CN113676426B - 面向动态传输的智能数字预失真系统及方法 - Google Patents
面向动态传输的智能数字预失真系统及方法 Download PDFInfo
- Publication number
- CN113676426B CN113676426B CN202110972256.9A CN202110972256A CN113676426B CN 113676426 B CN113676426 B CN 113676426B CN 202110972256 A CN202110972256 A CN 202110972256A CN 113676426 B CN113676426 B CN 113676426B
- Authority
- CN
- China
- Prior art keywords
- signal
- module
- output
- layer
- input
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/38—Synchronous or start-stop systems, e.g. for Baudot code
- H04L25/40—Transmitting circuits; Receiving circuits
- H04L25/49—Transmitting circuits; Receiving circuits using code conversion at the transmitter; using predistortion; using insertion of idle bits for obtaining a desired frequency spectrum; using three or more amplitude levels ; Baseband coding techniques specific to data transmission systems
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/048—Activation functions
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)
- Spectroscopy & Molecular Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Amplifiers (AREA)
Abstract
本发明公开了一种面向动态传输的智能数字预失真系统及方法,包括:多项式辅助模块、信号特征估计模块、神经网络模块;多项式辅助模块利用功率放大器的先验信息消除功率放大器在动态传输场景下的静态非线性;信号特征估计模块估计动态传输信号的信号特征,并将估计出的信号特征与输入信号一同输入神经网络模块中;神经网络模块根据获取的信号特征与输入信号,补偿功率放大器随输入信号的变化而导致的动态非线性。本发明通过对输入信号进行特征估计并输入到模型中,满足了动态传输场景下的功率放大器的智能数字预失真需求,并且利用了功率放大器的先验信息,嵌入到传统的多项式行为模型中,大大降低了系统的复杂度。
Description
技术领域
本发明涉及数字预失真技术领域,特别是涉及一种面向动态传输的智能数字预失真系统及方法。
背景技术
在第五代移动通信系统(5G)中,为了充分利用通信资源,发射机的输入信号将会根据信道环境的变化而动态改变。例如,在信道环境较差时,使用低阶调制方式保证接受信号能够正确解调;在频谱资源没有充分利用时,增加信号带宽,以传输更多信息等等。通过这种方式,5G可以大大提升通信灵活性。然而,与传统的移动通信系统相同,为了保证整个系统的效率,功率放大器需要工作在具有强非线性特性的高效率模式下,导致信号传输失真,影响正常通信。
为了兼顾功率放大器的效率和线性度,一般利用数字预失真技术对非线性进行补偿,数字预失真技术通过建立功率放大器的逆特性来预失真原输入信号。功率放大器的非线性特性将会随着输入信号的改变而改变,传统的数字预失真方法需要为每一个输入信号存储一组数字预失真系数,这是十分低效的。
因此,需要开发一种可以同时在不同输入信号下自适应工作的低复杂度数字预失真系统。
发明内容
