CN117895904A - 数字预失真方法及装置 - Google Patents
数字预失真方法及装置 Download PDFInfo
- Publication number
- CN117895904A CN117895904A CN202211214635.2A CN202211214635A CN117895904A CN 117895904 A CN117895904 A CN 117895904A CN 202211214635 A CN202211214635 A CN 202211214635A CN 117895904 A CN117895904 A CN 117895904A
- Authority
- CN
- China
- Prior art keywords
- signal
- predistortion
- stage
- model
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 85
- 238000007781 pre-processing Methods 0.000 claims abstract description 69
- 230000008859 change Effects 0.000 claims abstract description 53
- 230000003068 static effect Effects 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 54
- 230000005540 biological transmission Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000003446 memory effect Effects 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 101100440934 Candida albicans (strain SC5314 / ATCC MYA-2876) CPH1 gene Proteins 0.000 description 1
- 101100273252 Candida parapsilosis SAPP1 gene Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
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
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Nonlinear Science (AREA)
- Power Engineering (AREA)
- Amplifiers (AREA)
- Transmitters (AREA)
Abstract
本发明实施例提供了一种数字预失真方法及装置，离线状态下，训练静态参考工作状态的第一级预失真模型，以及训练动态工作状态相对于静态参考工作状态的变化情况的第二级预失真模型；在线状态下，将第一预处理信号输入第一级预失真模型，获得第一预失真信号；将第一预失真信号和第二预处理信号输入第二级预失真模型，获得第二预失真信号；根据第一预失真信号和第二预失真信号，计算获得目标预失真信号，根据目标预失真信号进行数字预失真处理，解决了当前技术中数字预失真模型对动态变化场景的适应性差的问题，达到了无需实时训练更新数字预失真模型即可在动态变化的工作状态下自适应地保持射频发射链路的线性度和效率的效果。
Description
技术领域
本发明实施例涉及通信领域，具体而言，涉及一种数字预失真方法及装置。
背景技术
传统的数字预失真模型都是基于Volterra级数模型推导得出，常常使用多项式类型的模型，例如记忆多项式模型、广义记忆多项式模型、分解向量旋转模型等，它们一般只适用于静态情况，即只在某一固定的工作状态(包括但不限于信号的功率、带宽、频点，功放的电压、温度，波束指向等)下实现满足要求的射频性能指标。在第五代(5G)和未来移动通信系统中，信号和功放的工作状态往往在大范围内快速动态变化，这时就需要事先对每一种工作状态都预先训练并存储一组对应的数字预失真模型系数，或者不断地对数字预失真模型的系数进行实时更新，来始终保证功放的线性度和效率，这对数字预失真模型的更新速度有很高的要求。另一方面，新一代通信系统中使用更加复杂的信号调制方式，信号的带宽更宽，峰均比更大，这使得传统的数字预失真模型规模变大，解算的复杂度急剧增加，所以模型系数更新的时间变得更长，数字预失真模型系数的更新速度更难跟得上功放非线性的动态变化。因此，需要一种无需实时训练更新系数就可以动态适应功放非线性状态变化的数字预失真模型。
