JP7468643B2 - 信号送信装置、パラメータ決定装置、信号送信方法、パラメータ決定方法、及び、記録媒体 - Google Patents

信号送信装置、パラメータ決定装置、信号送信方法、パラメータ決定方法、及び、記録媒体 Download PDF

Info

Publication number
JP7468643B2
JP7468643B2 JP2022530427A JP2022530427A JP7468643B2 JP 7468643 B2 JP7468643 B2 JP 7468643B2 JP 2022530427 A JP2022530427 A JP 2022530427A JP 2022530427 A JP2022530427 A JP 2022530427A JP 7468643 B2 JP7468643 B2 JP 7468643B2
Authority
JP
Japan
Prior art keywords
signal
layers
parameters
learning
computation
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
JP2022530427A
Other languages
English (en)
Other versions
JPWO2021250813A1 (ja
JPWO2021250813A5 (ja
Inventor
真明 谷尾
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.)
NEC Corp
Original Assignee
NEC Corp
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 NEC Corp filed Critical NEC Corp
Publication of JPWO2021250813A1 publication Critical patent/JPWO2021250813A1/ja
Publication of JPWO2021250813A5 publication Critical patent/JPWO2021250813A5/ja
Application granted granted Critical
Publication of JP7468643B2 publication Critical patent/JP7468643B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L25/03165—Arrangements for removing intersymbol interference using neural networks
    • 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)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Amplifiers (AREA)
  • Transmitters (AREA)

Description

本開示は、ニューラルネットワークを用いて入力信号に対して歪み補償処理を行うことが可能な信号送信装置、信号送信方法及びコンピュータプログラム、並びに、歪み補償処理を行うために用いられるニューラルネットワークのパラメータを決定するパラメータ決定装置、パラメータ決定方法及びコンピュータプログラムの技術分野に関する。
近年、様々な技術分野において、ニューラルネットワークの活用が検討されている。例えば、移動体通信システム等で用いられる信号送信装置では、ニューラルネットワークを用いて、デジタルプリディストーション（ＤＰＤ：Ｄｉｇｉｔａｌ Ｐｒｅ－Ｄｉｓｔｏｒｔｉｏｎ）方式の歪み補償装置が構築されている（非特許文献１参照）。
その他、本願発明に関連する先行技術文献として、特許文献１から特許文献６及び非特許文献２から非特許文献４があげられる。
特開２００９－０６４２１６号公報 特開平１１－１３４００３号公報 特開平８－２４９００７号公報 特開２０１７－２２０７４４号公報 特開２０１１－１６００４３号公報 特開２００２－２６１８４８号公報