有鉴于此,本发明的目的在于提供一种面向动态传输的智能数字预失真系统及方法,用于解决背景技术中提及的技术问题。
为了实现上述目的,本发明采用如下技术方案:
面向动态传输的智能数字预失真系统,包括:多项式辅助模块、信号特征估计模块、神经网络模块;其中,
所述多项式辅助模块利用功率放大器的先验信息消除功率放大器在动态传输场景下的静态非线性;
所述信号特征估计模块估计动态传输信号的信号特征,并将估计出的信号特征与输入信号一同输入所述神经网络模块中;
所述神经网络模块根据获取的信号特征与输入信号,补偿功率放大器随输入信号的变化而导致的动态非线性。
进一步的,所述信号特征估计模块通过采用有限脉冲响应窗口来提取一段最近的输入信号,再根据提取到的输入信号计算信号特征,所述信号特征包括信号功率和信号峰均比,其中,
所述信号功率的表达式为:
所述信号峰均比的表达式为:
公式中,p(n)为信号在n时刻计算得到的功率值,r(n)为信号在n时刻计算得到的峰均比值,x(i)为信号在i时刻的输入信号值,N为有限脉冲响应窗口的窗口大小。
进一步的,所述多项式辅助模块和所述神经网络模块集成于同一个神经网络中,采用神经网络的权值更新算法同时更新所述多项式辅助模块和所述神经网络模块的系数。
进一步的,所述多项式辅助模块依次包括输入层、非线性变换模块和输出层,所述输入层接收输入的复数信号;所述非线性变换模块将该复数信号通过非线性变换转化为包含功率放大器非线性信息的实数信号;所述输出层对接收的实数信号进行线性加权组合运算,最后得到所述多项式辅助模块的输出信号;其中,
所述非线性变换模块采用了多项式行为模型,其表达式为:
公式中,y(n)为时刻n的输出信号,x(n),…,x(n-M)为非线性变换模块的输入信号,M 为功率放大器的记忆深度,Fg[·]为第g个核函数,G为核函数的个数,cg为第g个复数系数,cg= cg,I+jcg,Q,cg,I和cg,Q分别为cg的同相和正交分量,j为虚数单位,Ag为第g个对输入信号的非线性操作,Ag=Ag,I+jAg,Q,Ag,I和Ag,Q分别为Ag的同相和正交分量,并且Ag,I和Ag,Q为非线性变换模块的输出信号,其中g取1到G。
进一步的,所述多项式辅助模块中输出层的线性加权组合运算的表达式为:
进一步的,所述智能数字预失真系统还包括特征变换模块且该特征变换模块集成于所述神经网络模块的内部,与所述神经网络模块同时更新系数;所述特征变换模块将从所述信号特征估计模块中获取到的信号特征进行线性加权操作,将所述信号特征映射为对功率放大器输出有直接影响的值;表达式为:
公式中,pm(n)为特征变换模块在时刻n的第m个输入,qk(n)为特征变换模块在时刻n的第k个输出,wmk,ak分别为特征变换模块的权值和偏置。
进一步的,所述神经网络模块采用矢量分解的结构,将复数信号分解为幅度和相位进行处理,以符合功率放大器的失真特性;所述神经网络模块依次包括输入层、隐藏层、组加权层、相位恢复层和输出层,其中,
所述输入层对输入信号的幅度进行延时,假设模型的记忆深度为M,则输入层有M个神经元,第m个神经元在时刻n的输入信号为xm(n)=|x(n-m)|,此外输入层还包括特征变换模块的输出,表示为xm+1(n),…xm+k(n),其中k为变换后的特征个数;
所述隐藏层为全连接层,激活函数为双曲正切,其运算表达式为:
公式中,yk(n)为第k个隐藏层神经元的输出信号,tanh[·]为双曲正切激活函数,wmk为第m个输入层神经元到第k个隐藏层神经元的权值,bk第k个神经元的偏置;
所述组加权层对所述隐藏层输出信号进行分组加权,所述隐藏层的神经元提取了功率放大器的幅度非线性特征,再对其进行相位恢复;所述组加权层将恢复相位相同的幅度非线性项进行合并,简化相位恢复工作;假设对于记忆深度为M的模型,一共有M个相位需要恢复,将隐藏层神经元分成M个组,对每一组内的神经元进行加权产生4个输出信号用于下一层的相位恢复;组加权层相当于是M个全连接层,每个全连接层均有4个输出神经元;
所述相位恢复层接收来自所述组加权层的信号,对合并的幅度非线性项进行相位恢复;每一组的前2个神经元gm,0和gm,1分别乘以cosθn-m和sinθn-m输出到Iout(n),每一组的后2 个神经元gm,2和gm,3分别乘以cosθn-m和sinθn-m输出到Qout(n);其中,Iout(n),Qout(n)分别表示最终输出信号的同相和正交分量,gm,0、gm,1、gm,2、gm,3分别表示组加权层中第m个组的第1、2、3、4个神经元的输出,θn-m表示输入信号延时m的相位。
