CN113468814B - 一种基于神经网络的数字预失真训练数据筛选方法及装置 - Google Patents

一种基于神经网络的数字预失真训练数据筛选方法及装置 Download PDF

Info

Publication number
CN113468814B
CN113468814B CN202110779569.2A CN202110779569A CN113468814B CN 113468814 B CN113468814 B CN 113468814B CN 202110779569 A CN202110779569 A CN 202110779569A CN 113468814 B CN113468814 B CN 113468814B
Authority
CN
China
Prior art keywords
signal data
data
amplitude
discrete
neural network
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.)
Active
Application number
CN202110779569.2A
Other languages
English (en)
Other versions
CN113468814A (zh
Inventor
李俊
邹志辉
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.)
Chengdu Dexin Digital Technology Co ltd
Original Assignee
Chengdu Dexin Digital Technology Co ltd
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 Chengdu Dexin Digital Technology Co ltd filed Critical Chengdu Dexin Digital Technology Co ltd
Priority to CN202110779569.2A priority Critical patent/CN113468814B/zh
Publication of CN113468814A publication Critical patent/CN113468814A/zh
Application granted granted Critical
Publication of CN113468814B publication Critical patent/CN113468814B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/30Circuit design
    • G06F30/36Circuit design at the analogue level
    • G06F30/367Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Amplifiers (AREA)

Abstract

本申请公开了一种基于神经网络的数字预失真训练数据筛选方法,通过在对初始信号数据进行放大处理,得到处理后的信号数据后,在处理后的信号数据中采样得到离散信号数据,保证其中至少包括第一预设数目幅度超出预设的第一阈值的高幅度离散数据,以这样采样得到的离散信号数据和离散信号数据经过目标功率放大器的反馈信号数据为预失真训练数据,确保了对高幅度数据的覆盖率,有效提高了训练后得到的预失真训练器对失真最严重的高幅度部分的信号数据的学习效果,从而获得更好的预失真效果。本申请还公开了一种基于神经网络的数字预失真训练数据筛选装置、设备及计算机可读存储介质,具有上述有益效果。

Description

一种基于神经网络的数字预失真训练数据筛选方法及装置
技术领域
本申请涉及自适应数字预失真技术领域,特别是涉及一种基于神经网络的数字预失真训练数据筛选方法、装置、设备及计算机可读存储介质。
背景技术
随着现代无线通信技术的快速发展,频谱资源日趋紧张,各种高频谱利用率的调制技术和多载波数字传输技术等被广泛采用。然而高效数字调制方式产生的非恒定包络信号都具有较高的峰均比,经功放放大后易产生带内失真和带外频谱扩展,严重影响了通信系统性能。自适应数字预失真技术由此而生。在各种正交频分复用(Orthogonal FrequencyDivision Multiplexing,OFDM)通信系统中,功率放大器(power amplifier,PA,简称功放)具有非线性效应,建立非线性功放模型并应用于预失真技术来提高功放的线性度,对实际应用意义重大。图1为预失真器与功放的连接示意图;图2为预失真技术的基本原理图。如图1所示,预失真技术就是利用数字信号处理技术来补偿无线通信系统中由功放引起的信号失真,其基本原理是在信号经过功放之前,先用一个称之为预失真器的模块对其进行预处理,由于预失真器有着和功放相反的特性,信号经过预失真器后再通过功放,最后输出的信号是线性放大的。在各种预失真器模型中,神经网络模型以其自适应和逆控制等优势,近年来被应用于功放的预失真器设计。
基于神经网络的数字预失真训练中关键的一环是获取合适的样本数据。通常是自功放的实际应用环境中截取一段数据进行训练,具体来说是通过触发的方式截取一段包含高幅度数据的信号数据进行训练,以尽可能提取到失真较大的信号数据,对该段数据进行神经网络训练,可以对功放的非线性特性进行估计和拟合,得到与之匹配的补偿神经网络参数,也即预失真神经网络参数。
然而,目前的常规数据提取方法虽然提取到了高幅度的信号数据,但由于正交频分复用信号高峰均比的特性,提取出来的数据幅度分布有其固有分布特点,通常为中间幅度的信号数据所占比例较大,幅度较低部分的信号数据和高幅度部分的信号数据所占比例均很小。以这样分布的信号数据进行训练,会造成中间幅度部分信号数据的计算权重过大,匹配度较好,高幅度部分信号数据由于比例过小,在计算中所占的权重过低,因此最终此部分信号数据的匹配度并不好。但根据功放的非线性效应,往往高幅度部分的信号数据才是失真最严重的。这导致现有的基于神经网络的数字预失真训练得到的预失真器无法提供良好的预失真效果。
发明内容
本申请的目的是提供一种基于神经网络的数字预失真训练数据筛选方法、装置、设备及计算机可读存储介质,用于提高基于神经网络的数字预失真训练的训练效果,以使得到的预失真器具有更好的预失真效果。
为解决上述技术问题,本申请提供一种基于神经网络的数字预失真训练数据筛选方法,包括:
获取初始信号数据;
对所述初始信号数据进行信号放大处理,得到处理后的信号数据;
在所述处理后的信号数据中采样得到离散信号数据;
以所述离散信号数据和所述离散信号数据经过目标功率放大器的反馈信号数据为预失真训练数据;
其中,所述离散信号数据中至少包括第一预设数目幅度超出预设的第一阈值的高幅度离散数据。
可选的,对所述初始信号数据进行信号放大处理,得到处理后的信号数据,具体为:
在所述初始信号数据中,对幅度超出预设的第二阈值的信号数据进行触发放大处理,得到所述处理后的信号数据。
可选的,在所述处理后的信号数据中采样得到离散信号数据,具体为:
在所述处理后的信号数据中幅度超出预设的第三阈值的信号数据中采样得到所述离散信号数据。
可选的,在所述处理后的信号数据中采样得到离散信号数据,具体包括:
在所述处理后的信号数据中按幅度均匀划分为多个幅度区间;
在各所述幅度区间均匀采样第二预设数目所述离散信号数据;
其中,所述幅度区间包括幅度超出所述第一阈值的幅度区间,所述第二预设数目大于等于所述第一预设数目。
可选的,在所述处理后的信号数据中采样得到离散信号数据,具体包括:
采集至少所述第一预设数目所述高幅度离散数据;
在所述处理后的信号数据中幅度小于等于所述第一阈值的信号数据中,按数据分布规则进行采样得到对应的所述离散信号数据。
可选的,所述初始信号数据具体为在所述目标功率放大器对应的应用场景中获取的信号数据。
可选的,以所述离散信号数据和所述离散信号数据经过目标功率放大器的反馈信号数据为预失真训练数据,具体为:
以所述反馈信号数据除以所述目标功率放大器的期望放大倍数后的信号数据作为所述预失真训练器的输入数据,以所述预失真训练器的输出数据和所述离散信号数据之间的差作为调整所述预失真训练器的参数的误差数据。
为解决上述技术问题,本申请还提供一种基于神经网络的数字预失真训练数据筛选装置,包括:
获取单元,用于获取初始信号数据;
预处理单元,用于对所述初始信号数据进行信号放大处理,得到处理后的信号数据;
采样单元,用于在所述处理后的信号数据中采样得到离散信号数据;
输出单元,用于以所述离散信号数据和所述离散信号数据经过目标功率放大器的反馈信号数据为预失真训练数据;
其中,所述离散信号数据中至少包括第一预设数目幅度超出预设的第一阈值的高幅度离散数据。
为解决上述技术问题,本申请还提供一种基于神经网络的数字预失真训练数据筛选设备,包括:
存储器,用于存储指令,所述指令包括上述任意一项所述基于神经网络的数字预失真训练数据筛选方法的步骤;
处理器,用于执行所述指令。
为解决上述技术问题,本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任意一项所述基于神经网络的数字预失真训练数据筛选方法的步骤。
本申请所提供的基于神经网络的数字预失真训练数据筛选方法,通过在对初始信号数据进行放大处理,得到处理后的信号数据后,在处理后的信号数据中采样得到离散信号数据,保证其中至少包括第一预设数目幅度超出预设的第一阈值的高幅度离散数据,以这样采样得到的离散信号数据和离散信号数据经过目标功率放大器的反馈信号数据为预失真训练数据,确保了对高幅度数据的覆盖率,有效提高了训练后得到的预失真训练器对失真最严重的高幅度部分的信号数据的学习效果,从而获得更好的预失真效果。
本申请还提供一种基于神经网络的数字预失真训练数据筛选装置、设备及计算机可读存储介质,具有上述有益效果,在此不再赘述。
附图说明
为了更清楚的说明本申请实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为预失真器与功放的连接示意图;
图2为预失真技术的基本原理图;
图3为一种基于神经网络的数字预失真训练直接学习法的方框图;
图4为一种基于神经网络的数字预失真训练间接学习法的方框图;
图5为本申请实施例提供的一种基于神经网络的数字预失真训练数据筛选方法的流程图;
图6为本申请实施例提供的一种处理后的信号数据的分布直方图;
图7为本申请实施例提供的一种基于神经网络的数字预失真训练数据筛选装置的结构示意图;
图8为本申请实施例提供的一种基于神经网络的数字预失真训练数据筛选设备的结构示意图。
具体实施方式
本申请的核心是提供一种基于神经网络的数字预失真训练数据筛选方法、装置、设备及计算机可读存储介质,用于提高基于神经网络的数字预失真训练的训练效果,以使得到的预失真器具有更好的预失真效果。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
图3为一种基于神经网络的数字预失真训练直接学习法的方框图;图4为一种基于神经网络的数字预失真训练间接学习法的方框图。
基于神经网络的数字预失真训练通常有两种训练方法:直接学习法和间接学习法。
如图3所示,直接学习法是将预失真器和功放级联起来,将功放的输出y(n)和期望d(n)的差作为误差信号e(n),根据误差信号e(n)优化算法来得到预失真器的参数。
如图4所示,间接学习法也是将预失真器和功放级联起来,不同的是,间接学习法是将功放的输出y(n)除以期望放大倍数k作为预失真训练器的输入数据,根据预失真训练器的输出数据和功放的输入数据p(n)的误差e(n)来调整预失真训练器的参数,以训练好的预失真训练器为预失真器。
其中,直接学习法较为简单,但不能直接使用经典的自适应算法。间接学习法避免了先生成器件模型再求逆的问题,不会有稳定性的问题产生,是比较理想的学习结构。
在上述两种基于神经网络的数字预失真训练方法的基础上,下面对本申请提供的基于神经网络的数字预失真训练数据筛选方法进行说明。
图5为本申请实施例提供的一种基于神经网络的数字预失真训练数据筛选方法的流程图。
如图5所示,本申请实施例提供的基于神经网络的数字预失真训练数据筛选方法包括:
S501:获取初始信号数据。
S502:对初始信号数据进行信号放大处理,得到处理后的信号数据。
S503:在处理后的信号数据中采样得到离散信号数据。
S504:以离散信号数据和离散信号数据经过目标功率放大器的反馈信号数据为预失真训练数据。
其中,离散信号数据中至少包括第一预设数目幅度超出预设的第一阈值的高幅度离散数据。
在具体实施中,步骤S501中获取的初始信号数据,可以为从现实场景中截取到的一段信号数据,为保证具有代表性,应选择较长的一段信号数据,以保证其中包含幅度较大的信号数据,这部分信号数据经过目标功率放大器后更有可能发生失真。可选的,可以在目标功率放大器对应的应用场景中获取初始信号数据。通过实际数据进行训练,更有利于训练的准确性。
需要说明的是,从实际场景中截取到的初始信号数据,往往不能满足预失真训练要求。参考图2可以看到,经过功放的信号数据在失真后会小于期望放大结果,仅利用实际场景中截取到的初始信号数据,无法对幅度较高的信号数据进行预失真学习。故在步骤S502中对初始信号数据进行信号放大处理,得到处理后的信号数据。处理后的信号数据中,应当尽量保证覆盖目标功率放大器的允许输出范围除以期望放大倍数后的信号数据。
