CN111490737A - 一种用于功率放大器的非线性补偿方法和设备 - Google Patents
一种用于功率放大器的非线性补偿方法和设备 Download PDFInfo
- Publication number
- CN111490737A CN111490737A CN201910079889.XA CN201910079889A CN111490737A CN 111490737 A CN111490737 A CN 111490737A CN 201910079889 A CN201910079889 A CN 201910079889A CN 111490737 A CN111490737 A CN 111490737A
- Authority
- CN
- China
- Prior art keywords
- signal
- preprocessed
- feature
- characteristic
- power amplifier
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 103
- 238000012545 processing Methods 0.000 claims description 76
- 238000007781 pre-processing Methods 0.000 claims description 36
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 40
- 238000006243 chemical reaction Methods 0.000 description 17
- 238000012549 training Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000003321 amplification Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 230000002238 attenuated effect Effects 0.000 description 3
- 238000011423 initialization method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000528 statistical test Methods 0.000 description 2
- 101710165631 Dihydropyrimidine dehydrogenase [NADP(+)] Proteins 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 101710183660 NAD-dependent dihydropyrimidine dehydrogenase subunit PreA Proteins 0.000 description 1
- 101710183648 NAD-dependent dihydropyrimidine dehydrogenase subunit PreT Proteins 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03F—AMPLIFIERS
- H03F1/00—Details of amplifiers with only discharge tubes, only semiconductor devices or only unspecified devices as amplifying elements
- H03F1/32—Modifications of amplifiers to reduce non-linear distortion
- H03F1/3241—Modifications of amplifiers to reduce non-linear distortion using predistortion circuits
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03F—AMPLIFIERS
- H03F3/00—Amplifiers with only discharge tubes or only semiconductor devices as amplifying elements
- H03F3/189—High-frequency amplifiers, e.g. radio frequency amplifiers
- H03F3/19—High-frequency amplifiers, e.g. radio frequency amplifiers with semiconductor devices only
- H03F3/195—High-frequency amplifiers, e.g. radio frequency amplifiers with semiconductor devices only in integrated circuits
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03F—AMPLIFIERS
- H03F3/00—Amplifiers with only discharge tubes or only semiconductor devices as amplifying elements
- H03F3/20—Power amplifiers, e.g. Class B amplifiers, Class C amplifiers
- H03F3/21—Power amplifiers, e.g. Class B amplifiers, Class C amplifiers with semiconductor devices only
- H03F3/213—Power amplifiers, e.g. Class B amplifiers, Class C amplifiers with semiconductor devices only in integrated circuits
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03F—AMPLIFIERS
- H03F2200/00—Indexing scheme relating to amplifiers
- H03F2200/451—Indexing scheme relating to amplifiers the amplifier being a radio frequency amplifier
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Physics & Mathematics (AREA)
- Nonlinear Science (AREA)
- Amplifiers (AREA)
Abstract
