CN114050796A - 一种基于随机森林算法的数字预失真系统及方法 - Google Patents

一种基于随机森林算法的数字预失真系统及方法 Download PDF

Info

Publication number
CN114050796A
CN114050796A CN202111347823.8A CN202111347823A CN114050796A CN 114050796 A CN114050796 A CN 114050796A CN 202111347823 A CN202111347823 A CN 202111347823A CN 114050796 A CN114050796 A CN 114050796A
Authority
CN
China
Prior art keywords
digital
signal
random forest
input signal
model
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
Application number
CN202111347823.8A
Other languages
English (en)
Inventor
余超
赵银霜
郁煜铖
陈鹏
朱晓维
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202111347823.8A priority Critical patent/CN114050796A/zh
Publication of CN114050796A publication Critical patent/CN114050796A/zh
Pending legal-status Critical Current

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
    • H03F1/3247—Modifications of amplifiers to reduce non-linear distortion using predistortion circuits using feedback acting on predistortion circuits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • H03F3/24—Power amplifiers, e.g. Class B amplifiers, Class C amplifiers of transmitter output stages
    • H03F3/245—Power amplifiers, e.g. Class B amplifiers, Class C amplifiers of transmitter output stages with semiconductor devices only

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Nonlinear Science (AREA)
  • Amplifiers (AREA)

Abstract

本发明公开了一种基于随机森林算法的数字预失真系统及方法，该系统包括基于随机森林算法的数字预失真模型、数模转换器、发射机链路和功率放大器；方法包括利用训练集和验证集建立数字预失真模型，搭建数字预失真系统，以及系统运行；本发明通过数字预失真模型对输入信号进行预失真处理，使输入信号具有与功率放大器的输入输出特性相反的非线性特征，再将预处理后的信号通过数模转换器、发射机链路、功率放大器得到与原始输入信号呈线性放大关系的输出信号，实现信号的线性放大。本发明能够构建一种原理简单、容易实现且计算复杂度较低的数字预失真模型来实现功率放大器的线性化。

