CN109858616A - 基于神经网络的功率放大器行为级建模系统及方法 - Google Patents
基于神经网络的功率放大器行为级建模系统及方法 Download PDFInfo
- Publication number
- CN109858616A CN109858616A CN201910124714.6A CN201910124714A CN109858616A CN 109858616 A CN109858616 A CN 109858616A CN 201910124714 A CN201910124714 A CN 201910124714A CN 109858616 A CN109858616 A CN 109858616A
- Authority
- CN
- China
- Prior art keywords
- modeling
- power amplifier
- layer
- signal
- output
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000004913 activation Effects 0.000 claims abstract description 13
- 230000009897 systematic effect Effects 0.000 claims abstract description 10
- 230000003542 behavioural effect Effects 0.000 claims abstract description 8
- 230000003111 delayed effect Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000006399 behavior Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 4
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 230000011664 signaling Effects 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Abstract
本发明公开了一种基于神经网络的功率放大器行为级建模系统及其方法,该建模系统包括输入层、隐藏层和输出层,且基于神经网络进行建模,分别进行信号的处理,所述方法还包括系统训练和系统运行两个过程。本发明通过把传统的基于实值延时神经网络的行为级建模系统中的激活函数从双曲正切函数替换为泄露线形单元函数,在实现对功率放大器行为级建模的同时,降低建模的硬件实现复杂度,并提升建模收敛速度,在通讯系统中具有广阔的应用和发展前景。
Description
技术领域
本发明属于功率放大器的行为级建模,尤其涉及基于神经网络的功率放大器行为级建模系统及方法。
背景技术
高数据速率和高能量效率是5G系统中两大重要的趋势。为了实现这些目的,作为通信系统中关键器件的功率放大器,需要被设计成具有足够宽的带宽、高效率和高线性度。因此,例如Doherty等复杂架构的功率放大器必须被引入,以解决上述问题,然而,这不可避免地会导致功率放大器具有十分复杂的属性。除了采用Doherty结构以外,数字预失真技术也被广泛应用在保证功率放大器效率的同时提升其线性度。而数字预失真中关键的一个步骤是找到一个能够精确描述功率放大器特性的行为级建模系统。与此同时,出于对实际系统中有限的资源考虑,行为级建模系统的硬件实现复杂度也具有很重要的地位。因此,亟须开发一个足够准确而且具有足够低硬件实现复杂度的行为级建模系统,来描述功率放大器的复杂行为。
一些从Volterra级数中简化的建模系统,例如记忆多项式建模系统,能够对功率放大器实现准确的建模。然而,在对具有复杂属性的功率放大器进行建模时,低阶的基于Volterra级数的建模系统将不够精确,而高阶的基于Volterra级数的建模系统又会导致在辨识系数的过程中出现数值不稳定的问题。
基于神经网络的建模系统也是一种常用的功率放大器建模系统,与基于Volterra级数的行为级建模系统不同的是,前者的建模系统容量高低取决于神经元的个数多少,而后者的建模系统容量高低仅仅取决于高阶多项式的次数的高低。而多个神经元不会涉及到高阶的多项式计算,因此,基于神经网络的建模系统能够实现对具有复杂属性功率放大器的准确建模,而不会引起类似于基于Volterra级数的行为级建模系统中出现的数值稳定性问题。然而,由于激活函数‘tanh’的硬件实现难度,传统的神经网络建模系统具有很高的硬件实现复杂度。
发明内容
发明目的:本发明的目的是解决具有复杂属性的功率放大器的行为级建模问题,并解决现有技术中存在的缺陷,提供一种能够对具有复杂属性的功率放大器进行准确、低硬件实现复杂度建模的系统及其应用方法。
技术方案:一种基于神经网络的功率放大器行为级建模系统,其特征在于:所述系统基于神经网络进行功率放大器行为级建模,包括输入层、隐藏层和输出层;
所述输入层用于对功率放大器的建模输入信号的同相、正交部分进行延时,准备输入到隐藏层;
所述隐藏层接收来自输入层的同相和正交信号,对信号进行线性组合运算与非线性的激活函数运算,准备输入到输出层;
所述输出层接收来自隐藏层的信号,对信号进行线性组合运算,得到功率放大器的建模输出信号。
一种基于神经网络的功率放大器系统行为级建模方法,所述方法包括对输入层、隐藏层和输出层的信号处理;
所述输入层对建模输入信号的I路部分信号Iin(n)、Q路部分信号Qin(n)进行延时处理,其中n为采样的时间点,得到建模系统记忆深度为M时的信号向量x:
x=[Iin(n),Iin(n-1),...,Iin(n-M),Qin(n),Qin(n-1),...,Qin(n-M)]∈R2(M+1)*1
所述隐藏层对来自输入层的信号向量进行线性组合运算和非线性的激活函数运算,得到隐藏层的输出向量h:
h=relu(Whxx+bh)∈Rp*1
其中,Whx为从输入层到隐藏层的p*2(m+1)维的矩阵,p为隐藏层中的神经元数量,bh为在隐藏层的p*1维的偏置向量,relu()为泄露线性单元激活函数,定义为:
所述输出层对来自隐藏层的输出向量h进行线性组合运算,得到对功率放大器的建模输出信号y:
y=Wohh+bo∈R2*1
其中,Woh为从隐藏层到输出层的2*p维的矩阵,bh为在输出层的2*1维的偏置向量。
进一步的,所述方法包括对系统的训练和运行控制,包括以下步骤:
(1)系统训练:利用功率放大器的建模输入输出信号,对系统中的参数进行训练,得到对功率放大器行为最佳的逼近参数;
(2)系统运行:根据训练好的系统对一段未知的功率放大器的建模输入信号进行运算,得到系统对功率放大器的建模输出信号。
更进一步的,所述系统训练中,根据功率放大器的原始输入信号xtrain和原始输出信号ytrain训练网络中的参数,具体步骤如下:
S1、利用随机初始化的参数,经过基于神经网络的功率放大器系统,得到建模输出
S2、利用Levenberg-Marquardt算法,优化系统中的参数,其表达式如下:
其中,Whx为从输入层到隐藏层的矩阵,bh为在隐藏层的偏置向量,Woh为从隐藏层到输出层的矩阵,bh为在输出层的偏置向量,N为信号ytrain的采样长度。
在系统运行中,对一段未知的功率放大器输入信号xrun,经过系统训练后的功率放大器系统,得到功率放大器的建模输出信号yrun。
有益效果:本发明通过把传统基于实值延时神经网络的行为级建模系统中的激活函数从双曲正切函数(tanh)替换为泄露线形单元函数(relu),可以在实现对具有复杂属性的功率放大器行为级建模的同时,降低建模的硬件复杂度,并提升建模时参数辨识的收敛速度。
附图说明
图1是本发明的系统框图;
图2是将本发明应用在信号带宽为20MHz、建模带宽为100MHz的1.6GHz Doherty功率放大器(Cree CGH40010F)上,得到功率放大器的幅度调制对幅度调制(AM/AM)工作状态曲线;
图3是将不同隐藏层数的所提出建模系统以及传统模建模系统在信号带宽为20MHz、建模带宽为100MHz的1.6GHz Doherty功率放大器(Cree CGH40010F)建模上,得到的建模性能同迭代次数变化的曲线。
具体实施方式
为了详细的说明本发明公开的技术方案,下面结合说明书附图及具体实施例做进一步的阐述。
本发明所公开的是一种基于神经网络的功率放大器行为级建模系统及方法,其中基于神经网络的功率放大器行为级建模系统结构如图1所示,包括:包括输入层、隐藏层和输出层,具体的各层次作用和功能如下:
输入层:用于对功率放大器的建模输入信号的同相(I)、正交部分(Q)进行延时,准备输入到隐藏层。
隐藏层:接收来自输入层的I、Q信号,对信号进行线性组合运算与非线性的激活函数运算,准备输入到输出层。
输出层:接收来自隐藏层的信号,对信号进行线性组合运算,得到功率放大器的建模输出信号。
本发明的实施过程分为两个部分,系统训练过程与系统运行过程。
1.首先是系统训练的过程:
为了测试所提出的基于神经网络的功率放大器行为级建模系统及其方法对建模具有复杂属性功率放大器的表现,将发明具体实施在信号带宽为20MHz、建模带宽为100MHz的1.6GHz Doherty功率放大器(Cree CGH40010F)的场景下,并将所测试的Doherty功率放大器推到一个具有复杂AM/AM曲线(‘S’形)的状态下,如图2所示,此时,得到一组功率放大器的建模输入信号x与输出信号y,为了区分系统训练时与系统运行时不同的性能表现,对输入信号x与输出信号y进行划分,一部分仅用来系统训练,而另一部分仅用来系统运行,即把x分成xtrain和xrun,把y分成ytrain和yrun。
然后,利用功率放大器的建模输入信号xtrain和输出信号ytrain训练网络中的参数。即先对系统中参数进行随机初始化,xtrain经过基于神经网络的功率放大器行为级建模系统,得到建模输出随后,利用Levenberg-Marquardt算法,优化系统中的参数,即:
其中,Whx为从输入层到隐藏层的矩阵,bh为在隐藏层的偏置向量,Woh为从隐藏层到输出层的矩阵,bh为在输出层的偏置向量,N为信号ytrain的采样长度。
2.然后是系统运行的过程:
利用系统未知的一段功率放大器的建模输入信号xrun和输出信号yrun,把xrun经过训练好的基于简化神经网络的功率放大器行为级建模系统,得到建模系统输出然后,比较不同迭代次数下的建模输出和实际的功放输出yrun之间的归一化均方误差(NMSE),即:
为了比较所提出的基于神经网络的建模系统(所提出建模系统)与传统的基于实值延时神经网络的建模系统(传统建模系统),传统建模系统也经过了上述的类似的系统训练及系统运行的过程,得到的不同建模系统的建模性能同迭代次数变化的曲线如图3所示。
利用一步迭代前后建模NMSE性能波动不超过0.02dB作为收敛判据,可以得出结论,单隐藏层的传统建模系统在第78次迭代收敛,单隐藏层的所提出建模系统在第28次迭代收敛,而双隐藏层的传统建模系统在第68次迭代收敛,双隐藏层的所提出建模系统在第38次迭代收敛,如图3所示。相比与相同隐藏层数的传统建模系统,一方面,所提出建模系统的收敛速度得到很大的提升,另一方面,尽管所提出建模系统的建模性能略有降低,但建模的NMSE性能仍能达到大约-40dB,而且在实际应用中,这已经是一个比较理想的结果了。
此外,为了说明基于Volterra级数的建模系统无法实现对图2所示状态下的功率放大器的准确建模,还比较了同样记忆深度下,即记忆深度为3的基于Volterra级数的记忆多项式建模系统、记忆深度为3的所提出建模系统以及记忆深度为3的传统建模系统的建模NMSE性能以及硬件实现复杂度,如表一所示,其中‘Mem’代表记忆多项式建模系统的记忆深度,‘Ord’代表记忆多项式建模系统的阶数。
通过下表1,可以发现,在同种的神经网络建模系统中,更多的隐藏层可以带来更好的建模性能,而在相同隐藏层的传统建模系统和所提出建模系统间,应用所提出的建模系统会导致可以接受的3-4dB的建模性能恶化,相比于传统建模系统,然而,在所提出建模系统中,双曲正切‘tanh(x)’激活函数被泄露线性单元‘relu(x)’所代替,硬件实现复杂度可以大大降低。除此之外,相比与传统建模系统,所提出建模系统具有更快的收敛速度,如图3所示。而通过比较记忆多项式与传统建模系统以及所提出建模系统,可以发现仅仅增加记忆多项式的阶数不会使其性能优于双隐藏层的传统建模系统或所提出建模系统。因此,在如图2所示的复杂功率放大器状态下,双隐藏层的传统建模系统或所提出建模系统比记忆多项式建模系统有更好的表现。
表1.不同建模系统的性能比较
综述,本发明中,通过把传统的基于延时神经网络的行为级建模系统中的激活函数从双曲正切‘tanh(x)’激活函数换为泄露线性单元‘relu(x)’函数,提出了一种新的基于神经网络的功率放大器行为级建模系统及其方法,能够以更快的收敛速度以及更低的硬件复杂度实现对具有复杂属性功率放大器的行为级建模,在未来通信系统中具有广阔的应用前景。
Claims (5)
1.一种基于神经网络的功率放大器行为级建模系统,其特征在于:所述系统基于神经网络进行功率放大器行为级建模,包括输入层、隐藏层和输出层;
所述输入层对功率放大器的建模输入信号的同相、正交部分进行延时,准备输入到隐藏层;
所述隐藏层接收来自输入层的同相和正交信号,对信号进行线性组合运算与非线性的激活函数运算,准备输入到输出层;
所述输出层接收来自隐藏层的信号,对信号进行线性组合运算,得到功率放大器的建模输出信号。
2.一种基于神经网络的功率放大器系统行为级建模方法,其特征在于:所述方法包括对输入层、隐藏层和输出层的信号处理;
所述输入层对建模输入信号的I路部分信号Iin(n)、Q路部分信号Qin(n)进行延时处理,其中n为采样的时间点,得到建模系统记忆深度为M时的信号向量x:x=[Iin(n),Iin(n-1),...,Iin(n-M),Qin(n),Qin(n-1),...,Qin(n-M)]∈R2(M+1)*1
所述隐藏层对来自输入层的信号向量进行线性组合运算和非线性的激活函数运算,得到隐藏层的输出向量h:
h=relu(Whxx+bh)∈Rp*1
其中,Whx为从输入层到隐藏层的p*2(m+1)维的矩阵,p为隐藏层中的神经元数量,bh为在隐藏层的p*1维的偏置向量,relu()为泄露线性单元激活函数,定义为:
所述输出层对来自隐藏层的输出向量h进行线性组合运算,得到对功率放大器的建模输出信号y:
y=Wohh+bo∈R2*1
其中,Woh为从隐藏层到输出层的2*p维的矩阵,bh为在输出层的2*1维的偏置向量。
3.根据权利要求2所述基于神经网络的功率放大器系统行为级建模方法,其特征在于:所述方法包括对系统的训练和运行控制,具体步骤如下:
(1)系统训练:利用功率放大器的建模输入输出信号,对系统中的参数进行训练,得到对功率放大器行为最佳的逼近参数;
(2)系统运行:根据训练好的系统对一段未知的功率放大器的建模输入信号进行运算,得到系统对功率放大器的建模输出信号。
4.根据权利要求3所述的基于神经网络的功率放大器系统行为级建模方法,其特征在于:所述系统训练中,根据功率放大器的原始输入信号xtrain和原始输出信号ytrain训练网络中的参数,具体步骤如下:
S1、利用随机初始化的参数,经过基于神经网络的功率放大器系统,得到建模输出
S2、利用Levenberg-Marquardt算法,优化系统中的参数,其表达式如下:
其中,Whx为从输入层到隐藏层的矩阵,bh为在隐藏层的偏置向量,Woh为从隐藏层到输出层的矩阵,bh为在输出层的偏置向量,N为信号ytrain的采样长度。
5.根据权利要求3所述的基于神经网络的功率放大器系统行为级建模方法,其特征在于:所述系统运行中,对一段未知的功率放大器输入信号xrun,经过系统训练后的功率放大器系统,得到功率放大器的建模输出信号yrun。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910124714.6A CN109858616A (zh) | 2019-02-15 | 2019-02-15 | 基于神经网络的功率放大器行为级建模系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910124714.6A CN109858616A (zh) | 2019-02-15 | 2019-02-15 | 基于神经网络的功率放大器行为级建模系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109858616A true CN109858616A (zh) | 2019-06-07 |
Family
ID=66898340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910124714.6A Pending CN109858616A (zh) | 2019-02-15 | 2019-02-15 | 基于神经网络的功率放大器行为级建模系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858616A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460606A (zh) * | 2020-02-21 | 2020-07-28 | 东南大学 | 基于神经网络的波束成形发射机行为级建模系统及其方法 |
CN111859795A (zh) * | 2020-07-14 | 2020-10-30 | 东南大学 | 针对功率放大器的多项式辅助神经网络行为建模系统及方法 |
CN113411056A (zh) * | 2021-07-12 | 2021-09-17 | 电子科技大学 | 一种基于广义多项式和神经网络的非线性预失真方法 |
CN113676426A (zh) * | 2021-08-24 | 2021-11-19 | 东南大学 | 面向动态传输的智能数字预失真系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081751A (zh) * | 2011-01-18 | 2011-06-01 | 清华大学 | 基于实数延时神经网络的同步双频功率放大器建模方法 |
CN108733852A (zh) * | 2017-04-17 | 2018-11-02 | 天津大学(青岛)海洋工程研究院有限公司 | 一种基于极限学习机的功率放大器行为建模方法 |
-
2019
- 2019-02-15 CN CN201910124714.6A patent/CN109858616A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081751A (zh) * | 2011-01-18 | 2011-06-01 | 清华大学 | 基于实数延时神经网络的同步双频功率放大器建模方法 |
CN108733852A (zh) * | 2017-04-17 | 2018-11-02 | 天津大学(青岛)海洋工程研究院有限公司 | 一种基于极限学习机的功率放大器行为建模方法 |
Non-Patent Citations (1)
Title |
---|
ZHAI JIANFENG等: "Bahavioral modeling of RF power amplifiers with time-delay feed-forward neural networks", 《JOURNAL OF SOUTHEAST UNIVERSITY(ENGLISH EDITION)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460606A (zh) * | 2020-02-21 | 2020-07-28 | 东南大学 | 基于神经网络的波束成形发射机行为级建模系统及其方法 |
CN111460606B (zh) * | 2020-02-21 | 2023-10-03 | 东南大学 | 基于神经网络的波束成形发射机行为级建模系统及其方法 |
CN111859795A (zh) * | 2020-07-14 | 2020-10-30 | 东南大学 | 针对功率放大器的多项式辅助神经网络行为建模系统及方法 |
CN113411056A (zh) * | 2021-07-12 | 2021-09-17 | 电子科技大学 | 一种基于广义多项式和神经网络的非线性预失真方法 |
CN113676426A (zh) * | 2021-08-24 | 2021-11-19 | 东南大学 | 面向动态传输的智能数字预失真系统及方法 |
CN113676426B (zh) * | 2021-08-24 | 2022-07-22 | 东南大学 | 面向动态传输的智能数字预失真系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858616A (zh) | 基于神经网络的功率放大器行为级建模系统及方法 | |
CN110414565B (zh) | 一种用于功率放大器的基于Group Lasso的神经网络裁剪方法 | |
CN107169557A (zh) | 一种对布谷鸟优化算法进行改进的方法 | |
CN111625258B (zh) | 默克尔树更新方法、装置、设备及可读存储介质 | |
Abdelhafiz et al. | A PSO based memory polynomial predistorter with embedded dimension estimation | |
CN102594367B (zh) | 一种ldpc码的低复杂度的动态异步bp译码方法 | |
CN113837959B (zh) | 图像去噪模型训练方法、图像去噪方法及系统 | |
CN110084363A (zh) | 一种基于fpga平台的深度学习模型加速方法 | |
CN104503847A (zh) | 一种数据中心节能方法和装置 | |
WO2022127015A1 (zh) | 一种快速收敛的超高频微波降雨数据离散化方法 | |
CN117081895B (zh) | 一种基于自适应降噪的自动调制识别方法 | |
CN106777621A (zh) | 一种用于封装晶体管的神经网络空间映射建模方法 | |
CN103559541A (zh) | 一种大数据中面向乱序数据流的反向传播方法 | |
CN104202052B (zh) | 一种提高信噪比的Sigma‑Delta调制器自适应混合优化方法 | |
CN110837885B (zh) | 一种基于概率分布的Sigmoid函数拟合方法 | |
CN117272195A (zh) | 基于图卷积注意力网络的区块链异常节点检测方法及系统 | |
WO2020037512A1 (zh) | 一种神经网络计算方法和装置 | |
CN115310209A (zh) | 基于vae的气动形状迁移优化方法及相关装置 | |
CN105373804A (zh) | 一种基于多维空间快速聚类的人体部位定位方法与系统 | |
CN115883388A (zh) | 虚实结合的大规模网络半实物仿真装置和方法 | |
CN112734010B (zh) | 一种适用于图像识别的卷积神经网络模型压缩方法 | |
Carrillo et al. | Contractivity of Wasserstein metrics and asymptotic profiles for scalar conservation laws | |
CN103514589A (zh) | 图像恢复中的滤波方法 | |
CN113298031A (zh) | 一种考虑信号物理和时序特性的信号调制识别方法及应用 | |
CN111695230B (zh) | 一种用于微波无源器件的神经网络空间映射多物理建模方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190607 |
|
RJ01 | Rejection of invention patent application after publication |