本发明公开了一种用于功率放大器的非线性补偿方法和设备，涉及无线通信技术领域，用以解决目前的数字预失真模型适用范围较小，模型输入特征单一、精度受限、通用性差的问题，本发明方法包括：获取功率放大器的第一信号，其中，第一信号包括输入信号、输出信号和特征信号，特征信号是功率放大器和/或输入信号的属性信息；经由已训练神经网络接收对于第一信号的数字预失真权重；利用数字预失真权重对功率放大器进行非线性补偿，由于本发明从输入信号和功率放大器等不同维度考虑了输入信号及功率放大器的特性，经由已训练神经网络得到第一信号的数字预失真权重，高效准确的统一数字预失真模型，提高了建模精度，更好地补偿功率放大器的非线性失真。
Description
技术领域
本发明涉及无线通信技术领域，特别涉及一种用于功率放大器的非线性补偿方法和设备。
背景技术
PA(Power Amplifier，功率放大器，简称功率放大器)是无线通信系统中的重要组成部分。功率放大器的非线性特性导致了带内的非线性失真和带外频谱泄露，因此功率放大器的线性化技术备受关注。DPD(Digital Pre-Distortion，数字预失真处理)是对功率放大器进行线性化处理的主要技术方案，其利用相反的非线性特性对功率放大器的非线性特性进行补偿，达到功率放大器线性化的目的。
传统的数字预失真技术是通过多项式法实现的，基本实现原理是寻找能够逼近功率放大器复增益特性曲线逆函数的一种多项式，得到该逆函数之后通过计算得到原始输入信号的预失真值。
目前基于神经网络的预失真还处于初级研究探索阶段，包括简单的无记忆数字预失真模型和记忆数字预失真模型，无记忆数字预失真模型直接经输入输出神经网络对输入信号拟合产生输出结果，记忆数字预失真模型在无记忆数字预失真模型的基础上进一步考虑了延时信息。
多项式法的数字预失真模型阶数越高，建模精度越高，但参数估计计算量随着多项式阶数增大呈指数增加。多项式模型大多只考虑了AM-AM(Amplitude Modulation-Amplitude Modulation，幅度调制-幅度调制)模型，忽略了信号的相位补偿，影响了数字预失真模型的准确性，此外多项式法统一基于多项式建立数字预失真模型，模型固定且单一，无法精准描述大带宽和高PAPR(Peak to Average Power Ratio，峰值平均功率比)信号输入下的功率放大器特性。现有的神经网络方法大多利用径向基函数进行非线性拟合，为局部响应函数，除了权重外，还需要选择确定基函数中心及宽度，网络复杂度高，同时输入参数类型少，考虑的输入特征比较单一，普适性较差。面对未来智能化、开放化网络需求，需要结合人工智能算法实现高性能且通用的数字预失真技术，以实现RRU(Radio Remote Unit，射频拉远单元)侧软硬件解耦。
综上所述，目前的数字预失真模型适用范围较小，模型输入特征单一、精度受限、通用性差。
发明内容
本发明提供一种用于功率放大器的非线性补偿方法和设备，用以解决现有技术中存在目前的数字预失真模型适用范围较小，模型输入特征单一、精度受限、通用性差的问题。
第一方面，本发明实施例提供的一种用于功率放大器的非线性补偿方法包括：
获取功率放大器的第一信号，其中，所述第一信号包括输入信号、输出信号和特征信号，所述特征信号是所述功率放大器和/或所述输入信号的属性信息；
经由已训练神经网络接收对于所述第一信号的数字预失真权重；
利用所述数字预失真权重对所述功率放大器进行非线性补偿。
上述方法，基于神经网络的数字预失真处理，从输入信号和功率放大器的属性信息等不同维度考虑了输入信号及功率放大器的特性，丰富了输入信号的特征，通过已训练神经网络得到对于第一信号的数字预失真权重，提高数字预失真模型精度，采用高效准确的统一数字预失真模型进行预失真处理，适用于不同属性的功率放大器、不同属性的信号，适用范围更加广泛，提高了建模精度，更好地补偿功率放大器的非线性性能。
在一种可能的实现方式中，通过下列方式确定所述第一信号的数字预失真权重：
对所述输出信号进行预处理得到预处理后的输出信号，以及对所述特征信号进行预处理得到预处理后的特征信号；
将所述预处理后的输出信号输入所述已训练神经网络的输入层进行时延处理得到延时信号后，通过非线性函数对所述预处理后的输出信号及所述延时信号进行非线性处理得到非线性特征信号；
将所述预处理后的输出信号、所述非线性特征信号及所述预处理后的特征信号输入所述神经网络的隐含层后确定已训练神经网络输出的信号；
根据所述已训练神经网络输出的信号与所述输入信号，通过反向传播算法确定所述第一信号的数字预失真权重。
上述方法，通过对输出信号及特征信号的预处理使信号转换为神经网络可以处理的数据形式，通过已训练神经网络得到第一信号的数字预失真权重适用于对不同特征的功率放大器或输出信号，通过增加非线性处理，丰富了从输出信号，将输出信号多维化，根据已训练神经网络输出的信号与输入信号确定的Loss(损失)函数，通过反向传播算法对损失函数进行计算，确定所述第一信号的数字预失真权重，提高了模型的精度。
在一种可能的实现方式中，所述对所述特征信号进行预处理得到预处理后的特征信号，包括：
对所述特征信号进行特征处理得到预处理特征信号；
从所述预处理特征信号中进行特征选择得到有效特征信号，将所述有效特征信号作为所述预处理后的特征信号。
上述方法，通过特征处理将特征信号转换为神经网络所能处理的数据格式，通过特征选择对预处理特征信号进行筛选，以使训练后的模型更加收敛。
在一种可能的实现方式中，所述特征处理包括下列的部分或全部：
离散化处理、去量纲、编码、归一化。
上述方法，对于不同类型的特征信号采用一种或多种不同的方式转换为机器学习算法所能处理的数据形式。
在一种可能的实现方式中，所述从所述预处理特征信号中进行特征选择得到有效特征信号，包括：
根据特征选择评价指标确定所述预处理特征信号的特征分值，选择所述特征分值大于设定阈值的预处理特征信号作为所述有效特征信号；或
根据特征选择评价指标确定所述预处理特征信号的特征分值，按照所述特征分值从高到低的顺序选择前N个预处理特征信号或从低到高的顺序选择后N个预处理特征信号作为所述有效特征信号，其中N为正整数。
上述方法，根据特征信号评价指标对特征信号的得分进行检验得到特征分值，根据特征分值选择预处理特征信号，实现对预处理特征信号的筛选，便于使训练后的模型更加收敛。
第二方面，本发明实施例提供的一种用于功率放大器的非线性补偿设备包括：预失真处理器、信号获取器；
所述信号获取器用于，获取功率放大器的第一信号，其中，所述第一信号包括输入信号、输出信号和特征信号，所述特征信号是所述功率放大器和/或所述输入信号的属性信息；
所述预失真处理器用于，经由已训练神经网络接收对于所述第一信号的数字预失真权重；利用所述数字预失真权重对所述功率放大器进行非线性补偿。
在一种可能的实现方式中，所述信号获取器具体用于：
通过下列方式确定所述第一信号的数字预失真权重：
对所述输出信号进行预处理得到预处理后的输出信号，以及对所述特征信号进行预处理得到预处理后的特征信号；
将所述预处理后的输出信号输入所述已训练神经网络的输入层进行时延处理得到延时信号后，通过非线性函数对所述预处理后的输出信号及所述延时信号进行非线性处理得到非线性特征信号；
将所述预处理后的输出信号、所述非线性特征信号及所述预处理后的特征信号输入所述神经网络的隐含层后确定已训练神经网络输出的信号；
根据所述已训练神经网络输出的信号与所述输入信号，通过反向传播算法确定所述第一信号的数字预失真权重。
在一种可能的实现方式中，所述预失真处理器具体用于：
对所述特征信号进行特征处理得到预处理特征信号；
从所述预处理特征信号中进行特征选择得到有效特征信号，将所述有效特征信号作为所述预处理后的特征信号。
在一种可能的实现方式中，所述特征处理包括下列的部分或全部：
离散化处理、去量纲、编码、归一化。
