征，以滿足客戶不斷升級(jí)的需求。雖然功率放大器(power?amplifier，pa)是無線通信系統(tǒng)的重要組成部分，但其記憶效應(yīng)和高度非線性行為會(huì)導(dǎo)致頻譜再生和傳輸質(zhì)量下降。對(duì)于功放來說，功放的效率和線性度之間是相互矛盾的，所以要想在高效率的條件下實(shí)現(xiàn)更好地進(jìn)行功放，線性化技術(shù)在通信過程中是不可或缺的。為解決這一問題，人們提出了許多線性化技術(shù)，如反饋、前饋、數(shù)字預(yù)失真(digital?pre-distortion，dpd)等。其中數(shù)字預(yù)失真能夠處理更高頻帶信號(hào)的非線性功放，并且效率高，所以被認(rèn)為是目前解決非線性功放的最佳方法之一，數(shù)字預(yù)失真技術(shù)可以通過在功放之前建立反向行為模型來補(bǔ)償功放的非線性失真，具有高效率和靈活性。
2、但是，傳統(tǒng)的數(shù)字預(yù)失真技術(shù)大多數(shù)是基于記憶多項(xiàng)式，去不斷調(diào)整公式中的參數(shù)來使其逼近非線性的系統(tǒng)響應(yīng)，所以對(duì)于不同的功率放大器，需要去針對(duì)性地調(diào)整不同的參數(shù)，例如記憶深度、非線性階數(shù)等，這是一個(gè)十分耗時(shí)費(fèi)力的過程，通用性不佳。隨著更高帶寬的調(diào)制信號(hào)的出現(xiàn)，傳統(tǒng)的數(shù)字預(yù)失真技術(shù)已經(jīng)不能夠滿足實(shí)驗(yàn)需求，如何準(zhǔn)確地對(duì)功放非線性進(jìn)行準(zhǔn)確建模已成為了一大難點(diǎn)。
3、因此，亟需一種基于神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)數(shù)字預(yù)失真的方法。
技術(shù)實(shí)現(xiàn)思路
1、為了解決現(xiàn)有技術(shù)中的問題，本專利技術(shù)采用神經(jīng)網(wǎng)絡(luò)對(duì)功放的非線性行為進(jìn)行建
2、本專利技術(shù)提供的一種基于神經(jīng)網(wǎng)絡(luò)的預(yù)失真方法，包括以下步驟：
3、步驟1，輸入信號(hào)x(n)首先通過數(shù)字預(yù)失真模型，在預(yù)失真未更新時(shí)，輸入信號(hào)x(n)未改變，然后通過數(shù)模轉(zhuǎn)換器，數(shù)模轉(zhuǎn)換器輸出的模擬信號(hào)經(jīng)過上變頻模塊后傳送至功率放大器，在反饋回路中，將耦合輸出傳送至下變頻模塊，再通過模數(shù)轉(zhuǎn)換器和數(shù)字解調(diào)器捕獲反饋信號(hào)得到y(tǒng)(n)，
4、步驟2，通過對(duì)輸入信號(hào)x(n)進(jìn)行重塑，得到神經(jīng)網(wǎng)絡(luò)的輸入向量i(n)和q(n)兩路信號(hào)，
5、步驟3，使用神經(jīng)網(wǎng)絡(luò)去建模功放模型，即本專利技術(shù)提出的神經(jīng)網(wǎng)絡(luò)模型，輸入信號(hào)i(n)、q(n)以及y(n)的作用是建立神經(jīng)網(wǎng)絡(luò)功放模型，
6、步驟4，將神經(jīng)網(wǎng)絡(luò)功放模型輸出的iout(n)和qout(n)輸入至系數(shù)估計(jì)器中，通過系數(shù)估計(jì)器中得到的預(yù)失真系數(shù)不斷更新數(shù)字預(yù)失真模型，實(shí)現(xiàn)數(shù)字預(yù)失真。
7、進(jìn)一步地，所述神經(jīng)網(wǎng)絡(luò)功放模型由一個(gè)輸入層、三個(gè)完全互聯(lián)的隱藏層和一個(gè)線性輸出的回歸層組成。
8、優(yōu)選地，所述神經(jīng)網(wǎng)絡(luò)模型中的訓(xùn)練集和測試集比例為7:3，即整個(gè)數(shù)據(jù)集的70％用于神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，另外30％用于神經(jīng)網(wǎng)絡(luò)模型的測試。
9、進(jìn)一步地，所述輸入信號(hào)x(n)分為i、q兩路輸入信號(hào)，對(duì)輸入信號(hào)x(n)進(jìn)行信號(hào)重塑，得到神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)in和qn的具體步驟為：
10、對(duì)i和q兩路輸入信號(hào)進(jìn)行級(jí)數(shù)擴(kuò)展并與信號(hào)包絡(luò)的奇次階進(jìn)行乘積，得到fi(n-mi)和fq(n-mq)，再對(duì)其進(jìn)行延時(shí)處理并組合為in和qn，初始輸入表示如下：
11、in＝[fi(n),fi(n-1),…fi(n-mi)]
12、qn＝[fq(n),fq(n-1),…fq(n-mq)]
13、
14、