但如果将全部的初始信号数据进行放大,很有可能无法覆盖中低幅度的信号数据,以及容易对目标功率放大器造成损坏,故步骤S502优选地在初始信号数据中,对幅度超出预设的第二阈值的信号数据进行触发放大处理,得到处理后的信号数据。即仅对部分幅度较高的信号数据进行触发放大处理,以这部分信号数据作为预失真训练数据,既能保证对高幅度的信号数据的学习,又能避免放大数据过多不利于训练以及损坏目标功率放大器。
对于步骤S503来说,在处理后的信号数据中采样得到离散信号数据,需确保离散信号数据中至少包括第一预设数目幅度超出预设的第一阈值的高幅度离散数据。第一预设数目和第一阈值均为预先设定的数值。其中,第一阈值参考目标功率放大器失真较严重的幅度区间除以期望方大倍数后制定,第一阈值应当为目标功率放大器的最大输出值除以期望放大倍数后得到的值再减去一定的数值得到的值。第一预设数目可以参考现有的基于神经网络的数字预失真训练中对于中低幅度的信号数据中采样得到的数据量,以确保高幅度信号数据的样本充足。
而从图2中可以看到,幅度较低的信号数据经过目标功率放大器后失真不明显,为了简化计算,加快预失真器的训练速度,步骤S503具体可以为:在处理后的信号数据中幅度超出预设的第三阈值的信号数据中采样得到离散信号数据。其中,第三阈值根据目标运算放大器的非线性程度制定。
对于步骤S504来说,以离散信号数据和离散信号数据经过目标功率放大器的反馈信号数据为预失真训练数据,具体根据所采用的学习方法划分。如采用直接学习法,则如图3所示,以反馈信号数据为y(n),以离散信号数据乘期望放大倍数后的期望值为d(n),代入图3的模型中进行训练。如采用间接学习法,则如图4所示,以反馈信号数据y(n)除以目标功率放大器的期望放大倍数k后的信号数据作为预失真训练器的输入数据,以预失真训练器的输出数据和离散信号数据p(n)之间的差作为调整预失真训练器的参数的误差数据e(n),代入图4的模型中进行训练。
本申请实施例提供的基于神经网络的数字预失真训练数据筛选方法,通过在对初始信号数据进行放大处理,得到处理后的信号数据后,在处理后的信号数据中采样得到离散信号数据,保证其中至少包括第一预设数目幅度超出预设的第一阈值的高幅度离散数据,以这样采样得到的离散信号数据和离散信号数据经过目标功率放大器的反馈信号数据为预失真训练数据,确保了对高幅度数据的覆盖率,有效提高了训练后得到的预失真训练器对失真最严重的高幅度部分的信号数据的学习效果,从而获得更好的预失真效果。
图6为本申请实施例提供的一种处理后的信号数据的分布直方图。
在上述实施例的基础上,在本申请实施例提供的基于神经网络的数字预失真训练数据筛选方法中,步骤S503:在处理后的信号数据中采样得到离散信号数据,具体可以包括:
在处理后的信号数据中按幅度均匀划分为多个幅度区间;
在各幅度区间均匀采样第二预设数目离散信号数据;
其中,幅度区间包括幅度超出第一阈值的幅度区间,第二预设数目大于等于第一预设数目。
从图6中可以看到,中间幅度的信号数据所占比例较大,幅度较低部分的信号数据和高幅度部分的信号数据所占比例均很小。则基于上述实施例,一种可选的采样方法为先将处理后的数据进行统计,得到最大幅度,以最大幅度为1,将处理后的信号数据中按幅度均匀划分为N个幅度区间,分别为[0~1/N)、[1/N~2/N)、[2N~3/N)、...、[(N-1)/N~1]。对处理后的信号数据进行统计和采集,每个幅度区间采集M个数据,则总采集的数据个数为N*M个,作为预失真训练数据。每个幅度区间采样得到的信号数据所占比例相等。
其中,幅度区间包括幅度超出第一阈值的幅度区间,第二预设数目大于等于第一预设数目,并不限定于超出第一阈值的幅度区间即为[(N-1)/N~1]这个幅度区间这一种划分方式。
或者,在上述实施例的基础上,在本申请实施例提供的基于神经网络的数字预失真训练数据筛选方法中,步骤S503:在处理后的信号数据中采样得到离散信号数据,具体可以包括:
采集至少第一预设数目高幅度离散数据;
在处理后的信号数据中幅度小于等于第一阈值的信号数据中,按数据分布规则进行采样得到对应的离散信号数据。
一种较好的方式是,在保证高幅度的信号数据具有足够的样本量后,对处理后的信号数据中其余信号数据采用按照数据分布规则进行采样的方式,从而既能满足对失真几率最大部分的信号数据的学习,又能按照信号分布情况进行针对性的学习。
上文详述了基于神经网络的数字预失真训练数据筛选方法对应的各个实施例,在此基础上,本申请还公开了与上述方法对应的基于神经网络的数字预失真训练数据筛选装置、设备及计算机可读存储介质。
图7为本申请实施例提供的一种基于神经网络的数字预失真训练数据筛选装置的结构示意图。
如图7所示,本申请实施例提供的基于神经网络的数字预失真训练数据筛选装置包括:
获取单元701,用于获取初始信号数据;
预处理单元702,用于对初始信号数据进行信号放大处理,得到处理后的信号数据;
采样单元703,用于在处理后的信号数据中采样得到离散信号数据;
输出单元704,用于以离散信号数据和离散信号数据经过目标功率放大器的反馈信号数据为预失真训练数据;
其中,离散信号数据中至少包括第一预设数目幅度超出预设的第一阈值的高幅度离散数据。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
图8为本申请实施例提供的一种基于神经网络的数字预失真训练数据筛选设备的结构示意图。
如图8所示,本申请实施例提供的基于神经网络的数字预失真训练数据筛选设备包括:
存储器810,用于存储指令,所述指令包括上述任意一项实施例所述的基于神经网络的数字预失真训练数据筛选方法的步骤;
处理器820,用于执行所述指令。
其中,处理器820可以包括一个或多个处理核心,比如3核心处理器、8核心处理器等。处理器820可以采用数字信号处理DSP(Digital Signal Processing)、现场可编程门阵列FPGA(Field-Programmable Gate Array)、可编程逻辑阵列PLA(Programmable LogicArray)中的至少一种硬件形式来实现。处理器820也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称中央处理器CPU(CentralProcessing Unit);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器820可以集成有图像处理器GPU(Graphics Processing Unit),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器820还可以包括人工智能AI(Artificial Intelligence)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器810可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器810还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器810至少用于存储以下计算机程序811,其中,该计算机程序811被处理器820加载并执行之后,能够实现前述任一实施例公开的基于神经网络的数字预失真训练数据筛选方法中的相关步骤。另外,存储器810所存储的资源还可以包括操作系统812和数据813等,存储方式可以是短暂存储或者永久存储。其中,操作系统812可以为Windows。数据813可以包括但不限于上述方法所涉及到的数据。
在一些实施例中,基于神经网络的数字预失真训练数据筛选设备还可包括有显示屏830、电源840、通信接口850、输入输出接口860、传感器870以及通信总线880。
本领域技术人员可以理解,图8中示出的结构并不构成对基于神经网络的数字预失真训练数据筛选设备的限定,可以包括比图示更多或更少的组件。
本申请实施例提供的基于神经网络的数字预失真训练数据筛选设备,包括存储器和处理器,处理器在执行存储器存储的程序时,能够实现如上所述的基于神经网络的数字预失真训练数据筛选方法,效果同上。
需要说明的是,以上所描述的装置、设备实施例仅仅是示意性的,例如,模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本申请各个实施例所述方法的全部或部分步骤。
为此,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如基于神经网络的数字预失真训练数据筛选方法的步骤。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器ROM(Read-OnlyMemory)、随机存取存储器RAM(Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例中提供的计算机可读存储介质所包含的计算机程序能够在被处理器执行时实现如上所述的基于神经网络的数字预失真训练数据筛选方法的步骤,效果同上。
以上对本申请所提供的一种基于神经网络的数字预失真训练数据筛选方法、装置、设备及计算机可读存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备及计算机可读存储介质而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (9)

1.一种基于神经网络的数字预失真训练数据筛选方法,其特征在于,包括:
获取初始信号数据;
对所述初始信号数据进行信号放大处理,得到处理后的信号数据;
在所述处理后的信号数据中采样得到离散信号数据;
以所述离散信号数据和所述离散信号数据经过目标功率放大器的反馈信号数据为预失真训练数据;
其中,所述离散信号数据中至少包括第一预设数目幅度超出预设的第一阈值的高幅度离散数据;
在所述处理后的信号数据中采样得到离散信号数据,具体包括:
采集至少所述第一预设数目所述高幅度离散数据;在所述处理后的信号数据中幅度小于等于所述第一阈值的信号数据中,按数据分布规则进行采样得到对应的所述离散信号数据。
2.根据权利要求1所述的数字预失真训练数据筛选方法,其特征在于,对所述初始信号数据进行信号放大处理,得到处理后的信号数据,具体为:
在所述初始信号数据中,对幅度超出预设的第二阈值的信号数据进行触发放大处理,得到所述处理后的信号数据。
3.根据权利要求1所述的数字预失真训练数据筛选方法,其特征在于,在所述处理后的信号数据中采样得到离散信号数据,具体为:
在所述处理后的信号数据中幅度超出预设的第三阈值的信号数据中采样得到所述离散信号数据。
4.根据权利要求1所述的数字预失真训练数据筛选方法,其特征在于,在所述处理后的信号数据中采样得到离散信号数据,具体包括:
在所述处理后的信号数据中按幅度均匀划分为多个幅度区间;
在各所述幅度区间均匀采样第二预设数目所述离散信号数据;
其中,所述幅度区间包括幅度超出所述第一阈值的幅度区间,所述第二预设数目大于等于所述第一预设数目。
5.根据权利要求1所述的数字预失真训练数据筛选方法,其特征在于,所述初始信号数据具体为在所述目标功率放大器对应的应用场景中获取的信号数据。
6.根据权利要求1所述的数字预失真训练数据筛选方法,其特征在于,以所述离散信号数据和所述离散信号数据经过目标功率放大器的反馈信号数据为预失真训练数据,具体为:
以所述反馈信号数据除以所述目标功率放大器的期望放大倍数后的信号数据作为预失真训练器的输入数据,以所述预失真训练器的输出数据和所述离散信号数据之间的差作为调整所述预失真训练器的参数的误差数据。
7.一种基于神经网络的数字预失真训练数据筛选装置,其特征在于,包括:
获取单元,用于获取初始信号数据;
预处理单元,用于对所述初始信号数据进行信号放大处理,得到处理后的信号数据;
采样单元,用于在所述处理后的信号数据中采样得到离散信号数据;
输出单元,用于以所述离散信号数据和所述离散信号数据经过目标功率放大器的反馈信号数据为预失真训练数据;
其中,所述离散信号数据中至少包括第一预设数目幅度超出预设的第一阈值的高幅度离散数据;
所述采样单元,具体用于采集至少所述第一预设数目所述高幅度离散数据;在所述处理后的信号数据中幅度小于等于所述第一阈值的信号数据中,按数据分布规则进行采样得到对应的所述离散信号数据。
8.一种基于神经网络的数字预失真训练数据筛选设备,其特征在于,包括:
存储器,用于存储指令,所述指令包括权利要求1至6任意一项所述基于神经网络的数字预失真训练数据筛选方法的步骤;
处理器,用于执行所述指令。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任意一项所述基于神经网络的数字预失真训练数据筛选方法的步骤。
CN202110779569.2A 2021-07-09 2021-07-09 一种基于神经网络的数字预失真训练数据筛选方法及装置 Active CN113468814B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110779569.2A CN113468814B (zh) 2021-07-09 2021-07-09 一种基于神经网络的数字预失真训练数据筛选方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110779569.2A CN113468814B (zh) 2021-07-09 2021-07-09 一种基于神经网络的数字预失真训练数据筛选方法及装置

Publications (2)

Publication Number Publication Date
CN113468814A CN113468814A (zh) 2021-10-01
CN113468814B true CN113468814B (zh) 2024-02-27

Family

ID=77879548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110779569.2A Active CN113468814B (zh) 2021-07-09 2021-07-09 一种基于神经网络的数字预失真训练数据筛选方法及装置

Country Status (1)

Country Link
CN (1) CN113468814B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116366408B (zh) * 2022-12-30 2024-01-05 珠海笛思科技有限公司 信号处理方法及装置、电子设备和可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102487367A (zh) * 2010-12-02 2012-06-06 中国科学院微电子研究所 一种自适应的功放数字基带预失真方法
CN103051574A (zh) * 2013-01-16 2013-04-17 大唐移动通信设备有限公司 数字预失真处理方法及系统
GB201411871D0 (en) * 2014-07-03 2014-08-20 Aceaxis Ltd Improvements to digital pre-distortion processing
CN104580042A (zh) * 2014-12-08 2015-04-29 大唐移动通信设备有限公司 一种数字预失真的方法和装置
CN110581817A (zh) * 2018-06-11 2019-12-17 大唐移动通信设备有限公司 一种业务数据的处理方法和装置
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102487367A (zh) * 2010-12-02 2012-06-06 中国科学院微电子研究所 一种自适应的功放数字基带预失真方法
CN103051574A (zh) * 2013-01-16 2013-04-17 大唐移动通信设备有限公司 数字预失真处理方法及系统
GB201411871D0 (en) * 2014-07-03 2014-08-20 Aceaxis Ltd Improvements to digital pre-distortion processing
CN104580042A (zh) * 2014-12-08 2015-04-29 大唐移动通信设备有限公司 一种数字预失真的方法和装置
CN110581817A (zh) * 2018-06-11 2019-12-17 大唐移动通信设备有限公司 一种业务数据的处理方法和装置
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于压缩量化的非正弦时域正交调制信号预失真方法;钟佩琳;王红星;孙小东;潘耀宗;;电子与信息学报(第03期);154-160 *
幅度和相位预失真参数并行估计的间接学习结构预失真方法;刘高辉;杨韶;杨媛;杨海燕;;信号处理(第04期);114-120 *

Also Published As

Publication number Publication date
CN113468814A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN104796091B (zh) 基于分段记忆多项式的功率放大器建模及数字预失真方法
US20160191110A1 (en) Peak to average power ratio reduction of ofdm signals
WO2020041135A1 (en) Variational design of companders for papr reduction in ofdm systems
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
CN113468814B (zh) 一种基于神经网络的数字预失真训练数据筛选方法及装置
CN101320960A (zh) 基于模糊神经网络的哈默斯坦模型的功放预失真方法
Abdelhafiz et al. A PSO based memory polynomial predistorter with embedded dimension estimation
CN107834983B (zh) 一种基于云平台的数字预失真线性化参数提取方法
CN108257617B (zh) 一种噪声场景识别系统及方法
CN112019221B (zh) 一种信号处理方法、装置和存储介质
CN102611661B (zh) 基于精确反解记忆多项式模型方程的预失真装置及方法
CN115913140B (zh) 运算精度控制的分段多项式数字预失真装置和方法
CN103701738B (zh) 一种预失真参数确定方法、设备及数字预失真处理系统
Mondal et al. Genetic algorithm optimized memory polynomial digital pre-distorter for RF power amplifiers
Yu et al. An improved artificial bee colony-partial transmit sequence algorithm for PAPR reduction in OFDM systems
US20190097589A1 (en) Circuit and method for predistortion
CN107994923A (zh) 超宽带数字预失真方法、装置和系统
CN113852586B (zh) 基于5g通信的信号处理方法及装置
CN113114138B (zh) 一种应用于5g的dpd参数提取方法、装置、电子设备及介质
CN104009717B (zh) 一种自适应预失真处理方法及装置
CN111131104B (zh) 一种预失真处理方法、装置、存储介质和设备
You et al. Asynchronous H∞ filtering for networked switched systems under effective DoS attacks
CN116644265B (zh) 一种非线性信号的补偿方法、补偿装置及终端设备
CN114338323B (zh) 一种适用于ofdm信号的低复杂度gamp迭代恢复方法
Zeng et al. A crest factor reduction method in digital predistortion for improvement of power efficiency

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