进一步的,所述相位恢复层的输出信号与多项式辅助模块的输出信号在最后的输出层相加,得到所述智能数字预失真系统的最终输出信号,表达式为:
公式中,Iout(n),Qout(n)分别表示最终输出信号的同相和正交分量,gm,0、gm,1、gm,2、gm,3分别表示组加权层中第m个组的第1、2、3、4个神经元的输出,θn-m表示输入信号延时m的相位,M为神经元个数。
本发明还提供一种面向动态传输的智能数字预失真方法,能够以较低的复杂度对5G中的动态传输需求功率放大器进行数字预失真,包括如下步骤:
步骤S1、将动态传输所需的多组特性不同的输入信号输入功率放大器中,并且该输入信号定义为原始输入信号,然后从所述功率放大器的输出端获取多组第一输出信号,再提取所有所述的原始输入信号的特征,并以所述原始输入信号、所述第一输出信号以及所述特征构建数据集,再将该数据集以一定比例分成训练集和验证集;
步骤S2、选择信号特征提取模块中有限脉冲响应窗口的大小以及需要嵌入到多项式辅助模块中的传统模型,并且设置建模系统的超参数;
步骤S3、通过步骤S1中构建的训练集来提取所述智能数字预失真系统的系数,具体包括:首先将所述原始输入信号的特征以及所述第一输出信号作为所述智能数字预失真系统的输入,并且以所述原始输入信号为所述智能数字预失真系统的期望输出,然后使用优化器更新系数,直到迭代次数或模型误差达到要求;
步骤S4、将所述原始输入信号输入至所述智能数字预失真系统中,得到预失真信号,再将该预失真信号输入功率放大器中,得到新的功率放大器输出信号,该信号定义为第二输出信号,然后根据所述原始输入信号以及所述第二输出信号,获得线性度指标;
步骤S5、重新提取所述智能数字预失真系统的系数,具体包括:首先将所述原始输入信号的特征以及所述第二输出信号作为所述智能数字预失真系统的输入,所述预失真信号为所述智能数字预失真系统的期望输出,使用优化器更新系数,直到迭代次数或模型误差达到要求;
步骤S6、重复运行步骤S4至步骤S5,直到线性度指标不再改善;
步骤S7、保存模型系数,将所述验证集中的原始输入数据输入所述智能数字预失真系统与功率放大器构成的级联系统中,得到功率放大器的输出数据,在将该输出数据与所述验证集中的原始输入数据进行比较并计算线性度指标,如满足要求,则进入步骤S8,如不满足,则修改步骤S2中的超参数,重复步骤S3至步骤S6;
步骤S8、确定最终的智能数字预失真系统的系数。
进一步的,在所述步骤S2中,所述超参数包括:信号特征的个数,多项式辅助模块输入信号数量,神经网络模块神经元数量,优化器类型,学习率,迭代次数和目标建模误差。
本发明的有益效果是:
1、在本发明中,通过设置信号特征估计模块,智能数字预失真系统能够对不同特征的输入信号产生不同的预失真信号,因此满足了动态传输场景下的功率放大器的自适应数字预失真需求。
2、在发明中,多项式核函数的嵌入利用了功率放大器非线性的先验信息,拟合了动态场景下的静态非线性,从而降低了神经网络的拟合要求,大大减少了神经网络的系数个数。
3、本发明采用的多项式辅助模块固定了部分非线性操作,减少了整个模型的计算量,提高了稳定性和收敛速度。
4、本发明采用的神经网络模块具有很高的灵活性,该模型仍然具有神经网络模型的优点。神经网络模块可以生成丰富的非线性特性,提高了建模性能。
附图说明
图1是实施例1中提供的面向动态传输的智能数字预失真系统的系统结构框图;
图2是实施例1中使用同一组智能数字预失真系统系数对动态传输场景下10M信号的线性化后输出信号功率谱图;
图3是实施例1中使用同一组智能数字预失真系统系数对动态传输场景下20M信号的线性化后输出信号功率谱图;
图4是实施例1中使用同一组智能数字预失真系统系数对动态传输场景下30M信号的线性化后输出信号功率谱图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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他实施例,都属于本发明保护的范围。
实施例1
参见图1-图4,本实施例提供一种面向动态传输的智能数字预失真系统,包括:多项式辅助模块、信号特征估计模块、神经网络模块;其中,
多项式辅助模块利用功率放大器的先验信息消除功率放大器在动态传输场景下的静态非线性;
信号特征估计模块估计动态传输信号的信号特征,并将估计出的信号特征与输入信号一同输入神经网络模块中;
神经网络模块根据获取的信号特征与输入信号,补偿功率放大器随输入信号的变化而导致的动态非线性。
具体的说,在本实施例中,信号特征估计模块通过采用有限脉冲响应窗口来提取一段最近的输入信号,再根据提取到的输入信号计算信号特征,信号特征包括信号功率和信号峰均比,其中,
信号功率的表达式为:
信号峰均比的表达式为:
公式中,p(n)为信号在n时刻计算得到的功率值,r(n)为信号在n时刻计算得到的峰均比值,x(i)为信号在i时刻的输入信号值,N为有限脉冲响应窗口的窗口大小。
具体的说,在本实施例中,多项式辅助模块和神经网络模块集成于同一个神经网络中,采用神经网络的权值更新算法同时更新多项式辅助模块和神经网络模块的系数。
更具体的说,在本实施例中,多项式辅助模块依次包括输入层、非线性变换模块和输出层,输入层接收输入的复数信号;非线性变换模块将该复数信号通过非线性变换转化为包含功率放大器非线性信息的实数信号;输出层对接收的实数信号进行线性加权组合运算,最后得到多项式辅助模块的输出信号;其中,
非线性变换模块采用了多项式行为模型,其表达式为:
公式中,y(n)为时刻n的输出信号,x(n),…,x(n-M)为非线性变换模块的输入信号,M 为功率放大器的记忆深度,Fg[·]为第g个核函数,G为核函数的个数,cg为第g个复数系数,cg= cg,I+jcg,Q,cg,I和cg,Q分别为cg的同相和正交分量,j为虚数单位,Ag为第g个对输入信号的非线性操作,Ag=Ag,I+jAg,Q,Ag,I和Ag,Q分别为Ag的同相和正交分量,并且Ag,I和Ag,Q为非线性变换模块的输出信号,其中g取1到G。
多项式辅助模块中输出层的线性加权组合运算的表达式为:
具体的说,在本实施例中,智能数字预失真系统还包括特征变换模块且该特征变换模块集成于神经网络模块的内部,与神经网络模块同时更新系数;特征变换模块将从信号特征估计模块中获取到的信号特征进行线性加权操作,将信号特征映射为对功率放大器输出有直接影响的值;表达式为:
公式中,pm(n)为特征变换模块在时刻n的第m个输入,qk(n)为特征变换模块在时刻n的第k个输出,wmk,ak分别为特征变换模块的权值和偏置。
更具体的说,在本实施例中,神经网络模块采用矢量分解的结构,将复数信号分解为幅度和相位进行处理,以符合功率放大器的失真特性;神经网络模块依次包括输入层、隐藏层、组加权层、相位恢复层和输出层,其中具体为:
输入层对输入信号的幅度进行延时,假设模型的记忆深度为M,则输入层有M个神经元,第m个神经元在时刻n的输入信号为xm(n)=|x(n-m)|,此外输入层还包括特征变换模块的输出,表示为xm+1(n),…xm+k(n),其中k为变换后的特征个数;
隐藏层为全连接层,激活函数为双曲正切,其运算表达式为:
公式中,yk(n)为第k个隐藏层神经元的输出信号,tanh[·]为双曲正切激活函数,wmk为第m个输入层神经元到第k个隐藏层神经元的权值,bk第k个神经元的偏置;
组加权层对隐藏层输出信号进行分组加权,隐藏层的神经元提取了功率放大器的幅度非线性特征,再对其进行相位恢复;组加权层将恢复相位相同的幅度非线性项进行合并,简化相位恢复工作;假设对于记忆深度为M的模型,一共有M个相位需要恢复,将隐藏层神经元分成M个组,对每一组内的神经元进行加权产生4个输出信号用于下一层的相位恢复;组加权层相当于是M个全连接层,每个全连接层均有4个输出神经元;
相位恢复层接收来自组加权层的信号,对合并的幅度非线性项进行相位恢复;每一组的前2个神经元gm,0和gm,1分别乘以cosθn-m和sinθn-m输出到Iout(n),每一组的后2个神经元gm,2和gm,3分别乘以cosθn-m和sinθn-m输出到Qout(n);其中,Iout(n),Qout(n)分别表示最终输出信号的同相和正交分量,gm,0、gm,1、gm,2、gm,3分别表示组加权层中第m个组的第1、2、 3、4个神经元的输出,θn-m表示输入信号延时m的相位。
更具体的说,在本实施例中,相位恢复层的输出信号与多项式辅助模块的输出信号在最后的输出层相加,得到智能数字预失真系统的最终输出信号,表达式为:
公式中,Iout(n),Qout(n)分别表示最终输出信号的同相和正交分量,gm,0、gm,1、gm,2、gm,3分别表示组加权层中第m个组的第1、2、3、4个神经元的输出,θn-m表示输入信号延时m的相位,M为神经元个数。
具体如图2-图4所示,以动态带宽传输场景为例,存在3个不同的输入信号,带宽分别为 10MHz,20MHz,30MHz,此外,3个信号的峰均比也是不同的。采用本实施例提出的智能数字预失真系统线性化该动态传输功率放大器,3个不同的输入信号都可以得到较好的效果,邻道泄露比都小于-50dBc,3个不同输入信号通过预失真模块以及功率放大器后输出信号的功率谱密度图如图2-图4所示,由此满足了动态传输场景下的数字预失真需求,此外,智能预失真模块系数个数为 100个左右,比单独存储系数降低了一半左右的复杂度,由此降低了此场景下数字预失真技术的成本。
实施例2
本实施例在实施例1的基础之上提供面向动态传输的智能数字预失真方法,包括:
步骤S1、将动态传输所需的多组特性不同的输入信号输入功率放大器中,并且该输入信号定义为原始输入信号,然后从所述功率放大器的输出端获取多组第一输出信号,再提取所有所述的原始输入信号的特征,并以所述原始输入信号、所述第一输出信号以及所述特征构建数据集,再将该数据集以一定比例分成训练集和验证集;
步骤S2、选择信号特征提取模块中有限脉冲响应窗口的大小以及需要嵌入到多项式辅助模块中的传统模型,并且设置建模系统的超参数;
具体的说,在本实施例中,该超参数包括:信号特征的个数,多项式辅助模块输入信号数量,神经网络模块神经元数量,优化器类型,学习率,迭代次数和目标建模误差。
步骤S3、通过步骤S1中构建的训练集来提取所述智能数字预失真系统的系数,具体包括:首先将所述原始输入信号的特征以及所述第一输出信号作为所述智能数字预失真系统的输入,并且以所述原始输入信号为所述智能数字预失真系统的期望输出,然后使用优化器更新系数,直到迭代次数或模型误差达到要求;
步骤S4、将所述原始输入信号输入至所述智能数字预失真系统中,得到预失真信号,再将该预失真信号输入功率放大器中,得到新的功率放大器输出信号,该信号定义为第二输出信号,然后根据所述原始输入信号以及所述第二输出信号,获得线性度指标;
步骤S5、重新提取所述智能数字预失真系统的系数,具体包括:首先将所述原始输入信号的特征以及所述第二输出信号作为所述智能数字预失真系统的输入,所述预失真信号为所述智能数字预失真系统的期望输出,使用优化器更新系数,直到迭代次数或模型误差达到要求;
步骤S6、重复运行步骤S4至步骤S5,直到线性度指标不再改善;
步骤S7、保存模型系数,将所述验证集中的原始输入数据输入所述智能数字预失真系统与功率放大器构成的级联系统中,得到功率放大器的输出数据,在将该输出数据与所述验证集中的原始输入数据进行比较并计算线性度指标,如满足要求,则进入步骤S8,如不满足,则修改步骤S2中的超参数,重复步骤S3至步骤S6;
步骤S8、确定最终的智能数字预失真系统的系数。
综上所述,本发明通过对输入信号进行特征估计并输入到模型中,满足了动态传输场景下的功率放大器的智能数字预失真需求。此外,通过将动态场景下的静态非线性与动态非线性分离,利用了功率放大器的先验信息,嵌入到传统的多项式行为模型,在不损失建模精度的情况下,大大降低了系统的复杂度。
本发明未详述之处,均为本领域技术人员的公知技术。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (9)
1.面向动态传输的智能数字预失真系统,其特征在于,包括:多项式辅助模块、信号特征估计模块、神经网络模块;其中,
所述多项式辅助模块利用功率放大器的先验信息消除功率放大器在动态传输场景下的静态非线性;
所述信号特征估计模块估计动态传输信号的信号特征,并将估计出的信号特征与输入信号一同输入所述神经网络模块中;
所述神经网络模块根据获取的信号特征与输入信号,补偿功率放大器随输入信号的变化而导致的动态非线性;
所述信号特征估计模块通过采用有限脉冲响应窗口来提取一段最近的输入信号,再根据提取到的输入信号计算信号特征,所述信号特征包括信号功率和信号峰均比,其中,
所述信号功率的表达式为:
所述信号峰均比的表达式为:
公式中,p(n)为信号在n时刻计算得到的功率值,r(n)为信号在n时刻计算得到的峰均比值,x(i)为信号在i时刻的输入信号值,N为有限脉冲响应窗口的窗口大小。
2.根据权利要求1所述的面向动态传输的智能数字预失真系统,其特征在于,所述多项式辅助模块和所述神经网络模块集成于同一个神经网络中,采用神经网络的权值更新算法同时更新所述多项式辅助模块和所述神经网络模块的系数。
3.根据权利要求2所述的面向动态传输的智能数字预失真系统,其特征在于,所述多项式辅助模块依次包括输入层、非线性变换模块和输出层,所述输入层接收输入的复数信号;所述非线性变换模块将该复数信号通过非线性变换转化为包含功率放大器非线性信息的实数信号;所述输出层对接收的实数信号进行线性加权组合运算,最后得到所述多项式辅助模块的输出信号;其中,
所述非线性变换模块采用了多项式行为模型,其表达式为:
公式中,y(n)为时刻n的输出信号,x(n),…,x(n-M)为非线性变换模块的输入信号,M为功率放大器的记忆深度,Fg[·]为第g个核函数,G为核函数的个数,cg为第g个复数系数,cg=cg,I+jcg,Q,cg,I和cg,Q分别为cg的同相和正交分量,j为虚数单位,Ag为第g个对输入信号的非线性操作,Ag=Ag,I+jAg,Q,Ag,I和Ag,Q分别为Ag的同相和正交分量,并且Ag,I和Ag,Q为非线性变换模块的输出信号,其中g取1到G。
6.根据权利要求5所述的面向动态传输的智能数字预失真系统,其特征在于,所述神经网络模块采用矢量分解的结构,将复数信号分解为幅度和相位进行处理,以符合功率放大器的失真特性;所述神经网络模块依次包括输入层、隐藏层、组加权层、相位恢复层和输出层,其中,
所述输入层对输入信号的幅度进行延时,假设模型的记忆深度为M,则输入层有M个神经元,第m个神经元在时刻n的输入信号为xm(n)=|x(n-m)|,此外输入层还包括特征变换模块的输出,表示为xm+1(n),…xm+k(n),其中k为变换后的特征个数;
所述隐藏层为全连接层,激活函数为双曲正切,其运算表达式为:
公式中,yk(n)为第k个隐藏层神经元的输出信号,tanh[·]为双曲正切激活函数,wmk为第m个输入层神经元到第k个隐藏层神经元的权值,bk第k个神经元的偏置;
所述组加权层对所述隐藏层输出信号进行分组加权,所述隐藏层的神经元提取了功率放大器的幅度非线性特征,再对其进行相位恢复;所述组加权层将恢复相位相同的幅度非线性项进行合并,简化相位恢复工作;假设对于记忆深度为M的模型,一共有M个相位需要恢复,将隐藏层神经元分成M个组,对每一组内的神经元进行加权产生4个输出信号用于下一层的相位恢复;组加权层相当于是M个全连接层,每个全连接层均有4个输出神经元;
所述相位恢复层接收来自所述组加权层的信号,对合并的幅度非线性项进行相位恢复;每一组的前2个神经元gm,0和gm,1分别乘以cosθn-m和sinθn-m输出到Iout(n),每一组的后2个神经元gm,2和gm,3分别乘以cosθn-m和sinθn-m输出到Qout(n);其中,Iout(n),Qout(n)分别表示最终输出信号的同相和正交分量,gm,0、gm,1、gm,2、gm,3分别表示组加权层中第m个组的第1、2、3、4个神经元的输出,θn-m表示输入信号延时m的相位。
8.面向动态传输的智能数字预失真方法,其特征在于,包括如下步骤:
步骤S1、将动态传输所需的多组特性不同的输入信号输入功率放大器中,并且该输入信号定义为原始输入信号,然后从所述功率放大器的输出端获取多组第一输出信号,再提取所有所述的原始输入信号的特征,并以所述原始输入信号、所述第一输出信号以及所述特征构建数据集,再将该数据集以一定比例分成训练集和验证集;
步骤S2、选择信号特征提取模块中有限脉冲响应窗口的大小以及需要嵌入到多项式辅助模块中的传统模型,并且设置建模系统的超参数;
步骤S3、通过步骤S1中构建的训练集来提取所述智能数字预失真系统的系数,具体包括:首先将所述原始输入信号的特征以及所述第一输出信号作为所述智能数字预失真系统的输入,并且以所述原始输入信号为所述智能数字预失真系统的期望输出,然后使用优化器更新系数,直到迭代次数或模型误差达到要求;
步骤S4、将所述原始输入信号输入至所述智能数字预失真系统中,得到预失真信号,再将该预失真信号输入功率放大器中,得到新的功率放大器输出信号,该信号定义为第二输出信号,然后根据所述原始输入信号以及所述第二输出信号,获得线性度指标;