发明内容
本发明实施例提供了一种数字预失真方法及装置，以至少解决现有技术中数字预失真模型对动态变化场景的适应性差的问题。
根据本发明的一个实施例，提供了一种数字预失真方法，包括：离线状态下，训练静态参考工作状态的第一级预失真模型，以及训练动态工作状态相对于静态参考工作状态的变化情况的第二级预失真模型；在线状态下，将第一预处理信号输入所述第一级预失真模型，获得第一预失真信号；将所述第一预失真信号和第二预处理信号输入所述第二级预失真模型，获得第二预失真信号，其中，所述第一预处理信号和所述第二预处理信号由对射频发射链路的输入信号进行预处理获得；根据所述第一预失真信号和所述第二预失真信号，计算获得目标预失真信号，根据所述目标预失真信号进行数字预失真处理。
根据本发明的另一个实施例，提供了一种数字预失真装置，包括：预失真器训练模块，用于在离线状态下，训练静态参考工作状态的第一级预失真模型，以及训练动态工作状态相对于静态参考工作状态的变化情况的第二级预失真模型；预失真器模块，用于在线状态下，将第一预处理信号输入所述第一级预失真模型，获得第一预失真信号；将所述第一预失真信号和第二预处理信号输入所述第二级预失真模型，获得第二预失真信号，其中，所述第一预处理信号和所述第二预处理信号由对射频发射链路的输入信号进行预处理获得；并用于根据所述第一预失真信号和所述第二预失真信号，计算获得目标预失真信号，根据所述目标预失真信号进行数字预失真处理；。
根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明，提供了一种数字预失真方法，离线状态下，训练静态参考工作状态的第一级预失真模型，以及训练动态工作状态相对于静态参考工作状态的变化情况的第二级预失真模型；在线状态下，将第一预处理信号输入第一级预失真模型，获得第一预失真信号；将第一预失真信号和第二预处理信号输入第二级预失真模型，获得第二预失真信号，其中，第一预处理信号和第二预处理信号由对射频发射链路的输入信号进行预处理获得；根据第一预失真信号和第二预失真信号，计算获得目标预失真信号，根据目标预失真信号进行数字预失真处理，解决了当前技术中数字预失真模型对动态变化场景的适应性差的问题，达到了无需实时训练更新数字预失真模型即可在动态变化的工作状态下自适应地保持射频发射链路的线性度和效率的效果。
附图说明
图1是本发明实施例的一种数字预失真方法的计算机终端的硬件结构框图；
图2是根据本发明实施例的数字预失真的流程图；
图3是根据本发明实施例的数字预失真的流程图；
图4是根据本发明实施例的数字预失真的流程图；
图5是根据本发明实施例的数字预失真装置的结构框图；
图6是根据本发明实施例的数字预失真装置的结构框图；
图7是根据本发明实施例的数字预失真装置的结构框图；
图8是根据本发明场景实施例的数字预失真方法的运行网络框架示意图；
图9是根据本发明场景实施例的数字预失真方法的离线训练流程图；
图10是根据本发明场景实施例的数字预失真方法的在线实施流程图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种数字预失真方法的计算机终端的硬件结构框图。如图1所示，计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，其中，上述计算机终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的数字预失真方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于上述计算机终端的数字预失真方法，图2是根据本发明实施例的数字预失真的流程图，如图2所示，该流程包括如下步骤：
步骤S202，离线状态下，训练静态参考工作状态的第一级预失真模型，以及训练动态工作状态相对于静态参考工作状态的变化情况的第二级预失真模型；
步骤S204，在线状态下，将第一预处理信号输入第一级预失真模型，获得第一预失真信号；将第一预失真信号和第二预处理信号输入第二级预失真模型，获得第二预失真信号，其中，第一预处理信号和第二预处理信号由对射频发射链路的输入信号进行预处理获得；
步骤S206，根据第一预失真信号和第二预失真信号，计算获得目标预失真信号，根据目标预失真信号进行数字预失真处理。
通过上述步骤，离线状态下，训练静态参考工作状态的第一级预失真模型，以及训练动态工作状态相对于静态参考工作状态的变化情况的第二级预失真模型；在线状态下，将第一预处理信号输入第一级预失真模型，获得第一预失真信号；将第一预失真信号和第二预处理信号输入第二级预失真模型，获得第二预失真信号；根据第一预失真信号和第二预失真信号，计算获得目标预失真信号，根据目标预失真信号进行数字预失真处理，解决了当前技术中数字预失真模型对动态变化场景的适应性差的问题，达到了无需实时训练更新数字预失真模型即可在动态变化的工作状态下自适应地保持射频发射链路的线性度和效率的效果。
其中，上述步骤的执行主体可以为基站、终端等，但不限于此。
在一个示例性实施例中，在离线状态下，训练静态参考工作状态的第一级预失真模型，以及训练动态工作状态相对于静态参考工作状态的变化情况的第二级预失真模型之前，方法还包括：获取工作状态的动态变化范围，选定一个工作状态作为静态参考工作状态，选定若干其它工作状态组成训练状态集。图3是根据本发明实施例的数字预失真的流程图，如图3所示，该流程包括如下步骤：
步骤S302，获取工作状态的动态变化范围，选定一个工作状态作为静态参考工作状态，选定若干其它工作状态组成训练状态集；
步骤S304，离线状态下，训练静态参考工作状态的第一级预失真模型，以及训练动态工作状态相对于静态参考工作状态的变化情况的第二级预失真模型；
步骤S306，在线状态下，将第一预处理信号输入第一级预失真模型，获得第一预失真信号；将第一预失真信号和第二预处理信号输入第二级预失真模型，获得第二预失真信号，其中，第一预处理信号和第二预处理信号由对射频发射链路的输入信号进行预处理获得；
步骤S308，根据第一预失真信号和第二预失真信号，计算获得目标预失真信号，根据目标预失真信号进行数字预失真处理。
在一个示例性实施例中，在离线状态下，训练静态参考工作状态的第一级预失真模型，以及训练动态工作状态相对于静态参考工作状态的变化情况的第二级预失真模型之前，方法还包括：获取训练信号数据集，其中，训练信号数据集包括射频发射链路的输入信号、对输入信号进行预处理获得的预处理信号、射频接收链路的反馈信号。图4是根据本发明实施例的数字预失真的流程图，如图4所示，该流程包括如下步骤：
步骤S402，获取训练信号数据集，其中，训练信号数据集包括射频发射链路的输入信号、对输入信号进行预处理获得的预处理信号、射频接收链路的反馈信号；
步骤S404，获取工作状态的动态变化范围，选定一个工作状态作为静态参考工作状态，选定若干其它工作状态组成训练状态集；
步骤S406，离线状态下，训练静态参考工作状态的第一级预失真模型，以及训练动态工作状态相对于静态参考工作状态的变化情况的第二级预失真模型；
步骤S408，在线状态下，将第一预处理信号输入第一级预失真模型，获得第一预失真信号；将第一预失真信号和第二预处理信号输入第二级预失真模型，获得第二预失真信号，其中，第一预处理信号和第二预处理信号由对射频发射链路的输入信号进行预处理获得；
步骤S410，根据第一预失真信号和第二预失真信号，计算获得目标预失真信号，根据目标预失真信号进行数字预失真处理。
在一个示例性实施例中，第一级预失真模型和第二级预失真模型为神经网络模型，第二级预失真模型包括第二级带宽神经网络和/或第二级功率神经网络。
在一个示例性实施例中，将第一预失真信号和第二预处理信号输入第二级预失真模型，获得第二预失真信号，包括：第二级预失真模型包括第二级带宽神经网络，将第一预失真信号和第二预处理信号输入第二级预失真模型，获得第二带宽预失真信号作为第二预失真信号；
或者，第二级预失真模型包括第二级功率神经网络，将第一预失真信号和第二预处理信号输入第二级预失真模型，获得第二功率预失真信号作为第二预失真信号；
或者，第二级预失真模型包括第二级带宽神经网络和第二级功率神经网络，将第一预失真信号和第二预处理信号输入第二级预失真模型，分别获得第二带宽预失真信号和第二功率预失真信号，将第二带宽预失真信号和第二功率预失真信号相加获得第二预失真信号。
在一个示例性实施例中，第一预处理信号包括输入信号、输入信号的包络的幂、输入信号的延迟项。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种数字预失真装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本发明实施例的数字预失真装置的结构框图，如图5所示，该数字预失真装置50包括：预失真器训练模块510，用于在离线状态下，训练静态参考工作状态的第一级预失真模型，以及训练动态工作状态相对于静态参考工作状态的变化情况的第二级预失真模型；预失真器模块520，用于在线状态下，将第一预处理信号输入第一级预失真模型，获得第一预失真信号；将第一预失真信号和第二预处理信号输入第二级预失真模型，获得第二预失真信号，其中，第一预处理信号和第二预处理信号由对射频发射链路的输入信号进行预处理获得；并用于根据第一预失真信号和第二预失真信号，计算获得目标预失真信号，根据目标预失真信号进行数字预失真处理。
图6是根据本发明实施例的数字预失真装置的结构框图，如图6所示，该数字预失真装置60除了包括图5中各个模块外，还包括：预处理模块610，用于对射频发射链路的输入信号进行预处理获得第一预处理信号和第二预处理信号。
图7是根据本发明实施例的数字预失真装置的结构框图，如图7所示，该数字预失真装置70除了包括图5中各个模块外，还包括：训练数据集获取模块710，用于获取训练信号数据集，其中，训练信号数据集包括射频发射链路的输入信号、对输入信号进行预处理获得的预处理信号、射频接收链路的反馈信号。训练状态集获取模块720，用于获取工作状态的动态变化范围，选定一个工作状态作为静态参考工作状态，选定若干其它工作状态组成训练状态集。
在一个示例性实施例中，预失真器训练模块510中的第一级预失真模型和第二级预失真模型为神经网络模型，第二级预失真模型包括第二级带宽神经网络和/或第二级功率神经网络。
在一个示例性实施例中，预失真器模块520中的第二级预失真模型包括第二级带宽神经网络，将第一预失真信号和第二预处理信号输入第二级预失真模型，获得第二带宽预失真信号作为第二预失真信号；
或者，预失真器模块520中的第二级预失真模型包括第二级功率神经网络，将第一预失真信号和第二预处理信号输入第二级预失真模型，获得第二功率预失真信号作为第二预失真信号；
或者，预失真器模块520中的第二级预失真模型包括第二级带宽神经网络和第二级功率神经网络，将第一预失真信号和第二预处理信号输入第二级预失真模型，分别获得第二带宽预失真信号和第二功率预失真信号，将第二带宽预失真信号和第二功率预失真信号相加获得第二预失真信号。
在一个示例性实施例中，第一预处理信号包括输入信号、输入信号的包络的幂、输入信号的延迟项。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
为了使得本领域的技术人员更好地理解本发明的技术方案，下面结合具体的场景实施例对本发明的技术方案进行阐述。
场景实施例一
移动通信射频链路的功率放大器(以下简称功放)是一个非线性系统，它在对信号放大的同时，也会给信号带来非线性失真。功放是基站发射机的能耗的主要来源之一,在提高功放的工作效率的同时，功放的线性度会恶化，使得信号失真加剧。为了同时兼顾功放的效率和线性度，业界通常使用数字预失真(Digital Predistortion，DPD)技术，在信号输入功放之前，预先使信号产生与功放失真行为相反的失真行为，从而抵消功放的非线性失真。
本发明的实施例提出一种包括两级神经网络结构的数字预失真模型，这两级神经网络的作用分别是：对选定的参考工作状态建立数字预失真模型，和对动态工作状态相对于参考工作状态的变化情况建立数字预失真模型。在数字预失真模块之前，需要通过预处理模块来获得输入信号和功放的工作状态(包括但不限于信号的功率、带宽、频点，功放的电压、温度，波束指向等)相对于参考工作状态发生的变化。
本发明实施例的技术方案充分利用了神经网络优秀的非线性建模能力和泛化能力，因此可以实现通过离线训练得到数字预失真模型系数后，在线应用时无需实时训练更新模型系数，就能动态地适应在工作状态的快速和较大范围的变化，始终很好地实现数字预失真功能，满足5G移动通信的场景和射频性能指标要求。本发明实施例的技术方案可以用于在通信系统中对射频链路中的带有记忆效应的非线性失真进行校正。
图8是根据本发明场景实施例的数字预失真方法的运行网络框架示意图，如图8所示，包括：预处理模块、预失真器模块、预失真模型训练模块组成(用于网络训练过程)。整个射频链路还包括数模转换器(DAC)、功放(PA)、上变频器、下变频器、模数转换器(ADC)等模块。
预处理模块位于预失真器模块之前，用于获得并表示当前工作状态(包括但不限于信号的功率、带宽、频点，功放的电压、温度，波束指向等)相对于参考工作状态发生的变化。还用于对射频发射链路的输入信号进行预处理获得所述第一预处理信号和所述第二预处理信号。
预失真器模块由两级神经网络组成。其中，第一级神经网络用于对选定的静态参考工作状态建模，该静态参考工作状态需要根据设定的工作状态的动态变化范围提前设定。第二级神经网络用于在动态变化的工作状态下，对当前工作状态相对于所述静态参考工作状态的变化情况进行建模。
预失真模型训练模块。预失真模型系数的训练过程全部在线下进行，即离线需训练，一旦训练完成后，在线应用时，无需实时训练更新模型系数。在离线训练阶段，预失真模型训练模块通过采集大量不同工作状态下的射频发射链路的输入信号、预处理模块的输出信号、射频接收链路的反馈信号，训练数字预失真模型，得到预失真模型系数，并将训练得到的模型和系数复制到预失真器模块中。
本场景实施例中提供的数字预失真校正方法，可以应用于对通信系统射频链路中的带有记忆效应的非线性失真进行校正，使得射频前端发射信号的EVM、ACPR等关键指标性能满足要求。信号的带宽、功率、频点，功放的电压，波束指向，环境温度等在较大的范围内快速动态变化。
两级神经网络结构的理论基础是：当工作状态发生变化导致功放的非线性行为发生变化时，所需的DPD信号的变化量不仅与输入信号有关，还与输出信号的变化量有关，可用公式表示为：
Δu(n)＝f(x(n),…,x(n-m),Δy(n),…,Δy(n-m))
其中x(n),y(n)和u(n)分别为输入信号，输出信号和所需要的DPD信号，Δ符号代表相应信号的变化量，括号内的n和n-m分别表示当前时刻和当前时刻前m个时刻。但是在实际应用中，由于上述公式所建立的模型需要对输出信号进行实时监测，硬件实现上有难度。所以需要对x(n)进行预处理，上述公式可变为：
Δu(n)＝f(x(n),…,x(n-m),g(x(n),…,x(n-m)))
其中g(·)表示对输入信号的预处理过程。
场景实施例二
在本场景实施例中，按照离线训练流程和在线实施流程对发明的技术方案进行描述。
图9是根据本发明场景实施例的数字预失真方法的离线训练流程图，如图9所示，该流程包括以下步骤：
步骤S901，根据实际应用场景，确定工作状态的动态变化范围，从该范围中选定一个工作状态作为静态参考工作状态，选定若干其它工作状态组成训练状态集。
其中，工作状态包括但不限于信号的功率、带宽、频点，功放的电压、温度，波束指向等。
步骤S902，构建训练信号数据集。
对于静态参考工作状态、训练状态集中的每一种工作状态，采集射频发射链路的输入信号、预处理模块的输出信号、射频接收链路的反馈信号，组成该工作状态下的训练信号数据集。
其中，预处理模块的工作方式与“模型的在线实施流程”中的相同。
步骤S903，分别训练两级神经网络。
首先，使用静态参考工作状态的训练信号数据集来训练第一级网络，得到第一级网络的模型系数，并固定下来。
然后，使用训练状态集中的所有工作状态对应的训练信号数据集来训练第二级网络，得到第二级网络的模型系数。
本发明场景实施例的第二级神经网络根据工作状态的变化情况相适应，当功率和带宽同时变化，此时第二级网络分为带宽网络和功率网络，在训练第二级网络时先训练带宽网络再训练功率网络。数字预失真模型的训练可以使用直接学习迭代、间接学习迭代、迭代学习控制(ILC)等方法。对模型中的神经网络模块的训练可以使用反向传播算法。
在实际实施过程中，第二级神经网络还可以与工作状态中的电压、频点、温度、波束指向变化情况相对应，设置与之对应的神经网络。
步骤S904，将训练得到的神经网络模型和系数复制到预失真器模块中，并固定下来。
训练完成后，进入模型的在线实施流程。图10是根据本发明场景实施例的数字预失真方法的在线实施流程图，如图10所示，该流程包括以下步骤：
步骤S1001，输入信号经过预处理模块，获得第一预处理信号和第二预处理信号。
其中，第一预处理信号后续输入到预失真器模块中的第一级神经网络中，第二预处理信号后续输入到预失真器模块中的第二级神经网络中。第一预处理信号包括输入信号和输入信号的包络的幂，以及它们的延迟项。第二预处理信号在不同场景下各不相同：
(1)工作状态只有输入信号功率动态变化的场景：由于功率的变化在时域信号上表现为信号幅度的变化，所以在预处理的过程中可以对输入信号乘一个与功率相关的函数，即：
h(ΔP)＝10^(10^(ΔP/20)-1)-1
(2)工作状态只有信号带宽动态变化的场景：由于带宽的变化对功放的记忆效应影响更为显著，所以对输入信号的预处理要体现记忆效应的改变，所以此时预处理方法可以由以下公式表示：
l(ΔB)＝10^(ΔB/(5*20))-1
(3)工作状态的信号功率和带宽同时变化的场景：第二预处理信号包括以下两个部分
h(ΔP)＝10^(10^(ΔP/20)-1)-1
l(ΔB)＝10^(ΔB/(5*20))-1
步骤S1002，第一预处理信号输入到预处理器模块的第一级神经网络，获得第一预失真信号。
第一预失真信号即第一级神经网络的输出信号u1(n)：
u1(n)＝f(x(n),…,x(n-m))
这个输出信号就是静态参考工作状态下所需的DPD信号，能在静态参考状态下实现对功放非线性失真的精确校正。
步骤S1003，第一级神经网络的输出信号和预处理模块输出的第二预处理信号共同输入到预失真器模块的第二级神经网络，获得第二预失真信号。
第二预失真信号第二级神经网络的输出信号Δu(n)。第二级神经网络的计算过程在不同场景下各不相同，包括：(1)工作状态只有输入信号功率动态变化的场景；(2)工作状态只有信号带宽动态变化的场景；(3)工作状态的信号功率和带宽同时变化的场景。
第二级网络分裂为功率网络和带宽网络两张网络，其中带宽网络用来预测固定功率于参考状态，改变带宽后的状态的DPD信号的变化量。而功率网络则用来预测当功率从相应的带宽网络所确定的带宽下改变功率时的DPD信号变化量。最终将两个子网络所确定的DPD信号的变化量相加，得到功率和带宽同时变化场景下相对于参考状态时DPD信号的变化量。
步骤S1004，根据预失真器模块中的第一级网络的输出和第二级网络的输出，计算获得预失真器模块的输出，即为所需的目标预失真信号。
在本发明的一种实施例中，如图7所示，将第一级网络的输出和第二级网络的输出相加，得到预失真器模块的输出，即为所需要的目标预失真信号。
在本实施例中，数字预失真模型由两级神经网络组成。这两级神经网络的作用分别是：对选定的参考工作状态建立数字预失真模型，和对动态工作状态相对于参考工作状态的变化情况建立数字预失真模型。本实施例在线应用时无需实时训练更新模型系数，就能动态地适应在工作状态的快速和较大范围的变化。
本实施例中，两级神经网络之间的连接关系如图7所示。但本发明所述的两级神经网络之间的连接关系不限于此，例如，还可以包括串联方式，即第一级神经网络的输出和预处理模块输出的第二预处理信号作为第二级神经网络的输入，第二级神经网络的输出即为预失真器模块的输出。
本实施例中，工作状态包括输入信号的功率和带宽。但本发明所述的工作状态不限于此，除信号的功率、带宽等特征外，还可包括信号的频点、功放的电压、环境温度、波束指向以及其它动态变化的特征。
本发明实施例的数字预失真方法及装置，可以实现通过离线训练得到数字预失真模型系数后，在线应用时无需实时训练更新模型系数，就能动态地适应在工作状态的快速和较大范围的变化，始终很好地实现数字预失真功能，工作状态动态变化的范围和本发明的实施效果满足5G移动通信的场景和射频性能指标要求。两级神经网络各自具有不同的功能，且与功能相对应，各自需要通过按特定流程获取输入数据。简单的技术叠加，例如简单地增加神经网络的规模，或简单地将两级神经网络组合、或神经网络与其它模型组合，不会实现与本发明相同的动态适应的数字预失真功能，甚至有可能因为过拟合的问题导致在单一工作状态下建模精度也发生下降。
本发明实施例的数字预失真方法及装置可以应用于：(1)通信基站设备中，对发射机的射频链路中的非线性失真进行校正；(2)通信终端设备中，对射频链路中的非线性失真进行校正；(3)任何使用射频芯片的设备，对射频链路中的非线性失真进行校正；(4)任何含有记忆效应的非线性系统，对非线性失真进行校正。
本发明实施例的数字预失真方法及装置，使用两级神经网络用于传输信号动态变化的场景。这两级神经网络的作用分别是：对选定的参考工作状态建立数字预失真模型，和对动态工作状态相对于参考工作状态的变化情况建立数字预失真模型。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (11)
1.一种数字预失真方法，其特征在于，包括：
离线状态下，训练静态参考工作状态的第一级预失真模型，以及训练动态工作状态相对于静态参考工作状态的变化情况的第二级预失真模型；
在线状态下，将第一预处理信号输入所述第一级预失真模型，获得第一预失真信号；将所述第一预失真信号和第二预处理信号输入所述第二级预失真模型，获得第二预失真信号，其中，所述第一预处理信号和所述第二预处理信号由对射频发射链路的输入信号进行预处理获得；
根据所述第一预失真信号和所述第二预失真信号，计算获得目标预失真信号，根据所述目标预失真信号进行数字预失真处理。
2.根据权利要求1所述的方法，其特征在于，在所述离线状态下，训练静态参考工作状态的第一级预失真模型，以及训练动态工作状态相对于静态参考工作状态的变化情况的第二级预失真模型之前，所述方法还包括：
获取工作状态的动态变化范围，选定一个工作状态作为静态参考工作状态，选定若干其它工作状态组成训练状态集。
3.根据权利要求1所述的方法，其特征在于，在所述离线状态下，训练静态参考工作状态的第一级预失真模型，以及训练动态工作状态相对于静态参考工作状态的变化情况的第二级预失真模型之前，所述方法还包括：
获取训练信号数据集，其中，所述训练信号数据集包括射频发射链路的输入信号、对所述输入信号进行预处理获得的预处理信号、射频接收链路的反馈信号。
4.根据权利要求1所述的方法，其特征在于，所述第一级预失真模型和第二级预失真模型为神经网络模型，所述第二级预失真模型至少包括第二级带宽神经网络和/或第二级功率神经网络。
5.根据权利要求1所述的方法，其特征在于，所述将所述第一预失真信号和第二预处理信号输入所述第二级预失真模型，获得第二预失真信号，包括：
所述第二级预失真模型包括第二级带宽神经网络，将所述第一预失真信号和第二预处理信号输入所述第二级预失真模型，获得第二带宽预失真信号作为所述第二预失真信号；
或者，所述第二级预失真模型包括第二级功率神经网络，将所述第一预失真信号和第二预处理信号输入所述第二级预失真模型，获得第二功率预失真信号作为所述第二预失真信号；
或者，所述第二级预失真模型包括第二级带宽神经网络和第二级功率神经网络，将所述第一预失真信号和第二预处理信号输入所述第二级预失真模型，分别获得第二带宽预失真信号和第二功率预失真信号，将所述第二带宽预失真信号和所述第二功率预失真信号相加获得所述第二预失真信号。
6.根据权利要求1所述的方法，其特征在于，所述第一预处理信号包括输入信号、所述输入信号的包络的幂、所述输入信号的延迟项。
7.一种数字预失真装置，其特征在于，包括：
预失真器训练模块，用于在离线状态下，训练静态参考工作状态的第一级预失真模型，以及训练动态工作状态相对于静态参考工作状态的变化情况的第二级预失真模型；
预失真器模块，用于在线状态下，将第一预处理信号输入所述第一级预失真模型，获得第一预失真信号；将所述第一预失真信号和第二预处理信号输入所述第二级预失真模型，获得第二预失真信号，其中，所述第一预处理信号和所述第二预处理信号由对射频发射链路的输入信号进行预处理获得；并用于根据所述第一预失真信号和所述第二预失真信号，计算获得目标预失真信号，根据所述目标预失真信号进行数字预失真处理。
8.根据权利要求7所述的装置，其特征在于，还包括：
预处理模块，用于对射频发射链路的输入信号进行预处理获得所述第一预处理信号和所述第二预处理信号。
9.根据权利要求7所述的装置，其特征在于，还包括：
训练状态集获取模块，用于获取工作状态的动态变化范围，选定一个工作状态作为静态参考工作状态，选定若干其它工作状态组成训练状态集；
训练数据集获取模块，用于获取训练信号数据集，其中，所述训练信号数据集包括射频发射链路的输入信号、对所述输入信号进行预处理获得的预处理信号、射频接收链路的反馈信号。
10.一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中存储有计算机程序，其中，所述计算机程序被处理器执行时实现所述权利要求1至6任一项中所述的方法。
11.一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述权利要求1至6任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211214635.2A CN117895904A (zh) | 2022-09-30 | 2022-09-30 | 数字预失真方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211214635.2A CN117895904A (zh) | 2022-09-30 | 2022-09-30 | 数字预失真方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117895904A true CN117895904A (zh) | 2024-04-16 |
Family
ID=90639819
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211214635.2A Pending CN117895904A (zh) | 2022-09-30 | 2022-09-30 | 数字预失真方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117895904A (zh) |
-
2022
- 2022-09-30 CN CN202211214635.2A patent/CN117895904A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106877825B (zh) | 基于带限的简化非线性滤波器的数字预失真装置及方法 | |
| CN101056288B (zh) | 预失真模型装置和信号的预失真处理装置、系统及方法 | |
| CN100594669C (zh) | 基于模糊神经网络的哈默斯坦模型的功放预失真方法 | |
| CN105556860B (zh) | 用于非线性数字自干扰消除的系统以及方法 | |
| CN101061633B (zh) | 功率放大器的基于模型的失真降低方法和系统 | |
| CN103299542B (zh) | 用于数字预失真器的正交基函数集 | |
| 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 | |
| CN110414565B (zh) | 一种用于功率放大器的基于Group Lasso的神经网络裁剪方法 | |
| CN101330481B (zh) | 预失真模型装置和信号的预失真处理装置、系统及方法 | |
| 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 | |
| Sun et al. | Adaptive deep learning aided digital predistorter considering dynamic envelope | |
| 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 | |
| CN110472280A (zh) | 一种基于生成对抗神经网络的功率放大器行为建模方法 | |
| 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 | |
| CN101741787A (zh) | 一种预失真快速收敛的训练数据采集方法及系统 | |
| CN114911837A (zh) | 预失真处理方法和装置 | |
| Gilabert Pinal | Multi look-up table digital predistortion for RF power amplifier linearization | |
| CN117895904A (zh) | 数字预失真方法及装置 | |
| CN117675464A (zh) | 一种qam高阶调制信号的数字预失真方法及预失真系统 | |
| CN111082829B (zh) | 信号处理装置、射频拉远装置及基站 | |
| Li et al. | MADS: A framework for design and implementation of adaptive digital predistortion systems | |
| CN111884602B (zh) | 一种基于单输出节点神经网络的功率放大器预失真方法 | |
| CN110598261B (zh) | 一种基于复数反向神经网络的功率放大器频域建模方法 | |
| CN114598578A (zh) | 一种数字预失真训练方法、装置及存储介质 | |
| Rezaei et al. | A review of intelligent predistortion methods for the linearization of RF power amplifiers |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |