CN103051293A - 射频放大器预失真处理方法及其系统 - Google Patents

Abstract

本发明提供一种射频放大器预失真处理方法及其系统，通过复数类神经网络算法，构建射频放大器的类神经网络模型，采用放大器输入／输出数据训练神经网络，在放大器前置相同的、经过训练的神经网络作为预失真函数。因为神经网络结构简单，并且具有自我学习功能，能够降低邻频频谱增益，进而降低射频通信的相互影响程度，提高整体通信速率和频谱利用率，并且无需复杂的运算。该神经网络通过不断学习，具有实时性；当放大器因为外部原因（温度、电压等）改变而改变性能后，该神经网络能够感知并进行自我修正。对于放大器的输入、输出曲线特征，采用复数幂函数构建所述类神经网络模型，使得学习收敛速度更加快，效果更加好。

Description

射频放大器预失真处理方法及其系统

技术领域

本发明涉及射频放大器预失真处理的技术领域，特别是涉及一种射频放大器预失真处理方法，以及一种射频放大器预失真处理系统。

背景技术

随着无线城市概念提出，无线通信的发展，通信技术的普及应用，对频谱利用率提出了更高的需求。

对于手机、基站、无线路由器等射频设备来说，理想的输入-输出关系应该是线性关系。但是受到射频器件（例如放大器、天线等）的非线性性能影响，输出信号不仅携带原有信息，还产生了失真并在邻频产生了频谱增益。频谱增益不仅带来了不必要的辐射，更重要的是干扰了邻频的通信信号，整体降低了通信速率和频谱利用率。

线性技术可以降低射频设备的非线性性能，降低邻频频谱增益，进而降低射频通信的相互影响程度，提高整体通信速率和频谱利用率。

常用的线性技术包括负反馈、正反馈和预失真。其中，预失真的原理可以通过以下简单举例来说明(以下函数经过归一化处理)：

假设放大器的非线性性用函数G(.)表示，在输入端经过F(.)的预失真，那么输出V0和输入Vi的关系表达为：

V0＝G(F(Vi))

如果F(.)和G(.)互为反函数，那么上式可简化为：

V0＝G(F(Vi))＝G(^-1G(Vi))＝Vi

亦即，输入和输出变回线性关系。然而，使用预失真方法时，必须对放大器的输入、输出的相位和振幅分开计算，导致计算过程比较复杂，实现的难度较大。

发明内容

针对上述背景技术中存在的问题，本发明的目的在于提供一种射频放大器预失真处理方法，能够较准确地进行射频放大器预失真处理，降低射频放大器的非线性性能。

一种射频放大器预失真处理方法，包括以下步骤：

通过复数类神经网络算法，构建射频放大器的类神经网络模型；其中，所述类神经网络模型由复数幂函数构成，所述复数幂函数的各阶系数对应所述射频放大器的各阶谐波的失真系数；

将工作在非线性状态下的射频放大器的输出和输入作为所述类神经网络模型的学习样本，通过误差梯度逐步逼近零的方法，获得所述复数幂函数的各阶系数；

利用所述各阶系数确定的类神经网络模型，对工作在非线性状态下的所述射频放大器进行预失真处理。

本发明的目的还在于提供一种射频放大器预失真处理系统。

一种射频放大器预失真处理系统，包括：

神经网络生成模块，用于通过复数类神经网络算法，构建射频放大器的类神经网络模型；其中，所述类神经网络模型由复数幂函数构成，所述复数幂函数的各阶系数对应所述射频放大器的各阶谐波的失真系数；

训练模块，用于将工作在非线性状态下的射频放大器的输出和输入作为所述类神经网络模型的学习样本，通过误差梯度逐步逼近零的方法，获得所述复数幂函数的各阶系数；

预失真模块，用于利用所述各阶系数确定的类神经网络模型，对工作在非线性状态下的所述射频放大器进行预失真处理。

本发明的射频放大器预失真处理方法及其系统中，通过复数类神经网络算法，构建射频放大器的类神经网络模型，采用放大器输入／输出数据训练神经网络，在放大器前置相同的、经过训练的神经网络作为预失真函数。因为神经网络结构简单，并且具有自我学习功能，能够降低邻频频谱增益，进而降低射频通信的相互影响程度，提高整体通信速率和频谱利用率，并且无需复杂的运算。该神经网络通过不断学习，具有实时性；当放大器因为外部原因（温度、电压等）改变而改变性能后，该神经网络能够感知并进行自我修正。

对于放大器的输入、输出曲线特征，采用复数幂函数构建所述类神经网络模型，使得学习收敛速度更加快，效果更加好。

并且，所述类神经网络模型由复数幂函数构成，所述复数幂函数的各阶系数对应所述射频放大器的各阶谐波的失真系数，因此构建的所述类神经网络模型充分考虑到放大器各阶谐波的非线性影响，能够抵消各个谐波分量。