15、其中，變量mi和mq分別代表i和q兩路輸入信號(hào)的記憶深度，變量k代表i和q兩路輸入信號(hào)的非線性擴(kuò)展階數(shù)，并限制為奇數(shù)階，
16、再對(duì)in和qn的進(jìn)一步延時(shí)處理并組合得到輸入信號(hào)in和qn，表示如下：
17、in＝[in，in-1，…in-t]
18、qn＝[qn，qn-1，…qn-t]
19、其中，t代表延遲單元的數(shù)量。
20、進(jìn)一步地，所述神經(jīng)網(wǎng)絡(luò)采用輸入層、隱藏層和輸出層以及每層中的神經(jīng)元建立。
21、進(jìn)一步地，每個(gè)所述神經(jīng)元產(chǎn)生的是輸入信號(hào)與權(quán)值的乘積與偏置的和，表示如下：
22、
23、其中，當(dāng)前層的第α個(gè)神經(jīng)元用α表示，β表示前一層的神經(jīng)元，l表示第l層。是連接第(l-1)層第β個(gè)神經(jīng)元和第l層第α個(gè)神經(jīng)元的權(quán)重，而是第(l-1)層的第β個(gè)神經(jīng)元的輸入信號(hào)，代表第l層第α個(gè)神經(jīng)元的偏置。
24、進(jìn)一步地，采用非線性leakyrelu激活函數(shù)激活各隱藏層，任意層的輸出表示如下：
25、
26、其中，激活函數(shù)的斜率為0.01。
27、進(jìn)一步地，在神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程中，采用levenberg-marquardt(lm)算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)的連接權(quán)重，lm算法的具體步驟如下：
28、給定神經(jīng)網(wǎng)絡(luò)迭代產(chǎn)生的權(quán)重和閾值向量，第k次表示為w(k)，第k+1次表示為w(k+1)，更新神經(jīng)網(wǎng)絡(luò)參數(shù)的公式如下：
29、w(k+1)＝w(k)-[jt(w)j(w)+λi]-1j(w)e(w)
30、其中，λ是縮放因子，為常數(shù)，在每次迭代中都會(huì)進(jìn)行自我調(diào)整；i是單位矩陣；e(w)表示誤差向量，它包含了神經(jīng)網(wǎng)絡(luò)模型預(yù)測值與實(shí)際值之間的差異，j(w)是雅可比矩陣，表示如下：
31、
32、在訓(xùn)練神經(jīng)網(wǎng)絡(luò)的整個(gè)過程中，設(shè)置的訓(xùn)練參數(shù)包括：迭代次數(shù)設(shè)置為100次，最小批量為10次，初始學(xué)習(xí)率為1e-4，學(xué)習(xí)率下降因子為0.95，學(xué)習(xí)率下降周期為1。
33、進(jìn)一步地，所述神經(jīng)網(wǎng)絡(luò)功放模型為交叉奇次階增強(qiáng)實(shí)值時(shí)延神經(jīng)網(wǎng)絡(luò)模型。
34、與現(xiàn)有技術(shù)相比，本專利技術(shù)所提出的神經(jīng)網(wǎng)絡(luò)模型的輸入信號(hào)除了信號(hào)的同相和正交分量之外，還包括同相和正交分量進(jìn)行延遲抽頭處理后與包絡(luò)奇次階的交叉乘積項(xiàng)，豐富了輸入信號(hào)的基函數(shù)，提升了神經(jīng)網(wǎng)絡(luò)模型的性能，最后，經(jīng)過神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊進(jìn)行訓(xùn)練后，所得到的預(yù)失真效果更佳。
35、不僅如此，本專利技術(shù)所提出的神經(jīng)網(wǎng)絡(luò)功放模型建模時(shí)間短，建模精度高；本專利技術(shù)采用了lm算法，與梯度下降法相比，lm算法收斂速度更快、效率更高、訓(xùn)練精度更高，并能緩解訓(xùn)練函數(shù)陷入局部極小值和存在重復(fù)參數(shù)等問題；對(duì)于短波信號(hào)的預(yù)失真效果，nmse和imd指標(biāo)常用于評(píng)估短波信號(hào)的功效，就nmse而言，本專利技術(shù)提出模型的nmse值為-32.94db，與lstm、bilstm和arvtdnn模型相比，本專利技術(shù)提出的模型分別改善了約7db、15db和4db；在互調(diào)方面，本專利技術(shù)提出的模型對(duì)imd3的抑制更為明顯，為-25.49dbc，與上述三種模型相比，它分別降低了約8.61dbc、14.76dbc和2.18dbc，此外，imd5和imd7也有一定改善。
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種基于神經(jīng)網(wǎng)絡(luò)的預(yù)失真方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的預(yù)失真方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)功放模型由一個(gè)輸入層、三個(gè)完全互聯(lián)的隱藏層和一個(gè)線性輸出的回歸層組成。