在一种可能的实现方式中，所述预失真处理器具体用于：
根据特征选择评价指标确定所述预处理特征信号的特征分值，选择所述特征分值大于设定阈值的预处理特征信号作为所述有效特征信号；或
根据特征选择评价指标确定所述预处理特征信号的特征分值，按照所述特征分值从高到低的顺序选择前N个预处理特征信号或从低到高的顺序选择后N个预处理特征信号作为所述有效特征信号，其中N为正整数。
第三方面，本申请还提供一种计算机存储介质，其上存储有计算机程序，该程序被处理单元执行时实现上述各方面所述方法的步骤。
另外，第二方面中任一种实现方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果，此处不再赘述。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种用于功率放大器的非线性补偿方法示意图；
图2为本发明实施例提供的一种功率放大器的非线性补偿装置的示意图；
图3为本发明实施例提供的一种数字预失真模型示意图；
图4为本发明实施例提供的一种用于功率放大器的非线性补偿完整方法示意图；
图5为本发明实施例提供的一种用于功率放大器的非线性补偿设备示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面对文中出现的一些词语进行解释：
1、本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
2、本发明实施例中术语“I/Q(In-phase/Quadrature，同相正交)”是一个射频信号，在极坐标上可以用振幅和相位来表示，在直角坐标上可以用X和Y的值来表示。但在数字通信系统中，一般X用I来代替，表示同相，而Y用Q来代替，表示90°相位。因此产生了所谓I/Q调制器、I/Q解调器以及QPSK(Quadrature Phase Shift Keyin，正交相移键控)调制/解调器。
3、本发明实施例中术语“径向基函数”是一个取值仅仅依赖于离原点距离的实值函数，也就是Φ(x)＝Φ(‖x‖)，或者还可以是到任意一点c的距离，c点称为中心点，也就是Φ(x，c)＝Φ(‖x-c‖)。任意一个满足Φ(x)＝Φ(‖x‖)特性的函数Φ都叫做径向基函数，标准的一般使用欧氏距离(也叫做欧式径向基函数)，尽管其他距离函数也是可以的。在神经网络结构中，可以作为全连接层和ReLU(Rectified Linear Unit，线性整流函数)层的主要函数。
4、本发明实施例中术语“激活函数(Activation Function)”，就是在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。激活函数对于人工神经网络模型去学习、理解非常复杂和非线性的函数来说具有十分重要的作用。
5、本发明实施例中术语“目标函数(objective function)”是指所关心的目标(某一变量)与相关的因素(某些变量)的函数关系。简单的说，就是你求解后所得出的那个函数。在求解前函数是未知的，按照你的思路将已知条件利用起来，去求解未知量的函数关系式，即为目标函数。
6、本发明实施例中术语“去量纲”是指去除数据单位之间的不统一，将数据统一变换为无单位(统一单位)的数据集，也可以作为指标的权重，进行后续的加权计算。
7、本发明实施例中术语“归一化”是指将数据按比例缩放，使之落入一个小的特定区间。
本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。其中，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
随着移动通信的发展，频谱资源越来越稀缺，为了提高频谱利用效率，往往采用先进的宽带数字传输技术和高效率的调制方式，如CDMA(Code Division Multiple Access，宽带码分多址接入)、OFDM(Orthogonal Frequency Division Multiplexing，正交频分复用技术)等。然而，这些调制方式在功率放大器工作在接近饱和区时会产生交调干扰，这导致功率放大器产生严重的非线性失真，这些非线性失真在时域会引起信号畸变继而影响信号的解调，在频域会引起频谱扩散继而对临道产生干扰。
数字预失真是目前无线通信系统中最基本的构建块之一。其用于提高功率放大器的效率。通过减少功率放大器在其非线性区运行时产生的失真，功率放大器的效率可得到大幅提升。目前基于多项式的数字预失真模型无法精准描述大带宽和高PAPR信号输入下的功率放大器特性。目前基于神经网络的预失真还处于初级研究探索阶段，由于神经网络可以充分逼近任意复杂的非线性关系，学习和自适应未知不确定性系统并高速寻找优化解。面对未来智能化、开放化网络需求，需要结合人工智能算法实现高性能且通用的数字预失真技术。
本发明提供了一种基于神经网络的智能化功率放大器数字预失真线性化装置及方法，结合了智能化神经网络算法，从不同维度考虑了输入参数的特征，高效准确地建立统一模型，很好地补偿功率放大器非线性特性，减少带内失真和邻道干扰。同时该神经网络实现结构简单，可扩展性强。
针对上述场景，下面结合说明书附图对本发明实施例做进一步详细描述。
如图1所示，本发明实施例的一种用于功率放大器的非线性补偿方法，具体包括以下步骤：
步骤100，获取功率放大器的第一信号，其中，所述第一信号包括输入信号、输出信号和特征信号，所述特征信号是所述功率放大器和/或所述输入信号的属性信息；
步骤101，经由已训练神经网络接收对于所述第一信号的数字预失真权重；
步骤102，利用所述数字预失真权重对所述功率放大器进行非线性补偿。
通过上述方案，基于神经网络的数字预失真处理，从输入信号和功率放大器的属性信息等不同维度考虑了输入信号及功率放大器的特性，丰富了输入信号的特征，通过已训练神经网络得到对于第一信号的数字预失真权重，提高数字预失真模型精度，采用高效准确的统一数字预失真模型进行预失真处理，适用于不同属性的功率放大器、不同属性的信号，适用范围更加广泛，提高了建模精度，更好地补偿功率放大器的非线性性能。
在本发明实施例中，通过输入信号的属性信息输入丰富了输入信号的特征，有助于提高模型精度；通过功率放大器的属性信息输入可以适用于不同类型的PA，打破DPD与PA一一对应传统模式，节省了DPD模块，降低整体实现复杂度。
其中，输入信号的属性信息包括但不限于下列的部分或全部：
信号类型、PAPR、平均功率、信号带宽、采样率等信号。
其中，功率放大器的属性信息包括但不限于下列的部分或全部：
PA温度信息、PA型号、PA厂商信息。
在本发明实施例中，将I/Q信号(x(n))分为I、Q两路分别输入到数字预失真模型中进行数字预失真处理得到输入信号y(n)。如图2所示，为本发明提供的一种基于神经网络的功率放大器非线性补偿装置，该装置包括数字预失真执行模块、DAC(Digital to analogconverter，数模转换器)、ADC(Analog to digital converter，模数转换器)、变频器，PA、衰减器及数字预失真权重模块，其中，数字预失真权重模块由数字预处理单元和已训练神经网络单元两部分组成，经PA前的基带输入信号y(n)(即输入信号)和PA反馈的基带信号z(n)(即输出信号)以及特征信号输入到数据预处理单元，数据预处理单元主要功能是实现I/Q信号和特征信号处理及特征选择，经数据预处理后转换成已训练神经网络所能处理的格式，通过已训练神经网络完成第一信号的数字预失真权重的计算，然后把第一信号的数字预失真权重发送到数字预失真执行模块中，完成对PA的非线性补偿。
可选的，所述数字预失真权重模块具体包括的实体装置为：存储器以及处理器、发送器等，其中存储器用于存储输入信号、输出信号、特征信号，处理器用于对所述输出信号进行预处理得到预处理后的输出信号，以及对所述特征信号进行预处理得到预处理后的特征信号，通过已训练神经网络处理得到第一信号的数字预失真权重；发送器用于将第一信号数字预失真权重发送给所述数字预失真执行模块。
可选的，所述数字预失真执行模块具体包括的实体装置为：接收器、处理器等，其中接收器用于接收所述数字预失真权重模块输出的第一信号的数字预失真权重；处理器用于利用第一信号的数字预失真权重对所述功率放大器进行非线性补偿。
在本发明实施例中，通过下列方式确定第一信号的数字预失真权重：
对输出信号进行预处理得到预处理后的输出信号，以及对特征信号进行预处理得到预处理后的特征信号；将预处理后的输出信号输入已训练神经网络的输入层进行时延处理得到延时信号后，通过非线性函数对预处理后的输出信号及延时信号进行非线性处理得到非线性特征信号；将预处理后的输出信号、非线性特征信号及预处理后的特征信号输入神经网络的隐含层后确定已训练神经网络输出的信号；根据已训练神经网络输出的信号与输入信号，通过反向传播算法确定第一信号的数字预失真权重。
具体的，通过预处理后的z(n)和特征信号对神经网络进行训练得到已训练神经网络后，如图3所示，将预处理后的z(n)分为I、Q两路即Iin(n)、Qin(n)输入已训练神经网络的输入层，并将特征信号输入已训练神经网络的隐含层，将已训练神经网络的输出层输出的信号Iout(n)、Qout(n)，通过反向传播算法对由Iin(n)、Qin(n)及Iout(n)、Qout(n)确定的损失函数进行计算，进而调整已训练神经网络的权重找到使得损失函数最小时的权重，即可得到第一信号的数字预失真权重，通过已训练神经网络作为数字预失真模型的最优权重，将最优的第一信号数字预失真权重下发给预失真执行模块，其中数字预失真执行模块中含有数字预失真模型，将第一信号的数字预失真权重作为该数字预失真模型的权重后的到的数字预失真模型是一个统一的模型，适用于多种属性的信号或功率放大器，提高了建模精度，通过使用第一信号的数字预失真权重确定的数字预失真模型对x(n)进行数字预失真处理后得到的y(n)可以很好的补偿功率放大器的非线性失真。
在本发明实施例中，根据已训练神经网络输出的信号与输入信号，通过反向传播算法确定第一信号的数字预失真权重时，所述第一信号的数字预失真权重是满足Loss函数取值最小时的已训练神经网络的权重，通过不断调整已训练神经网络的权重得到不同的神经网络输出的信号，在Loss函数取值最小时也就是已训练神经网络输出的信号与期望得到的进行非线性补偿后的信号最接近时，此时已训练神经网络的权重即第一信号的数字预失真权重，也就是最优权重。
在本发明实施例中，通过第一信号的数字预失真权重对所述功率放大器进行非线性补偿可以得到符合输入信号属性或是功率放大器属性的y(n)。
例如希望得到的y(n)带宽为100MHz(假设100MHz为大带宽)，则通过第一信号数字预失真权重对输入数字预失真执行模块的I/Q信号进行处理后得到的y(n)的带宽即100MHz，若希望得到的y(n)的PAPR为10dB(假设10dB为高PAPR)，则通过第一信号数字预失真权重对输入数字预失真执行模块的I/Q信号进行处理后得到的y(n)的PAPR为10dB。
因此，本发明实施例中基于第一信号的数字预失真权重得到的数字预失真模型符合多种属性的I/Q信号或是功率放大器，是一个高效统一的数字预失真模型，模型精度高。
在本发明实施例中，将y(n)通过数模转换、变频及功率放大再经过衰减、变频、模数转换可得z(n)，获取y(n)(输入信号)、z(n)(输出信号)和特征信号之后可通过下列方式对神经网络进行训练得到已训练神经网络，具体的：
分别对输出信号及特征信号进行预处理；根据预处理后的输出信号及预处理后的特征信号对神经网络进行训练；通过已训练神经网络确定第一信号的数字预失真权重。
在本发明实施例中，对输出信号进行预处理将输出信号转换为神经网络可以处理的数据形式，其中，对输出信号进行预处理的方式有很多种，包括但不下列的部分或全部：
时延补偿处理、镜像滤波处理、增益补偿处理、频率和相位补偿处理。
在本发明实施例中，对输出信号进行处理时，可采用一种方式进行处理，也可以采用多种方式进行处理，例如，对输出信号进行增益补偿处理后再进行频率和相位补偿处理。
在本发明实施例中，对特征信号进行预处理的过程包括两部分：特征处理及特征选择。其中，特征信号可以通过统计得到，具体的，可以将特征信号汇集以集合的方式体现，例如，采集功率放大器的厂商信息、型号信息以及I/Q信号的信号带宽等，并通过温度传感器测量确定PA的温度，最后将统计得到的功率放大器的厂商信息、型号信息、温度以及I/Q信号的信号带宽等信息建立特征信息集，将特征信息集输入数字预失真训练模块的数据预处理单元。
第一步，特征处理：对特征信号进行特征处理得到预处理特征信号；
其中，对特征信号进行特征处理的方式包括但不限于下列的部分或全部：
离散化处理、去量纲、编码、归一化。
在本发明实施例中，对特征信号进行特征处理时，根据特征信号的不同，可以采用一种或多种不同的方式进行特征处理，下面列举几种：
处理方式一、对于涉及单位的特征信号，进行去量纲并归一化处理。
例如，若特征信号包括信号带宽，则首先通过对特征信号去量纲并归一化，将去量纲并归一化后的信息作为预处理特征信号。
假设需要对10MHz、2*104kHz、4*107Hz这三个信号带宽进行预处理，首先将单位统一为MHz后去除单位得到10、20、40；在去量纲后进行归一化得到0.25、0.5、1，则将0.25、0.5、1作为预处特征信号。
处理方式二、对于连续的特征信号进行离散化及编码处理。
以特征信号中PA温度为例，假设PA温度都是连续的，则对PA温度进行特征处理时，假设将0℃～100℃进行离散化处理，划分为四个等级：0℃～30℃，30℃～50℃，50℃～65℃，65℃～85℃，85℃～100℃；通过编码处理得0℃～30℃，30℃～50℃，50℃～65℃，65℃～85℃，85℃～100℃分别对应1、2、3、4，5，则将1、2、3、4，5作为预处理特征信号。
处理方式三、对于定性的特征信号通过编码转换为定量特征信号。
具体的，若特征信号为定性特征信号，则将特征信号通过编码转换为定量特征信号，将定量特征信号作为预处理特征信号。
例如，特征信号为PA型号，有5个PA型号分别为：第1类型号、第2类型号、第3类型号、第4类型号、第5类型号，在通过编码的方式对这5个PA型号进行特征处理时，将这5个定性的型号信息分别转换为定量特征信号，若将PA型号相关的特征扩展成了5维，将编码转换后的该类PA型号信息对应的维度的功率放大器特征参数设置为1，其余设置为0，即得到五类PA的定量特征信号分别为00001、00010、00100、01000、10000，将00001、00010、00100、01000、10000作为预处理特征信号。
处理方式四、通过去量纲、归一化、离散化处理、编码等多种方式进行特征处理。
例如，以信号特征信号为平均功率为例，将0dBm～50dBm进行去量纲及归一化处理得0～1，将0～1通过离散化处理划分成4个等级：0～0.25，0.25～0.5，0.5～0.75，0.75～1，分别对应0dBm～12.5dBm，12.5dBm～25dBm，25dBm～37.5dBm，37.5dBm～50dBm；假设一个等级对应一个维度，通过编码处理得到0～0.25等级分别对应0001、0010、0100、1000，则将0001、0010、0100、1000作为预处理特征信号。
在本发明实施例中，通过对特征信号进行特征处理使特征信号转换成神经网络所能处理的数据形式。
需要说明的是，本发明实施例中所列举的对特征信号进行特征处理的方式只是举例说明，任何一种对特征信号进行特征处理的方式都适用于本发明实施例。
在本发明实施例中，通过对特征信号及输出信号进行预处理时可以将神经网络的维度进行扩展，例如，以功率放大器属性信息为PA型号为例，在通过特征信号对进行神经网络训练时将其中与PA型号相关的特征扩展成了N维，分别对应N类信号的PA。也可以一类属性的特征信号对应一维特征。
第二部分，特征选择：从所述预处理特征信号中进行特征选择得到有效特征信号，将所述有效特征信号作为所述预处理后的特征信号。
在本发明实施例中，从所述预处理特征信号中进行特征选择得到有效特征信号的方式有很多种，下面列举几种：
选择方式一、根据特征选择评价指标确定预处理特征信号的特征分值，选择特征分值大于设定阈值的预处理特征信号作为有效特征信号。
例如，有3个预处理特征信号，假设这3个预处理特征信号的属性(与特征信号的属性相同)分别为：温度、PA类型、信号功率，假设以方差作为特征选择评价指标，若计算各特征方差得到统计检验的特征分值分别为：1、2、3，阈值为2，则选择出得分大于阈值2的预处理特征信号有效特征信号。
选择方式二、根据特征选择评价指标确定预处理特征信号的特征分值，按照特征分值从高到低的顺序选择前N个预处理特征信号或从低到高的顺序选择后N个预处理特征信号作为有效特征信号。
例如，有3个预处理特征信号，假设这3个预处理特征信号的属性分别为：温度、PA类型、信号功率，假设以方差作为特征选择评价指标，若计算各特征方差得到统计检验的特征分值分别为：1、2、3，将特征分值从高到低排序为3>2>1，假设待选择特征个数为2，则选择前两个预处理特征信号作为有效特征信号，即信号功率和PA类型；将特征分值从低到高排序为：1<2<3，假设待选择特征个数为2，则选择后两个预处理特征信号作为有效特征信号，即PA类型和信号功率。
其中，特征选择评价指标包括但不限于下列的部分或全部：
输入神经网络的特征信号的方差、输入神经网络的特征信号和神经网络理想输出信号的相关性。
需要说明的是，在本发明实施例中所列举的从预处理特征信号中进行特征选择得到有效特征信号的方式只是举例说明，任何一种从预处理特征信号中进行特征选择得到有效特征信号的方式都适用于本发明实施例。
在本发明实施例中，根据预处理后的输出信号及预处理后的特征信号对神经网络进行训练的具体过程如下：将预处理后的输出信号输入神经网络的输入层进行时延处理得到延时信号后，通过非线性函数对延时信号进行非线性处理；将非线性处理后的延时信号及预处理后的特征信号输入神经网络的隐含层对神经网络进行训练。
具体的，将预处理后的输出信号分别以I、Q两路分别进行处理，如图3所示，将预处理后的输出信号z*(n)以I、Q输入到神经网络训练模块进行学习训练，即将训练集Iin(n)、Qin(n)输入到神经网络输入层，经时延处理模块得到延时信号序列Iin(n-m)，…，Iin(n)，Qin(n-m)，…，Qin(n)，其中m表示记忆深度，n表示当前时刻，m与n都为正整数。然后将Iin(n-m)，…，Iin(n)，Qin(n-m)，…，Qin(n)经过非线性处理模块进行非线性f处理，f为非线性函数，可根据输入信号特征进行设置，例如可采用k阶非线性函数fk＝Xk，其中k表示非线性阶数，或是包含高阶项及交叉项的多项式等。将经过时延处理模块和非线性处理模块之后的IQ信号及特征信号输入到神经网络的隐含层进行模型训练。将神经网络权重和阈值初始化，选择合适的激活函数及目标函数，进行数字预失真权重训练，得到最优数字预失真模型，输出结果为当前时刻n的预失真信号Iout(n)、Qout(n)。
在本发明实施例中，对神经网络权重和阈值初始化时，阈值初始化为0，采用随机数初始化方法初始化神经网络权重，利用高斯函数产生标准正态分布随机数，然后每个权重乘以a，a一般取1e2-le4。可选取ReLU函数做为每个隐含层神经元的激活函数，以使训练后的神经网络收敛速度快，满足时域和频域性能指标要求。
需要说明的是，本发明实施例中所列举的神经网络权重和阈值初始化的方式只是举例说明，任何一种神经网络权重和阈值初始化的方式都适用于本发明实施例。
在本发明实施例中，通过数字预失真训练模块对神经网络进行训练后，将训练后的神经网络下发给数字预失真执行模块，作为进行预失真处理使用的数字预失真模型。根据经功率放大器前的基带输入信号(输入信号)及功率放大器反馈的基带信号(输出信号)以及特征信号对神经网络进行训练，采用多输入多输出的全连接神经网络，允许I/Q信号及各类特征信号等分别输入神经网络中，非线性特征的输入丰富了神经网络的输入参数特征，减少带内失真和邻道干扰。同时该神经网络实现结构简单，可扩展性强，并且提高了建模精度，更好地补偿功率放大器的非线性性能。
在本发明实施例中，利用数字预失真权重对功率放大器进行非线性补偿时，具体的，将基带I/Q信号(x(n))输入由该数字预失真权重确定神经网络(即数字预失真模型)后通过神经网络进行数字预失真处理得到的y(n)即预失真处理后的结果，y(n)即对功率放大器的非线性补偿的结果，即通过利用数字预失真权重对功率放大器进行非线性补偿。
如图4所示，本发明实施例提供的一种用于功率放大器的非线性补偿完整方法包括：
步骤400、确定基带I/Q信号；
步骤401、将基带I/Q信号x(n)输入数字预失真模型对I/Q信号进行预失真处理得到输入信号y(n)；
步骤402、将y(n)通过DAC进行数模转换得到模拟信号；
步骤403、将模拟信号经过第一变频器进行变频得到第一变频信号；
步骤404、将第一变频信号经过功率放大器进行功率放大后得到功放输出信号；
步骤405、将功放输出信号通过衰减器进行衰减得到衰减信号；
步骤406、将衰减信号进行经过第二变频器进行变频得到第二变频信号；
步骤407、将第二变频信号经过ADC进行模数转换得到输出信号z(n)；
步骤408、分别对输出信号z(n)及特征信号进行预处理；
步骤409、确定预处理后的输出信号及预处理后的特征信号输入已训练神经网络输出的信号；
步骤410、根据已训练神经网络输出的信号与输入信号，通过反向传播算法确定第一信号的数字预失真权重；
步骤411、将第一信号的数字预失真权重下发给数字预失真执行模块；
步骤412、由数字预失真执行模块利用数字预失真权重对功率放大器进行非线性补偿。
基于相同的发明构思，本发明实施例中还提供了一种用于功率放大器的非线性补偿设备，由于该设备即是本发明实施例中的方法中的设备，并且该设备解决问题的原理与该方法相似，因此该设备的实施可以参见方法的实施，重复之处不再赘述。
基于相同的发明构思，本发明实施例中还提供了一种用于功率放大器的非线性补偿设备，由于该设备即是本发明实施例中的方法中的设备，并且该设备解决问题的原理与该方法相似，因此该设备的实施可以参见方法的实施，重复之处不再赘述。
如图5所示，本发明实施例还提供一种用于功率放大器的非线性补偿设备，该设备包括：预失真处理器510、信号获取器500；
所述信号获取器500用于，获取功率放大器的第一信号，其中，所述第一信号包括输入信号、输出信号和特征信号，所述特征信号是所述功率放大器和/或所述输入信号的属性信息；
所述预失真处理器510用于，经由已训练神经网络接收对于所述第一信号的数字预失真权重；利用所述数字预失真权重对所述功率放大器进行非线性补偿。
可选的，所述信号获取器500具体用于：
通过下列方式确定所述第一信号的数字预失真权重：
对所述输出信号进行预处理得到预处理后的输出信号，以及对所述特征信号进行预处理得到预处理后的特征信号；
将所述预处理后的输出信号输入所述已训练神经网络的输入层进行时延处理得到延时信号后，通过非线性函数对所述预处理后的输出信号及所述延时信号进行非线性处理得到非线性特征信号；
将所述预处理后的输出信号、所述非线性特征信号及所述预处理后的特征信号输入所述神经网络的隐含层后确定已训练神经网络输出的信号；
根据所述已训练神经网络输出的信号与所述输入信号，通过反向传播算法确定所述第一信号的数字预失真权重。
可选的，所述预失真处理器510具体用于：
对所述特征信号进行特征处理得到预处理特征信号；
从所述预处理特征信号中进行特征选择得到有效特征信号，将所述有效特征信号作为所述预处理后的特征信号。
可选的，所述特征处理包括下列的部分或全部：
离散化处理、去量纲、编码、归一化。
可选的，所述预失真处理器510具体用于：
根据特征选择评价指标确定所述预处理特征信号的特征分值，选择所述特征分值大于设定阈值的预处理特征信号作为所述有效特征信号；或
根据特征选择评价指标确定所述预处理特征信号的特征分值，按照所述特征分值从高到低的顺序选择前N个预处理特征信号或从低到高的顺序选择后N个预处理特征信号作为所述有效特征信号，其中N为正整数。
可选的，所述信号获取器500具体包括存储器以及处理器、发送器等，其中存储器用于存储输入信号、输出信号、特征信号，处理器用于对所述输出信号进行预处理得到预处理后的输出信号，以及对所述特征信号进行预处理得到预处理后的特征信号，通过已训练神经网络处理得到第一信号的数字预失真权重；发送器用于将第一信号数字预失真权重发送给所述预失真处理器510。
可选的，所述预失真处理器510具体包括接收器、处理器等，其中接收器用于接收所述信号获取器500输出的第一信号的数字预失真权重；处理器用于利用第一信号的数字预失真权重对所述功率放大器进行非线性补偿。
可选的，所述用于功率放大器的非线性补偿设备还包括信号调制器530以及信号解调器520，其中所述信号调制器530用于对所述输入信号进行数模转换、变频及功率放大后得到功放输出信号，包括用于对所述输入信号进行数模转换的数模转换器531；用于对数模转换后的信号进行变频的第一变频器532；用于对变频后的信号进行功率放大的功率放大器533，功率放大器533的输出即功放输出信号；其中所述信号解调器520用于将所述功放输出信号进行衰减、变频及模数转换后得到输出信号，所述信号解调器520包括用于对所述功法输出信号进行衰减的衰减器521；用于对衰减后的信号进行变频的第二变频器522；用于对变频后的信号进行模数转换的模数转换器523。
本发明实施例还提供一种计算机可读非易失性存储介质，包括程序代码，当所述程序代码在计算终端上运行时，所述程序代码用于使所述计算终端执行上述本发明实施例用于功率放大器的非线性补偿方法的步骤。
以上参照示出根据本申请实施例的方法、装置(系统)和/或计算机程序产品的框图和/或流程图描述本申请。应理解，可以通过计算机程序指令来实现框图和/或流程图示图的一个块以及框图和/或流程图示图的块的组合。可以将这些计算机程序指令提供给通用计算机、专用计算机的处理器和/或其它可编程数据处理装置，以产生机器，使得经由计算机处理器和/或其它可编程数据处理装置执行的指令创建用于实现框图和/或流程图块中所指定的功能/动作的方法。
相应地，还可以用硬件和/或软件(包括固件、驻留软件、微码等)来实施本申请。更进一步地，本申请可以采取计算机可使用或计算机可读存储介质上的计算机程序产品的形式，其具有在介质中实现的计算机可使用或计算机可读程序代码，以由指令执行系统来使用或结合指令执行系统而使用。在本申请上下文中，计算机可使用或计算机可读介质可以是任意介质，其可以包含、存储、通信、传输、或传送程序，以由指令执行系统、装置或设备使用，或结合指令执行系统、装置或设备使用。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (11)
1.一种用于功率放大器的非线性补偿方法，其特征在于，该方法包括：
获取功率放大器的第一信号，其中，所述第一信号包括输入信号、输出信号和特征信号，所述特征信号是所述功率放大器和/或所述输入信号的属性信息；
经由已训练神经网络接收对于所述第一信号的数字预失真权重；
利用所述数字预失真权重对所述功率放大器进行非线性补偿。
2.如权利要求1所述的方法，其特征在于，通过下列方式确定所述第一信号的数字预失真权重：
对所述输出信号进行预处理得到预处理后的输出信号，以及对所述特征信号进行预处理得到预处理后的特征信号；
将所述预处理后的输出信号输入所述已训练神经网络的输入层进行时延处理得到延时信号后，通过非线性函数对所述预处理后的输出信号及所述延时信号进行非线性处理得到非线性特征信号；
将所述预处理后的输出信号、所述非线性特征信号及所述预处理后的特征信号输入所述神经网络的隐含层后确定已训练神经网络输出的信号；
根据所述已训练神经网络输出的信号与所述输入信号，通过反向传播算法确定所述第一信号的数字预失真权重。
3.如权利要求2所述的方法，其特征在于，所述对所述特征信号进行预处理得到预处理后的特征信号，包括：
对所述特征信号进行特征处理得到预处理特征信号；
从所述预处理特征信号中进行特征选择得到有效特征信号，将所述有效特征信号作为所述预处理后的特征信号。
4.如权利要求3所述的方法，其特征在于，所述特征处理包括下列的部分或全部：
离散化处理、去量纲、编码、归一化。
5.如权利要求3所述的方法，其特征在于，所述从所述预处理特征信号中进行特征选择得到有效特征信号，包括：
根据特征选择评价指标确定所述预处理特征信号的特征分值，选择所述特征分值大于设定阈值的预处理特征信号作为所述有效特征信号；或
根据特征选择评价指标确定所述预处理特征信号的特征分值，按照所述特征分值从高到低的顺序选择前N个预处理特征信号或从低到高的顺序选择后N个预处理特征信号作为所述有效特征信号，其中N为正整数。
6.一种用于功率放大器的非线性补偿设备，其特征在于，该设备包括：信号获取器、预失真处理器；
所述信号获取器用于，获取功率放大器的第一信号，其中，所述第一信号包括输入信号、输出信号和特征信号，所述特征信号是所述功率放大器和/或所述输入信号的属性信息；
所述预失真处理器用于，经由已训练神经网络接收对于所述第一信号的数字预失真权重；利用所述数字预失真权重对所述功率放大器进行非线性补偿。
7.如权利要求6所述的设备，其特征在于，所述信号获取器具体用于：
通过下列方式确定所述第一信号的数字预失真权重：
对所述输出信号进行预处理得到预处理后的输出信号，以及对所述特征信号进行预处理得到预处理后的特征信号；
将所述预处理后的输出信号输入所述已训练神经网络的输入层进行时延处理得到延时信号后，通过非线性函数对所述预处理后的输出信号及所述延时信号进行非线性处理得到非线性特征信号；
将所述预处理后的输出信号、所述非线性特征信号及所述预处理后的特征信号输入所述神经网络的隐含层后确定已训练神经网络输出的信号；
根据所述已训练神经网络输出的信号与所述输入信号，通过反向传播算法确定所述第一信号的数字预失真权重。
8.如权利要求7所述的设备，其特征在于，所述预失真处理器具体用于：
对所述特征信号进行特征处理得到预处理特征信号；
从所述预处理特征信号中进行特征选择得到有效特征信号，将所述有效特征信号作为所述预处理后的特征信号。
9.如权利要求8所述的设备，其特征在于，所述特征处理包括下列的部分或全部：
离散化处理、去量纲、编码、归一化。
10.如权利要求8所述的设备，其特征在于，所述预失真处理器具体用于：
根据特征选择评价指标确定所述预处理特征信号的特征分值，选择所述特征分值大于设定阈值的预处理特征信号作为所述有效特征信号；或
根据特征选择评价指标确定所述预处理特征信号的特征分值，按照所述特征分值从高到低的顺序选择前N个预处理特征信号或从低到高的顺序选择后N个预处理特征信号作为所述有效特征信号，其中N为正整数。
11.一种计算机可存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～5任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910079889.XA CN111490737B (zh) | 2019-01-28 | 2019-01-28 | 一种用于功率放大器的非线性补偿方法和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910079889.XA CN111490737B (zh) | 2019-01-28 | 2019-01-28 | 一种用于功率放大器的非线性补偿方法和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111490737A true CN111490737A (zh) | 2020-08-04 |
| CN111490737B CN111490737B (zh) | 2023-07-21 |
Family
ID=71795857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910079889.XA Active CN111490737B (zh) | 2019-01-28 | 2019-01-28 | 一种用于功率放大器的非线性补偿方法和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111490737B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112865721A (zh) * | 2021-01-05 | 2021-05-28 | 紫光展锐(重庆)科技有限公司 | 信号处理方法、装置、设备及存储介质、芯片、模组设备 |
| CN113325375A (zh) * | 2021-05-25 | 2021-08-31 | 哈尔滨工程大学 | 一种基于深度神经网络的自适应对消方法 |
| 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 |
| CN113852586A (zh) * | 2021-08-19 | 2021-12-28 | 大唐网络有限公司 | 基于5g通信的信号处理方法及装置 |
| WO2022166534A1 (zh) * | 2021-02-07 | 2022-08-11 | 大唐移动通信设备有限公司 | 预失真处理方法和装置 |
| CN115037318A (zh) * | 2021-03-08 | 2022-09-09 | 维沃移动通信有限公司 | Pa的非线性校准方法和设备 |
| WO2023159483A1 (en) * | 2022-02-25 | 2023-08-31 | Telefonaktiebolaget Lm Ericsson (Publ) | Power feature aided machine learning to reduce non-linear distortion |
| WO2024045885A1 (zh) * | 2022-08-31 | 2024-03-07 | 华为技术有限公司 | 信息测量的方法和装置 |
| CN113852586B (zh) * | 2021-08-19 | 2024-06-04 | 大唐网络有限公司 | 基于5g通信的信号处理方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060012427A1 (en) * | 2004-07-14 | 2006-01-19 | Raytheon Company | Estimating power amplifier non-linearity in accordance with memory depth |
| 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 |
| CN107592084A (zh) * | 2017-09-19 | 2018-01-16 | 中国人民解放军海军工程大学 | 基于动态建模的宽带功率放大器的畸变补偿装置 |
| CN108183692A (zh) * | 2016-12-08 | 2018-06-19 | 亚德诺半导体集团 | 空间数字预失真 |
-
2019
- 2019-01-28 CN CN201910079889.XA patent/CN111490737B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060012427A1 (en) * | 2004-07-14 | 2006-01-19 | Raytheon Company | Estimating power amplifier non-linearity in accordance with memory depth |
| 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 |
| CN108183692A (zh) * | 2016-12-08 | 2018-06-19 | 亚德诺半导体集团 | 空间数字预失真 |
| CN107592084A (zh) * | 2017-09-19 | 2018-01-16 | 中国人民解放军海军工程大学 | 基于动态建模的宽带功率放大器的畸变补偿装置 |
Non-Patent Citations (1)
| Title |
|---|
| 黄振鹏;罗志年;: "无线通信射频功率放大器非线性失真优化设计" * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112865721A (zh) * | 2021-01-05 | 2021-05-28 | 紫光展锐(重庆)科技有限公司 | 信号处理方法、装置、设备及存储介质、芯片、模组设备 |
| WO2022166534A1 (zh) * | 2021-02-07 | 2022-08-11 | 大唐移动通信设备有限公司 | 预失真处理方法和装置 |
| CN115037318B (zh) * | 2021-03-08 | 2024-03-01 | 维沃移动通信有限公司 | Pa的非线性校准方法和设备 |
| CN115037318A (zh) * | 2021-03-08 | 2022-09-09 | 维沃移动通信有限公司 | Pa的非线性校准方法和设备 |
| WO2022188681A1 (zh) * | 2021-03-08 | 2022-09-15 | 维沃移动通信有限公司 | Pa的非线性校准方法和设备 |
| CN113325375A (zh) * | 2021-05-25 | 2021-08-31 | 哈尔滨工程大学 | 一种基于深度神经网络的自适应对消方法 |
| CN113325375B (zh) * | 2021-05-25 | 2022-12-13 | 哈尔滨工程大学 | 一种基于深度神经网络的自适应对消方法 |
| 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 |
| CN113411056B (zh) * | 2021-07-12 | 2022-11-29 | 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 |
| CN113852586A (zh) * | 2021-08-19 | 2021-12-28 | 大唐网络有限公司 | 基于5g通信的信号处理方法及装置 |
| CN113852586B (zh) * | 2021-08-19 | 2024-06-04 | 大唐网络有限公司 | 基于5g通信的信号处理方法及装置 |
| WO2023159483A1 (en) * | 2022-02-25 | 2023-08-31 | Telefonaktiebolaget Lm Ericsson (Publ) | Power feature aided machine learning to reduce non-linear distortion |
| WO2024045885A1 (zh) * | 2022-08-31 | 2024-03-07 | 华为技术有限公司 | 信息测量的方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111490737B (zh) | 2023-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111490737B (zh) | 一种用于功率放大器的非线性补偿方法和设备 | |
| US20200295975A1 (en) | Integrating volterra series model and deep neural networks to equalize nonlinear power amplifiers | |
| Rawat et al. | A mutual distortion and impairment compensator for wideband direct-conversion transmitters using neural networks | |
| CN111245375B (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 | |
| Wu et al. | Low complexity joint impairment mitigation of I/Q modulator and PA using neural networks | |
| Goutay et al. | End-to-end learning of OFDM waveforms with PAPR and ACLR constraints | |
| CN108199690A (zh) | 基于三次样条的带限ddr函数模型的功率放大器数字预失真装置及方法 | |
| CN111988254B (zh) | 一种低复杂度峰均比压缩与预失真联合优化方法 | |
| Huleihel et al. | Low PAPR waveform design for OFDM systems based on convolutional autoencoder | |
| US10298366B2 (en) | Circuit and method for predistortion | |
| US8842720B2 (en) | Pre-equalizer for a digitally modulated RF signal and method | |
| Vaicaitis et al. | Segmented Spline Curve Neural Network for Low Latency Digital Predistortion of RF Power Amplifiers | |
| Falempin et al. | Low-Complexity Adaptive DPD: From online optimization to meta-learning | |
| Vaskovic et al. | An adaptive fuzzy logic system for the compensation of nonlinear distortion in wireless power amplifiers | |
| CN111884602B (zh) | 一种基于单输出节点神经网络的功率放大器预失真方法 | |
| Bhuyan et al. | Learning aided behavioral modeling and adaptive digital predistortion design for nonlinear power amplifier | |
| Gautam et al. | Peak-to-average power ratio reduction in OFDM system using amplitude clipping | |
| CN115529212A (zh) | 基于开环的短波通信方法、装置、设备及可读存储介质 | |
| CN104363195B (zh) | 基于顺序搜索的载波注入峰均比抑制方法 | |
| Wang et al. | Res-GAN for Behavioral Modeling and Pre-distortion of Power Amplifiers in OFDM-Based Satellite Communication System | |
| Fu et al. | Novel neural network model of power amplifier plus IQ imbalances | |
| Nazarov et al. | Techniques for estimating the power of the intermodulation interferences of orthogonal frequency-division multiplexing signals | |
| CN115913140B (zh) | 运算精度控制的分段多项式数字预失真装置和方法 | |
| Bebyrahma et al. | Analysis of Combined PAPR Reduction Technique with Predistorter for OFDM System in 5G | |
| Ali et al. | Removing Power Amplifier Distortions at the Receiver using Deep Learning |
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 |