附图说明

图1是本发明射频放大器预失真处理方法的流程示意图；

图2是本发明射频放大器预失真处理方法一种优选实施方式中，通过误差梯度逐步逼近零的方法获得所述复数幂函数的各阶系数的流程图；

图3和图4是利用本发明射频放大器预失真处理方法对射频放大器非线性性能学习示意图；

图5至图10是本发明射频放大器预失真处理方法的模拟实验效果图；

图11是本发明射频放大器预失真处理系统的结构示意图；

图12是本发明射频放大器预失真处理系统一种实施方式中训练模块的结构示意图。

具体实施方式

请参阅图1，图1是本发明射频放大器预失真处理方法的流程示意图。

所述射频放大器预失真处理方法，包括以下步骤：

S101，通过复数类神经网络算法，构建射频放大器的类神经网络模型；

其中，所述类神经网络模型由复数幂函数构成，所述复数幂函数的各阶系数对应所述射频放大器的各阶谐波的失真系数；

S102，将工作在非线性状态下的射频放大器的输出和输入作为所述类神经网络模型的学习样本，通过误差梯度逐步逼近零的方法，获得所述复数幂函数的各阶系数；

S103，利用所述各阶系数确定的类神经网络模型，对工作在非线性状态下的所述射频放大器进行预失真处理。

其中，所述类神经网络的表达采用复数幂函数。考虑到在射频信号当中，偶数阶谐波远离中心频率，一般会被滤波器滤掉，非线性模型一般都只考虑奇数阶谐波的组合，所以在本实施方式中，该复数幂函数优选只包含奇数次幂，因此所述复数幂函数为：（n为奇数）

$O=\underset{1}{\overset{n}{\mathrm{\Σ}}}{A}_n\·X{\left|\right|X\left|\right|}^{n-1}$

其中，X为所述类神经网络的输入矢量，O为所述类神经网络的输出矢量；A_n为所述复数幂函数的各阶系数，A_n＝||A_n||·exp(i*∠A_n)，n为奇数；

假设：类神经网络的输入输出矢量分别为复数X和O，训练样本为（X,Y）。复数的模代表信号振幅，复数的相位代表信号相位。当一个样本（X,Y）输入网络，并产生输出时，误差函数为：

$e=\frac{1}{2}{\left|\right|Y-O\left|\right|}^2;$

其中，Y为所述类神经网络的学习样本的输出矢量；

则在步骤S102，通过误差梯度逐步逼近零的方法获得所述复数幂函数的各阶系数的步骤中，根据以下公式设定所述各阶系数的修正量为：

$\mathrm{\Δ}{A}_n=-\mathrm{\α}\·{\mathrm{\δ}}_o\·\stackrel{\‾}{{\mathrm{\δ}}_{\mathrm{An}}}=-\mathrm{\α}(O-Y)\stackrel{\‾}{{X\left|\right|X\left|\right|}^{n-1}}$

其中，α为预先设定的学习率。

请参阅图2，图2是本发明射频放大器预失真处理方法一种优选实施方式中，通过误差梯度逐步逼近零的方法获得所述复数幂函数的各阶系数的流程图。

在步骤S102中，通过误差梯度逐步逼近零的方法获得所述复数幂函数的各阶系数的步骤优选通过以下方式完成：

S201，首先要生成所述复数幂函数的各阶系数的初始值，所述类神经网络模型的学习率，以及误差阈值；

S202，将工作在非线性状态下的射频放大器的输出和输入作为所述类神经网络模型的学习样本批量输入所述类神经网络模型；

S203，计算所述类神经网络模型的学习样本的输出以及所述类神经网络模型的实际输出的误差值；

S204，判断所述误差值是否低于所述误差阈值；如果是，则执行步骤S205，否则，执行步骤S206；

S205，获取对应的所述各阶系数作为所述类神经网络模型的复数幂函数的各阶系数；

S206，根据误差趋势，修改所述各阶系数后重新返回步骤S203，计算所述类神经网络模型的输出以及误差，直到所述误差值低于所述误差阈值后，获取对应的所述各阶系数作为所述类神经网络模型的复数幂函数的各阶系数。

特别地，对于所述类神经网络模型输入不同的学习样本，将得到所述复数幂函数不同的各阶系数。

其中，对于放大器的非线性性能调整，若将解调后（放大器输出）和调制前（放大器输入）的基频信号分别作为所述类神经网络的输入输出学习样本（X,Y）进行训练，可以让所述类神经网络学习放大器非线性的反函数，从而可通过复制相同的神经网络对输入信号进行预失真处理。

