CN108833145B - 一种使用自组织映射网络的分段二维预失真系统及方法 - Google Patents

一种使用自组织映射网络的分段二维预失真系统及方法 Download PDF

Info

Publication number
CN108833145B
CN108833145B CN201810540806.8A CN201810540806A CN108833145B CN 108833145 B CN108833145 B CN 108833145B CN 201810540806 A CN201810540806 A CN 201810540806A CN 108833145 B CN108833145 B CN 108833145B
Authority
CN
China
Prior art keywords
self
module
converter
predistortion
organizing
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.)
Expired - Fee Related
Application number
CN201810540806.8A
Other languages
English (en)
Other versions
CN108833145A (zh
Inventor
吴晓芳
黄劲夫
蔡心硕
石江宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University
Original Assignee
Xiamen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen University filed Critical Xiamen University
Priority to CN201810540806.8A priority Critical patent/CN108833145B/zh
Publication of CN108833145A publication Critical patent/CN108833145A/zh
Application granted granted Critical
Publication of CN108833145B publication Critical patent/CN108833145B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/04—Network management architectures or arrangements
    • H04L41/044—Network management architectures or arrangements comprising hierarchical management structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Amplifiers (AREA)

Abstract

本发明公开的一种使用自组织映射网络的分段二维预失真系统及方法，系统包括预失真级、综合级、功放、信号抽取与分析级；所述预失真级包括第一自组织映射网络模块、第二自组织映射网络模块、第一预失真器模块以及第二预失真器模块；所述综合级包括第一数模转换器、第二数模转换器、第一上变频器、第二上变频器以及合成器；所述的信号抽取与分析级包括第一下变频器、第二下变频器、第一模数转换器、第二模数转换器以及学习模块。本发明利用两个通道来分别抑制上波段以及下波段信号在通过功放之后在自身载波频率处产生的失真、并分别进行非线性进行补偿，同时增强了分段过程的鲁棒性。