3.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的預(yù)失真方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)功放模型中的訓(xùn)練集和測試集比例為7:3，即整個(gè)數(shù)據(jù)集的70％用于神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，另外30％用于神經(jīng)網(wǎng)絡(luò)模型的測試。
4.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的預(yù)失真方法，其特征在于，所述輸入信號(hào)x(n)分為I、Q兩路輸入信號(hào)，對(duì)輸入信號(hào)x(n)進(jìn)行信號(hào)重塑，得到神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)In和Qn的具體步驟為：
5.根據(jù)權(quán)利要求2所述的基于神經(jīng)網(wǎng)絡(luò)的預(yù)失真方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)采用輸入層、隱藏層和輸出層以及每層中的神經(jīng)元建立。
6.根據(jù)權(quán)利要求5所述的基于神經(jīng)網(wǎng)絡(luò)的預(yù)失真方法，其特征在于，每個(gè)所述神經(jīng)元產(chǎn)生的是輸入信號(hào)與權(quán)值的乘積與偏置的和，表示如下：
7.根據(jù)權(quán)利要求6所述的基于神經(jīng)網(wǎng)絡(luò)的預(yù)失真方法，其特征在于，采用非線性leak
8.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的預(yù)失真方法，其特征在于，在神經(jīng)網(wǎng)絡(luò)功放模型的訓(xùn)練過程中，采用Levenberg-Marquardt算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)的連接權(quán)重，Levenberg-Marquardt算法的具體步驟如下：
9.根據(jù)權(quán)利要求1-8任一項(xiàng)所述的基于神經(jīng)網(wǎng)絡(luò)的預(yù)失真方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)功放模型為交叉奇數(shù)階增強(qiáng)實(shí)值時(shí)延神經(jīng)網(wǎng)絡(luò)模型。
...【技術(shù)特征摘要】
1.一種基于神經(jīng)網(wǎng)絡(luò)的預(yù)失真方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的預(yù)失真方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)功放模型由一個(gè)輸入層、三個(gè)完全互聯(lián)的隱藏層和一個(gè)線性輸出的回歸層組成。
3.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的預(yù)失真方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)功放模型中的訓(xùn)練集和測試集比例為7:3，即整個(gè)數(shù)據(jù)集的70％用于神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，另外30％用于神經(jīng)網(wǎng)絡(luò)模型的測試。
4.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的預(yù)失真方法，其特征在于，所述輸入信號(hào)x(n)分為i、q兩路輸入信號(hào)，對(duì)輸入信號(hào)x(n)進(jìn)行信號(hào)重塑，得到神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)in和qn的具體步驟為：
5.根據(jù)權(quán)利要求2所述的基于神經(jīng)網(wǎng)絡(luò)的預(yù)失真方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)采用輸...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：任繼軍，馬志成，馮永乾，劉琪，王興，趙勇，鄭航，康凱，張濤，
申請(qǐng)(專利權(quán))人：西安烽火電子科技有限責(zé)任公司，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。