如图3所示，将放大器PA的输出信号通过解调器解调，然后通过模数转换器ADC转换，输入到所述类神经网络作为学习样本的输入矢量；将输入到I-Q调制器之前的放大器输入信号，通过同样的模数转换器ADC转换，然后输入到所述类神经网络作为学习样本的输出矢量。从而使所述类神经网络学习放大器非线性的反函数。复制相同的神经网络构成预失真模块，对所述放大器的输入信号进行数字预失真处理，即刻完成对所述放大器的非线性调整。

在通过误差梯度逐步逼近零的方法获得所述复数幂函数的各阶系数时，首先将工作在非线性状态下的射频放大器的输出作为所述类神经网络模型的输入，将所述类神经网络模型的输出与所述射频放大器的输入比较，获取第一误差值；根据所述第一误差值的变化趋势，修改所述复数幂函数的各阶系数，使所述第一误差值逐渐逼近于零；当所述第一误差值低于所述误差阈值时，获取对应的所述各阶系数作为执行射频放大器预失真处理的类神经网络模型所对应的复数幂函数的各阶系数。

若，将调制前（放大器输入）和解调后（放大器输出）的基频信号分别作为神经网络的输入输出样本（X,Y）进行训练，则可以让所述类神经网络学习放大器的非线性性能。

如图4所示，将输入到I-Q调制器之前的放大器输入信号，通过模数转换器ADC转换，然后输入到所述类神经网络作为学习样本的输入矢量，对于基频信号，例如16QAM信号，可以把I和Q信号看成复数：将放大器的输出信号通过解调器解调，然后同样通过模数转换器ADC转换，输入到所述类神经网络作为学习样本的输出矢量。从而使所述类神经网络对射频放大器非线性性能学习。

在通过误差梯度逐步逼近零的方法获得所述复数幂函数的各阶系数时，首先将工作在非线性状态下的射频放大器的输入作为所述类神经网络模型的输入，将所述类神经网络模型的输出与所述射频放大器的输出比较，获取第二误差值；根据所述第二误差值的变化趋势，修改所述复数幂函数的各阶系数，使所述第二误差值逐渐逼近于零；当所述第二误差值低于所述误差阈值时，获取对应的所述各阶系数作为执行射频放大器非线性模拟的类神经网络模型所对应的复数幂函数的各阶系数。

在步骤S103，根据步骤S102获得的复数幂函数的各阶系数，生成完整的类神经网络模型，获取所述射频放大器的输入信号，根据所述类神经网络模型对所述射频放大器的输入信号执行预失真处理，然后将处理后的信号输入到所述射频放大器，从而对所述射频放大器的非线性性能进行调整。

下面以具体实施例说明本发明的射频放大器预失真处理方法：

假设：类神经网络的输入输出矢量分别为复数X和O，训练样本为（X,Y）。复数的模代表信号振幅，复数的相位代表信号相位。

类神经网络的表达采用复数幂函数，该复数幂函数只包含奇数次幂，并且只考虑到五阶谐波系数：

O＝A₁·X+A₃·X||X||²+A₅·X||X||⁴

式中，A₁，A₃，A₅分别代表线性、三阶谐波和五阶谐波系数:

A₁＝A_1R+iA_1I＝||A₁||·exp(i*∠A₁)

A₃＝A_3R+iA_3I＝||A₃||·exp(i*∠A₃)

A₅＝A_5R+iA_5I＝||A₅||·exp(i*∠A₅)

它们由实部和虚部组成，模和相位可以代表线性、三阶谐波和五阶谐波的增益和相移。

当一个样本（X,Y）输入网络，并产生输出时，误差函数为：

$e=\frac{1}{2}{\left|\right|Y-O\left|\right|}^2$

根据误差梯度下降法，误差修正量应为：

$\mathrm{\Δ}{A}_1=-\mathrm{\α}\·\▿A_1\·e$

$\mathrm{\Δ}{A}_3=-\mathrm{\α}\·\▿A_3\·e$

$\mathrm{\Δ}{A}_5=-\mathrm{\α}\·\▿A_5\·e$

其中，α为学习率。

运用链式法则， $\▿A_1\·e,\▿A_3\·e,\▿A_5\·e$ 可展开：

$\▿A_1\·e=\frac{\∂e}{\∂A_{1R}}+i\frac{\∂e}{\∂A_{1I}}=(\frac{\∂e}{\∂O_R}\frac{\∂O_R}{\∂A_{1R}}+\frac{\∂e}{\∂O_I}\frac{\∂O_I}{\∂A_{1R}})+i(\frac{\∂e}{\∂O_R}\frac{\∂O_R}{\∂A_{1I}}+\frac{\∂e}{\∂O_I}\frac{\∂O_I}{\∂A_{1I}})$

$\▿A_3\·e=\frac{\∂e}{\∂A_{3R}}+i\frac{\∂e}{\∂A_{3I}}=(\frac{\∂e}{\∂O_R}\frac{\∂O_R}{\∂A_{3R}}+\frac{\∂e}{\∂O_I}\frac{\∂O_I}{\∂A_{3R}})+i(\frac{\∂e}{\∂O_R}\frac{\∂O_R}{\∂A_{3I}}+\frac{\∂e}{\∂O_I}\frac{\∂O_I}{\∂A_{3I}})$

$\▿A_5\·e=\frac{\∂e}{\∂A_{5R}}+i\frac{\∂e}{\∂A_{5I}}=(\frac{\∂e}{\∂O_R}\frac{\∂O_R}{\∂A_{5R}}+\frac{\∂e}{\∂O_I}\frac{\∂O_I}{\∂A_{5R}})+i(\frac{\∂e}{\∂O_R}\frac{\∂O_R}{\∂A_{5I}}+\frac{\∂e}{\∂O_I}\frac{\∂O_I}{\∂A_{5I}})$

令

${\mathrm{\δ}}_o=(\frac{\∂e}{\∂O_R}+i\frac{\∂e}{\∂O_I}),$ ${\mathrm{\δ}}_{\mathrm{oR}}=\frac{\∂e}{\∂O_R}$ ${\mathrm{\δ}}_{\mathrm{oI}}=\frac{\∂e}{\∂O_I}$

同时，由于O＝A₁·X+A₃·X||X||²+A₅·X||X||⁴是关于An(n=1,3,5)的线性表达式，满足Cauchy-Riemann公式条件，即：

$\frac{\∂O_R}{\∂A_{1R}}=\frac{\∂O_I}{\∂A_{1I}}=X_R$

$\frac{\∂O_I}{\∂A_{1R}}=-\frac{\∂O_R}{\∂A_{1I}}=X_I$

$\frac{\∂O_R}{\∂A_{3R}}=\frac{\∂O_I}{\∂A_{3I}}=X{{\left|\right|X\left|\right|}^2}_R$

$\frac{\∂O_I}{\∂A_{3R}}=-\frac{\∂O_R}{\∂A_{3I}}={{X\left|\right|X\left|\right|}^2}_I$

$\frac{\∂O_R}{\∂A_{5R}}=\frac{\∂O_I}{\∂A_{5I}}={{X\left|\right|X\left|\right|}^4}_R$

$\frac{\∂O_I}{\∂A_{5R}}=-\frac{\∂O_R}{\∂A_{5I}}={{X\left|\right|X\left|\right|}^4}_I$

可以令

${\mathrm{\δ}}_{\mathrm{An}}=\frac{\∂O}{\∂A_n}=(\frac{\∂O_R}{\∂A_{\mathrm{nR}}}+i\frac{\∂O_R}{\∂A_{\mathrm{nI}}}),$ $\begin{array}{cc}{\mathrm{\δ}}_{\mathrm{AnR}}=\frac{\∂O_R}{\∂A_{\mathrm{nR}}}=\frac{\∂O_I}{\∂A_{\mathrm{nI}}}& {\mathrm{\δ}}_{\mathrm{AnI}}=-\frac{\∂O_R}{\∂A_{\mathrm{nI}}}=\frac{\∂O_I}{\∂A_{\mathrm{nR}}}(n=\mathrm{1,3,5})\end{array}$

则，ΔA_n(n=1,3,5)可以简化为：

$\mathrm{\Δ}{A}_n=-\mathrm{\α}\·\▿A_n\·e=-\mathrm{\α}\·[(\frac{\∂e}{\∂O_R}\frac{\∂O_R}{\∂A_{\mathrm{nR}}}+\frac{\∂e}{\∂O_I}\frac{\∂O_I}{\∂A_{\mathrm{nR}}})+i(\frac{\∂e}{\∂O_R}\frac{\∂O_R}{\∂A_{\mathrm{nI}}}+\frac{\∂e}{\∂O_I}\frac{\∂O_I}{\∂A_{\mathrm{nI}}})]=-\mathrm{\α}\·[({\mathrm{\δ}}_{\mathrm{oR}}{\mathrm{\δ}}_{\mathrm{AnR}}+$

${\mathrm{\δ}}_{\mathrm{oI}}{\mathrm{\δ}}_{\mathrm{AnI}})+i(-{\mathrm{\δ}}_{\mathrm{oR}}{\mathrm{\δ}}_{\mathrm{AnI}}+{\mathrm{\δ}}_{\mathrm{oI}}{\mathrm{\δ}}_{\mathrm{AnR}})]=-\mathrm{\α}\·({\mathrm{\δ}}_{\mathrm{oR}}+i{\mathrm{\δ}}_{\mathrm{oI}})({\mathrm{\δ}}_{\mathrm{AnR}}-i{\mathrm{\δ}}_{\mathrm{AnI}})$