Description

一种基于随机森林算法的数字预失真系统及方法
技术领域
本发明属于数字预失真技术，尤其涉及一种基于随机森林算法的数字预失真系统及方法。
背景技术
随着无线移动通信系统的发展，更多的用户数、更高的数据传输速率和频谱资源的稀缺都对频谱资源利用率提出了更高的要求，因此多种多址技术被应用于通信系统中，提升了频谱效率。但同时，由此产生的非恒定包络却也不可避免的造成了功率放大器的非线性。为了兼顾频谱效率和功放的线性度，一般采用数字预失真技术对功放的非线性进行补偿，其原理是在功放前插入一个预失真模块，这个模块通过拟合功率放大器的逆特性来对输入信号进行预失真处理。
近年来，数字预失真技术凭借其成本低以及高精度等优点得到了长足的发展，被广泛应用于通信系统的线性化中。但是，目前的预失真算法大都原理复杂，实现难度较高，具有一定的局限性。随机森林算法是一种新兴起的、高度灵活的机器学习算法，具有原理简单、准确率高、能够处理高维数据且无需进行特征选择等优点，这些优点使得该算法可以快速构建结构简单、便于理解的行为模型，为数字预失真技术中行为模型的构建提供了新思路。
发明内容
发明目的：本发明的目的是提供一种基于随机森林算法的数字预失真系统及方法，旨在以一种原理简单，可解释性强且易于实现的算法实现数字预失真。
技术方案：为达到上述发明目的，本发明采用如下技术方案：
一种基于随机森林算法的数字预失真系统，该系统包括基于随机森林算法的数字预失真模型、数模转换器、发射机链路和功率放大器；数字基带输入信号通过基于随机森林算法的数字预失真模型产生预失真信号，然后经数模转换器、发射机链路、功率放大器，最终产生线性放大的射频输出信号；再经反馈回路接收，通过模数转换器转换为输出数字信号，与数字基带输入信号基本一致；其中，基于随机森林算法的数字预失真模型包括实部数字预失真模型和虚部数字预失真模型。
进一步的，所述预失真信号是由数字基带输入信号通过实部数字预失真模型和虚部数字预失真模型后的两个结果合成得到。
进一步的，所述基于随机森林算法的数字预失真模型的提取过程为：首先将输入信号输入功率放大器，捕获输出信号；然后将功率放大器的输入信号和输出信号分别作为数字预失真模型建模的输出信号和输入信号，采用随机森林算法构建数字预失真模型的行为模型。
进一步的，所述数字预失真模型的行为模型包括实部数字预失真模型和虚部数字预失真模型，分别根据式(1)、(2)得到：
Figure BDA0003354863550000021
式中，M表示记忆深度，
Figure BDA0003354863550000022
为建模输出信号的第n个样本，n的取值范围由具体的采样时间决定；
Figure BDA0003354863550000023
为建模输入信号的第n样本，
Figure BDA0003354863550000024
和
Figure BDA0003354863550000025
则分别为一阶记忆项和二阶记忆项；Re{}代表信号的实部，Im{}代表信号的虚部；fR为输出信号实部与输入信号间的映射关系，fI为输出信号虚部与输入信号间的映射关系。
进一步的，所述随机森林算法是一种并行式集成学习方法，从给定的训练集数据中有放回地采样k个训练样本，重复采样T次，得到T组k个样本的采样集，然后基于每个样本集训练出一个基学习器，再以简单平均法对T个基学习器的预测输出进行结合得到最终的预测输出。
进一步的，所述基学习器为决策树模型，递归地调用划分特征空间的过程，将每个子空间再各自划分为两个子空间，直至满足停止条件；通过不断分裂子树的方式将输入信号的特征空间划分为若干个子空间，并给定每个子空间一个特定的输出。
进一步的，所述划分特征空间的过程为：采用最小二乘法选择切分变量j和切分点s，通过求解式(3-a)、式(3-b)、式(3-c)得到：
Figure BDA0003354863550000026
R1(j,s)＝{xi|xi (j)≤s}，R2(j,s)＝{xi|xi (j)>s} (3-b)
Figure BDA0003354863550000027
其中，j为信号的输入属性，即当前输入信号或之前M个输入信号的实部和虚部，在划分特征空间时作为切分变量；xi为第i个输入向量,yi为与输入向量xi对应的输出的实部或虚部；Rm为第m个划分空间，m为子空间编号，每个空间仅能向下划分两个子空间，因此m仅能取1或2；
Figure BDA0003354863550000031
为子空间m的预测输出，Nm为划分到子空间m中的所有输入向量的个数；
然后遍历切分变量j，对固定的切分变量j扫描切分点s，找到使式(3-a)达到最小值的对(j,s)，用选定的对(j,s)划分空间，并决定预测的输出值。
进一步的，所述停止条件为：再进行一次划分时，式(3-a)的最小值大于划分前。
一种基于随机森林算法的数字预失真系统的数字预失真方法，包括以下步骤：
S1：将输入信号通过功率放大器产生输出信号，从而获得待线性化的功率放大器的实际输入信号和输出信号，并将输入信号数据、输出信号数据分为训练集和验证集；
S2：设置随机森林算法中基学习器的数量，采用训练集数据提取数字预失真模型；
S3：保存训练得到的数字预失真模型，利用验证集数据验证数字预失真模型的建模精度，完成基于随机森林算法的数字预失真模型的建立；
S4：搭建基于随机森林算法的数字预失真系统；
S5：将数字基带输入信号输入基于随机森林算法的数字预失真系统，得到与原始输入信号呈线性放大关系的输出信号。
有益效果：与现有技术相比，本发明具有如下的有益效果：
1)基于随机森林算法的数字预失真模型是一种白盒模型，相较于神经网络和其它机器学习算法，此模型更容易理解；