Description

一种使用自组织映射网络的分段二维预失真系统及方法
技术领域
本发明涉及一种使用自组织映射网络的分段二维预失真方法。
背景技术
功率放大器(Power Amplifier，PA)是射频系统中最消耗功率的元件之一，所以它运行时的效率严重影响着整个系统的工作情况。并且近年来随着功放技术的进步，如今的功放可以运行在一个很宽的带宽上，这就使得原有的收发机结构发生了改变，使用一个功放就可以同时支持多个波段的信号，这不但降低了功放的功耗，还有效的减小了收发机的体积。同时，随着近年来高效率功放的运用，功放在不同的信号幅度区域表现出不同的幅度调制特性，具有很强的非线性。这就使得如果用一个模型来线性化整个功放工作区间的传统方法很难达到一个满意的效果。
为了解决上述问题，分段的数字预失真(Digital Predistortion， DPD)技术被视为一个可行的解方案，其基本思想是将输入信号按照一定特征进行分段，对于特征相近的信号用一个预失真模型进行系数识别。现有通常使用的特征进行分段方法为K-Means聚类算法，但是随着维数的增加，其码书(Codebook)的大小将成指数的增加，并且它对于初始码书的选择较为敏感，往往在有限次的迭代中不能达到一个收敛的结果。分段的数字预失真方法还存在的一个问题是，对于每一个分段都使用一个单独的预失真模型，这导致了预失真系数个数的增加，不利于系统的实现。
为此，本发明人针对上述预失真方法存在的问题，研究出一种强鲁棒性的使用自组织映射网络的分段二维预失真方法。
发明内容
本发明的目的在于提供一种使用自组织映射网络的分段二维预失真系统及方法，其利用两个通道来分别抑制上波段以及下波段信号在通过功放之后在自身载波频率处产生的失真、并分别进行非线性进行补偿，同时增强了分段过程的鲁棒性，并结合降维处理的方法使得在进行分段处理之后，预失真系数的个数依然可以保持在合理的范围内，减小了系统的整体开销。
为达成上述技术目的，本发明的技术方法如下：
一种使用自组织映射网络的分段二维预失真系统，包括预失真级、综合级、功放、信号抽取与分析级；
所述预失真级包括第一自组织映射网络模块、第二自组织映射网络模块、第一预失真器模块以及第二预失真器模块；所述第一自组织映射网络模块的输入与信号输入端相连接而输出与第一预失真器模块的输入连接，所述第二自组织映射网络模块的输入与信号输入端相连接而输出与第二预失真器模块的输入连接；
所述综合级包括第一数模转换器、第二数模转换器、第一上变频器、第二上变频器以及合成器；所述第一预失真器模块的输出依次与第一数模转换器、第一上变频器及功放输入端连接，第二预失真器模块的输出依次与第二数模转换器、第二上变频器及功放输入端连接；
所述的信号抽取与分析级包括第一下变频器、第二下变频器、第一模数转换器、第二模数转换器以及学习模块；功放输出端依次与第一下变频器、第一模数转换器和学习模块依次连接，功放输出端还依次与第二下变频器、第二模数转换器和学习模块依次连接；所述学习模块的输入还与第一预失真器模块的输出和第二预失真器模块的输出分别连接，所述学习模块的输出分别与第一自组织映射网络模块、第二自组织映射网络模块、第一预失真器模块和第二预失真器模块连接；
所述学习模块用于根据第一预失真模块和第二预失真模块直接输出的信号以及功放输出信号计算得到自组织映射网络权值、降维矩阵以及每一个分段区间内经过降维处理的预失真系数。
一种使用自组织映射网络的分段二维预失真方法，包括以下步骤：
步骤1、将双波段信号分别通过第一数模转换器和第二数模转换器进行处理，第一数模转换器和第二数模转换器处理后的信号再分别经过第一上变频器、第二上变频器与合成器的处理进入功放；功放将其处理的信号输出至第一下变频器和第二下变频器进行处理，第一下变频器和第二下变频器处理后的信号在分别经过第一模数转换器和第二模数转换器的处理进入学习模块；
步骤2、在学习模块中，根据功放的输出特征训练自组织映射网络的权值矩阵，得到两个自组织映射网络的权值矩阵；使用训练得到的权值矩阵对功放的输出进行分区间处理，随后对于每一个分段区间使用主成分分析方法对于特征矩阵进行降维处理，对于每一个区间得到了两个降维矩阵；使用最小二乘法对于每一个分段区间内降维后的特征矩阵进行求解，得到每一分段区间经过降维处理后的预失真系数；
步骤3、将学习模块中训练得到的两个自组织映射网络的权值矩阵传入预失真级中的第一自组织映射网络模块和第二自组织映射网络模块；将学习模块中得到的降维矩阵传入第一预失真器模块和第二预失真器模块中；将学习模块中求解得到的每一个分段内经过降维后的预失真系数传入第一预失真器模块和第二预失真器模块中；
步骤4、信号输入端分别输入两个波段的信号，第一自组织映射网络模块和第二自组织映射网络模块分别根据输入信号的特征将输入信号分到不同区间，第一自组织映射网络模块处理后的信号输入至第一预失真器模块，第二自组织映射网络模块处理后的信号输入至第二预失真器模块；
步骤5、在第一预失真器模块和第二预失真器模块中，对于第一自组织映射网络模块和第二自组织映射网络模块得到的不同区间信号分别使用单独的二维预失真模型进行预失真处理；输出至综合级的第一数模转换器和第二数模转换器进行处理，第一数模转换器和第二数模转换器处理后的信号再分别经过第一上变频器、第二上变频器与合成器的处理进入功放，完成整个预失真过程。
进一步，所述步骤2中自组织映射网络权值的训练过程如下：
选取一定长度的功放输出信号用于训练自组织映射网络的权值矩阵，第一自组织映射网络模块和第二自组织映射网络模块分别计算输入信号z1(n)和z2(n)的特征，对于第1波段选取|z1(n)|、|z2(n)|以及过去一段时间的平均功率P1(n)作为第一自组织映射网络模块的输入特征进行训练，对于第2波段，选取|z2(n)|，|z1(n)|和P2(n)作为第二自组织映射网络的输入特征进行训练，其中平均功率表示为：
Figure GDA0002443648800000051
根据求得的输入信号的特征信息，根据Kohonen学习规则训练自组织映射网络的权值。
进一步，在步骤2中，每一个分区都使用一个单独的二维记忆多项式预失真模型进行预失真系数的学习过程，具体表示形式为：
Figure GDA0002443648800000052
其中
Figure GDA0002443648800000053
分别是第1波段和第2波段的第i分区模型系数，x2,l(n)，z1,l(n)，z2,l(n)对应于位于第i分区的x1(n)，x2(n)，z1(n)，z2(n)。
进一步，所述步骤2中，使用主成分分析方法对于预失真系数进行降维处理具体分为：计算降维矩阵和计算预失真系数。
进一步，上述计算降维矩阵的方法为：
将每一个分区内的二维预失真模型表达式用矩阵形式表达：
Xi,l＝Ul (i)Al (i),i∈[1,2]
其中，Xi,l是第i个波段对应于第l个分段内的N个点的集合，表示为，Xi＝[xi(n),xi(n-1),…,xi(n-N+1)]T，Ul (i)是一个N×((M+1)×(Q+1)×(K+1))维矩阵表示为：
Figure GDA0002443648800000061
其中
u(i) l,m,q,k＝[u(i) l,m,q,k(n),u(i) l,m,q,k(n-1),…,u(i) l,m,q,k(n-N+1)]T
u(i) l,m,q,k＝zi(n-m)|zi(n-m)|2q|zs(n-m)|2k,s∈[1,2],s≠i
Al (i)＝[a(i) l,0,0,0,…,a(i) l,0,0,K,…,a(i) l,0,Q,K,…,a(i) l,m,q,k,…,a(i) l,m,Q,K,…,a(i) l,M-1,Q,K]T
降维过程定义为：
Figure GDA0002443648800000062
其中Pl为降维矩阵，是一个((M+1)×(Q+1)×(K+1))×R的矩阵，Pl是通过计算Ul HUl的特征值和特征向量得出的，如下：
Ul HUl＝VlΛlVl -1
其中Λl是一个对角特征值矩阵，Vl是一个 ((M+1)×(Q+1)×(K+1))×((M+1)×(Q+1)×(K+1))的特征向量矩阵，Vl＝[vl,1,vl,2,…,vl,(M+1)×(Q+1)×(K+1)]，通过特征值的协方差来评估每一个特征向量所做出的贡献，从Vl中选取贡献最大的R个维度构成降维矩阵Pl，Pl＝[vl,1,vl,2,…,vl,R]。
进一步，上述计算预失真系数的方法为：
利用降维后的特征矩阵
Figure GDA0002443648800000063
通过最小二乘法来计算降维后的预失真系数矩阵
Figure GDA0002443648800000064
Figure GDA0002443648800000065
采用上述方法后，本发明的积极效果在于：本发明使用两个信号通道来分别抑制上波段(第一波段)以及下波段(第二波段)信号在通过功放之后在自身载波频率处产生的失真。由于自组织映射网络中方法的引入，改变了传统方法中只对胜出节点进行更新的规则，而是根据网络的训练过程对于获胜神经元周围的节点也进行相应的改变，提供了一个相比于K-Means算法鲁棒性更强的聚类方法；在计算预失真系数时对其进行降维处理，这样在分段数增加或者分段内预失真模型的阶数增加的情况下，也能保证预失真系数的个数保持在一个合理的水平，降低了系统的复杂度。
附图说明
图1为本发明一种使用自组织映射确定最优分段区间的二维预失真结构框图；
图2是本发明使用的自组织映射网络结构示意图。
具体实施方式
如图1所示，本发明一种使用自组织映射网络的分段二维预失真系统，包括预失真级1、综合级2、功放3、信号抽取与分析级4；
预失真级1包括第一自组织映射网络模块11(SOM1)、第二自组织映射网络模块12(SOM2)、第一预失真器模块13(C1)以及第二预失真器模块14(C2)；所述第一自组织映射网络模块11的输入与信号输入端相连接而输出与第一预失真器模块13的输入连接，所述第二自组织映射网络模块12的输入与信号输入端相连接而输出与第二预失真器模块14的输入连接；
所述综合级2包括第一数模转换器21(DAC1)、第二数模转换器 22(DAC2)、第一上变频器23、第二上变频器24以及合成器25；所述第一预失真器模块13的输出依次与第一数模转换器21、第一上变频器23及功放3输入端连接，第二预失真器模块14的输出依次与第二数模转换器22、第二上变频器24及功放3输入端连接；
所述的信号抽取与分析级包括第一下变频器41、第二下变频器 42、第一模数转换器43(ADC1)、第二模数转换器44(ADC2)以及学习模块45；功放3输出端依次与第一下变频器41、第一模数转换器43 和学习模块45依次连接，功放3输出端还依次与第二下变频器42、第二模数转换器44和学习模块45依次连接；学习模块45的输入还与第一预失真器模块13的输出和第二预失真器模块14的输出分别连接，所述学习模块45的输出分别与第一自组织映射网络模块11、第二自组织映射网络模块12、第一预失真器模块13和第二预失真器模块14连接；
所述学习模块45用于根据第一预失真器模块13和第二预失真器模块14直接输出的信号以及功放3输出信号计算得到自组织映射网络权值、每一个分段区间内的降维矩阵以及经过降维后的预失真系数。
在间接学习的预失真结构中，学习模块本质上和预失真级的组成是相同的，同样包含了自组织映射的分段过程以及之后的对于每个分段的系数求解过程，不同的地方在于学习模块所得到的自组织映射网络权值，每一个分段的预失真系数以及主成分分析过程中所使用的降维矩阵都被传入到预失真级之中。在得到这些数据后，预失真级就可以顺利的对输入信号进行分段并对于不同分段进行预失真处理。
如图1 所示，一种使用自组织映射网络的分段二维预失真方法，包括以下步骤：
步骤1、将双波段信号分别通过第一数模转换器21和第二数模转换器22进行处理，第一数模转换器21和第二数模转换器22处理后的信号再分别经过第一上变频器23、第二上变频器24与合成器25 的处理进入功放3；功放3将其处理的信号输出至第一下变频器41 和第二下变频器42进行处理，第一下变频器41和第二下变频器42 处理后的信号在分别经过第一模数转换器43和第二模数转换器44的处理进入学习模块45；
步骤2、在学习模块45，根据功放3的输出特征训练自组织映射网络的权值矩阵，得到两个自组织映射网络的权值矩阵；使用训练得到的权值矩阵对功放的输出进行分区间处理，随后对于每一个分段区间使用主成分分析方法对于特征矩阵进行降维处理，对于每一个区间得到了两个降维矩阵；使用最小二乘法对于每一个分段区间内降维后的特征矩阵进行求解，得到每一分段区间经过降维处理后的预失真系数；其具体步骤描述如下：
2.1选取一定长度的功放输出信号用于训练自组织映射网络的权值矩阵，第一自组织映射网络模块11和第二自组织映射网络模块 12分别计算输入信号z1(n)和z2(n)的特征，对于第1波段选取|z1(n)|、 |z2(n)|以及过去一段时间的平均功率P1(n)作为第一自组织映射网络模块的输入特征，对于第2波段，选取|z2(n)|，|z1(n)|和P2(n)作为第二自组织映射网络的输入特征，其中平均功率表示为：
Figure GDA0002443648800000101
在本实施例中使用的自组织映射网络结构如图2所示，对于第一自组织映射网络模块11和第二自组织映射网络模块12各自拥有一个这样的网络结构。和先前说明的一样，本例分别选取三个特征作为网络的输入特征，所以输入层拥有3个节点。对于输出层自组织映射网络可以是一个一维结构，也可以是一个多维结构，在这里的维数主要是影响进行权值更新时所定义的拓扑领域大小。在本发明中我们选取的是常用的二维拓扑邻域结构，并且使用的是蜂窝形拓扑结构，如图 2中的虚线所示。输入层和输出层之间是全连接的，我们设输出层共有L个神经元，即将输入信号依据给定的特征分为L类为 R1,…,Rl,…,RL。根据求得的输入信号特征信息，根据自组织映射网络中的Kohonen学习规则计算网络的权值；
2.2计算降维矩阵：
我们可以灵活的选取不同的模型作为预失真函数，例如二维正交多项式，二维增广Hammerstein模型，甚至可以是更为复杂的Volterra 级数。在本实施例中不引入过于复杂的模型作为预失真函数，我们选择了最为常用的二维记忆多项式模型，我们对于每一个分区都使用一个单独的二维记忆多项式预失真模型，具体表示形式为：
Figure GDA0002443648800000111
其中
Figure GDA0002443648800000112
分别是第1波段和第2波段的第i分区模型系数，x2,l(n)，z1,l(n)，z2,l(n)对应于位于第i分区的x1(n)，x2(n)，z1(n)， z2(n)。
将每一个分区内的二维预失真模型表达式用矩阵形式表达：
Xi,l＝Ul (i)Al (i),i∈[1,2]
其中，Xi,l是第i个波段对应于第l个分段内的N个点的集合，表示为，Xi＝[xi(n),xi(n-1),…,xi(n-N+1)]T，Ul (i)是一个 N×((M+1)×(Q+1)×(K+1))维矩阵表示为：
Ul (i)＝[u(i) l,0,0,0,…,u(i) l,0,0,K,…,u(i) l,0,Q,K,…,u(i) l,m,q,k,…,u(i) l,m,Q,K,…,u(i) l,M-1,Q,K]，
其中
u(i) l,m,q,k＝[u(i) l,m,q,k(n),u(i) l,m,q,k(n-1),…,u(i) l,m,q,k(n-N+1)]T
u(i) l,m,q,k＝zi(n-m)|zi(n-m)|2q|zs(n-m)|2k,s∈[1,2],s≠i
Al (i)＝[a(i) l,0,0,0,…,a(i) l,0,0,K,…,a(i) l,0,Q,K,…,a(i) l,m,q,k,…,a(i) l,m,Q,K,…,a(i) l,M-1,Q,K]T
降维过程定义为：
Figure GDA0002443648800000113
其中Pl为降维矩阵，是一个((M+1)×(Q+1)×(K+1))×R的矩阵，Pl是通过计算Ul HUl的特征值和特征向量得出的，如下：
Ul HUl＝VlΛlVl -1
其中Λl是一个对角特征值矩阵，Vl是一个 ((M+1)×(Q+1)×(K+1))×((M+1)×(Q+1)×(K+1))的特征向量矩阵，Vl＝[vl,1,vl,2,…,vl,(M+1)×(Q+1)×(K+1)]，通过特征值的协方差来评估每一个特征向量所做出的贡献，从Vl中选取贡献最大的R个维度构成降维矩阵Pl，Pl＝[vl,1,vl,2,…,vl,R]。
2.3计算预失真系数：
Figure GDA0002443648800000121
利用降维后的特征矩阵
Figure GDA0002443648800000122
通过最小二乘法来计算降维后的预失真系数矩阵
Figure GDA0002443648800000123
步骤3、将学习模块45中训练得到的两个自组织映射网络的权值矩阵传入预失真级中的第一自组织映射网络模块11和第二自组织映射网络模块12；将学习模块45中得到的降维矩阵传入第一预失真器模块13和第二预失真器模块14中；将学习模块45中求解得到的每一个分段内经过降维后的预失真系数传入第一预失真器模块13和第二预失真器模块14中；
步骤4、信号输入端分别输入两个波段的信号，第一自组织映射网络模块11和第二自组织映射网络模块12分别根据输入信号的特征将输入信号分到不同区间，第一自组织映射网络模块11处理后的信号输入至第一预失真器模块13，第二自组织映射网络模块12处理后的信号输入至第二预失真器模块14；
步骤5、在第一预失真器模块13和第二预失真器模块14中，对于第一自组织映射网络模块11和第二自组织映射网络模块12得到的不同区间信号分别使用单独的二维预失真模型进行预失真处理，这里使用的预失真模型和步骤2中学习模块45中使用的预失真模型相同，在本实施例中使用的是上面描述的二维记忆多项式模型；输出至综合级2的第一数模转换器21和第二数模转换器22进行处理，第一数模转换器21和第二数模转换器22处理后的信号再分别经过第一上变频器23、第二上变频器24与合成器25的处理进入功放3，完成整个预失真过程。
本发明利用两个通道来分别抑制上波段以及下波段信号在通过功放之后在自身载波频率处产生的失真。这种拥有两个通道的预失真结构，将信号的上下两个波段分开，分别使用一个预失真单元对于上下波段的非线性进行补偿。
本发明使用的是间接学习结构来求解预失真系数，并且使用自组织映射网络对于输入信号进行分段处理，增强了分段过程的鲁棒性。同时我们也引入主成分分析的方法对于每一个分段内的预失真系数进行降维处理，这样在分段数增加或者分段内预失真模型的阶数增加的情况下，也能保证预失真系数的个数保持在一个合理的水平。
上述实施例仅是用来说明本发明，而并非用作对本发明的限定。在不脱离本发明技术原理的前提下，对上述实施例进行变化、变型等都将视为本发明的权利要求范围。

Claims (7)

1.一种使用自组织映射网络的分段二维预失真系统，其特征在于，包括预失真级、综合级、功放、信号抽取与分析级；
所述预失真级包括第一自组织映射网络模块、第二自组织映射网络模块、第一预失真器模块以及第二预失真器模块；所述第一自组织映射网络模块的输入与信号输入端相连接而输出与第一预失真器模块的输入连接，所述第二自组织映射网络模块的输入与信号输入端相连接而输出与第二预失真器模块的输入连接；
所述综合级包括第一数模转换器、第二数模转换器、第一上变频器、第二上变频器以及合成器；所述第一预失真器模块的输出经由第一数模转换器、第一上变频器与合成器的输入端连接，第二预失真器模块的输出经由第二数模转换器、第二上变频器与合成器的输入端连接，而合成器的输出与功放输入端连接；
所述的信号抽取与分析级包括第一下变频器、第二下变频器、第一模数转换器、第二模数转换器以及学习模块；功放输出端依次与第一下变频器、第一模数转换器和学习模块连接，功放输出端还依次与第二下变频器、第二模数转换器和学习模块连接；所述学习模块的输入还与第一预失真器模块的输出和第二预失真器模块的输出分别连接，所述学习模块的输出分别与第一自组织映射网络模块、第二自组织映射网络模块、第一预失真器模块和第二预失真器模块连接；
所述学习模块用于根据第一预失真器模块和第二预失真器模块直接输出的信号以及功放输出信号计算得到自组织映射网络权值、降维矩阵以及每一个分段区间内经过降维处理的预失真系数。
2.一种使用自组织映射网络的分段二维预失真方法，其特征在于，包括以下步骤：
步骤1、将双波段信号分别通过第一数模转换器和第二数模转换器进行处理，第一数模转换器和第二数模转换器处理后的信号再分别经过第一上变频器、第二上变频器后，再经过合成器的处理进入功放；功放将其处理的信号分别输出至第一下变频器和第二下变频器进行处理，第一下变频器和第二下变频器处理后的信号再分别经过第一模数转换器和第二模数转换器的处理进入学习模块；
步骤2、在学习模块中，根据功放的输出特征训练自组织映射网络的权值矩阵，得到两个自组织映射网络的权值矩阵；使用训练得到的权值矩阵对功放的输出进行分段处理，随后对于每一个分段区间使用主成分分析方法对特征矩阵进行降维处理，对于每一个分段区间得到了两个降维矩阵；使用最小二乘法对于每一个分段区间内降维后的特征矩阵进行求解，得到每一分段区间经过降维处理后的预失真系数；
步骤3、将学习模块中训练得到的两个自组织映射网络的权值矩阵传入预失真级中的第一自组织映射网络模块和第二自组织映射网络模块；将学习模块中得到的降维矩阵传入第一预失真器模块和第二预失真器模块中；将学习模块中求解得到的每一个分段区间内经过降维后的预失真系数传入第一预失真器模块和第二预失真器模块中；
步骤4、信号输入端分别输入两个波段的信号，第一自组织映射网络模块和第二自组织映射网络模块分别根据输入信号的特征将输入信号分到不同分段区间，第一自组织映射网络模块处理后的信号输入至第一预失真器模块，第二自组织映射网络模块处理后的信号输入至第二预失真器模块；
步骤5、在第一预失真器模块和第二预失真器模块中，对于第一自组织映射网络模块和第二自组织映射网络模块得到的不同区间信号分别使用单独的二维预失真模型进行预失真处理；分别输出至综合级的第一数模转换器和第二数模转换器进行处理，第一数模转换器和第二数模转换器处理后的信号再分别经过第一上变频器、第二上变频器与合成器的处理进入功放，完成整个预失真过程。
3.如权利要求2所述的一种使用自组织映射网络的分段二维预失真方法，其特征在于，所述步骤2中自组织映射网络权值的训练过程如下：
选取一定长度的功放输出信号用于训练自组织映射网络的权值矩阵，第一自组织映射网络模块和第二自组织映射网络模块分别计算输入信号z1(n)和z2(n)的特征，对于第1波段选取|z1(n)|、|z2(n)|以及过去一段时间的平均功率P1(n)作为第一自组织映射网络模块的输入特征进行训练，对于第2波段，选取|z2(n)|，|z1(n)|和P2(n)作为第二自组织映射网络模块的输入特征进行训练，其中平均功率表示为：
Figure FDA0002583347870000031
其中，n为信号的序列号，W表示时间窗口的长度，|.|表示取绝对值；
根据求得的输入信号的特征信息，根据Kohonen学习规则训练自组织映射网络的权值。
4.如权利要求2所述的一种使用自组织映射网络的分段二维预失真方法，其特征在于：在步骤2中，每一个分段区间都使用一个单独的二维记忆多项式预失真模型进行预失真系数的学习过程，具体表示形式为：
Figure FDA0002583347870000041
Figure FDA0002583347870000042
其中，n为信号的序列号，l为分段区间号，
Figure FDA0002583347870000043
分别是第1波段和第2波段的第l分段区间模型系数，|.|表示取绝对值；x1,l(n)，x2,l(n)，z1,l(n)，z2,l(n)对应于位于第l分段区间的x1(n)，x2(n)，z1(n)，z2(n)，即x1,l(n)，x2,l(n)，z1,l(n)，z2,l(n)分别为第l分段区间的第一预失真器模块输出信号、第二预失真器模块输出信号、第一自组织映射网络模块输入信号、第二自组织映射网络模块输入信号；M表示记忆深度，Q、K分别表示|z1,l(n)|2，|z2,l(n)|2的非线性最高阶次。
5.如权利要求2所述的一种使用自组织映射网络的分段二维预失真方法，其特征在于，所述步骤2中，使用主成分分析方法对特征矩阵进行降维处理具体分为：计算降维矩阵和计算预失真系数。
6.如权利要求5所述的一种使用自组织映射网络的分段二维预失真方法，其特征在于，计算降维矩阵的方法为：
将每一个分段区间内的二维预失真模型表达式用矩阵形式表达：
Xi,l＝Ul (i)Al (i),i∈[1,2]
其中，Xi,l是第i个波段对应于第l个分段区间内的N个点的集合，表示为，Xi＝[xi(n),xi(n-1),…,xi(n-N+1)]T，其中，n表示信号序列号，xi(n)表示位于第l个分段区间的第i预失真器模块输出信号，Ul (i)是一个N×((M+1)×(Q+1)×(K+1))维矩阵表示为：
Ul (i)＝[u(i) l,0,0,0,…,u(i) l,0,0,K,…,u(i) l,0,Q,K,…,u(i) l,m,q,k,…,u(i) l,m,Q,K,…,u(i) l,M-1,Q,K]
其中，
u(i) l,m,q,k＝[u(i) l,m,q,k(n),u(i) l,m,q,k(n-1),…,u(i) l,m,q,k(n-N+1)]T
u(i) l,m,q,k＝zi(n-m)|zi(n-m)|2q|zs(n-m)|2k,s∈[1,2],s≠i
Al (i)＝[a(i) l,0,0,0,…,a(i) l,0,0,K,…,a(i) l,0,Q,K,…,a(i) l,m,q,k,…,a(i) l,m,Q,K,…,a(i) l,M-1,Q,K]T；
N是信号的序列长度，M表示记忆深度，Zi(n)表示第i自组织映射网络模块的输入信号，Zs(n)表示第s自组织映射网络模块的输入信号，Q、K分别表示|zi(n)|2，|zs(n)|2的非线性最高阶次，z(n-m)表示z(n)延时m时刻的输出，
Figure FDA0002583347870000051
表示第i波段的第l分段区间模型系数；
降维过程定义为：
Figure FDA0002583347870000052
其中，
Figure FDA0002583347870000053
表示Ul (i)降维变换后的矩阵，Pl为降维矩阵，是一个((M+1)×(Q+1)×(K+1))×R的矩阵，Pl是通过计算Ul HUl的特征值和特征向量得出的，如下：
Ul HUl＝VlΛlVl -1
其中，Λl是一个对角特征值矩阵，Vl是一个((M+1)×(Q+1)×(K+1))×((M+1)×(Q+1)×(K+1))的特征向量矩阵，Vl＝[vl,1,vl,2,…,vl,(M+1)×(Q+1)×(K+1)]，通过特征值的协方差来评估每一个特征向量所做出的贡献，从Vl中选取贡献最大的R个维度构成降维矩阵Pl，Pl＝[vl,1,vl,2,…,vl,R]。
7.如权利要求5所述的一种使用自组织映射网络的分段二维预失真方法，其特征在于，计算预失真系数的方法为：
利用降维后的特征矩阵
Figure FDA0002583347870000061
通过最小二乘法来计算降维后的预失真系数矩阵
Figure FDA0002583347870000062
Figure FDA0002583347870000063
其中，Xi,l是第i个波段预失真器输出信号对应于第l个分段区间内的Nl个点的集合。
CN201810540806.8A 2018-05-30 2018-05-30 一种使用自组织映射网络的分段二维预失真系统及方法 Expired - Fee Related CN108833145B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810540806.8A CN108833145B (zh) 2018-05-30 2018-05-30 一种使用自组织映射网络的分段二维预失真系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810540806.8A CN108833145B (zh) 2018-05-30 2018-05-30 一种使用自组织映射网络的分段二维预失真系统及方法

Publications (2)

Publication Number Publication Date
CN108833145A CN108833145A (zh) 2018-11-16
CN108833145B true CN108833145B (zh) 2020-10-23

Family

ID=64145560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810540806.8A Expired - Fee Related CN108833145B (zh) 2018-05-30 2018-05-30 一种使用自组织映射网络的分段二维预失真系统及方法

Country Status (1)

Country Link
CN (1) CN108833145B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111245377B (zh) * 2020-03-20 2021-11-05 厦门大学 一种基于直接学习结构的数字预失真系统及方法
CN114637720B (zh) * 2021-12-13 2024-04-30 西安电子科技大学 一种基于增长型环形som神经网络的片上光网络映射方法
CN117135016B (zh) * 2023-10-24 2024-02-13 深圳大学 一种分片数字预失真方法、系统、智能终端及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103731105A (zh) * 2014-01-03 2014-04-16 东南大学 基于动态模糊神经网络的功放数字预失真装置及方法
CN107395538A (zh) * 2017-08-01 2017-11-24 厦门大学 一种频率选择性谐波抑制的数字预失真系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105704075A (zh) * 2014-11-25 2016-06-22 中兴通讯股份有限公司 校正处理方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103731105A (zh) * 2014-01-03 2014-04-16 东南大学 基于动态模糊神经网络的功放数字预失真装置及方法
CN107395538A (zh) * 2017-08-01 2017-11-24 厦门大学 一种频率选择性谐波抑制的数字预失真系统及方法

Also Published As

Publication number Publication date
CN108833145A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
US10523159B2 (en) Digital compensator for a non-linear system
CN108833145B (zh) 一种使用自组织映射网络的分段二维预失真系统及方法
Hu et al. Convolutional neural network for behavioral modeling and predistortion of wideband power amplifiers
CN113676426B (zh) 面向动态传输的智能数字预失真系统及方法
Kobal et al. Digital predistortion of RF power amplifiers with phase-gated recurrent neural networks
CN113037226B (zh) 基于自适应步长裁剪方法的数字预失真设计方法及装置
WO2003092154A1 (fr) Procede permettant d'ameliorer l'efficacite d'un amplificateur de puissance radiofrequence par une technique de pre-distorsion numerique en bande de base
CN111245375A (zh) 一种复值全连接递归神经网络模型的功放数字预失真方法
CN109302156B (zh) 基于模式识别的功率放大器动态线性化系统及其方法
CN108153943A (zh) 基于时钟循环神经网络的功率放大器的行为建模方法
CN110765720A (zh) 一种复值流水线递归神经网络模型的功放预失真方法
CN111585608B (zh) 用于宽带扩跳频系统的自适应数字预失真方法
Yunhao et al. ConvLSTMAE: A spatiotemporal parallel autoencoders for automatic modulation classification
CN113066475A (zh) 一种基于生成式对抗网络的语音合成方法
CN110533169A (zh) 一种基于复值神经网络模型的数字预失真方法及系统
CN113177641A (zh) 一种量子比特控制脉冲的反馈优化方法
CN109981505A (zh) 功率可扩展的波束定向数字预失真装置及方法、收发系统
CN116756633A (zh) 一种基于监督对比学习的功放指纹特征识别方法
CN101350597A (zh) 一种宽带射频功率放大器建模方法
Hassani et al. A flexible method of LUT indexing in digital predistortion linearization of RF power amplifiers
Deigant et al. A proposed method for lossless image compression in nano-satellite systems
CN115913140B (zh) 运算精度控制的分段多项式数字预失真装置和方法
CN117220616A (zh) 预失真方法、功率放大装置、通讯系统和存储介质
CN113132279A (zh) 一种预失真处理方法、装置、设备和存储介质
US20240119264A1 (en) Digital Pre-Distortion Using Convolutional Neural Networks

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201023

CF01 Termination of patent right due to non-payment of annual fee