即：

$\mathrm{\Δ}{A}_n=-\mathrm{\α}\·{\mathrm{\δ}}_o\·\stackrel{\‾}{{\mathrm{\δ}}_{\mathrm{An}}}$

式中，n=1,3,5，

表示δ_An的共轭复数。

经计算：

$\frac{\∂e}{\∂O_R}=\frac{1}{2}\×2(Y_R-O_R)\×(-1)=O_R-Y_R$

$\frac{\∂e}{\∂O_I}=\frac{1}{2}\×2(Y_I-O_I)\×(-1)=O_I-Y_I$

${\mathrm{\δ}}_o=(\frac{\∂e}{\∂O_R}+i\frac{\∂e}{\∂O_I})=O-Y$

${\mathrm{\δ}}_{A1}=(\frac{\∂O_R}{\∂A_{1R}}+i\frac{\∂O_R}{\∂A_{1I}})=\frac{\∂O}{\∂A_1}=X$

${\mathrm{\δ}}_{A3}=(\frac{\∂O_R}{\∂A_{3R}}+i\frac{\∂O_R}{\∂A_{3I}})=\frac{\∂O}{\∂A_3}=X{\left|\right|X\left|\right|}^2$

${\mathrm{\δ}}_{A5}=(\frac{\∂O_R}{\∂A_{5R}}+i\frac{\∂O_R}{\∂A_{5I}})=\frac{\∂O}{\∂A_5}=X{\left|\right|X\left|\right|}^4$

整理得出：

$\mathrm{\Δ}{A}_1=-\mathrm{\α}\·{\mathrm{\δ}}_o\·\stackrel{\‾}{{\mathrm{\δ}}_{A1}}=-\mathrm{\α}(O-Y)\stackrel{\‾}{X}$

$\mathrm{\Δ}{A}_3=-\mathrm{\α}\·{\mathrm{\δ}}_o\·\stackrel{\‾}{{\mathrm{\δ}}_{A3}}=-\mathrm{\α}(O-Y)\stackrel{\‾}{{X\left|\right|X\left|\right|}^2}$

$\mathrm{\Δ}{A}_5=-\mathrm{\α}\·{\mathrm{\δ}}_o\·\stackrel{\‾}{{\mathrm{\δ}}_{A5}}=-\mathrm{\α}(O-Y)\stackrel{\‾}{{X\left|\right|X\left|\right|}^4}$

以上述ΔA₁、ΔA₃和ΔA₅作为每次调整所述线性、三阶谐波和五阶谐波系数的调整量，采用误差逐步逼近零的方法使所述类神经网络的输出与学习样本的输出接近，在误差值小于预设误差阈值时获取对应的线性、三阶谐波和五阶谐波系数，生成的复数幂函数构成类神经网络，在放大器的输入端用所述类神经网络进行预失真处理。

请进一步参阅图5至图10，图5至图10是本发明射频放大器预失真处理方法的模拟实验效果图。

为验证本发明的射频放大器预失真处理方法的实际效果，采用Matlab/Simulink模拟本方法的预失真技术，从而对本发明发的技术效果进行预测。在此，放大器采用Saleh模型，归一化的Saleh模型输入输出关系图5所示。采用本发明的方法学习以上模型（学习率设为0.05），每次用相同的1组（10个）样本进行训练，重复训练了1000次。

对振幅失真的学习效果以每10组训练作为一个记录，摘取几个记录，如图6所示。分别是第1：10次训练效果（图6a）、第11：20次训练效果（图6b）、第51：60次训练效果（图6c）、第121：130次训练效果（图6d）、第301：310次训练效果（图6e）和第991：1000次训练效果（图6f）。

而对应的相位失真的学习效果记录如图7所示。分别是第1：10次训练效果（图7a）、第11：20次训练效果（图7b）、第51：60次训练效果（图7c）、第121：130次训练效果（图7d）、第301：310次训练效果（图7e）和第991：1000次训练效果（图7f）。

由此可知通过大量的学习样本训练，实现模型的归一化。

而对于误差值

随训练次数递增而递减效果如图8所示。在87次训练之后，e<=0.01；在199次训练之后，e<=0.001；在1000次训练之后，e=0.00024。

对放大器预失真处理的效果用Matlab Simulink模拟，假设输入信号为16QAM。所得结果包括频谱和星座图。

其中，频谱对比如图9所示，16QAM输入频谱如图9a所示，在没有使用预失真技术时16QAM输出频谱如图9b所示；使用了本发明的类神经网络预失真技术后，16QAM输出频谱如图9c所示。由此可见，类神经网络让频谱增益下降了20dB，即100分之一，效果明显。

而星座图对比如图10所示，16QAM输入星座图如图10a所示，在没有使用预失真技术时16QAM输出星座图如图10b所示；类神经网络学习过程中的星座图变化如图10c所示；使用了本发明的类神经网络预失真技术后，16QAM输出星座图如图10d所示。由此可以看出使用本发明的类神经网络进行射频放大器预失真处理方法后，输入／输出星座图基本一致。

上述只举例说明了包括了三／五阶失真的放大器预失真处理，但本领域技术人员根据本发明的思想，可以扩展至更高阶的奇数失真系数。

请参阅图11，图11是本发明射频放大器预失真处理系统的结构示意图。

所述射频放大器预失真处理系统包括：

神经网络生成模块11，用于通过复数类神经网络算法，构建射频放大器的类神经网络模型；其中，所述类神经网络模型由复数幂函数构成，所述复数幂函数的各阶系数对应所述射频放大器的各阶谐波的失真系数；

训练模块12，用于将工作在非线性状态下的射频放大器的输出和输入作为所述类神经网络模型的学习样本，通过误差梯度逐步逼近零的方法，获得所述复数幂函数的各阶系数；

预失真模块13，用于利用所述各阶系数确定的类神经网络模型，对工作在非线性状态下的所述射频放大器进行预失真处理。

其中，所述类神经网络的表达采用复数幂函数。考虑到在射频信号当中，偶数阶谐波远离中心频率，一般会被滤波器滤掉，非线性模型一般都只考虑奇数阶谐波的组合，所以在本实施方式中，该复数幂函数优选只包含奇数次幂，因此所述复数幂函数为：（n为奇数）

$O=\underset{1}{\overset{n}{\mathrm{\&Sigma;}}}{A}_n\&CenterDot;X{\left|\right|X\left|\right|}^{n-1}$

其中，X为所述类神经网络的输入矢量，O为所述类神经网络的输出矢量；A_n为所述复数幂函数的各阶系数，A_n＝||A_n||·exp(i*∠A_n)，n为奇数；

假设：类神经网络的输入输出矢量分别为复数X和O，训练样本为（X,Y）。复数的模代表信号振幅，复数的相位代表信号相位。当一个样本（X,Y）输入网络，并产生输出时，误差函数为：

$e=\frac{1}{2}{\left|\right|Y-O\left|\right|}^2;$

其中，Y为所述类神经网络的学习样本的输出矢量；

则所述训练模块12根据以下公式设定所述各阶系数的修正量为：

$\mathrm{\&Delta;}{A}_n=-\mathrm{\&alpha;}\&CenterDot;{\mathrm{\&delta;}}_o\&CenterDot;\stackrel{\&OverBar;}{{\mathrm{\&delta;}}_{\mathrm{An}}}=-\mathrm{\&alpha;}(O-Y)\stackrel{\&OverBar;}{{X\left|\right|X\left|\right|}^{n-1}}$

其中，α为预先设定的学习率。

请参阅图12，图12是本发明射频放大器预失真处理系统一种实施方式中训练模块的结构示意图。

在本实施方式中，所述训练模块12包括：

初始值设定模块21，用于生成各阶系数的初始值，所述类神经网络模型的学习率，以及误差阈值；

数据输入模块22，用于将工作在非线性状态下的射频放大器的输出和输入作为所述类神经网络模型的学习样本批量输入所述类神经网络模型；

误差计算模块23，用于计算所述类神经网络模型的学习样本的输出以及所述类神经网络模型的实际输出的误差值；

判别模块24，用于判断所述误差值是否低于所述误差阈值，如果是，则获取对应的所述各阶系数作为所述类神经网络模型的复数幂函数的各阶系数；否则，根据误差趋势，修改所述各阶系数后重新计算所述类神经网络模型的输出以及误差，直到所述误差值低于所述误差阈值后，获取对应的所述各阶系数作为所述类神经网络模型的复数幂函数的各阶系数。

特别地，对于所述类神经网络模型输入不同的学习样本，将得到所述复数幂函数不同的各阶系数。

其中，对于放大器的非线性性能调整，若将解调后（放大器输出）和调制前（放大器输入）的基频信号分别作为所述类神经网络的输入输出学习样本（X,Y）进行训练，可以让所述类神经网络学习放大器非线性的反函数，从而可通过复制相同的神经网络对输入信号进行预失真处理。

亦即，所述数据输入模块22将工作在非线性状态下的射频放大器的输出作为所述类神经网络模型的输入；所述误差计算模块23将所述类神经网络模型的输出与所述射频放大器的输入比较，获取第一误差值；所述判别模块24根据所述第一误差值的变化趋势，修改所述复数幂函数的各阶系数，使所述第一误差值逐渐逼近于零；并在所述第一误差值低于所述误差阈值时，获取对应的所述各阶系数作为执行射频放大器预失真处理的类神经网络模型所对应的复数幂函数的各阶系数。从而使所述类神经网络学习放大器非线性的反函数。复制相同的神经网络构成预失真模块，对所述放大器的输入信号进行数字预失真处理，即刻完成对所述放大器的非线性调整。