2)相较于其它机器学习算法，随机森林算法更容易实现且计算开销小。
附图说明
图1为本发明的具体实施方式中的数字预失真系统的框图；
图2为本发明具体实施方式中，中心频点2.4GHz带宽20MHz的输入信号，经过Doherty功率放大器原始输入信号与线性化信号的幅度特性曲线；
图3为本发明具体实施方式中，中心频点2.4GHz带宽20MHz的输入信号，经过Doherty功率放大器原始输入信号与线性化信号的相位特性曲线；
图4为本发明具体实施方式中，中心频点2.4GHz带宽20MHz的输入信号，经过Doherty功率放大器原始输入信号与线性化信号的功率谱图。
具体实施方式
下面结合具体实施方式和附图对本发明的技术方案作进一步的介绍。
本具体实施方式公开了一种基于随机森林算法的数字预失真系统，如图1所示，该系统包括基于随机森林算法的数字预失真模型、数模转换器、发射机链路和功率放大器；数字基带输入信号经过基于随机森林算法的数字预失真模型产生预失真信号，然后经数模转换器、发射机链路、功率放大器，最终产生线性放大的射频输出信号；再经反馈回路接收，通过模数转换器转换为输出数字信号，与数字基带输入信号基本一致；其中，所述基于随机森林算法的数字预失真模型包括实部数字预失真模型和虚部数字预失真模型，基带输入信号通过实部数字预失真模型和虚部数字预失真模型后将实部、虚部两个预失真结果结合得到最终的预失真信号。
基于随机森林算法的数字预失真模型的模型提取过程为：将输入信号输入功率放大器，捕获输出信号。将输入信号和输出信号分别作为数字预失真模型建模的输出信号和输入信号，采用随机森林算法构建功率放大器的逆模型也就是数字预失真模型。
基于随机森林算法的数字预失真模型的模型提取中，所述数字预失真模型的行为模型分为实部数字预失真模型和虚部数字预失真模型两个部分，根据式(1)、(2)得到：
Figure BDA0003354863550000041
式中，M表示记忆深度，
Figure BDA0003354863550000042
为建模输出信号的第n个样本，n的取值范围由具体的采样时间所决定，
Figure BDA0003354863550000043
为建模输入信号的第n样本，
Figure BDA0003354863550000044
和
Figure BDA0003354863550000045
则分别为一阶记忆项和二阶记忆项，Re{}代表信号的实部，Im{}代表信号的虚部；fR为输出信号实部与输入信号间的映射关系，fI为输出信号虚部与输入信号间的映射关系。
基于随机森林算法的数字预失真模型的模型提取中，所述随机森林算法是一种并行式集成学习方法。该算法从给定的训练集数据中有放回地采样k个训练样本，重复采样T次，得到T组k个样本的采样集，然后基于每个样本集训练出一个基学习器，再以简单平均法对T个基学习器的预测输出进行结合得到最终的预测输出。
基于随机森林算法的数字预失真模型的模型提取中，随机森林算法的基学习器为决策树。决策树模型通过不断分裂子树将输入信号的特征空间划分为若干个单元，给定每个单元一个特定的输出。其中，划分特征空间时切分变量j和切分点s的选择采用最小二乘法，通过求解式(3-a)、式(3-b)、式(3-c)得到；
Figure BDA0003354863550000046
R1(j,s)＝{xi|xi (j)≤s}，R2(j,s)＝{xi|xi (j)>s} (3-b)
Figure BDA0003354863550000051
其中，j为信号的输入属性，即当前输入信号或之前M个输入信号的实部和虚部，在划分特征空间时作为切分变量；xi为第i个输入向量,yi为与输入向量对应的输出的实部或虚部；Rm为第m个划分空间，m为子空间编号，每个单元仅能向下划分两个子单元，因此m仅能取1或2，
Figure BDA0003354863550000052
为子空间单元m的预测输出。Nm为划分到子空间m中的所有输入向量的个数。
遍历切分变量j，对固定的切分属性j扫描切分点s，找到使式(3-a)达到最小值的对(j,s)，用选定的对(j,s)划分空间Rm并决定预测的输出值。
基于随机森林算法的数字预失真模型的模型提取中，所述决策树算法在训练数据集所在的输入空间上，递归地调用上述划分特征空间的步骤将每个子空间再各自划分为两个子空间，直至满足停止条件。停止条件为：再进行一次划分时，式(3-a)的最小值大于划分前。
本发明的一种基于随机森林算法的数字预失真系统的数字预失真方法，包括以下步骤：
S1：将输入信号通过功率放大器产生输出信号，从而获得待线性化的功率放大器的实际输入信号和输出信号，并将输入信号数据、输出信号数据分为训练集和验证集；
S2：设置随机森林算法中基学习器的数量，采用训练集数据提取数字预失真模型；
S3：保存训练得到的随机森林模型，利用验证集数据验证数字预失真模型的建模精度，完成基于随机森林算法的数字预失真模型的建立；
S4：构建基于随机森林算法的数字预失真系统；
S5：将数字基带输入信号输入基于随机森林算法的数字预失真系统，得到与原始输入信号呈线性放大关系的输出信号。
以中心频率为2.4GHz带宽为20MHz的输入信号，经过Doherty功率放大器为例。采用本发明提出的基于随机森林算法的数字预失真技术对该功率放大器进行线性化可以得到较好的效果，原始输入信号与经线性化之后的输出信号的幅度特性曲线、相位特性曲线、功率谱密度图如图2-4所示。通过采用随机森林算法这一原理简单，高度灵活的机器学习算法实现了功率放大器的线性化处理，实现了更快速、更简单、更易理解的数字预失真过程。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。

Claims (9)

1.一种基于随机森林算法的数字预失真系统，其特征在于，该系统包括基于随机森林算法的数字预失真模型、数模转换器、发射机链路和功率放大器；数字基带输入信号通过基于随机森林算法的数字预失真模型产生预失真信号，然后经数模转换器、发射机链路、功率放大器，最终产生线性放大的射频输出信号；再经反馈回路接收，通过模数转换器转换为输出数字信号，与数字基带输入信号基本一致；其中，基于随机森林算法的数字预失真模型包括实部数字预失真模型和虚部数字预失真模型。
2.根据权利要求1所述的一种基于随机森林算法的数字预失真系统，其特征在于，所述预失真信号是由数字基带输入信号通过实部数字预失真模型和虚部数字预失真模型后的两个结果合成得到。
3.根据权利要求1所述的一种基于随机森林算法的数字预失真系统，其特征在于，所述基于随机森林算法的数字预失真模型的提取过程为：首先将输入信号输入功率放大器，捕获输出信号；然后将功率放大器的输入信号和输出信号分别作为数字预失真模型建模的输出信号和输入信号，采用随机森林算法构建数字预失真模型的行为模型。
4.根据权利要求3所述的一种基于随机森林算法的数字预失真系统，其特征在于，所述数字预失真模型的行为模型包括实部数字预失真模型和虚部数字预失真模型，分别根据式(1)、(2)得到：
Figure FDA0003354863540000011
Figure FDA0003354863540000012
式中，M表示记忆深度，
Figure FDA0003354863540000013
为建模输出信号的第n个样本，n的取值范围由具体的采样时间决定；
Figure FDA0003354863540000014
为建模输入信号的第n样本，
Figure FDA0003354863540000015
和
Figure FDA0003354863540000016
则分别为一阶记忆项和二阶记忆项；Re{}代表信号的实部，Im{}代表信号的虚部；fR为输出信号实部与输入信号间的映射关系，fI为输出信号虚部与输入信号间的映射关系。
5.根据权利要求1所述的一种基于随机森林算法的数字预失真系统，其特征在于，所述随机森林算法是一种并行式集成学习方法，从给定的训练集数据中有放回地采样k个训练样本，重复采样T次，得到T组k个样本的采样集，然后基于每个样本集训练出一个基学习器，再以简单平均法对T个基学习器的预测输出进行结合得到最终的预测输出。
6.根据权利要求5所述的一种基于随机森林算法的数字预失真系统，其特征在于，所述基学习器为决策树模型，递归地调用划分特征空间的过程，将每个子空间再各自划分为两个子空间，直至满足停止条件；通过不断分裂子树的方式将输入信号的特征空间划分为若干个子空间，并给定每个子空间一个特定的输出。
7.根据权利要求6所述的一种基于随机森林算法的数字预失真系统，其特征在于，所述划分特征空间的过程为：采用最小二乘法选择切分变量j和切分点s，通过求解式(3-a)、式(3-b)、式(3-c)得到：
Figure FDA0003354863540000021
R1(j,s)＝{xi|xi (j)≤s}，R2(j,s)＝{xi|xi (j)>s} (3-b)
Figure FDA0003354863540000022
其中，j为信号的输入属性，即当前输入信号或之前M个输入信号的实部和虚部，在划分特征空间时作为切分变量；xi为第i个输入向量,yi为与输入向量xi对应的输出的实部或虚部；Rm为第m个划分空间，m为子空间编号，每个空间仅能向下划分两个子空间，因此m仅能取1或2；
Figure FDA0003354863540000023
为子空间m的预测输出，Nm为划分到子空间m中的所有输入向量的个数；
然后遍历切分变量j，对固定的切分变量j扫描切分点s，找到使式(3-a)达到最小值的对(j,s)，用选定的对(j,s)划分空间，并决定预测的输出值。
8.根据权利要求6或7所述的一种基于随机森林算法的数字预失真系统，其特征在于，所述停止条件为：再进行一次划分时，式(3-a)的最小值大于划分前。
9.一种如权利要求1所述的基于随机森林算法的数字预失真系统的数字预失真方法，其特征在于，包括以下步骤：
S1：将输入信号通过功率放大器产生输出信号，从而获得待线性化的功率放大器的实际输入信号和输出信号，并将输入信号数据、输出信号数据分为训练集和验证集；
S2：设置随机森林算法中基学习器的数量，采用训练集数据提取数字预失真模型；
S3：保存训练得到的数字预失真模型，利用验证集数据验证数字预失真模型的建模精度，完成基于随机森林算法的数字预失真模型的建立；
S4：搭建基于随机森林算法的数字预失真系统；
S5：将数字基带输入信号输入基于随机森林算法的数字预失真系统，得到与原始输入信号呈线性放大关系的输出信号。
CN202111347823.8A 2021-11-15 2021-11-15 一种基于随机森林算法的数字预失真系统及方法 Pending CN114050796A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111347823.8A CN114050796A (zh) 2021-11-15 2021-11-15 一种基于随机森林算法的数字预失真系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111347823.8A CN114050796A (zh) 2021-11-15 2021-11-15 一种基于随机森林算法的数字预失真系统及方法

Publications (1)

Publication Number Publication Date
CN114050796A true CN114050796A (zh) 2022-02-15

Family

ID=80209060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111347823.8A Pending CN114050796A (zh) 2021-11-15 2021-11-15 一种基于随机森林算法的数字预失真系统及方法

Country Status (1)

Country Link
CN (1) CN114050796A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150043678A1 (en) * 2013-05-09 2015-02-12 King Fahd University Of Petroleum And Minerals Scalable digital predistortion system
US20150162881A1 (en) * 2013-12-09 2015-06-11 King Fahd University Of Petroleum And Minerals Augmented twin nonlinear two-box modeling and predistortion method for power amplifiers and transmitters
CN106877825A (zh) * 2017-01-25 2017-06-20 东南大学 基于带限的简化非线性滤波器的数字预失真装置及方法
CN112804171A (zh) * 2020-12-29 2021-05-14 东南大学 基于支持向量回归的多分段数字预失真系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150043678A1 (en) * 2013-05-09 2015-02-12 King Fahd University Of Petroleum And Minerals Scalable digital predistortion system
US20150162881A1 (en) * 2013-12-09 2015-06-11 King Fahd University Of Petroleum And Minerals Augmented twin nonlinear two-box modeling and predistortion method for power amplifiers and transmitters
CN106877825A (zh) * 2017-01-25 2017-06-20 东南大学 基于带限的简化非线性滤波器的数字预失真装置及方法
CN112804171A (zh) * 2020-12-29 2021-05-14 东南大学 基于支持向量回归的多分段数字预失真系统及方法

Similar Documents

Publication Publication Date Title
CN112153616B (zh) 一种基于深度学习的毫米波通信系统中的功率控制方法
Yang et al. Deep learning aided method for automatic modulation recognition
CN105142177B (zh) 复数神经网络信道预测方法
CN111490737B (zh) 一种用于功率放大器的非线性补偿方法和设备
CN109684995A (zh) 基于深度残差网络的特定辐射源识别方法及装置
CN109474388B (zh) 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法
CN110765720B (zh) 一种复值流水线递归神经网络模型的功放预失真方法
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
CN112364729A (zh) 基于特征参数与bp神经网络的调制识别方法
CN112242969A (zh) 一种基于模型驱动的深度学习的新型单比特ofdm接收机
Wu et al. A uniform neural network digital predistortion model of RF power amplifiers for scalable applications
He et al. Deep learning-based automatic modulation recognition algorithm in non-cooperative communication systems
CN117851912A (zh) 一种基于轻量化抗多普勒射频指纹识别的方法
CN114050796A (zh) 一种基于随机森林算法的数字预失真系统及方法
CN113221308A (zh) 一种面向功率放大器的迁移学习快速低复杂度建模方法
CN116842450A (zh) 一种基于深度度量学习的雷达辐射源个体识别方法
Zhao et al. A Cross-Scale Embedding Based Fusion Transformer for Automatic Modulation Recognition
CN113468842A (zh) 一种基于矢量量化的宽带数字预失真算法
CN113055323B (zh) 一种通信系统的数字预失真处理的方法及系统
Wong et al. Distributed automatic modulation classification with compressed data
Feng et al. Lightweight CNN-Based RF Fingerprint Recognition Method
CN114124637A (zh) 一种适用于降低ofdm系统峰均比的低复杂度方法
Wu et al. A Lightweight Deep Neural Network for Wideband Power Amplifier Behavioral Modeling
CN111507205A (zh) 基于信号循环谱和深度学习的调制识别装置及其使用方法
CN116520277B (zh) 一种基于分离式卷积网络的雷达目标识别方法和系统

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