CN115378446B - 基于神经网络的宽带数字预失真系统和方法 - Google Patents

基于神经网络的宽带数字预失真系统和方法 Download PDF

Info

Publication number
CN115378446B
CN115378446B CN202211306660.3A CN202211306660A CN115378446B CN 115378446 B CN115378446 B CN 115378446B CN 202211306660 A CN202211306660 A CN 202211306660A CN 115378446 B CN115378446 B CN 115378446B
Authority
CN
China
Prior art keywords
signal
state
output
fitting
state quantity
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
CN202211306660.3A
Other languages
English (en)
Other versions
CN115378446A (zh
Inventor
侯卫兵
雷伟龙
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.)
Beijing Litong Communication Co ltd
Original Assignee
Beijing Litong Communication 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 Beijing Litong Communication Co ltd filed Critical Beijing Litong Communication Co ltd
Priority to CN202211306660.3A priority Critical patent/CN115378446B/zh
Publication of CN115378446A publication Critical patent/CN115378446A/zh
Application granted granted Critical
Publication of CN115378446B publication Critical patent/CN115378446B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/02—Transmitters
    • H04B1/04—Circuits
    • H04B1/0475—Circuits with means for limiting noise, interference or distortion
    • 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
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/02—Transmitters
    • H04B1/04—Circuits
    • H04B2001/0408—Circuits with power amplifiers
    • H04B2001/0425—Circuits with power amplifiers with linearisation using predistortion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Nonlinear Science (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Amplifiers (AREA)

Abstract

本发明公开了一种基于神经网络的宽带数字预失真系统和方法，方法包括以下步骤：构建信号拟合模块；基于当前时刻k的基带IQ输入信号X(k)构造的记忆化信号Xm(k)，并以其作为信号拟合模块的输入，在确定的隐层状态量h_state和输出状态量o_state下，输出拟合信号Xfit(k)；在信号拟合模块后级联基于循环神经网络的记忆化处理模块，其中，记忆化处理模块将每次处理后的信号输出并保存，与下一时刻信号拟合模块输出的拟合信号一同作为下一时刻的记忆化处理模块输入。本发明具有添加信号拟合模块解决循环神经网络收敛慢甚至难以收敛的问题，配合使用循环神经网络提高数字预失真系统的精度的有益效果。

Description

基于神经网络的宽带数字预失真系统和方法
技术领域
本发明涉及通讯系统技术领域。更具体地说，本发明涉及一种基于神经网络的宽带数字预失真系统和方法。
背景技术
数字预失真（DPD）是通信系统中一种常见的用于确保信号传输的可靠性的技术。由于射频信号在传输过程中受到介质吸收、反射等因素的影响会产生衰减，信号会在经天线发射前通过一个功率放大器（PA）来增大发射功率。功率放大器作为无线发射机的重要组成部分，随着5G宽带通信场景的增多，其信号输出的非线性失真越来越严重，以致严重影响通信系统的性能。
一方面，功率放大器的设计越来越多地考虑宽带通信与多带传输，例如相控阵天线和多输入多输出技术(MIMO)通过空间资源的复用，使信号通过功率放大器后在接近线性饱和区产生的非线性畸变相较以前更加复杂和明显；
另一方面，根据3GPP于2017年12月发布的V15.0.0版TS 38.104规范，5G信号为提高数据传输速率和频谱利用率，调制方式多采用正交幅度调制、振幅移相调制，Sub-6GHz频段信号最大带宽为100MHz，毫米波频段信号最大带宽为400MHz，这些具有宽频带、高峰均比的非恒包络幅度调制信号对功率放大器的记忆非线性更为敏感。因此加强对记忆效应的研究，解决宽带通信中功率放大器非线性特性的影响变得尤其重要。
数字预失真技术的核心在于预失真模块的构建。
目前较为普遍的做法是采用多项式来模拟功率放大器的特征，例如Volterra多项式。该方式将功率放大器的行为建模成由信号记忆项与交调项组成的一系列多项式，通过对特征函数中的参数矩阵求逆来更新参数。但多项式的方法有一系列缺点，尽管使用多项式计算输出所需的复杂度不高，但是在跟踪信号时的参数更新，矩阵求逆运算的计算复杂度过高，此外，多项式的拟合能力也较弱，对于大带宽信号、大功率功放这类产生高度失真的场景，往往难以达到较好的拟合效果。
进入5G通信时代以后，大带宽大功率信号无线传输的需求日趋普遍，多项式处理方法难以解决愈发严重的性能损失与计算复杂度带来的功耗过高的问题。需要设计一种新的方案，来更好地对功率放大器行为建模，并节省参数更新时所需的功耗。
神经网络方法早在20世纪60年代就已出现，它采用基本的神经元模型来处理每一个数字预失真系统的采样点，我们将多个这样的神经元按一定层次结构互联，得到一般意义上的神经网络。
已经有研究人员在使用神经网络处理数字预失真方面做了尝试，例如，数个神经元组成的浅层次的神经网络、多层次的深度神经网络、卷积神经网络与循环神经网络。对于宽带功率放大器，其记忆效应相比于一般的功率放大器更加明显，带来的失真更加严重，循环神经网络可以有效地解决该问题。但同时循环神经网络也有收敛速度慢，有时甚至无法收敛到期望的标准。
如何设计一种新的方案，对功率放大器行为建模，解决循环神经网络收敛速度慢，有时甚至无法收敛到期望的标准是目前急需解决的问题。
发明内容
本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
本发明还有一个目的是提供一种基于神经网络的宽带数字预失真方法，添加信号拟合模块解决循环神经网络收敛慢甚至难以收敛的问题，配合使用循环神经网络提高数字预失真系统的精度。
本发明还有一个目的是提供一种基于神经网络的宽带数字预失真系统，对功率放大器行为建模，解决传统循环神经网络收敛速度慢，有时甚至无法收敛到期望标准的问题。
为了实现根据本发明的这些目的和其它优点，提供了一种基于神经网络的宽带数字预失真方法，包括以下步骤：
步骤一：构建信号拟合模块
顺序采样一段包含多个采样点的输入信号X和输出信号Y；
将每个采样点的输入信号X，与该采样点前后时刻的一部分输入信号拼接，构造该采样点对应输入信号的记忆化信号Xm；
基于每个采样点的输出信号Y构建该采样点对应输出信号的记忆化信号Ym；
设定拟合信号
Figure 65574DEST_PATH_IMAGE001
，其中，h_state为隐层状态量，o_state为输出状态量；
以Xm作为输入，拟合信号Xfit为输出，Ym为标签，训练至拟合信号Xfit与输出信号Ym的损失小于一定阈值，得信号拟合模块，其中，训练过程中，连续处理L个采样点信号，取L个采样点信号损失error的平均值，更新一次隐层状态量h_state和输出状态量o_state；
步骤二：基于当前时刻k的基带IQ输入信号X(k)构造的记忆化信号Xm(k)，并以其作为信号拟合模块的输入，在确定的隐层状态量h_state和输出状态量o_state下，输出拟合信号Xfit(k)；
步骤三：在信号拟合模块后级联基于循环神经网络的记忆化处理模块，其中，记忆化处理模块将每次处理后的信号输出并保存，与下一时刻信号拟合模块输出的拟合信号一同作为下一时刻的记忆化处理模块输入。
优选的是，步骤一中，设定i时刻采样点的输入信号为X(i)、输出信号为Y(i) ，基于输入信号X(i)构造记忆化信号Xm(i)，基于Y(i)构建记忆化信号Ym(i)，构造方法如下：
Figure 316427DEST_PATH_IMAGE002
；
Figure 845760DEST_PATH_IMAGE003
。
优选的是，对于i时刻采样点：
该采样点对应隐层状态量h_state表示为：
Figure 775538DEST_PATH_IMAGE004
输出状态量o_state表示为：
Figure 717693DEST_PATH_IMAGE005
该采样点对应拟合信号Xfit(i)与输出信号Ym(i)的损失error(i)表示为：
Figure 682107DEST_PATH_IMAGE006
。
优选的是，将全部采样点以L为间隔分成多组，记为{1L、2L、……、mL、……}，更新一次隐层状态量h_state和输出状态量o_state，方法为：
Figure 693925DEST_PATH_IMAGE007
，式中，error(mL)为第mL组中L个采样点信号损失error的平均值，μ为步长，∂为偏微分符号，w(mL)与h_state(mL)、o_state(mL)中的各元素对应，w(mL+1)与h_state(mL+1)、o_state(mL+1)中的各元素对应。
优选的是，L为全部采样点信号处理完的总次数。
优选的是，μ为0.001。
优选的是，构建记忆化处理模块，具体为：
输入Xsum(k)：
Figure 143623DEST_PATH_IMAGE008
，式中，Xout(k-1)为上一时刻记忆化处理模块的输出；
输出Xout(k)：
Figure 531879DEST_PATH_IMAGE009
，式中，hr_state(k)为隐层状态量，
Figure 606644DEST_PATH_IMAGE010
；
or_state(k)为输出状态量，
Figure 523784DEST_PATH_IMAGE011
。
优选的是，步骤S3还包括：
经过记忆化处理模块的输出Xout(k)经处理后送入信号放大器，信号放大器完成射频信号的放大，输出信号Ym(k)；
记忆化处理模块以Ym(k)为标签，构建反馈回路，采集信号放大器的输出信号Ym(k)，输入至记忆化处理模块；
计算Xout(k)与Ym(k)的损失error(k)，
Figure 132882DEST_PATH_IMAGE012
；
根据损失error(k)更新后的下一时刻的隐层状态量hr_state(k+1)与输出状态量or_state(k+1)，具体为：
Figure 652725DEST_PATH_IMAGE013
式中，μ’为步长，w’(k)与hr_state(k)、or_state(k)中的各元素对应, w’(k+1)与hr_state(k+1)、or_state(k+1)中的各元素对应。
优选的是，μ’=0.000001~0.00001。
一种基于神经网络的宽带数字预失真系统，包括：
包括信号拟合模块和记忆化处理模块，其中：
所述信号拟合模块具有确定的隐层状态量h_state和输出状态量o_state，确定的隐层状态量h_state和输出状态量o_state的方法包括以下步骤：
顺序采样一段包含多个采样点的输入信号X和输出信号Y；
将每个采样点的输入信号X，与该采样点前后时刻的一部分输入信号拼接，构造该采样点对应输入信号的记忆化信号Xm；
基于每个采样点的输出信号Y构建该采样点对应输出信号的记忆化信号Ym；
设定拟合信号
Figure 824687DEST_PATH_IMAGE001
，其中，h_state为隐层状态量，o_state为输出状态量；
以Xm作为输入，拟合信号Xfit为输出，Ym为标签，训练至拟合信号Xfit与输出信号Ym的损失小于一定阈值，得信号拟合模块同步锁定隐层状态量h_state和输出状态量o_state，其中，训练过程中，连续处理L个采样点信号，取L个采样点信号损失error的平均值，更新一次隐层状态量h_state和输出状态量o_state；
所述信号拟合模块用于接收原始的基带I/Q输入信号X(k)，基于X(k)构造的记忆化信号Xm(k)，并以其作为信号拟合模块的输入，在确定的隐层状态量h_state和输出状态量o_state下，输出拟合信号Xfit(k)；
所述记忆化处理模块级联于信号拟合模块后，其为循环神经网络，记忆化处理模块将每次处理后的信号输出并保存，与下一时刻信号拟合模块输出的拟合信号一同作为下一时刻的记忆化处理模块输入。
本发明至少包括以下有益效果：
5G通信系统下，宽带功率放大器有较强的记忆效应，带来严重的失真，使用一层神经网络对信号进行特征提取与拟合，并采用全部信号批处理的方案，将模型的拟合性能提升到一个较高的水平，再级联循环神经网络模块，使信号快速并稳定地收敛到一个高精度地水平，解决传统循环神经网络收敛速度慢，有时甚至无法收敛到期望标准的问题。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的其中一种技术方案所述基于神经网络的宽带数字预失真系统的结构框图；
图2为本发明的其中一种技术方案所述基于神经网络的宽带数字预失真方法的流程图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
<实施例1>
基于神经网络的宽带数字预失真方法，包括以下步骤：
S1、训练得信号拟合模块，具体为实现对的信号拟合模块参数估计（参数估计阶段）
信号拟合模块在参数估计阶段直接对输入信号与输出信号进行拟合，采取信号复用的方式，将一段信号采样下来，重复地估计信号拟合模块的参数，直到拟合信号与输出信号误差小于一定阈值，具体的：
S1a、顺序采样一段时长包括65534个采样点的信号，每个采样点的信号包括输入信号X和输出信号Y；
以i时刻采样点的信号为例，该采样点的信号包括输入信号X(i)和输出信号Y(i)，输出信号的输出不执行数字预失真算法（基带输入直接到功放输出，即功率放大器的输入、输出信号），将读取的信号读取到（存储至）RAM区；
S1b、将每个采样点的输入信号X，与该采样点前后时刻的一部分输入信号拼接，构造该采样点对应输入信号的记忆化信号Xm，以i时刻采样点的输入信号X(i)为例：
基于输入信号X(i)构造记忆化信号Xm(i)，构造方法如下：
Figure 568521DEST_PATH_IMAGE014
公式（1）
式中，XI(i+
Figure 789549DEST_PATH_IMAGE015
)为I路在i+
Figure 254029DEST_PATH_IMAGE015
时刻的输入信号，XQ(i+
Figure 77235DEST_PATH_IMAGE015
)为Q路在i+
Figure 398495DEST_PATH_IMAGE015
时刻的输入信号，其余依次类推，在本实施例中，N=10，即选取前后各5个采样点的输入信号拼接，记忆化信号Xm(i)的尺寸为11x2；
基于每个采样点的输出信号Y构造该输出信号的记忆化信号Ym，以i时刻采样点的输入信号Y(i)为例，构造记忆化信号Ym(i)，构造方法如下：
Figure 949562DEST_PATH_IMAGE003
公式（2）
式中，YI(i)为I路在i时刻的输出信号，YQ(i)为Q路在i时刻的输出信号；
S1c、以全部Xm作为输入，拟合信号Xfit为输出，Ym为标签，训练至拟合信号Xfit与输出信号Ym的损失error小于一定阈值，构建信号拟合模块，确定输出状态量o_state(i)、隐层状态量h_state；
其中：
①、
Figure 748891DEST_PATH_IMAGE016
公式（3）
式中，Tanh为双曲正切函数，h_state(i)为隐层状态量，o_state(i)为输出状态量，（·）T表示矩阵的转置；
②、信号拟合模块的参数（隐层状态量、输出状态量）遵循提取输入信号特征与拟合输出信号两大原则，具体的：
Figure 836058DEST_PATH_IMAGE004
公式（4）
Figure 593798DEST_PATH_IMAGE005
公式（5），式中，o_state(i)、h_state(i)的维度满足矩阵乘法，具体的，h_state的行数和Xm(i)的列数对应，下标h表示隐层状态量h_state的维度；输出状态量o_state的维度为2，分别对应输出信号Ym(i)的I/Q分量，行数为h行，与隐层状态量h_state的列数对应；
③、计算拟合信号Xfit(i)与输出信号Ym(i)的损失error(i)，损失error(i)表示为:
Figure 632161DEST_PATH_IMAGE006
公式（6），式中，MSE（）表示均方误差；
④、根据损失error(i)更新后的下一时刻(i+1时刻)的隐层状态量h_state(i+1)与输出状态量o_state(i+1)，具体为：
Figure 235181DEST_PATH_IMAGE017
公式（7），式中，μ为步长，∂为偏微分符号，w(i)与h_state(i)、o_state(i)中的各元素对应；
换种表示：对于隐层状态量而言，可表示为：
Figure 642766DEST_PATH_IMAGE018
公式（8）
对于输出状态量而言，可表示为，
Figure 368146DEST_PATH_IMAGE019
公式（9）
为了解决拟合阶段收敛速度过慢的问题，更新步长
Figure 395456DEST_PATH_IMAGE021
应设置为较大的数值，本实施例选取0.001，并采取批处理的方式来更新参数，即连续处理L个采样点信号，取这L个采样点信号error的平均值，更新一次参数，在本实施例中为了较好的提取信号的统计特征，选取L为全部采样点信号处理完的总次数；
本次实施例中对一段长为65534个采样点的信号重复训练约40000次，耗时大约2小时，将NMSE误差控制在-36dB以下；
S2、接收当前时刻k的原始的基带I/Q输入信号Y(k)；
基于输入信号X(k)构造当前时刻k的记忆化信号Xm(k)作为信号拟合模块的输入，经过信号拟合模块，在确定的参数隐层状态量h_state和输出状态量o_state下，输出拟合信号Xfit(k)；
其中，
Figure 955750DEST_PATH_IMAGE022
公式（10）
Figure 524135DEST_PATH_IMAGE023
公式（11）
S3、在信号拟合模块后构建记忆化处理模块（循环神经网络），具体的：
输入Xsum(k)：
Figure 35625DEST_PATH_IMAGE008
公式（12），式中，Xout(k-1)为上一时刻（k-1时刻）记忆化处理模块的输出，其中，当k=1时，Xout(0)的输出设置为0；
输出Xout(k)：
Figure 370660DEST_PATH_IMAGE009
公式（12），式中，记忆化处理模块的参数设置分为两层，包括隐层状态量hr_state，和输出状态量or_state，具体的：
Figure 490188DEST_PATH_IMAGE024
公式（13）；
Figure 822950DEST_PATH_IMAGE011
公式（14）；
S4、经过记忆化处理模块的输出Xout(k)经数模转换和正交上变频为射频信号送入信号放大器，信号放大器完成射频信号的放大，输出信号Ym(k)；
记忆化处理模块以Ym(k)为标签，构建反馈回路，采集信号放大器的输出信号Ym(k)，输入至记忆化处理模块；
S5、计算Xout(k)与Ym(k)的损失error(k)，用来更新隐层状态量hr_state(k+1)，和输出状态量or_state(k+1)，损失表示为：
Figure 415211DEST_PATH_IMAGE012
公式（15）
根据损失error(k)更新后的下一时刻(k+1时刻)的隐层状态量hr_state(k+1)与输出状态量or_state(k+1)，具体为：
Figure 898145DEST_PATH_IMAGE013
公式（16），式中，μ’为步长，一般选取0.000001~0.00001，∂为偏微分符号，w’(k)与hr_state(k)、or_state(k)中的各元素对应；
换种表示：对于隐层状态量hr_state(k+1)而言，可表示为：
Figure 433032DEST_PATH_IMAGE025
公式（17）
对于输出状态量而言，可表示为，
Figure 907001DEST_PATH_IMAGE026
公式（18）。
S2-S5的流程如图2所示，信号拟合模块具体为带有4个2*2卷积核、隐层状态维度h=40[40-unit Linear]的卷积神经网络[(4,2*2)conv]，利用其实现特征提取，记忆化处理模块为隐层状态维度h=40循环神经网络。
如图1所示，本发明提供一种基于神经网络的宽带数字预失真系统，包括信号拟合模块和记忆化处理模块，其中：
所述信号拟合模块具有确定的隐层状态量h_state和输出状态量o_state，确定的隐层状态量h_state和输出状态量o_state的方法包括以下步骤：
顺序采样一段包含多个采样点的输入信号X和输出信号Y；
将每个采样点的输入信号X，与该采样点前后时刻的一部分输入信号拼接，构造该采样点对应输入信号的记忆化信号Xm；
基于每个采样点的输出信号Y构建该采样点对应输出信号的记忆化信号Ym；
设定拟合信号
Figure 363390DEST_PATH_IMAGE001
，其中，h_state为隐层状态量，o_state为输出状态量；
以Xm作为输入，拟合信号Xfit为输出，Ym为标签，训练至拟合信号Xfit与输出信号Ym的损失小于一定阈值，得信号拟合模块同步锁定隐层状态量h_state和输出状态量o_state，其中，训练过程中，连续处理L个采样点信号，取L个采样点信号损失error的平均值，更新一次隐层状态量h_state和输出状态量o_state；
所述信号拟合模块用于接收原始的基带I/Q输入信号X(k)，基于X(k)构造的记忆化信号Xm(k)，并以其作为信号拟合模块的输入，在确定的隐层状态量h_state和输出状态量o_state下，输出拟合信号Xfit(k)；
所述记忆化处理模块级联于信号拟合模块后，其为循环神经网络，记忆化处理模块将每次处理后的信号输出并保存，与下一时刻信号拟合模块输出的拟合信号一同作为下一时刻的记忆化处理模块输入。
在上述技术方案中，如图1所示宽带数字预失真系统在其中一种技术方案中包括：
一、信号拟合模块，其为预训练的神经网络，预训练过程包括以下步骤：
（1）、按照时间顺序采样（读取）一段历史信号，该段历史信号包括按照时间顺序排列的多个采样点的信号，每个采样点的信号包括输入信号X和输出信号Y；
以i时刻采样点的信号为例，该采样点的信号包括输入信号X(i)和输出信号Y(i)，输出信号的输出不执行数字预失真算法（基带输入直接到功放输出，即功率放大器的输入、输出信号），将读取的信号读取到（存储至）RAM区；
（2）、将每个采样点的输入信号X，与该采样点前后时刻的一部分输入信号拼接，构造该采样点对应输入信号的记忆化信号Xm，以i时刻采样点的输入信号X(i)为例：
基于输入信号X(i)构造记忆化信号Xm(i)，构造方法如下：
Figure 650015DEST_PATH_IMAGE002
，式中，XI(i+
Figure 39408DEST_PATH_IMAGE015
)为I路在i+
Figure 619032DEST_PATH_IMAGE015
时刻的输入信号，XQ(i+
Figure 952930DEST_PATH_IMAGE015
)为Q路在i+
Figure 777666DEST_PATH_IMAGE015
时刻的输入信号，其余依次类推；
（3）基于每个采样点的输出信号Y构造该输出信号的记忆化信号Ym，以i时刻采样点的输入信号Y(i)为例，构造记忆化信号Ym(i)，构造方法如下：
Figure 726293DEST_PATH_IMAGE003
，式中，YI(i)为I路在i时刻的输出信号，YQ(i)为Q路在i时刻的输出信号；
（4）、以全部采样点的Xm作为输入，拟合信号Xfit为输出，Ym为标签，训练至拟合信号Xfit与输出信号Ym的损失error小于一定阈值，构建信号拟合模块，确定输出状态量o_state(i)、隐层状态量h_state；
其中：
①、
Figure 837337DEST_PATH_IMAGE016
，式中，Tanh为双曲正切函数，h_state(i)为隐层状态量，o_state(i)为输出状态量，（·）T表示矩阵的转置；
②、读取记忆化信号Xm(i)后，通过特定数量抽头系数的处理，将输入信号的维度拟合到输出信号上。抽头系数的设计，称之为信号拟合模块的参数，信号拟合模块的参数遵循提取输入信号特征与拟合输出信号两大原则，包括输出状态量o_state(i)、隐层状态量h_state，具体的：
Figure 799477DEST_PATH_IMAGE004
；
Figure 660861DEST_PATH_IMAGE005
，式中，o_state(i)、h_state(i)的维度满足矩阵乘法，具体的，h_state的行数和Xm(i)的列数对应，下标h表示隐层状态量h_state的维度，也即滤波器抽头的组数；由于需要拟合输出信号，所以输出状态量o_state的维度为2，分别对应输出信号Ym(i)的I/Q分量，行数为h行，与隐层状态量h_state的列数对应；
③、训练过程中拟合信号并不用来支持数字预失真，而是更新信号拟合模块的参数，用以达到较好的拟合效果。计算拟合信号Xfit(i)与输出信号Ym(i)的损失error(i)，损失error(i)表示为:
Figure 493687DEST_PATH_IMAGE006
，式中，MSE（）表示均方误差；
④、根据损失error(i)更新后的下一时刻(i+1时刻)的隐层状态量h_state(i+1)与输出状态量o_state(i+1)，具体为：
Figure 41212DEST_PATH_IMAGE017
，式中，μ为步长，∂为偏微分符号，w(i)与h_state(i)、o_state(i)中的各元素对应；
换种表示：对于隐层状态量而言，可表示为：
Figure 992113DEST_PATH_IMAGE018
；
对于输出状态量而言，可表示为，
Figure 158652DEST_PATH_IMAGE019
上述④为了解决拟合阶段收敛速度过慢的问题，更新步长μ应设置为较大的数值，具体可选取0.001；
上述④中相关内容仅作为更新原理的解释，在信号拟合模块的训练过程中，采取批处理的方式来更新参数，即连续处理L个采样点信号，取这L个采样点信号error的平均值，更新一次参数，优选的，为了较好的提取信号的统计特征，选取L为全部采样点信号处理完的总次数，具体可表示如下：
情况1、L小于全部采样点信号处理完的总次数
将全部采样点以L为间隔分成多组，记为{1L、2L、……、mL、……}，更新一次隐层状态量h_state和输出状态量o_state，方法为：
Figure 111565DEST_PATH_IMAGE007
，式中，error(mL)为第mL组中L个采样点信号损失error的平均值，则下一组（m+1）L中全部的隐层状态量h_state和输出状态量o_state采用上述规则同步更新，w(mL)与h_state(mL)、o_state(mL)中的各元素对应，w(mL+1)与h_state(mL+1)、o_state(mL+1)中的各元素对应，在一次训练完成后，如若误差不符合要求，循环重复训练，直至训练完成；
情况2、L等于全部采样点信号处理完的总次数，即全部采样点为1组，更新一次隐层状态量h_state和输出状态量o_state，方法为：
Figure 705357DEST_PATH_IMAGE027
，式中，error(L)为一次训练全部采样点信号损失error的平均值，则下一次训练全部采样点的隐层状态量h_state和输出状态量o_state采用上述规则同步更新，w(L)与h_state(L)、o_state(L)中的各元素对应，w(L+1)与h_state(L+1)、o_state(L+1)中的各元素对应，在一次训练完成后，如若误差不符合要求，循环重复训练，直至训练完成，即在该情况中L+1表示第1个参与训练的采样点；
待信号拟合模块训练完成后，参数h_state和o_state立即被冻结，不参与到之后的参数更新中。
信号拟合模块训练完成后，增加至宽带数字预失真系统中，用于接收当前时刻k的原始的基带I/Q输入信号Y(k)；
基于输入信号X(k)构造当前时刻k的记忆化信号Xm(k)作为信号拟合模块的输入，经过信号拟合模块，在确定的参数隐层状态量h_state和输出状态量o_state下，输出拟合信号Xfit(k)；
其中，
Figure 695220DEST_PATH_IMAGE022
；
Figure 931029DEST_PATH_IMAGE023
；
二、记忆化处理模块，其级联在信号拟合模块后，为循环神经网络，用于解决功率放大器的记忆效应，记忆化处理模块的参数设置与信号拟合模块类似，分为两层，包括隐层状态量hr_state，和输出状态量or_state，
具体的：
输入Xsum(k)：
Figure 4028DEST_PATH_IMAGE008
，式中，Xout(k-1)为上一时刻（k-1时刻）记忆化处理模块的输出；
输出Xout(k)：
Figure 129241DEST_PATH_IMAGE009
，式中，记忆化处理模块的参数设置分为两层，包括隐层状态量hr_state，和输出状态量or_state，具体的：
Figure 287690DEST_PATH_IMAGE024
；
Figure 796031DEST_PATH_IMAGE011
；
记忆化处理模块参数更新的方式与信号拟合模块一致，不同的是，采取逐点更新的方案，具体的：
经过记忆化处理模块的输出Xout(k)经数模转换和正交上变频为射频信号送入信号放大器，信号放大器完成射频信号的放大，输出信号Ym(k)；
记忆化处理模块以Ym(k)为标签，构建反馈回路，采集信号放大器的输出信号Ym(k)，输入至记忆化处理模块；
计算Xout(k)与Ym(k)的损失error(k)，用来更新隐层状态量hr_state(k+1)，和输出状态量or_state(k+1)，损失表示为：
Figure 487650DEST_PATH_IMAGE028
根据损失error(k)更新后的下一时刻(k+1时刻)的隐层状态量hr_state(k+1)与输出状态量or_state(k+1)，具体为：
Figure 688825DEST_PATH_IMAGE013
，式中，μ’为步长，一般选取0.000001~0.00001，∂为偏微分符号，w’(k)与hr_state(k)、or_state(k)中的各元素对应；
换种表示：对于隐层状态量hr_state(k+1)而言，可表示为：
Figure DEST_PATH_IMAGE029
对于输出状态量而言，可表示为，
Figure 396886DEST_PATH_IMAGE026
。
使用过程中：
ⅰ、对于信号拟合模块和记忆化处理模块，分别在不同的阶段执行不同的功能。对于输入信号X(k)的单次处理：
首先，构造当前时刻k的记忆化信号Xm(k)作为信号拟合模块的输入，经过信号拟合模块，将输入信号X(i)拟合到与目标信号的误差小于一定阈值，输出拟合信号Xfit(k)；
再经过记忆化处理模块，利用该模块的记忆性，针对功率放大器的记忆效应执行高精度的拟合。
信号拟合模块对应于神经网络，记忆化处理模块对应于循环神经网络。
一定阈值具体可为-36dB，具体根据在训练测试中根据实际情况选取阈值，只要是在预处理阶段达到性能提升瓶颈的情境，都可以选取其作为阈值。
ⅱ、关于信号拟合模块在不同阶段的作用：
信号拟合模块在参数估计阶段不连接记忆化处理模块，而直接对输入信号与输出信号进行拟合，由于一般情况下，参数收敛得非常缓慢，所以该阶段采取信号复用的方式，将一段信号采样下来，重复地估计该模块（信号拟合模块）的参数，直到拟合信号与输出信号误差小于一定阈值。
在其中一实施例中对一段长为65534个采样点的信号重复训练约40000次，耗时大约2小时，将NMSE误差控制在-36dB以下。
ⅲ、在此之后，将记忆化处理模块级联在信号拟合模块后边，并锁定信号拟合模块的参数（隐层状态量h_state和输出状态量o_state），仅对记忆化处理模块的参数（隐层状态量hr_state，和输出状态量or_state）进行估计更新；
记忆化处理模块将每次处理后的信号输出并保存，与下一时刻的拟合信号一同作为下一时刻的记忆化处理模块的输入，以此来刻画功率放大器的记忆效应；
在其中一实施例中，选取中间隐层状态维度为40的循环神经网络，每个时刻的输出Xout(k-1)将与下一时刻的输入Xfit(k)相加后再一起输入到记忆化处理模块，参数更新的步长取0.000005。
ⅵ、信号拟合模块的输入信号Xm是包含了一定数量的记忆项的，即将当前时刻的输入信号与前后时刻的一部分输入信号拼接起来，作为当前时刻数字预失真系统的输入信号，该记忆项长度的选取与功率放大器本身的记忆效应相关，在其中一个实施例中，选取记忆项长度为前后各5个采样点，输入信号尺寸为11x2。
ⅴ、在信号拟合模块的训练阶段，由于数字预失真系统收敛速度较慢，需采取block式的参数更新方法，即每经过L点更新一次参数，为了较好地提取信号的统计特性，在其中一实施例中选取在训练阶段将信号采样点全部处理后更新参数，但同样可根据功率放大器本身的特性与信号带宽任意地选取参数L。
ⅳ、信号拟合模块的设计需要足量地扩展信号的特征，一般选取维度更高的矩阵或卷积神经网络，选取后者可以有效地减少参数量，取决于信号记忆长度的选取，也即功率放大器的记忆特性，在其中一实施例中，选取带有4个2*2卷积核的卷积神经网络和隐层状态维度为h=40的神经网络来实现特征提取。
采用这种技术方案，添加信号拟合模块解决循环神经网络收敛慢甚至难以收敛的问题，配合使用循环神经网络提高数字预失真系统的精度。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (10)

1.基于神经网络的宽带数字预失真方法，其特征在于，包括以下步骤：
步骤一：构建信号拟合模块
顺序采样一段包含多个采样点的输入信号X和输出信号Y；
将每个采样点的输入信号X，与该采样点前后时刻的一部分输入信号拼接，构造该采样点对应输入信号的记忆化信号Xm；
基于每个采样点的输出信号Y构建该采样点对应输出信号的记忆化信号Ym；
设定拟合信号
Figure 195870DEST_PATH_IMAGE001
，其中，h_state为隐层状态量，o_state为输出状态量，（·）T表示矩阵的转置；
以Xm作为输入，拟合信号Xfit为输出，Ym为标签，训练至拟合信号Xfit与输出信号Ym的损失小于一定阈值，得信号拟合模块，其中，训练过程中，连续处理L个采样点信号，取L个采样点信号损失error的平均值，更新一次隐层状态量h_state和输出状态量o_state；
步骤二：基于当前时刻k的基带IQ输入信号X(k)构造的记忆化信号Xm(k)，并以其作为信号拟合模块的输入，在确定的隐层状态量h_state和输出状态量o_state下，输出拟合信号Xfit(k)；
步骤三：在信号拟合模块后级联基于循环神经网络的记忆化处理模块，其中，记忆化处理模块将每次处理后的信号输出并保存，与下一时刻信号拟合模块输出的拟合信号一同作为下一时刻的记忆化处理模块输入。
2.如权利要求1所述的基于神经网络的宽带数字预失真方法，其特征在于，步骤一中，设定i时刻采样点的输入信号为X(i)、输出信号为Y(i) ，基于输入信号X(i)构造记忆化信号Xm(i)，基于Y(i)构建记忆化信号Ym(i)，构造方法如下：
Figure 763248DEST_PATH_IMAGE002
；
Figure 500260DEST_PATH_IMAGE003
；
式中，XI为I路的输入信号，XQ为Q路的输入信号，N为在构建记忆化信号时，除了当前时刻，获取的其它采样点个数；
YI为I路的输出信号，YQ为Q路的输出信号。
3.如权利要求2所述的基于神经网络的宽带数字预失真方法，其特征在于，对于i时刻采样点：
该采样点对应隐层状态量h_state表示为：
Figure 85962DEST_PATH_IMAGE004
，h表示隐层状态量h_state的维度；
输出状态量o_state表示为：
Figure 515807DEST_PATH_IMAGE005
该采样点对应拟合信号Xfit(i)与输出信号Ym(i)的损失error(i)表示为：
Figure 570481DEST_PATH_IMAGE006
。
4.如权利要求3所述的基于神经网络的宽带数字预失真方法，其特征在于，将全部采样点以L为间隔分成多组，记为{1L、2L、……、mL、……}，更新一次隐层状态量h_state和输出状态量o_state，方法为：
Figure 845605DEST_PATH_IMAGE007
，式中，error(mL)为第mL组中L个采样点信号损失error的平均值，μ为步长，∂为偏微分符号，w(mL)与h_state(mL)、o_state(mL)中的各元素对应，w(mL+1)与h_state(mL+1)、o_state(mL+1)中的各元素对应。
5.如权利要求1所述的基于神经网络的宽带数字预失真方法，其特征在于，L为全部采样点信号处理完的总次数。
6.如权利要求4所述的基于神经网络的宽带数字预失真方法，其特征在于，μ为0.001。
7.如权利要求4所述的基于神经网络的宽带数字预失真方法，其特征在于，构建记忆化处理模块，具体为：
输入Xsum(k)：
Figure 551393DEST_PATH_IMAGE008
，式中，Xout(k-1)为上一时刻记忆化处理模块的输出；
输出Xout(k)：
Figure 886559DEST_PATH_IMAGE009
，式中，hr_state(k)为隐层状态量，
Figure 431460DEST_PATH_IMAGE010
or_state(k)为输出状态量，。
8.如权利要求7所述的基于神经网络的宽带数字预失真方法，其特征在于，步骤S3还包括：
经过记忆化处理模块的输出Xout(k)经处理后送入信号放大器，信号放大器完成射频信号的放大，输出信号Ym(k)；
记忆化处理模块以Ym(k)为标签，构建反馈回路，采集信号放大器的输出信号Ym(k)，输入至记忆化处理模块；
计算
Figure 510274DEST_PATH_IMAGE011
与
Figure 8252DEST_PATH_IMAGE012
的损失
Figure 842215DEST_PATH_IMAGE013
，表示为：
Figure 792854DEST_PATH_IMAGE014
；
根据损失error(k)更新后的下一时刻的隐层状态量hr_state(k+1)与输出状态量or_state(k+1)，具体为：
Figure 488409DEST_PATH_IMAGE015
式中，μ’为步长，w’(k)与hr_state(k)、or_state(k)中的各元素对应, w’(k+1)与hr_state(k+1)、or_state(k+1)中的各元素对应。
9.如权利要求8所述的基于神经网络的宽带数字预失真方法，其特征在于，μ’=0.000001~0.00001。
10.基于神经网络的宽带数字预失真系统，其特征在于，包括信号拟合模块和记忆化处理模块，其中：
所述信号拟合模块具有确定的隐层状态量h_state和输出状态量o_state，确定的隐层状态量h_state和输出状态量o_state的方法包括以下步骤：
顺序采样一段包含多个采样点的输入信号X和输出信号Y；
将每个采样点的输入信号X，与该采样点前后时刻的一部分输入信号拼接，构造该采样点对应输入信号的记忆化信号Xm；
基于每个采样点的输出信号Y构建该采样点对应输出信号的记忆化信号Ym；
设定拟合信号
Figure 840892DEST_PATH_IMAGE001
，其中，h_state为隐层状态量，o_state为输出状态量；
以Xm作为输入，拟合信号Xfit为输出，Ym为标签，训练至拟合信号Xfit与输出信号Ym的损失小于一定阈值，得信号拟合模块同步锁定隐层状态量h_state和输出状态量o_state，其中，训练过程中，连续处理L个采样点信号，取L个采样点信号损失error的平均值，更新一次隐层状态量h_state和输出状态量o_state；
所述信号拟合模块用于接收原始的基带I/Q输入信号X(k)，基于X(k)构造的记忆化信号Xm(k)，并以其作为信号拟合模块的输入，在确定的隐层状态量h_state和输出状态量o_state下，输出拟合信号Xfit(k)；
所述记忆化处理模块级联于信号拟合模块后，其为循环神经网络，记忆化处理模块将每次处理后的信号输出并保存，与下一时刻信号拟合模块输出的拟合信号一同作为下一时刻的记忆化处理模块输入。
CN202211306660.3A 2022-10-25 2022-10-25 基于神经网络的宽带数字预失真系统和方法 Active CN115378446B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211306660.3A CN115378446B (zh) 2022-10-25 2022-10-25 基于神经网络的宽带数字预失真系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211306660.3A CN115378446B (zh) 2022-10-25 2022-10-25 基于神经网络的宽带数字预失真系统和方法

Publications (2)

Publication Number Publication Date
CN115378446A CN115378446A (zh) 2022-11-22
CN115378446B true CN115378446B (zh) 2023-01-10

Family

ID=84072750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211306660.3A Active CN115378446B (zh) 2022-10-25 2022-10-25 基于神经网络的宽带数字预失真系统和方法

Country Status (1)

Country Link
CN (1) CN115378446B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111245375A (zh) * 2020-01-19 2020-06-05 西安空间无线电技术研究所 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
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
CN113676426A (zh) * 2021-08-24 2021-11-19 东南大学 面向动态传输的智能数字预失真系统及方法
WO2022214278A1 (en) * 2021-04-09 2022-10-13 Nokia Solutions And Networks Oy Digital pre-distortion using convolutional neural networks

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111245375A (zh) * 2020-01-19 2020-06-05 西安空间无线电技术研究所 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
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
WO2022214278A1 (en) * 2021-04-09 2022-10-13 Nokia Solutions And Networks Oy Digital pre-distortion using convolutional neural networks
CN113676426A (zh) * 2021-08-24 2021-11-19 东南大学 面向动态传输的智能数字预失真系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Hammerstein predistortion linearization design based on the indirect learning architecture;DING，Lei等;《IEEE》;20021231;全文 *
一种优化的神经网络数字预失真方法;张烈等;《西北工业大学学报》;20141215(第06期);全文 *
基于神经网络的宽带功放动态非线性行为建模;刘太君等;《微波学报》;20201231(第01期);全文 *
广义记忆型神经网络射频功放数字预失真器;尹思源等;《微波学报》;20180419(第02期);全文 *

Also Published As

Publication number Publication date
CN115378446A (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
US8610500B2 (en) Orthogonal basis function set for digital predistorter
CN103947106B (zh) 一种用于使非线性的系统元件线性化的方法、系统及设备
EP2641326B1 (en) Configurable basis-function generation for nonlinear modeling
CN103117964B (zh) 一种60GHz毫米波通信系统下的信号检测方法与装置
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
CN113037226B (zh) 基于自适应步长裁剪方法的数字预失真设计方法及装置
CN114499601B (zh) 一种基于深度学习的大规模mimo信号检测方法
CN101771639B (zh) 一种预失真参数的处理方法和装置
CN108023844A (zh) 一种实信号欠采样的数字预失真系统
CN110086438B (zh) 一种针对无源多波束发射机的数字预失真系统及方法
CN115378446B (zh) 基于神经网络的宽带数字预失真系统和方法
CN113868994A (zh) 适用于基于cpwl函数的功放模型的门限值优化方法
CN108833145B (zh) 一种使用自组织映射网络的分段二维预失真系统及方法
CN105471783B (zh) 基于输入序列的mimo系统发射端数字预失真优化方法
CN117040450A (zh) 功率放大器温度补偿的分段线性数字预失真系统及方法
CN114726703B (zh) 一种功率注入型多路自适应数字预失真算法及系统
CN114143152B (zh) 基于分数阶相关熵和分数阶梯度的恒模盲均衡方法
CN117060952A (zh) 多输入多输出系统中的信号检测方法及装置
CN115086115A (zh) 一种功率放大器引起的非线性形变信号检测与估计方法
CN117501623A (zh) 使用卷积神经网络的数字预失真
Zhang et al. A Loop Delay Estimation Algorithm Based on Sliding Window in Digital Predistortion Systems
Li et al. Adaptive digital predistortion based on MC-FQRD-RLS algorithm using indirect learning architecture
CN113114125A (zh) 一种双环路解算的数字预失真校正方法及系统
US12107608B2 (en) Signal distortion pre-correction method, device and non-volatile storage medium
Zhang et al. A wideband digital predistortion method based on programmable radio frequency

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Hou Weibing

Inventor after: Zhou Libing

Inventor after: Wang Ya

Inventor before: Hou Weibing

Inventor before: Lei Weilong