步骤S5、重新提取所述智能数字预失真系统的系数,具体包括:首先将所述原始输入信号的特征以及所述第二输出信号作为所述智能数字预失真系统的输入,所述预失真信号为所述智能数字预失真系统的期望输出,使用优化器更新系数,直到迭代次数或模型误差达到要求;
步骤S6、重复运行步骤S4至步骤S5,直到线性度指标不再改善;
步骤S7、保存模型系数,将所述验证集中的原始输入数据输入所述智能数字预失真系统与功率放大器构成的级联系统中,得到功率放大器的输出数据,在将该输出数据与所述验证集中的原始输入数据进行比较并计算线性度指标,如满足要求,则进入步骤S8,如不满足,则修改步骤S2中的超参数,重复步骤S3至步骤S6;
步骤S8、确定最终的智能数字预失真系统的系数。
9.根据权利要求8所述的面向动态传输的智能数字预失真方法,其特征在于,在所述步骤S2中,所述超参数包括:信号特征的个数,多项式辅助模块输入信号数量,神经网络模块神经元数量,优化器类型,学习率,迭代次数和目标建模误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110972256.9A CN113676426B (zh) | 2021-08-24 | 2021-08-24 | 面向动态传输的智能数字预失真系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110972256.9A CN113676426B (zh) | 2021-08-24 | 2021-08-24 | 面向动态传输的智能数字预失真系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113676426A CN113676426A (zh) | 2021-11-19 |
CN113676426B true CN113676426B (zh) | 2022-07-22 |
Family
ID=78545590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110972256.9A Active CN113676426B (zh) | 2021-08-24 | 2021-08-24 | 面向动态传输的智能数字预失真系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113676426B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116405351A (zh) * | 2021-12-28 | 2023-07-07 | 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 |
WO2023159483A1 (en) * | 2022-02-25 | 2023-08-31 | Telefonaktiebolaget Lm Ericsson (Publ) | Power feature aided machine learning to reduce non-linear distortion |
WO2023230819A1 (en) * | 2022-05-31 | 2023-12-07 | Zte Corporation | Digital predistortion method and apparatus |
CN115378446B (zh) * | 2022-10-25 | 2023-01-10 | 北京力通通信有限公司 | 基于神经网络的宽带数字预失真系统和方法 |
CN115603673B (zh) * | 2022-11-23 | 2023-07-07 | 成都芯通软件有限公司 | 一种基于重构dvr模型的数字预失真的实现方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110765720A (zh) * | 2019-09-12 | 2020-02-07 | 重庆大学 | 一种复值流水线递归神经网络模型的功放预失真方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9214969B2 (en) * | 2013-05-09 | 2015-12-15 | King Fahd University Of Petroleum And Minerals | Scalable digital predistortion system |
CN108023844B (zh) * | 2017-06-12 | 2020-07-10 | 北京理工大学 | 一种实信号欠采样的数字预失真系统 |
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 |
-
2021
- 2021-08-24 CN CN202110972256.9A patent/CN113676426B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110765720A (zh) * | 2019-09-12 | 2020-02-07 | 重庆大学 | 一种复值流水线递归神经网络模型的功放预失真方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113676426A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113676426B (zh) | 面向动态传输的智能数字预失真系统及方法 | |
CN106506430A (zh) | 一种基于压缩感知技术的补偿峰均比非线性失真的新算法 | |
CN108153943B (zh) | 基于时钟循环神经网络的功率放大器的行为建模方法 | |
Panicker et al. | Parallel-cascade realizations and approximations of truncated Volterra systems | |
CN112491442B (zh) | 一种自干扰消除方法及装置 | |
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 | |
CN111555781B (zh) | 一种基于深度学习注意力机制的大规模mimo信道状态信息压缩及重建方法 | |
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 | |
CN113014524B (zh) | 一种基于深度学习的数字信号调制识别方法 | |
CN108736935B (zh) | 一种用于大规模mimo系统信号检测的通用下降搜索方法 | |
CN102821071A (zh) | Ofdm系统的信道和噪声方差联合估计方法 | |
CN113408577A (zh) | 一种基于注意力机制的图像分类方法 | |
CN111242849A (zh) | 一种基于深度卷积神经网络的频谱超分辨率在线重建方法 | |
CN115982613A (zh) | 一种基于改进卷积神经网络的信号调制识别系统及方法 | |
CN115426223A (zh) | 一种低轨卫星信道估计和符号检测方法及系统 | |
CN112104580B (zh) | 基于广义近似消息传递-稀疏贝叶斯学习的稀疏水声信道估计方法 | |
CN113111505A (zh) | 基于非线性Hammerstein系统的变遗忘因子递推最小二乘方法及系统 | |
CN112565128A (zh) | 基于混合神经网络的无线电信号调制识别网络及实现方法 | |
CN112422462A (zh) | 复值信道均衡器的设计方法 | |
CN105471783B (zh) | 基于输入序列的mimo系统发射端数字预失真优化方法 | |
CN115062690A (zh) | 一种基于域自适应网络的轴承故障诊断方法 | |
CN108924076A (zh) | Co-ofdm系统中一种联合改进的ts-pso-pts峰均比抑制方案 | |
CN113343796B (zh) | 一种基于知识蒸馏的雷达信号调制方式识别方法 | |
CN115514597A (zh) | 一种基于注意力机制与残差结构的联合调制识别方法 | |
CN101924718B (zh) | 模糊神经网络控制的混合小波神经网络盲均衡方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |