CN115550118A - 一种数字信号处理方法及相关设备 - Google Patents
一种数字信号处理方法及相关设备 Download PDFInfo
- Publication number
- CN115550118A CN115550118A CN202211137290.5A CN202211137290A CN115550118A CN 115550118 A CN115550118 A CN 115550118A CN 202211137290 A CN202211137290 A CN 202211137290A CN 115550118 A CN115550118 A CN 115550118A
- Authority
- CN
- China
- Prior art keywords
- signal
- output signal
- digital
- predistortion
- 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.)
- Pending
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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Nonlinear Science (AREA)
- Power Engineering (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Amplifiers (AREA)
Abstract
本发明公开了一种数字信号处理方法及相关设备,所述方法包括:按顺序读取功率放大器的第一输入信号和第一输出信号,根据所述第一输入信号和所述第一输出信号构造记忆化信号;将所述记忆化信号输入到数字预失真模型,所述数字预失真模型根据所述记忆化信号得到预失真信号,将所述预失真信号输入到功率放大器得到第二输出信号;将所述第二输出信号输入到可训练神经网络模块得到第三输出信号,计算所述预失真信号和所述第三输出信号之间的均方误差,根据所述均方误差更新所述数字预失真模型的参数。本发明当参数更新发生震荡,均方误差过大时,通过减小批处理尺寸的方式提高精度,当参数平稳时,增加批处理尺寸,提高处理速度,缓解过拟合。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种数字信号处理方法、系统、终端及计算机可读存储介质。
背景技术
数字预失真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、反射等因素的影响造成衰减,一般在信号经天线发射前经过一个功率放大器。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,以致影响通信系统的性能。一方面,功率放大器的设计越来越考虑宽带通信与多带传输。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,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,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。但由于神经网络强大的拟合能力以及DPD系统本身较浅的特征,在训练神经网络时经常遇到迅速过拟合的现象,部署过程中也会有高频次的振荡,批处理的方式可以提高处理速度,“平滑”DPD的特征以缓解过拟合,减轻振荡,但在训练完成后,实际工作在DPD系统时,较大的批处理尺寸可能会不满足精度要求与时延要求。
因此,现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于提供一种数字信号处理方法、系统、终端及计算机可读存储介质,旨在解决现有技术中使用神经网络处理数字预失真通过较大的批处理尺寸不满足精度要求与时延要求的问题。
为实现上述目的,本发明提供一种数字信号处理方法,所述数字信号处理方法包括如下步骤:
按顺序读取功率放大器的第一输入信号和第一输出信号,根据所述第一输入信号和所述第一输出信号构造记忆化信号;
将所述记忆化信号输入到数字预失真模型,所述数字预失真模型根据所述记忆化信号得到预失真信号,将所述预失真信号输入到功率放大器得到第二输出信号;
将所述第二输出信号输入到可训练神经网络模块得到第三输出信号,计算所述预失真信号和所述第三输出信号之间的均方误差,根据所述均方误差更新所述数字预失真模型的参数。
可选地,所述的数字信号处理方法,其中,所述按顺序读取功率放大器的第一输入信号和第一输出信号,根据所述第一输入信号和所述第一输出信号构造记忆化信号,具体包括:
执行初始化功能,按顺序读取功率放大器的第一输入信号X(i)和第一输出信号Y(i),将第一输入信号X(i)和第一输出信号Y(i)读取到RAM区,构造记忆化信号Xm(i),构造方法如下:
Ym(i)=Y(i);
其中,i表示时刻;N是记忆窗长,根据功率放大器的参数进行初始化设定;Ym(i)表示Xm(i)对应时刻的输出信号。
可选地,所述的数字信号处理方法,其中,所述将所述记忆化信号输入到数字预失真模型,所述数字预失真模型根据所述记忆化信号得到预失真信号,将所述预失真信号输入到功率放大器得到第二输出信号,具体包括:
将所述记忆化信号Xm(i)输入到所述数字预失真模型,所述数字预失真模型为神经网络,所述数字预失真模型根据所述记忆化信号Xm(i)得到预失真信号Xd(i),将所述预失真信号Xd(i)输入到所述功率放大器得到第二输出信号Y(i);
对每一个所述预失真信号Xd(i)分配相同的神经网络参数:
其中,W表示神经网络的权重参数;bias表示神经网络的偏置参数。
可选地,所述的数字信号处理方法,其中,所述将所述第二输出信号输入到可训练神经网络模块得到第三输出信号,计算所述预失真信号和所述第三输出信号之间的均方误差,根据所述均方误差更新所述数字预失真模型的参数,具体包括:
将所述第二输出信号Y(i)输入到所述可训练神经网络模块得到所述第三输出信号Xd′(i),计算所述预失真信号Xd(i)和所述第三输出信号Xd′(i)之间的均方误差:
其中,k表示批信号中的索引;
将所述均方误差视为所述数字预失真模型的函数,按照梯度下降法更新所述数字预失真模型的参数:
其中,w表示当前时刻的权重参数,即更新前的权重参数;α表示梯度更新的步长;w′表示下一时刻的权重参数,即更新后的权重参数。
可选地,所述的数字信号处理方法,其中,所述将所述第二输出信号输入到可训练神经网络模块得到第三输出信号,计算所述预失真信号和所述第三输出信号之间的均方误差,根据所述均方误差更新所述数字预失真模型的参数,之后还包括:
连续追踪N个loss值,并实时统计更新N个loss的方差:
预先给V(loss)设定阈值Vthreshold,每更新一次参数,评估一次V(loss),更新批处理尺寸K,当方差高于阈值Vthreshold时,或不满足时延的要求时,将批处理尺寸倍增,否则每次将批处理尺寸减一,当批处理尺寸只有1时,将尺寸倍增:
其中,K′表示更新后的批处理尺寸;
当K增加到上界Kmax时,不再执行倍增,保持不变;其中,Kmax=T*sr,T表示系统可接受的最大时延,sr是系统的信号采样率。
可选地,所述的数字信号处理方法,其中,所述数字信号处理方法还包括:
将所述记忆化信号Xm(i)拼接为矩阵的形式,每一行作为独立的输入,共享同一个参数矩阵:
其中,b表示神经网络的偏置参数;
输出所述预失真信号Xd(i)作为所述功率放大器的输入,经数模转换后送入所述功率放大器,得到所述第二输出信号Y(i),再经模数转换送回所述数字预失真模型用于参数更新。
可选地,所述的数字信号处理方法,其中,所述数字信号处理方法还包括:
在更新参数时将所述第二输出信号Y(i)与所述第三输出信号Xd′(i)倒置,对所述第二输出信号Y(i)进行记忆化处理:
可选地,所述的数字信号处理方法,其中,所述记忆窗长为前向或后向的记忆项数量,长度的设置取决于所述功率放大器的记忆特性。
可选地,所述的数字信号处理方法,其中,所述神经网络包括深度神经网络、卷积神经网络和循环神经网络。
可选地,所述的数字信号处理方法,其中,所述均方误差用于衡量所述数字预失真模型的稳定性,并自适应地调整批处理尺寸。
此外,为实现上述目的,本发明还提供一种数字信号处理系统,其中,所述数字信号处理系统包括:
信号构造模块,用于按顺序读取功率放大器的第一输入信号和第一输出信号,根据所述第一输入信号和所述第一输出信号构造记忆化信号;
信号处理模块,用于将所述记忆化信号输入到数字预失真模型,所述数字预失真模型根据所述记忆化信号得到预失真信号,将所述预失真信号输入到功率放大器得到第二输出信号;
参数更新模块,用于将所述第二输出信号输入到可训练神经网络模块得到第三输出信号,计算所述预失真信号和所述第三输出信号之间的均方误差,根据所述均方误差更新所述数字预失真模型的参数。
此外,为实现上述目的,本发明还提供一种终端,其中,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数字信号处理程序,所述数字信号处理程序被所述处理器执行时实现如上所述的数字信号处理方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有数字信号处理程序,所述数字信号处理程序被处理器执行时实现如上所述的数字信号处理方法的步骤。
本发明中,按顺序读取功率放大器的第一输入信号和第一输出信号,根据所述第一输入信号和所述第一输出信号构造记忆化信号;将所述记忆化信号输入到数字预失真模型,所述数字预失真模型根据所述记忆化信号得到预失真信号,将所述预失真信号输入到功率放大器得到第二输出信号;将所述第二输出信号输入到可训练神经网络模块得到第三输出信号,计算所述预失真信号和所述第三输出信号之间的均方误差,根据所述均方误差更新所述数字预失真模型的参数。本发明当参数更新发生震荡,均方误差过大时,通过减小批处理尺寸的方式提高精度,当参数平稳时,增加批处理尺寸,提高处理速度,缓解过拟合。
附图说明
图1是本发明数字信号处理方法的较佳实施例的流程图;
图2是本发明数字信号处理方法的较佳实施例中自适应批处理方法流程图;
图3是本发明数字信号处理方法的较佳实施例中记忆化信号处理示意图;
图4是本发明数字信号处理方法的较佳实施例中基于循环神经网络的信号处理示意图;
图5是本发明数字信号处理系统的较佳实施例的原理示意图;
图6为本发明终端的较佳实施例的运行环境示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明较佳实施例所述的数字信号处理方法,如图1所示,所述数字信号处理方法包括以下步骤:
步骤S10、按顺序读取功率放大器的第一输入信号和第一输出信号,根据所述第一输入信号和所述第一输出信号构造记忆化信号。
具体地,在启动阶段,执行初始化功能,按前后顺序读取功率放大器的第一输入信号X(i)和第一输出信号Y(i),不执行数字预失真算法,将第一输入信号X(i)和第一输出信号Y(i)读取到RAM区,构造记忆化信号Xm(i),构造方法如下:
Ym(i)=Y(i);
其中,i表示时刻;N是记忆窗长,根据功率放大器的参数进行初始化设定,数据需要通过记忆窗长来保留记忆项,记忆窗长N的含义为前向或后向的记忆项数量,长度的设置往往取决于功率放大器的记忆特性,也可以选取单向记忆化,即仅包括后向记忆项N项或前向记忆项N项;Ym(i)表示Xm(i)对应时刻的输出信号。
重复执行上述过程,得到一批记忆化信号Xm(1),…,Xm(k)与对应时刻的输出Ym(1),…,Ym(k),根据数字预失真系统对时延的要求和神经网络模型拟合的质量,自适应的选择初始值N。实际上,由于模型在更新时采用输入输出倒置的方式,所以也需要对第一输出信号Y(i)做记忆化处理,与上述一致,不再表述。
步骤S20、将所述记忆化信号输入到数字预失真模型,所述数字预失真模型根据所述记忆化信号得到预失真信号,将所述预失真信号输入到功率放大器得到第二输出信号。
具体地,在数字预失真阶段,将所述记忆化信号Xm(i)输入到所述数字预失真模型,所述数字预失真模型为神经网络(所述神经网络包括深度神经网络、卷积神经网络、循环神经网络等任一种神经网络),所述数字预失真模型根据所述记忆化信号Xm(i)得到预失真信号Xd(i),Xd(i)作为功率放大器的实际输入,将所述预失真信号Xd(i)输入到所述功率放大器得到第二输出信号Y(i)。
且批输入信号权值共享(每一批信号使用同样的神经网络参数,也即在一批信号处理完之后才进行神经网络参数的更新),批处理时权值共享,神经网络本身不处理同一批数据中各个时刻信号间的时序关系,相应的,对于时序关系的处理包含在记忆项中;对每一个所述预失真信号Xd(i)分配相同的神经网络参数:
其中,W表示神经网络的权重参数;bias表示神经网络的偏置参数;f表示神经网络中的激活函数。
步骤S30、将所述第二输出信号输入到可训练神经网络模块得到第三输出信号,计算所述预失真信号和所述第三输出信号之间的均方误差,根据所述均方误差更新所述数字预失真模型的参数。
具体地,在参数更新与自适应调整阶段,在数字预失真系统中内置了另一个完全相同的可训练神经网络模块用来训练,将所述第二输出信号Y(i)输入到所述可训练神经网络模块得到所述第三输出信号Xd′(i),计算所述预失真信号Xd(i)和所述第三输出信号Xd′(i)之间的均方误差:
其中,k表示批信号中的索引;
将所述均方误差视为所述数字预失真模型的函数,按照梯度下降法更新所述数字预失真模型的参数:
其中,w表示当前时刻的权重参数,即更新前的权重参数;α表示梯度更新的步长(神经网络中叫学习率);w′表示下一时刻的权重参数,即更新后的权重参数。参数更新的运算以批处理的形式实现。
更新后的参数同步到所述数字预失真模型,用于下一批信号处理。参数的更新基于记忆窗长内平均损失loss的计算,此处loss用于衡量神经网络拟合效果,可以采用任一用于表示拟合效果的损失函数,例如MSE/NMSE/RMSE/交叉熵等,平均损失loss优先选取为均方误差MSE。
其中,对loss的记录用于了解loss的变化情况,衡量模型的稳定性,进而自适应地调整批处理尺寸。一般选取对应的记忆窗长N来追踪loss,当记忆窗长设置较小时,可以自行选取较大的loss记录长度。
进一步地,如图2所示,连续追踪N个loss值,并实时统计更新N个loss的方差:
预先给V(loss)设定阈值Vthreshold,每更新一次参数,评估一次V(loss),更新批处理尺寸K,当方差高于阈值Vthreshold时,或不满足时延的要求时,将批处理尺寸倍增,否则每次将批处理尺寸减一,当批处理尺寸只有1时,将尺寸倍增:
其中,K′表示更新后的批处理尺寸,即下一时刻更新得到的批处理尺寸K;
当K增加到上界Kmax时,不再执行倍增,保持不变;其中,Kmax=T*sr,T表示系统可接受的最大时延,sr是系统的信号采样率。
其中,自适应地更新时延,也即批处理的尺寸K;当记忆窗长设置较小时,批处理的尺寸K按照系统对时延的最低要求来设置,也即特定时延下的最大批处理尺寸。由于权值共享,模型对于数字预失真系统的性能会随着精度的提高而不稳定,故需减小批处理尺寸来针对高精度场景下的参数更新,但减小批处理尺寸的时候也减小了处理速度与稳定性,一般在极端情况会达到批处理尺寸为1,也即每单独处理一个信号采样点进行一次参数更新,所以在较小尺寸的情况下,使用倍增的方式对批处理尺寸K进行扩展。
进一步地,5G通信系统下,数字预失真对实时性与处理精度有很高的要求,同时神经网络的学习也很容易过拟合,这些都可以反映在模型的拟合效果,即输入与输出的误差函数loss上,所以,本发明根据loss的稳定性设计了一种自适应的调整方案;在追踪阶段,当参数更新发生震荡时,也即loss方差过大,通过减小批处理尺寸的方式提高精度,当参数平稳时,增加批处理尺寸,提高处理速度,缓解过拟合。
对于所述记忆化信号Xm(i),批处理将所述记忆化信号Xm(i)拼接为矩阵的形式,每一行作为独立的输入,共享同一个参数矩阵:
其中,b表示神经网络的偏置参数;例如K表示批处理的长度,k是这批信号中的索引,例如这一批中共有K个信号,分别用k=1,k=2,...,k=K来表示。
输出所述预失真信号Xd(i)作为所述功率放大器的输入,经数模转换后送入所述功率放大器,得到所述第二输出信号Y(i),再经模数转换送回所述数字预失真模型(DPD,Digital PreDistortion)用于参数更新。
相应的,在更新参数时将所述第二输出信号Y(i)与所述第三输出信号Xd′(i)倒置,对所述第二输出信号Y(i)进行记忆化处理:
所以,本发明中对参数的更新是需要按批次处理的,损失函数的loss同样按批次获取,最终应用于梯度下降的是平均值:
可见,批处理方法均衡了各个时刻的采样点的特征,可以适度缓和参数估计可能发生的振荡,但同时也削弱了模型的拟合精度,所以当loss的方差大于某个阈值时,采用成倍增加批处理尺寸的方法缓解振荡,之后再逐步地减小尺寸以提升精度:
进一步地,优先选取循环神经网络来作为DPD模型,如图3所示,图3给出了针对DPD的记忆特性设置的记忆化方法,数据需要通过记忆窗长来保留记忆项,记忆窗长N(包含记忆项的数量)的含义为前向或后向的记忆项数量,长度的设置往往取决于功率放大器的记忆特性,在本发明的实施例中,采取了前向与后向各8个采样点的方式。应当注意,这只是众多实施例中的一种,长度选取本身不具有唯一性。另外在批处理时,每一批的信号权值共享,神经网络本身不处理同一批数据中各个时刻信号间的时序关系,相应的,对于时序关系的处理包含在记忆项中。
进一步地,如图4所示,图4给出了一种基于循环神经网络的实施例,首先将输入信号记忆化处理为一个包含I/Q分量与记忆项的输入矩阵,神经网络本身由一个80个神经元的RNN层与一个50个神经元的全连接层,在输出层将隐藏状态的维度映射为2,得到输出信号。
进一步地,如图5所示,基于上述数字信号处理方法,本发明还相应提供了一种数字信号处理系统,其中,所述数字信号处理系统包括:
信号构造模块51,用于按顺序读取功率放大器的第一输入信号和第一输出信号,根据所述第一输入信号和所述第一输出信号构造记忆化信号;
信号处理模块52,用于将所述记忆化信号输入到数字预失真模型,所述数字预失真模型根据所述记忆化信号得到预失真信号,将所述预失真信号输入到功率放大器得到第二输出信号;
参数更新模块53,用于将所述第二输出信号输入到可训练神经网络模块得到第三输出信号,计算所述预失真信号和所述第三输出信号之间的均方误差,根据所述均方误差更新所述数字预失真模型的参数。
进一步地,如图6所示,基于上述数字信号处理方法和系统,本发明还相应提供了一种终端,所述终端包括处理器10、存储器20及显示器30。图6仅示出了终端的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元,例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据,例如所述安装终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器20上存储有数字信号处理程序40,该数字信号处理程序40可被处理器10所执行,从而实现本申请中数字信号处理方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行所述存储器20中存储的程序代码或处理数据,例如执行所述数字信号处理方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。所述显示器30用于显示在所述终端的信息以及用于显示可视化的用户界面。所述终端的部件10-30通过系统总线相互通信。
在一实施例中,当处理器10执行所述存储器20中数字信号处理程序40时实现上述数字信号处理的步骤。
本发明还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有数字信号处理程序,所述数字信号处理程序被处理器执行时实现如上所述的数字信号处理方法的步骤。
综上所述,本发明提供一种数字信号处理方法及相关设备,所述方法包括:按顺序读取功率放大器的第一输入信号和第一输出信号,根据所述第一输入信号和所述第一输出信号构造记忆化信号;将所述记忆化信号输入到数字预失真模型,所述数字预失真模型根据所述记忆化信号得到预失真信号,将所述预失真信号输入到功率放大器得到第二输出信号;将所述第二输出信号输入到可训练神经网络模块得到第三输出信号,计算所述预失真信号和所述第三输出信号之间的均方误差,根据所述均方误差更新所述数字预失真模型的参数。本发明当参数更新发生震荡,均方误差过大时,通过减小批处理尺寸的方式提高精度,当参数平稳时,增加批处理尺寸,提高处理速度,缓解过拟合。
需要说明的是,在本文中,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、物品或者终端不仅包括那些要素,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、物品或者终端所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
当然,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关硬件(如处理器,控制器等)来完成,所述的程序可存储于一计算机可读取的计算机可读存储介质中,所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (13)
1.一种数字信号处理方法,其特征在于,所述数字信号处理方法包括:
按顺序读取功率放大器的第一输入信号和第一输出信号,根据所述第一输入信号和所述第一输出信号构造记忆化信号;
将所述记忆化信号输入到数字预失真模型,所述数字预失真模型根据所述记忆化信号得到预失真信号,将所述预失真信号输入到功率放大器得到第二输出信号;
将所述第二输出信号输入到可训练神经网络模块得到第三输出信号,计算所述预失真信号和所述第三输出信号之间的均方误差,根据所述均方误差更新所述数字预失真模型的参数。
4.根据权利要求3所述的数字信号处理方法,其特征在于,所述将所述第二输出信号输入到可训练神经网络模块得到第三输出信号,计算所述预失真信号和所述第三输出信号之间的均方误差,根据所述均方误差更新所述数字预失真模型的参数,具体包括:
将所述第二输出信号Y(i)输入到所述可训练神经网络模块得到所述第三输出信号Xd′(i),计算所述预失真信号Xd(i)和所述第三输出信号Xd′(i)之间的均方误差:
其中,k表示批信号中的索引;
将所述均方误差视为所述数字预失真模型的函数,按照梯度下降法更新所述数字预失真模型的参数:
其中,w表示当前时刻的权重参数,即更新前的权重参数;α表示梯度更新的步长;w′表示下一时刻的权重参数,即更新后的权重参数。
5.根据权利要求4所述的数字信号处理方法,其特征在于,所述将所述第二输出信号输入到可训练神经网络模块得到第三输出信号,计算所述预失真信号和所述第三输出信号之间的均方误差,根据所述均方误差更新所述数字预失真模型的参数,之后还包括:
连续追踪N个loss值,并实时统计更新N个loss的方差:
预先给V(loss)设定阈值Vthreshold,每更新一次参数,评估一次V(loss),更新批处理尺寸K,当方差高于阈值Vthreshold时,或不满足时延的要求时,将批处理尺寸倍增,否则每次将批处理尺寸减一,当批处理尺寸只有1时,将尺寸倍增:
其中,K′表示更新后的批处理尺寸;
当K增加到上界Kmax时,不再执行倍增,保持不变;其中,Kmax=T*sr,T表示系统可接受的最大时延,sr是系统的信号采样率。
8.根据权利要求2所述的数字信号处理方法,其特征在于,所述记忆窗长为前向或后向的记忆项数量,长度的设置取决于所述功率放大器的记忆特性。
9.根据权利要求3所述的数字信号处理方法,其特征在于,所述神经网络包括深度神经网络、卷积神经网络和循环神经网络。
10.根据权利要求4所述的数字信号处理方法,其特征在于,所述均方误差用于衡量所述数字预失真模型的稳定性,并自适应地调整批处理尺寸。
11.一种数字信号处理系统,其特征在于,所述数字信号处理系统包括:
信号构造模块,用于按顺序读取功率放大器的第一输入信号和第一输出信号,根据所述第一输入信号和所述第一输出信号构造记忆化信号;
信号处理模块,用于将所述记忆化信号输入到数字预失真模型,所述数字预失真模型根据所述记忆化信号得到预失真信号,将所述预失真信号输入到功率放大器得到第二输出信号;
参数更新模块,用于将所述第二输出信号输入到可训练神经网络模块得到第三输出信号,计算所述预失真信号和所述第三输出信号之间的均方误差,根据所述均方误差更新所述数字预失真模型的参数。
12.一种终端,其特征在于,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数字信号处理程序,所述数字信号处理程序被所述处理器执行时实现如权利要求1-10任一项所述的数字信号处理方法的步骤。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有数字信号处理程序,所述数字信号处理程序被处理器执行时实现如权利要求1-10任一项所述的数字信号处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211137290.5A CN115550118A (zh) | 2022-09-19 | 2022-09-19 | 一种数字信号处理方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211137290.5A CN115550118A (zh) | 2022-09-19 | 2022-09-19 | 一种数字信号处理方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115550118A true CN115550118A (zh) | 2022-12-30 |
Family
ID=84728702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211137290.5A Pending CN115550118A (zh) | 2022-09-19 | 2022-09-19 | 一种数字信号处理方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115550118A (zh) |
-
2022
- 2022-09-19 CN CN202211137290.5A patent/CN115550118A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100511975C (zh) | 用于补偿失真的预失真放大器 | |
JP7451720B2 (ja) | プリディストーション方法、システム、装置及び記憶媒体 | |
CN101753105B (zh) | 失真补偿装置和方法以及无线电发射装置 | |
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 | |
JP5751056B2 (ja) | 歪補償装置、送信機および歪補償方法 | |
WO2012066381A1 (en) | Configurable basis-function generation for nonlinear modeling | |
WO2003092154A1 (fr) | Procede permettant d'ameliorer l'efficacite d'un amplificateur de puissance radiofrequence par une technique de pre-distorsion numerique en bande de base | |
CN103222197B (zh) | 对用于操控信号的非线性设备中的非线性进行补偿的方法和设备 | |
US20050140438A1 (en) | Fast LUT predistorter for power amplifier | |
US8050783B2 (en) | System and method for pre-distorting a device input | |
CN115550118A (zh) | 一种数字信号处理方法及相关设备 | |
Gilabert et al. | Machine learning for digital front‐end: a comprehensive overview | |
WO2020087339A1 (en) | System and method for adaptive filtering | |
US20240119264A1 (en) | Digital Pre-Distortion Using Convolutional Neural Networks | |
Wang et al. | Low complexity post-distorter based on extended kernel recursive least squares for visible light communications | |
CN113812124B (zh) | 预失真参数更新装置及方法、预失真处理系统 | |
CN114665938A (zh) | 多用户ris预编码方法、装置、计算机设备及存储介质 | |
KR20220010419A (ko) | 동적 예측 신뢰도 임계값 선택에 기반한 저복잡도 인공지능 모델 학습을 위한 전자 장치 및 학습 방법 | |
CN113055323A (zh) | 一种通信系统的数字预失真处理的方法及系统 | |
CN115396268B (zh) | 数据处理方法、装置及存储介质 | |
WO2024065725A1 (en) | Methods and apparatuses for perfoming digital predistortion using a combintion model | |
CN115766356B (zh) | 一种预失真器系数配置方法、装置、设备及介质 | |
CN115378446B (zh) | 基于神经网络的宽带数字预失真系统和方法 | |
US20230118004A1 (en) | Power Amplifiers and Methods of Controlling Same | |
KR102631349B1 (ko) | 전력 증폭기의 비선형성을 보상하는 장치 및 방법 |
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 |