CN113411056A - 一种基于广义多项式和神经网络的非线性预失真方法 - Google Patents
一种基于广义多项式和神经网络的非线性预失真方法 Download PDFInfo
- Publication number
- CN113411056A CN113411056A CN202110784659.0A CN202110784659A CN113411056A CN 113411056 A CN113411056 A CN 113411056A CN 202110784659 A CN202110784659 A CN 202110784659A CN 113411056 A CN113411056 A CN 113411056A
- Authority
- CN
- China
- Prior art keywords
- predistortion
- neural network
- output
- vector
- 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
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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Nonlinear Science (AREA)
- Power Engineering (AREA)
- Amplifiers (AREA)
Abstract
本发明公开了一种基于广义多项式和神经网络的非线性预失真方法,包括以下步骤:S1.构建基于广义多项式的预失真神经网络;S2.在第n时隙,将源输入信号x(n)输入预失真神经网络,然后预失真神经网络的输出预失真信号z(n);S3.将预失真信号z(n)作为功放输入信号传输给功放,由功放进行处理后得到输出信号y(n)。本发明提供的基于广义多项式和神经网络的非线性预失真方法,通过对预失真神经网络的输入层进行设计,避免预失真神经网络的自由度限制,提高神经网络的预失真性能。
Description
技术领域
本发明涉及非线性预失真,特别是涉及一种基于广义多项式和神经网络的非线性预失真方法。
背景技术
如果要提高功放的信号放大效率,那么功放将会工作在非线性放大区域,这样会导致功放的非线性失真,为了抑制非线性失真,非线性预失真技术被提出。非线性预失真技术是指通过对功放输入信号进行失真补偿,使得功放输出信号恢复线性。传统的预失真模型是基于Volteraa序列,比如,记忆多项式模型和广义多项式模型,再通过最小二乘法对模型参数进行拟合。但是,传统的基于Volteraa序列的预失真模型在遇到低信噪比的输入输出训练序列式,参数拟合误差较大,因此采用神经网络模型的非线性预失真技术受到关注。但是如今没有对预失真神经网络的的输入层进行设计,这会使得预失真神经网络的自由度受到限制,从而降低神经网络的预失真性能。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于广义多项式和神经网络的非线性预失真方法,避免预失真神经网络的自由度限制,提高神经网络的预失真性能。
本发明的目的是通过以下技术方案来实现的:一种基于广义多项式和神经网络的非线性预失真方法,包括以下步骤:
S1.构建基于广义多项式的预失真神经网络;
S2.在第n时隙,将源输入信号x(n)输入预失真神经网络,然后预失真神经网络的输出预失真信号z(n);
S3.将预失真信号z(n)作为功放输入信号传输给功放,由功放进行处理后得到输出信号y(n)。
进一步地,所述步骤S1包括:
S101.构建预失真神经网络的输入层;
S102.构建预失真神经网络的隐藏层;
S103.构建预失真神经网络的输出层。
所述步骤S101包括:
将输入层设计为广义多项式输入,输入信号是复数,不能直接使用神经网络,因此要将其分成实部和虚部,都是广义多项式模型,设神经网络的广义多项式输入在第n时隙为向量x(n),具体形式为:
其中
O=2(KaMa+KbMbQb+KcMcQc)。
进一步地,所述步骤S102包括:
设定网络隐藏层数为1,每层网络节点数为J,隐藏层中第j个节点和输入直接的连接为:
σj(n)=fj(Nj(n)) (9)
其中fj(·)是第j个节点的激活函数。
进一步地,所述步骤S103包括:
由于非线性预失真的输出是复数,因此预失真神经网络输出节点也分为两个部分,分别表示非线性预失真的I路和Q路,输出理想值:
其中z(n)通过迭代学习控制法得到,其步骤为:
A1:设定zk(n)为第k次迭代的输出,设定迭代次数为K;
A2:初始化z1(n)=x(n);
A3:从k=1到K,进行如下操作:
A31:将zk(n)输入一个真实功放器;
A32:得到真实功放对应的输出yk(n);
A4:循环结束,输出z(n)=zK(n);
其中,G为功放增益;
而网络输出的真实值为:
设定wk和bk为第k次迭代的输出值;
A1:随机产生初始权重向量w1和偏置向量b1;
A2:如果||wk-wk-1||+||bk-bk-1||≤ε,则进入A2,否则进入A3;
A22:更新权重向量和偏置向量wk+1=wk+Δwk和bk+1=bk+Δbk,回到A2;
A3:停止更新。
本发明的有益效果是:本发明通过对预失真神经网络的输入层进行设计,避免了预失真神经网络的自由度限制,提高神经网络的预失真性能。
附图说明
图1为本发明的方法流程图;
图2为本申请的方法对应的预失真系统模型示意图;
图3为基于广义多项式神经网络示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种基于广义多项式和神经网络的非线性预失真方法,包括以下步骤:
S1.构建基于广义多项式的预失真神经网络;
S2.在第n时隙,将源输入信号x(n)输入预失真神经网络,然后预失真神经网络的输出预失真信号z(n);
S3.将预失真信号z(n)作为功放输入信号传输给功放,由功放进行处理后得到输出信号y(n)。
在本申请的实施例中,图2为本申请的方法对应的预失真系统模型示意图;
所述步骤S1包括:
S101.构建预失真神经网络的输入层;
S102.构建预失真神经网络的隐藏层;
S103.构建预失真神经网络的输出层。
在本申请的实施例中,图3为基于广义多项式神经网络示意图;
所述步骤S101包括:
将输入层设计为广义多项式输入,输入信号是复数,不能直接使用神经网络,因此要将其分成实部和虚部,都是广义多项式模型,设神经网络的广义多项式输入在第n时隙为向量x(n),具体形式为:
其中
O=2(KaMa+KbMbQb+KcMcQc)。
进一步地,所述步骤S102包括:
设定网络隐藏层数为1,每层网络节点数为J,隐藏层中第j个节点和输入直接的连接为:
σj(n)=fj(Nj(n)) (9)
其中fj(·)是第j个节点的激活函数。
进一步地,所述步骤S103包括:
由于非线性预失真的输出是复数,因此预失真神经网络输出节点也分为两个部分,分别表示非线性预失真的I路和Q路,输出理想值:
其中z(n)通过迭代学习控制法得到,其步骤为:
A1:设定zk(n)为第k次迭代的输出,设定迭代次数为K;
A2:初始化z1(n)=x(n);
A3:从k=1到K,进行如下操作:
A31:将zk(n)输入一个真实功放器;
A32:得到真实功放对应的输出yk(n);
A4:循环结束,输出z(n)=zK(n);
其中,G为功放增益;
而网络输出的真实值为:
设定wk和bk为第k次迭代的输出值;
A1:随机产生初始权重向量w1和偏置向量b1;
A2:如果||wk-wk-1||+||bk-bk-1||≤ε,则进入A2,否则进入A3;
A22:更新权重向量和偏置向量wk+1=wk+Δwk和bk+1=bk+Δbk,回到A2;
A3:停止更新。
上述说明示出并描述了本发明的一个优选实施例,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (5)
1.一种基于广义多项式和神经网络的非线性预失真方法,其特征在于:包括以下步骤:
S1.构建基于广义多项式的预失真神经网络;
S2.在第n时隙,将源输入信号x(n)输入预失真神经网络,然后预失真神经网络的输出预失真信号z(n);
S3.将预失真信号z(n)作为功放输入信号传输给功放,由功放进行处理后得到输出信号y(n)。
2.根据权利要求1所述的一种基于广义多项式和神经网络的非线性预失真方法,其特征在于:所述步骤S1包括:
S101.构建预失真神经网络的输入层;
S102.构建预失真神经网络的隐藏层;
S103.构建预失真神经网络的输出层。
5.根据权利要求2所述的一种基于广义多项式和神经网络的非线性预失真方法,其特征在于:所述步骤S103包括:
由于非线性预失真的输出是复数,因此预失真神经网络输出节点也分为两个部分,分别表示非线性预失真的I路和Q路,输出理想值:
其中z(n)通过迭代学习控制法得到,其步骤为:
A1:设定zk(n)为第k次迭代的输出,设定迭代次数为K;
A2:初始化z1(n)=x(n);
A3:从k=1到K,进行如下操作:
A31:将zk(n)输入一个真实功放器;
A32:得到真实功放对应的输出yk(n);
A4:循环结束,输出z(n)=zK(n);
其中,G为功放增益;
而网络输出的真实值为:
设定wk和bk为第k次迭代的输出值;
A1:随机产生初始权重向量w1和偏置向量b1;
A2:如果||wk-wk-1||+||bk-bk-1||≤ε,则进入A2,否则进入A3;
A22:更新权重向量和偏置向量wk+1=wk+Δwk和bk+1=bk+Δbk,回到A2;
A3:停止更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110784659.0A CN113411056B (zh) | 2021-07-12 | 2021-07-12 | 一种基于广义多项式和神经网络的非线性预失真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110784659.0A CN113411056B (zh) | 2021-07-12 | 2021-07-12 | 一种基于广义多项式和神经网络的非线性预失真方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113411056A true CN113411056A (zh) | 2021-09-17 |
CN113411056B CN113411056B (zh) | 2022-11-29 |
Family
ID=77685890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110784659.0A Active CN113411056B (zh) | 2021-07-12 | 2021-07-12 | 一种基于广义多项式和神经网络的非线性预失真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113411056B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023125251A1 (zh) * | 2021-12-28 | 2023-07-06 | 中兴通讯股份有限公司 | 非线性系统失真校正方法、装置、电子设备和存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070075770A1 (en) * | 2002-04-23 | 2007-04-05 | Maolin Long | Base-band digital pre-distortion-based method for improving efficiency of rf power amplifier |
CN102611661A (zh) * | 2012-03-27 | 2012-07-25 | 电子科技大学 | 基于精确反解记忆多项式模型方程的预失真装置及方法 |
EP2858321A2 (en) * | 2012-05-24 | 2015-04-08 | Huawei Technologies Co., Ltd. | Pre-distortion correction method, pre-distortion correction device, transmitter and base station |
CN105471784A (zh) * | 2016-01-13 | 2016-04-06 | 中国人民解放军国防科学技术大学 | 一种联合补偿iq不平衡和pa非线性的数字预失真方法 |
US20160126903A1 (en) * | 2014-11-05 | 2016-05-05 | King Fahd University Of Petroleum And Minerals | Weighted memory polynomial method and system for power amplifiers predistortion |
CN106453172A (zh) * | 2016-07-19 | 2017-02-22 | 天津大学 | 基于分段线性函数的记忆多项式数字预失真方法 |
CN106506417A (zh) * | 2017-01-03 | 2017-03-15 | 电子科技大学 | 一种窄带反馈的数字预失真系统与方法 |
CN107276546A (zh) * | 2016-04-08 | 2017-10-20 | 大唐移动通信设备有限公司 | 一种数字预失真处理方法及装置 |
CN109858616A (zh) * | 2019-02-15 | 2019-06-07 | 东南大学 | 基于神经网络的功率放大器行为级建模系统及方法 |
CN111490737A (zh) * | 2019-01-28 | 2020-08-04 | 中国移动通信有限公司研究院 | 一种用于功率放大器的非线性补偿方法和设备 |
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 |
CN111900937A (zh) * | 2020-06-02 | 2020-11-06 | 中兴通讯股份有限公司 | 一种预失真方法、系统、设备及存储介质 |
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 |
-
2021
- 2021-07-12 CN CN202110784659.0A patent/CN113411056B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070075770A1 (en) * | 2002-04-23 | 2007-04-05 | Maolin Long | Base-band digital pre-distortion-based method for improving efficiency of rf power amplifier |
CN102611661A (zh) * | 2012-03-27 | 2012-07-25 | 电子科技大学 | 基于精确反解记忆多项式模型方程的预失真装置及方法 |
EP2858321A2 (en) * | 2012-05-24 | 2015-04-08 | Huawei Technologies Co., Ltd. | Pre-distortion correction method, pre-distortion correction device, transmitter and base station |
US20160126903A1 (en) * | 2014-11-05 | 2016-05-05 | King Fahd University Of Petroleum And Minerals | Weighted memory polynomial method and system for power amplifiers predistortion |
CN105471784A (zh) * | 2016-01-13 | 2016-04-06 | 中国人民解放军国防科学技术大学 | 一种联合补偿iq不平衡和pa非线性的数字预失真方法 |
CN107276546A (zh) * | 2016-04-08 | 2017-10-20 | 大唐移动通信设备有限公司 | 一种数字预失真处理方法及装置 |
CN106453172A (zh) * | 2016-07-19 | 2017-02-22 | 天津大学 | 基于分段线性函数的记忆多项式数字预失真方法 |
CN106506417A (zh) * | 2017-01-03 | 2017-03-15 | 电子科技大学 | 一种窄带反馈的数字预失真系统与方法 |
CN111490737A (zh) * | 2019-01-28 | 2020-08-04 | 中国移动通信有限公司研究院 | 一种用于功率放大器的非线性补偿方法和设备 |
CN109858616A (zh) * | 2019-02-15 | 2019-06-07 | 东南大学 | 基于神经网络的功率放大器行为级建模系统及方法 |
CN111900937A (zh) * | 2020-06-02 | 2020-11-06 | 中兴通讯股份有限公司 | 一种预失真方法、系统、设备及存储介质 |
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 |
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 |
Non-Patent Citations (3)
Title |
---|
刘颖: "宽带无线通信数字预失真关键技术", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
张烈: "宽带射频功率放大器的数字预失真方法研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
李刚: "数字预失真的I/Q非平衡补偿和新型门控神经网络建模", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023125251A1 (zh) * | 2021-12-28 | 2023-07-06 | 中兴通讯股份有限公司 | 非线性系统失真校正方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113411056B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Intelligent tracking control for a class of uncertain high-order nonlinear systems | |
Shen et al. | Uniformly observable and globally Lipschitzian nonlinear systems admit global finite-time observers | |
Zou et al. | Fixed‐time output‐feedback consensus tracking control for second‐order multiagent systems | |
CN100544203C (zh) | 非线性滤波器 | |
Chen et al. | Finite‐time cooperative‐tracking control for networked Euler–Lagrange systems | |
Sun et al. | Adaptive control design for a class of uncertain high‐order nonlinear systems with time delay | |
Hu et al. | Velocity‐free fixed‐time attitude cooperative control for spacecraft formations under directed graphs | |
Wang et al. | Cooperative adaptive fuzzy output feedback control for synchronization of nonlinear multi‐agent systems in the presence of input saturation | |
CN113411056B (zh) | 一种基于广义多项式和神经网络的非线性预失真方法 | |
Cui et al. | Distributed containment control for nonlinear multiagent systems in pure‐feedback form | |
CN111859795A (zh) | 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 | |
Duan et al. | Resilient state estimation for complex dynamic networks with system model perturbation | |
Xie et al. | Finite‐time output‐feedback stabilization of high‐order nonholonomic systems | |
Mao et al. | Adaptive filtering‐based multi‐innovation gradient algorithm for input nonlinear systems with autoregressive noise | |
Li et al. | Distributed composite output consensus protocols of higher‐order multi‐agent systems subject to mismatched disturbances | |
Ding et al. | Global uniform asymptotical stability of a class of nonlinear cascaded systems with application to a nonholonomic wheeled mobile robot | |
Ma et al. | Adaptive finite-time dynamic output-feedback FTC design for MIMO nonlinear systems with actuator and sensor faults | |
De La Torre et al. | A new model reference control architecture: Stability, performance, and robustness | |
Xiao et al. | A dynamic parameter noise-tolerant zeroing neural network for time-varying quaternion matrix equation with applications | |
Cao et al. | Boundary control for PDE flexible manipulators: Accommodation to both actuator faults and sensor faults | |
Zhou et al. | Robust hybrid affine projection filtering algorithm under α-stable environment | |
Vázquez et al. | A comparative survey of convex combination of adaptive filters | |
Duan et al. | Semi‐global bipartite output consensus of heterogeneous multi‐agent systems subject to input saturation by finite‐time observer | |
Lin et al. | Robust distributed adaptive consensus for discrete-time multiagent systems with uncertain topologies | |
Wang et al. | A continuous distributed control algorithm for time‐varying networks of nonlinear agents with input saturation |
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 |