若将调制前（放大器输入）和解调后（放大器输出）的基频信号分别作为神经网络的输入输出样本（X,Y）进行训练，则可以让所述类神经网络学习放大器的非线性性能。

亦即，所述数据输入模块22将工作在非线性状态下的射频放大器的输入作为所述类神经网络模型的输入；所述误差计算模块23将所述类神经网络模型的输出与所述射频放大器的输出比较，获取第二误差值；所述判别模块24根据所述第二误差值的变化趋势，修改所述复数幂函数的各阶系数，使所述第二误差值逐渐逼近于零；并在所述第二误差值低于所述误差阈值时，获取对应的所述各阶系数作为执行射频放大器非线性模拟的类神经网络模型所对应的复数幂函数的各阶系数。从而使所述类神经网络对射频放大器非线性性能学习。

所述判别模块13根据所述训练模块12获得的所述复数幂函数的各阶系数，生成完整的类神经网络模型，获取所述射频放大器的输入信号，根据所述类神经网络模型对所述射频放大器的输入信号执行预失真处理，然后将处理后的信号输入到所述射频放大器，从而对所述射频放大器的非线性性能进行调整。

本发明的射频放大器预失真处理方法及其系统还具有以下优点：

模型结构简单，便于算法移植到FPGA或者ASIC芯片上；能抓住放大器的非线性性能重要参数（线性增益、三阶失真系数、五阶失真系数）；学习速度快，训练时间较传统神经网络短；具有实时性，在实际当中，放大器性能会随着电源、温度等外界条件变化而变化，该网络可以实时学习并马上调整。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种射频放大器预失真处理方法，其特征在于，包括以下步骤：

通过复数类神经网络算法，构建射频放大器的类神经网络模型；其中，所述类神经网络模型由复数幂函数构成，所述复数幂函数的各阶系数对应所述射频放大器的各阶谐波的失真系数；

将工作在非线性状态下的射频放大器的输出和输入作为所述类神经网络模型的学习样本，通过误差梯度逐步逼近零的方法，获得所述复数幂函数的各阶系数；

利用所述各阶系数确定的类神经网络模型，对工作在非线性状态下的所述射频放大器进行预失真处理。

2.如权利要求1所述的射频放大器预失真处理方法，其特征在于，将工作在非线性状态下的射频放大器的输出和输入作为所述类神经网络模型的学习样本，通过误差梯度逐步逼近零的方法，获得所述复数幂函数的各阶系数的步骤包括：

生成所述复数幂函数的各阶系数的初始值，所述类神经网络模型的学习率，以及误差阈值；

将工作在非线性状态下的射频放大器的输出和输入作为所述类神经网络模型的学习样本批量输入所述类神经网络模型；

计算所述类神经网络模型的学习样本的输出以及所述类神经网络模型的实际输出的误差值；

判断所述误差值是否低于所述误差阈值，如果是，则获取对应的所述各阶系数作为所述类神经网络模型的复数幂函数的各阶系数；否则，根据误差趋势，修改所述各阶系数后重新计算所述类神经网络模型的输出以及误差，直到所述误差值低于所述误差阈值后，获取对应的所述各阶系数作为所述类神经网络模型的复数幂函数的各阶系数。

3.如权利要求2所述的射频放大器预失真处理方法，其特征在于：

将工作在非线性状态下的射频放大器的输出作为所述类神经网络模型的输入，将所述类神经网络模型的输出与所述射频放大器的输入比较，获取第一误差值；

根据所述第一误差值的变化趋势，修改所述复数幂函数的各阶系数，使所述第一误差值逐渐逼近于零；

当所述第一误差值低于所述误差阈值时，获取对应的所述各阶系数作为执行射频放大器预失真处理的类神经网络模型所对应的复数幂函数的各阶系数。

4.如权利要求2所述的射频放大器预失真处理方法，其特征在于：

将工作在非线性状态下的射频放大器的输入作为所述类神经网络模型的输入，将所述类神经网络模型的输出与所述射频放大器的输出比较，获取第二误差值；

根据所述第二误差值的变化趋势，修改所述复数幂函数的各阶系数，使所述第二误差值逐渐逼近于零；

当所述第二误差值低于所述误差阈值时，获取对应的所述各阶系数作为执行射频放大器非线性模拟的类神经网络模型所对应的复数幂函数的各阶系数。

5.如权利要求1至4任意一项所述的射频放大器预失真处理方法，其特征在于，所述复数幂函数为：

$O=\underset{1}{\overset{n}{\mathrm{\&Sigma;}}}{A}_n\&CenterDot;X{\left|\right|X\left|\right|}^{n-1}$

其中，X为所述类神经网络的输入矢量，O为所述类神经网络的输出矢量；A_n为所述复数幂函数的各阶系数，A_n＝||A_n||·exp(i*∠A_n)，n为奇数；

误差的函数为：

$e=\frac{1}{2}{\left|\right|Y-O\left|\right|}^2$

其中，Y为所述类神经网络的学习样本的输出矢量；

在通过误差梯度逐步逼近零的方法获得所述复数幂函数的各阶系数的步骤中，根据以下公式设定所述各阶系数的修正量为：

$\mathrm{\&Delta;}{A}_n=-\mathrm{\&alpha;}(O-Y)\stackrel{\&OverBar;}{{X\left|\right|X\left|\right|}^{n-1}}$

其中，α为预先设定的学习率。

6.一种射频放大器预失真处理系统，其特征在于，包括：

神经网络生成模块，用于通过复数类神经网络算法，构建射频放大器的类神经网络模型；其中，所述类神经网络模型由复数幂函数构成，所述复数幂函数的各阶系数对应所述射频放大器的各阶谐波的失真系数；

训练模块，用于将工作在非线性状态下的射频放大器的输出和输入作为所述类神经网络模型的学习样本，通过误差梯度逐步逼近零的方法，获得所述复数幂函数的各阶系数；

预失真模块，用于利用所述各阶系数确定的类神经网络模型，对工作在非线性状态下的所述射频放大器进行预失真处理。

7.如权利要求6所述的射频放大器预失真处理系统，其特征在于，所述训练模块包括：

初始值设定模块，用于生成各阶系数的初始值，所述类神经网络模型的学习率，以及误差阈值；

数据输入模块，用于将工作在非线性状态下的射频放大器的输出和输入作为所述类神经网络模型的学习样本批量输入所述类神经网络模型；

误差计算模块，用于计算所述类神经网络模型的学习样本的输出以及所述类神经网络模型的实际输出的误差值；

判别模块，用于判断所述误差值是否低于所述误差阈值，如果是，则获取对应的所述各阶系数作为所述类神经网络模型的复数幂函数的各阶系数；否则，根据误差趋势，修改所述各阶系数后重新计算所述类神经网络模型的输出以及误差，直到所述误差值低于所述误差阈值后，获取对应的所述各阶系数作为所述类神经网络模型的复数幂函数的各阶系数。

8.如权利要求7所述的射频放大器预失真处理系统，其特征在于：

所述数据输入模块将工作在非线性状态下的射频放大器的输出作为所述类神经网络模型的输入；

所述误差计算模块将所述类神经网络模型的输出与所述射频放大器的输入比较，获取第一误差值；

所述判别模块根据所述第一误差值的变化趋势，修改所述复数幂函数的各阶系数，使所述第一误差值逐渐逼近于零；并在所述第一误差值低于所述误差阈值时，获取对应的所述各阶系数作为执行射频放大器预失真处理的类神经网络模型所对应的复数幂函数的各阶系数。

9.如权利要求7所述的射频放大器预失真处理系统，其特征在于：

所述数据输入模块将工作在非线性状态下的射频放大器的输入作为所述类神经网络模型的输入；

所述误差计算模块将所述类神经网络模型的输出与所述射频放大器的输出比较，获取第二误差值；

所述判别模块根据所述第二误差值的变化趋势，修改所述复数幂函数的各阶系数，使所述第二误差值逐渐逼近于零；并在所述第二误差值低于所述误差阈值时，获取对应的所述各阶系数作为执行射频放大器非线性模拟的类神经网络模型所对应的复数幂函数的各阶系数。

10.如权利要求6至10中任意一项所述的射频放大器预失真处理系统，其特征在于，所述复数幂函数为：

$O=\underset{1}{\overset{n}{\mathrm{\&Sigma;}}}{A}_n\&CenterDot;X{\left|\right|X\left|\right|}^{n-1}$

其中，n为奇数，X为所述类神经网络的输入矢量，O为所述类神经网络的输出矢量；A_n为所述复数幂函数的各阶系数，A_n＝||A_n||·exp(i*∠A_n)；

误差的函数为：

$e=\frac{1}{2}{\left|\right|Y-O\left|\right|}^2$

其中，Y为所述类神经网络的学习样本的输出矢量；

在通过误差梯度逐步逼近零的方法获得所述复数幂函数的各阶系数的步骤中，根据以下公式设定所述各阶系数的修正量为：

$\mathrm{\&Delta;}{A}_n=-\mathrm{\&alpha;}(O-Y)\stackrel{\&OverBar;}{{X\left|\right|X\left|\right|}^{n-1}}$

其中，α为预先设定的学习率。

Images