Ｚｈｉｊｉａｎ Ｙｕ、"Ａ Ｇｅｎｅｒａｌｉｚｅｄ Ｄｉｇｉｔａｌ Ｐｒｅｄｉｓｔｏｒｔｉｏｎ Ｍｏｄｅｌ Ｂａｓｅｄ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ"、Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ２０１８ Ａｓｉａ－Ｐａｃｉｆｉｃ Ｍｉｃｒｏｗａｖｅ Ｃｏｎｆｅｒｅｎｃｅ、ｐｐ．９３５－９３７頁、２０１８年１１月 Ｊ．Ｋｉｍ，Ｋ．Ｋｏｎｓｔａｎｔｉｎｏｕ、"Ｄｉｇｉｔａｌ Ｐｒｅｄｉｓｔｏｒｔｉｏｎ ｏｆ ｗｉｄｅ ｂａｎｄ ｓｉｇｎａｌｓ ｂａｓｅｄ ｏｎ ｐｏｗｅｒ ａｍｐｌｉｆｉｅｒ ｗｉｔｈ ｍｅｍｏｒｙ"、ＩＥＴ Ｅｌｅｃｔｒｏｎ Ｋｅｔｔｅｒ、Ｖｏｌ．３７ Ｎｏ．２３、ｐｐ．１４１７－１４１８、２００１年１１月 Ｄｅｎｎｉｓ Ｒ．Ｍｏｒｇａｎ，Ｚｈｅｎｇｘｉａｎｇ Ｍａ，Ｊａｅｈｙｅｏｎｇ Ｋｉｍ，Ｍｉｃｈａｅｌ Ｇ．Ｚｉｅｒｄｔ，Ｈｏｈｎ Ｐａｓｔａｌａｎ、"Ａ Ｇｅｎｅｒａｌｉｚｅｄ Ｍｅｍｏｒｙ Ｐｏｌｙｎｏｍｉａｌ Ｍｏｄｅｌ ｆｏｒ Ｄｉｇｉｔａｌ Ｐｒｅｄｉｓｔｏｒｔｉｏｎ ｏｆ ＲＦ Ｐｏｗｅｒ Ａｍｐｌｉｆｉｅｒｓ"、ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎ ｏｎ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ、Ｖｏｌ．５４ Ｎｏ．１０、ｐｐ．３８５２－３８６０、２００６年１０月 Ｍｅｅｎａｋｓｈｉ Ｒａｗａｔ，Ｆａｄｈｅｌ Ｍ．Ｇｈａｎｎｏｕｃｈｉ、"Ａ Ｍｕｔｕａｌ Ｄｉｓｔｏｒｔｉｏｎ ａｎｄ Ｉｍｐａｉｒｍｅｎｔ Ｃｏｍｐｅｎｓａｔｏｒ ｆｏｒ Ｗｉｄｅｂａｎｄ Ｄｉｒｅｃｔ－Ｃｏｎｖｅｒｓｉｏｎ Ｔｒａｎｓｍｉｔｔｅｒｓ Ｕｓｉｎｇ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ"、ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎ ｏｎ Ｂｒｏａｄｃａｓｔ、Ｖｏｌ．５８ Ｎｏ．２、ｐｐ．１６８－１７７、２０１２年１月
信号送信装置は、一般的には、歪み補償装置を用いて入力信号から歪み補償信号を生成し、パワーアンプを用いて歪み補償信号から送信信号を生成し、送信信号を信号受信装置に送信する。この場合、歪み補償装置は、パワーアンプに起因して送信信号に生ずる歪みを補償するように、入力信号に対して歪み補償処理を行う。
ここで、送信信号に生ずる歪みは、送信信号の特性（つまり、入力信号の特性）に依存して変動する。この場合、信号送信装置は、変動する歪みを適切に補償することができるように、入力信号の特性に基づいてニューラルネットワークのパラメータを切り替える（つまり、変更する）ことが望ましい。
ニューラルネットワークのパラメータを切り替える方法の一例として、ニューラルネットワークのパラメータを含むパラメータセットが、入力信号がとり得る複数の信号パターン（つまり、入力信号の特性で区別可能な複数の信号パターン）に対応するようにメモリに複数格納しておき、入力信号の特性に基づいて選択される一のパラメータセットに含まれるパラメータをニューラルネットワークに適用する方法があげられる。しかしながら、ニューラルネットワークのパラメータの数は、一般的には膨大である。このため、ニューラルネットワークのパラメータの全てを含むパラメータセットを信号パターンの数だけメモリに格納すると、メモリに必要とされる容量が膨大なものになってしまう。その結果、信号送信装置の回路規模が看過できないほどに大きくなる可能性がある。
本開示は、上述した技術的問題を解決可能な信号送信装置、パラメータ決定装置、信号送信方法、パラメータ決定方法、及び、記録媒体を提供することを課題とする。一例として、本開示は、信号送信装置の回路規模の増大を抑制可能な信号送信装置、パラメータ決定装置、信号送信方法、パラメータ決定方法、及び、記録媒体を提供することを課題とする。
本開示の信号送信装置の一の態様は、Ｌ（但し、Ｌは１以上の整数を示す変数）個の中間層及び出力層を含むＬ＋１個の演算層を備えるニューラルネットワークを用いて、入力信号に対して歪み補償処理を行う歪み補償手段と、前記Ｌ＋１個の演算層のうちのＱ個（但し、ＱはＬ以下の整数を示す変数）の演算層のパラメータを含むパラメータセットを複数格納する格納手段と、前記入力信号の信号パターンに基づいて前記複数のパラメータセットから一のパラメータセットを選択し、当該選択した一のパラメータセットに含まれる前記パラメータを前記Ｍ個の演算層に適用する適用手段とを備え、前記Ｌ＋１個の演算層のうちの前記Ｑ個の演算層以外の他の演算層のパラメータは、固定されている。
本開示のパラメータ決定装置の一態様は、Ｌ（但し、Ｌは１以上の整数を示す変数）個の中間層及び出力層を含むＬ＋１個の演算層を備えるニューラルネットワークのパラメータを、複数の学習用信号を用いて決定するパラメータ決定装置であって、前記複数の学習用信号の夫々の信号パターンを、Ｎ種類の信号パターンに分類する分類手段と、前記Ｎ種類の信号パターンに夫々分類されたＮ種類の前記学習用信号を夫々用いて、前記Ｌ＋１個の演算層のうちのＱ個（但し、ＱはＬ以下の整数を示す変数）の演算層のパラメータを含む第１のパラメータセットをＮ個生成する第１生成手段と、前記Ｎ種類の学習用信号を用いて、前記Ｌ＋１個の演算層のうちの前記Ｑ個の演算層以外の他の演算層のパラメータを含む第２のパラメータセットを一つ生成する第２生成手段とを備える。
本開示の信号送信方法の一の態様は、Ｌ（但し、Ｌは１以上の整数を示す変数）個の中間層及び出力層を含むＬ＋１個の演算層を備えるニューラルネットワークを用いて、入力信号に対して歪み補償処理を行う歪み補償工程と、前記Ｌ＋１個の演算層のうちのＱ個（但し、ＱはＬ以下の整数を示す変数）の演算層のパラメータを含むパラメータセットを複数格納する格納手段から、前記入力信号の信号パターンに基づいて一のパラメータセットを選択し、当該選択した一のパラメータセットに含まれる前記パラメータを前記Ｍ個の演算層に適用する適用工程とを含み、前記Ｌ＋１個の演算層のうちの前記Ｑ個の演算層以外の他の演算層のパラメータは、固定されている。
本開示のパラメータ決定方法の一態様は、Ｌ（但し、Ｌは１以上の整数を示す変数）個の中間層及び出力層を含むＬ＋１個の演算層を備えるニューラルネットワークのパラメータを、複数の学習用信号を用いて決定するパラメータ決定方法であって、前記複数の学習用信号の夫々の信号パターンを、Ｎ種類の信号パターンに分類する分類工程と、前記Ｎ種類の信号パターンに夫々分類されたＮ種類の前記学習用信号を夫々用いて、前記Ｌ＋１個の演算層のうちのＱ個（但し、ＱはＬ以下の整数を示す変数）の演算層のパラメータを含む第１のパラメータセットをＮ個生成する第１生成工程と、前記Ｎ種類の学習用信号を用いて、前記Ｌ＋１個の演算層のうちの前記Ｑ個の演算層以外の他の演算層のパラメータを含む第２のパラメータセットを一つ生成する第２生成工程とを含む。
本開示の記録媒体の第１の態様は、コンピュータに信号送信方法を実行させるコンピュータプログラムが記録された記録媒体であって、前記信号送信方法は、Ｌ（但し、Ｌは１以上の整数を示す変数）個の中間層及び出力層を含むＬ＋１個の演算層を備えるニューラルネットワークを用いて、入力信号に対して歪み補償処理を行う歪み補償工程と、前記Ｌ＋１個の演算層のうちのＱ個（但し、ＱはＬ以下の整数を示す変数）の演算層のパラメータを含むパラメータセットを複数格納する格納手段から、前記入力信号の信号パターンに基づいて一のパラメータセットを選択し、当該選択した一のパラメータセットに含まれる前記パラメータを前記Ｍ個の演算層に適用する適用工程とを含み、前記Ｌ＋１個の演算層のうちの前記Ｑ個の演算層以外の他の演算層のパラメータは、固定されている。
本開示の記録媒体の第２の態様は、コンピュータにパラメータ決定方法を実行させるコンピュータプログラムが記録された記録媒体であって、前記パラメータ決定方法は、Ｌ（但し、Ｌは１以上の整数を示す変数）個の中間層及び出力層を含むＬ＋１個の演算層を備えるニューラルネットワークのパラメータを、複数の学習用信号を用いて決定するパラメータ決定方法であって、前記複数の学習用信号の夫々の信号パターンを、Ｎ種類の信号パターンに分類する分類工程と、前記Ｎ種類の信号パターンに夫々分類されたＮ種類の前記学習用信号を夫々用いて、前記Ｌ＋１個の演算層のうちのＱ個（但し、ＱはＬ以下の整数を示す変数）の演算層のパラメータを含む第１のパラメータセットをＮ個生成する第１生成工程と、
前記Ｎ種類の学習用信号を用いて、前記Ｌ＋１個の演算層のうちの前記Ｑ個の演算層以外の他の演算層のパラメータを含む第２のパラメータセットを一つ生成する第２生成工程とを含む。
上述した信号送信装置、パラメータ決定装置、信号送信方法、パラメータ決定方法、及び、記録媒体の夫々の一の態様によれば、信号送信装置の回路規模（特に、格納手段の回路規模）の増大を抑制することができる。
図１は、本実施形態の信号送信装置の構成を示すブロック図である。 図２は、歪み補償装置の構成を示すブロック図である。 図３は、本実施形態の切替出力部の構成を示すブロック図である。 図４は、本実施形態のパラメータ決定装置のハードウェア構成を示すブロック図である。 図５は、本実施形態のパラメータ決定装置の演算装置内で実現される機能ブロックを示すブロック図である。 図６は、パラメータを決定する動作の流れを示すフローチャートである。 図７は、第１変形例の信号送信装置の構成を示すブロック図である。 図８は、第２変形例の信号送信装置の構成を示すブロック図である。 図９は、第２変形例の歪み補償装置の構成の他の例を示すブロック図である。
以下、図面を参照しながら、信号送信装置、パラメータ決定装置、信号送信方法、パラメータ決定方法、及び、記録媒体の実施形態について説明する。以下では、信号送信装置、パラメータ決定装置、信号送信方法、パラメータ決定方法、及び、記録媒体の実施形態が適用された信号送信装置１について説明する。
（１）信号送信装置１
（１－１）信号送信装置１の構成
はじめに、図１を参照しながら、本実施形態の信号送信装置１について説明する。図１は、本実施形態の信号送信装置１の構成を示すブロック図である。
図１に示すように、信号送信装置１は、通信回線を介して、不図示の信号受信装置に対して送信信号ｚを送信する。通信回線は、典型的には、無線通信回線であるが、その少なくとも一部が有線通信回線であってもよい。送信信号ｚを送信するために、信号送信装置１は、歪み補償装置１１と、パワーアンプ（ＰＡ：Ｐｏｗｅｒ Ａｍｐｌｉｆｉｅｒ）１２とを備える。
歪み補償装置１１は、入力信号ｘに対して歪み補償処理を行うことで、歪み補償信号ｙを生成する。歪み補償装置１１は、パワーアンプ１２の動作に起因して送信信号ｚに生ずる歪みを補償する（典型的には、低減する又は相殺する）ための歪み補償処理を入力信号ｘに対して行うことで、歪み補償信号ｙを生成する。本実施形態では、歪み補償装置１１は、例えば、ＤＰＤ（Ｄｉｇｉｔａｌ Ｐｒｅ－Ｄｉｓｔｏｒｔｉｏｎ）方式の歪み補償装置であってもよい。特に、歪み補償装置１１は、入力信号ｘに対してパワーアンプ１２の逆歪み特性を作用させた歪み補償信号ｙを生成してもよい。この場合、信号送信装置１の低消費電力化及び低歪化の両立が可能となる。具体的には、信号送信装置１の効率の向上及び信号送信装置１の増幅特性の線形性の確保が両立される。
パワーアンプ１２は、歪み補償装置１１から出力される歪み補償信号ｙを対象に所定動作を行う。具体的には、パワーアンプ１２は、歪み補償信号ｙを増幅する。パワーアンプ１２が増幅した歪み補償信号ｙは、送信信号ｚとして、通信回線を介して、信号受信装置へと送信される。ここで、上述したように歪み補償装置１１がＤＰＤ方式の歪み補償装置である場合には、パワーアンプ１２における信号の歪みが歪み補償装置１１における信号の逆歪みによって相殺されるので、パワーアンプ１２は、入力信号ｘに対して線形な送信信号ｚを出力する。
本実施形態では特に、歪み補償装置１１は、ニューラルネットワーク１１２（図２参照）を用いて、入力信号ｘに対して歪み補償処理を行う。以下、このような歪み補償装置１１の構成について、図２を参照しながら更に詳細に説明する。図２は、歪み補償装置１１の構成を示すブロック図である。
図２に示すように、歪み補償装置１１は、信号生成部１１１と、ニューラルネットワーク１１２とを備える。
信号生成部１１１は、歪み補償装置１１に入力された入力信号ｘｔから、ニューラルネットワーク１１２に入力される複数の信号（典型的には、夫々異なる遅延が付与された複数の信号）を生成する。尚、入力信号ｘｔは、例えば、時刻ｔに歪み補償装置１１に入力された入力信号ｘの複素信号を意味する。
信号生成部１１１は、入力信号ｘｔから、ニューラルネットワーク１１２に入力される複数の信号を生成することができる限りは、どのような方法で複数の信号を生成してもよい。図２に示す例では、信号生成部１１１は、入力信号ｘｔに基づいて、入力信号ｘｔ－１から入力信号ｘｔ－Ｍ（１）／２を生成する。尚、変数Ｍ（１）は、後述するニューラルネットワーク１１２の入力層１１２Ｉに含まれるノード（つまり、ニューロン）Ｎ（１）の総数を示す。記号「／」は、割り算を表す（以下同様）。入力信号ｘｔに基づいて入力信号ｘｔ－１から入力信号ｘｔ－Ｍ（１）／２を生成するために、信号生成部１１１は、Ｍ（１）／２個の遅延器１１１１（具体的には、遅延器１１１１１から１１１１Ｍ（１）／２）を備える。遅延器１１１１ｈ（尚、変数ｈは、ｔからｔ－Ｍ（１）／２までの整数を示すインデックス）は、入力信号Ｘｔ－ｈ＋１に遅延を付与して入力信号Ｘｔ－ｈを生成する。更に、信号生成部１１１は、入力信号ｘｔ－ｈから、入力信号ｘｔ－ｈのＩ軸信号成分に相当する入力信号Ｉｔ－ｈと、入力信号ｘｔ－ｈのＱ軸信号成分に相当する入力信号Ｑｔ－ｈとを生成する。入力信号ｘｔ－ｈのＩ軸信号成分は、入力信号ｘｔ－ｈの波形の同相（Ｉｎ－ｐｈａｓｅ）成分に相当する。入力信号ｘｔ－ｈのＱ軸信号成分は、入力信号ｘｔ－ｈの波形の直交位相（Ｑｕａｄｒａｔｕｒｅ）成分に相当する。入力信号ｘｔ－ｈから入力信号Ｉｔ－ｈ及びＱｔ－ｈを生成するために、信号生成部１１１は、Ｍ（１）／２＋１個の信号変換器１１１２（具体的には、信号変換器１１１２０から１１１２Ｍ（１）／２）を備える。信号変換器１１１２ｈは、入力信号ｘｔ－ｈから入力信号Ｉｔ－ｈ及びＱｔ－ｈを生成する。その結果、ニューラルネットワーク１１２には、入力信号ＩｔからＩｔ－Ｍ（１）／２及び入力信号ＱｔからＱｔ－Ｍ（１）／２が入力される。
尚、信号生成部１１１は、入力信号ｘｔに基づいて入力信号ｘｔ－１から入力信号ｘｔ－Ｍ（１）を生成し、生成した入力信号ｘｔから入力信号ｘｔ－Ｍ（１）の振幅値をニューラルネットワーク１１２に入力してもよい。また、信号生成部１１１は、入力信号ｘｔから入力信号ｘｔ－Ｍ（１）の振幅値と入力信号Ｉｔから入力信号Ｉｔ－Ｍ（１）及び入力信号Ｑｔから入力信号Ｑｔ－Ｍ（１）とを混合してニューラルネットワーク１１２に入力してもよい。信号生成部１１１は、入力信号ｘｔから入力信号ｘｔ－Ｍ（１）の振幅値と入力信号Ｉｔから入力信号Ｉｔ－Ｍ（１）及び入力信号Ｑｔから入力信号Ｑｔ－Ｍ（１）とを用いた演算値（例えば、べき乗値等）をニューラルネットワーク１１２に入力してもよい。
ニューラルネットワーク１１２は、入力信号Ｉｔから入力信号Ｉｔ－Ｍ（１）／２及び入力信号Ｑｔから入力信号Ｑｔ－Ｍ（１）／２に基づいて、歪み補償信号ｙｔ（つまり、歪み補償処理が行われた入力信号ｘｔ）を生成する。ニューラルネットワーク１１２は、入力層１１２Ｉと、Ｌ（但し、Ｌは、１以上の整数を示す変数）個の中間層（つまり、隠れ層）１１２Ｍと、出力層１１２Ｏとを備える。図２に示す例では、ニューラルネットワーク１１２は、２つの中間層１１２Ｍ（具体的には、第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３））備える。しかしながら、ニューラルネットワーク１１２は、１つの又は３つ以上の中間層１１２Ｍを備えていてもよい。以下では、説明の便宜上、第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３）を備えるニューラルネットワーク１１２を用いて説明を進める。尚、中間層１１２Ｍ及び出力層１１２Ｏの夫々は、「演算層」の一具体例である。
入力層１１２Ｉは、ニューラルネットワーク１１２の１番目の層である。入力層１１２Ｉは、Ｍ（１）個のノードＮ（１）を備える。以下では、Ｍ（１）個のノードＮ（１）を、夫々、ノードＮ１ （１）からノードＮＭ（１） （１）と表記して互いに区別する。変数Ｍ（１）は、典型的には、２以上の整数である。第１の中間層１１２Ｍ（２）は、ニューラルネットワーク１１２の２番目の層である。第１の中間層１１２Ｍ（２）は、Ｍ（２）個のノードＮ（２）を備える。以下では、Ｍ（２）個のノードＮ（２）を、夫々、ノードＮ１ （２）からノードＮＭ（２） （２）と表記して互いに区別する。変数Ｍ（２）は、典型的には、２以上の整数である。第２の中間層１１２Ｍ（３）は、ニューラルネットワーク１１２の３番目の層である。第２の中間層１１２Ｍ（３）は、Ｍ（３）個のノードＮ（３）を備える。以下では、Ｍ（３）個のノードＮ（３）を、夫々、ノードＮ１ （３）からノードＮＭ（３） （３）と表記して互いに区別する。変数Ｍ（３）は、典型的には、２以上の整数である。出力層１１２Ｏは、ニューラルネットワーク１１２の４番目の層である。出力層１１２Ｏは、Ｍ（４）個のノードＮ（４）を備える。以下では、Ｍ（４）個のノードＮ（４）を、夫々、ノードＮ１ （４）からノードＮＭ（４） （４）と表記して互いに区別する。変数Ｍ（４）は、典型的には、２以上の整数であるが、１であってもよい。図２に示す例では、変数Ｍ（４）が２であり、出力層１１２Ｏは、ノードＮ１ （４）及びノードＮ２ （４）を備える。
入力層１１２ＩのノードＮ１ （１）からノードＮＭ（１） （１）には、夫々、入力信号Ｉｔから入力信号Ｉｔ－Ｍ（１）／２及び入力信号Ｑｔから入力信号Ｑｔ－Ｍ（１）／２が入力される。図２に示す例では、ｋが奇数である場合には、入力層１１２Ｉの第ｋ番目のノードＮｋ （１）には、入力信号Ｉｔ－（ｋ－１）／２が入力される。ｋが偶数である場合には、入力層１１２Ｉの第ｋ番目のノードＮｋ （１）には、入力信号Ｑｔ－（ｋ－2）／２が入力される。第ｋ番目のノードＮｋ （１）の出力Ｈｋ （１）は、第ｋ番目のノードＮｋ （１）の入力と同じであってもよい。或いは、第ｋ番目のノードＮｋ （１）の出力Ｈｋ （１）は、数式１で示されてもよい。数式１における「ｒｅａｌ（ｘ）」は、複素信号である入力信号ｘの実数部を出力する関数であり、「ｉｍａｇ（ｘ）」は、入力信号ｘの虚数部を出力する関数である。入力層１１２Ｉの第ｋ番目のノードＮｋ （１）の出力Ｈｋ （１）は、入力層１１２Ｉの第ｋ番目のノードＮｋ （１）と第１の中間層１１２Ｍ（２）のノードＮ１ （２）からノードＮＭ（２） （２）とを夫々接続するＭ（２）個の接続経路を介して、ノードＮ１ （２）からノードＮＭ（２） （２）に夫々入力される。
Figure 0007468643000001
第１の中間層１１２Ｍ（２）のｍ番目のノードＮｍ （２）の出力Ｈｍ （２）は、数式２で示される。数式２における「ｗｋ、ｍ （２）」は、入力層１１２Ｉの第ｋ番目のノードＮｋ （１）と第１の中間層１１２Ｍ（２）のｍ番目のノードＮｍ （２）との間の接続経路における重みを示す。数式２における「ｂｍ （２）」は、第１の中間層１１２Ｍ（２）のｍ番目のノードＮｍ （２）で用いられる（つまり、付加される）バイアスを示す。この重みｗｋ、ｍ （２）及びバイアスｂｍ （２）は、第１の中間層１１２Ｍ（２）のパラメータに相当する。また、数式２における「ｆ」は、活性化関数を示す。活性化関数として、例えば、シグモイド関数又はＲｅＬｕ（Ｒｅｃｔｉｆｉｅｄ Ｌｉｎｅａｒ Ｕｎｉｔ）関数が用いられてもよい。第１の中間層１１２Ｍ（２）のｍ番目のノードＮｍ （２）の出力Ｈｍ （２）は、第１の中間層１１２Ｍ（２）のｍ番目のノードＮｍ （２）と第２の中間層１１２Ｍ（３）のノードＮ１ （３）からノードＮＭ（２） （３）とを夫々接続するＭ（３）個の接続経路を介して、ノードＮ１ （３）からノードＮＭ（２） （３）の夫々に入力される。尚、変数ｍは、１以上且つＭ（２）以下の整数を示すインデックスである。
Figure 0007468643000002
第２の中間層１１２Ｍ（３）のｎ番目のノードＮｎ （３）の出力Ｈｎ （３）もまた、数式２で示される。但し、出力Ｈｎ （３）を数式２で示す場合には、数式２における「Ｈｋ （１）」及び「Ｈｍ （２）」は、夫々、Ｈｍ （２）及びＨｎ （３）に置き換えられ、数式２における「ｗｋ、ｍ （２）」は、第１の中間層１１２Ｍ（２）のｍ番目のノードＮｍ （２）と第２の中間層１１２Ｍ（３）のｎ番目のノードＮｎ （３）との間の接続経路における重みｗｍ、ｎ （３）に置き換えられ、且つ、数式２における「ｂｍ （２）」は、第２の中間層１１２Ｍ（３）のｎ番目のノードＮｎ （３）で用いられる（つまり、付加される）バイアスｂｎ （３）に置き換えられる。この重みｗｍ、ｎ （３）及びバイアスｂｎ （３）は、第２の中間層１１２Ｍ（３）のパラメータに相当する。第２の中間層１１２Ｍ（３）のｎ番目のノードＮｎ （３）の出力Ｈｎ （３）は、第２の中間層１１２Ｍ（３）のｎ番目のノードＮｎ （３）と出力層１１２ＯのノードＮ１ （４）からノードＮ２ （４）とを夫々接続するＭ（４）個の接続経路を介して、ノードＮ１ （４）からノードＮ２ （４）の夫々に入力される。尚、変数ｎは、１以上且つＭ（３）以下の整数を示すインデックスである。
出力層１１２Ｏ（４）のｏ番目のノードＮｏ （４）の出力Ｈｏ （４）もまた、数式２で示される。但し、出力Ｈｏ （４）を数式２で示す場合には、数式２における「Ｈｋ （１）」及び「Ｈｍ （２）」は、夫々、Ｈｎ （３）及びＨｏ （４）に置き換えられ、数式２における「ｗｋ、ｍ （２）」は、第２の中間層１１２Ｍ（３）のｎ番目のノードＮｎ （３）と出力層１１２Ｏのｏ番目のノードＮｏ （４）との間の接続経路における重みｗｎ、ｏ （４）に置き換えられ、且つ、数式２における「ｂｍ （２）」は、出力層１１２Ｏのｏ番目のノードＮｏ （４）で用いられる（つまり、付加される）バイアスｂｏ （４）に置き換えられる。この重みｗｎ、ｏ （４）及びバイアスｂｏ （４）は、出力層１１２Ｏのパラメータに相当する。尚、変数ｏは、１以上且つＭ（４）以下の整数を示すインデックスである。
出力層１１２Ｏの出力は、最終的な出力信号ｙｔに相当する。出力信号ｙｔは、時刻ｔの入力信号ｘｔから生成される歪み補償信号ｙに相当する。尚、出力層１１２Ｏは、活性化関数ｆを含んでいなくてもよい。この場合、出力層１１２Ｏの出力は、第２の中間層１１２Ｍ（３）のノードＮ１ （３）からノードＮＭ（３） （３）の出力を基底とする線形和であってもよい。
このようなニューラルネットワーク１１２の特性（実質的には、構造）は、例えば、上述した重みｗ及び上述したバイアスｂというパラメータによって決定される。
重みｗは、入力層１１２Ｉと第１の中間層１１２Ｍ（２）との間の重みｗ（２）を含む。重みｗ（２）は、入力層１１２Ｉと第１の中間層１１２Ｍ（２）との間のＭ（１）×Ｍ（２）個の接続経路に夫々対応するＭ（１）×Ｍ（２）個の重みｗｋ、ｍ （２）（１≦ｋ≦Ｍ（１）、１≦ｍ≦Ｍ（２））を含む。つまり、重みｗ（２）は、Ｍ（１）×Ｍ（２）個の重みｗｋ、ｍ （２）によって定まるベクトルである。重みｗは、更に、第１の中間層１１２Ｍ（２）と第２の中間層１１２Ｍ（３）との間の重みｗ（３）を含む。重みｗ（３）は、第１の中間層１１２Ｍ（２）と第２の中間層１１２Ｍ（３）との間のＭ（２）×Ｍ（３）個の接続経路に夫々対応するＭ（２）×Ｍ（３）個の重みｗｍ、ｎ （３）（１≦ｍ≦Ｍ（２）、１≦ｎ≦Ｍ（３））を含む。つまり、重みｗ（３）は、Ｍ（２）×Ｍ（３）個の重みｗｍ、ｎ （３）によって定まるベクトルである。重みｗは、更に、第２の中間層１１２Ｍ（３）と出力層１１２Ｏとの間の重みｗ（４）を含む。重みｗ（４）は、第２の中間層１１２Ｍ（３）と出力層１１２Ｏとの間のＭ（３）×Ｍ（４）個の接続経路に夫々対応するＭ（３）×Ｍ（４）個の重みｗｎ、ｏ （４）（１≦ｎ≦Ｍ（３）、１≦ｏ≦Ｍ（４））を含む。つまり、重みｗ（４）は、Ｍ（３）×Ｍ（４）個の重みｗｎ、ｏ （４）によって定まるベクトルである。
バイアスｂは、第１の中間層１１２Ｍ（２）で付加されるバイアスｂ（２）と、第２の中間層１１２Ｍ（３）で付加されるバイアスｂ（３）と、出力層１１２Ｏで付加されるバイアスｂ（４）とを含む。バイアスｂ（２）は、第１の中間層１１２Ｍ（２）に含まれるノードＮ１ （２）からノードＮＭ（２） （２）で夫々付加されるＭ（２）個のバイアスｂｍ （２）（１≦ｍ≦Ｍ（２））を含む。つまり、バイアスｂ（２）は、Ｍ（２）個のバイアスｂｍ （２）によって定まるベクトルである。バイアスｂ（３）は、第２の中間層１１２Ｍ（３）に含まれるノードＮ１ （３）からノードＮＭ（３） （３）で夫々付加されるＭ（３）個のバイアスｂｎ （３）（１≦ｎ≦Ｍ（３））を含む。つまり、バイアスｂ（３）は、Ｍ（３）個のバイアスｂｎ （３）によって定まるベクトルである。バイアスｂ（４）は、出力層１１２Ｏに含まれるノードＮ１ （４）からノードＮＭ（４） （４）で夫々付加されるＭ（４）個のバイアスｂｏ （４）（１≦ｏ≦Ｍ（４））を含む。つまり、バイアスｂ（４）は、Ｍ（４）個のバイアスｂｏ （４）によって定まるベクトルである。
本実施形態では、信号送信装置１は、出力層１１２Ｏのパラメータ（つまり、重みｗ（４）及びバイアスｂ（４））を、入力信号ｘの信号パターンに応じて切り替える（つまり、変更する）。尚、入力信号ｘの信号パターンは、後に詳述するが、入力信号ｘの特性（例えば、電力特性）に基づいて特定される。一方で、第１の中間層１１２Ｍ（２）のパラメータ（つまり、重みｗ（２）及びバイアスｂ（２））及び第２の中間層１１２Ｍ（３）のパラメータ（つまり、重みｗ（３）及びバイアスｂ（３））は、入力信号ｘの信号パターンに関わらずに固定されている。言い換えれば、入力層１１２Ｉ及び出力層１１２Ｏ以外のニューラルネットワーク１１２の他の層（この場合、中間層１１２Ｍ）のパラメータは、入力信号ｘの信号パターンに関わらずに固定されている。尚、本実施形態における「パラメータが固定されている」状態は、例えば、「パラメータが変更されない」状態を意味していてもよい。このため、信号送信装置１は、第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３）のパラメータを変更しない。言い換えれば、信号送信装置１は、入力層１１２Ｉ及び出力層１１２Ｏ以外のニューラルネットワーク１１２の他の層（この場合、中間層１１２Ｍ）のパラメータを変更しない。
出力層１１２Ｏのパラメータを切り替えるために、信号送信装置１は、図１に示すように、記憶装置１３と、演算装置１４とを備えている。
記憶装置１３は、所望のデータを記憶可能である。例えば、記憶装置１３は、演算装置１４が実行するコンピュータプログラムを一時的に記憶していてもよい。記憶装置１３は、演算装置１４がコンピュータプログラムを実行している際に演算装置１４が一時的に使用するデータを一時的に記憶してもよい。記憶装置１３は、信号送信装置１が長期的に又は一時的に保存するデータを記憶してもよい。尚、記憶装置１３は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ハードディスク装置、光磁気ディスク装置、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）及びディスクアレイ装置のうちの少なくとも一つを含んでいてもよい。つまり、記憶装置１３は、一時的でない記録媒体を含んでいてもよい。
本実施形態では特に、記憶装置１３は、複数のパラメータセット１３１を記憶している。つまり、記憶装置１３には、複数のパラメータセット１３１が格納されている。このため、記憶装置１３は、「格納手段」の一具体例である。
各パラメータセット１３１は、入力信号ｘの信号パターンが、各パラメータセットに対応する一の種類の信号パターンである場合に、出力層１１２Ｏに適用されるべきパラメータを含む。言い換えれば、各パラメータセット１３１は、各パラメータセット１３１に対応する一の種類の信号パターンの入力信号ｘに対して歪み補償処理を行う際に出力層１１２Ｏに適用されるべきパラメータを含む。このため、記憶装置１３に格納されているパラメータセット１３１の数は、典型的には、入力信号ｘがとり得る信号パターンの種類の数と同じ数になる。
図２に示す例では、記憶装置１３には、複数のパラメータセット１３１として、（１）第１の種類の信号パターンの入力信号ｘに対して歪み補償処理を行う際に出力層１１２Ｏに適用されるべきパラメータを含むパラメータセット１３１＃１と、（２）第１の種類の信号パターンとは異なる第２の種類の信号パターンの入力信号ｘに対して歪み補償処理を行う際に出力層１１２Ｏに適用されるべきパラメータを含むパラメータセット１３１＃２と、・・・、（Ｎ）第１の種類の信号パターンから第Ｎ－１（但し、Ｎは２以上の整数を示す変数）の種類の信号パターンとは異なる第Ｎの種類の信号パターンの入力信号ｘに対して歪み補償処理を行う際に出力層１１２Ｏに適用されるべきパラメータを含むパラメータセット１３１＃Ｎとが格納されている。この場合、入力信号ｘは、Ｎ種類の信号パターン（つまり、第１の信号パターンから第Ｎの信号パターン）をとり得る。
演算装置１４は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｅｃｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）及びＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）の少なくとも一つを含む。演算装置１４は、コンピュータプログラムを読み込む。例えば、演算装置１４は、記憶装置１３が記憶しているコンピュータプログラムを読み込んでもよい。例えば、演算装置１４は、コンピュータで読み取り可能であって且つ一時的でない記録媒体が記憶しているコンピュータプログラムを、図示しない記録媒体読み取り装置を用いて読み込んでもよい。演算装置１４は、不図示の通信装置を介して、信号送信装置１の外部に配置される不図示の装置からコンピュータプログラムを取得してもよい（つまり、ダウンロードしてもよい又は読み込んでもよい）。演算装置１４は、読み込んだコンピュータプログラムを実行する。その結果、演算装置１４内には、信号送信装置１が行うべき動作（特に、演算装置１４が行うべき動作）を実行するための論理的な機能ブロックが実現される。つまり、演算装置１４は、信号送信装置１が行うべき動作（特に、演算装置１４が行うべき動作）を実行するための論理的な機能ブロックを実現するためのコントローラとして機能可能である。
本実施形態では、演算装置１４内には、出力層１１２Ｏのパラメータを切り替えるための論理的な機能ブロックが実現される。図１には、出力層１１２Ｏのパラメータを切り替えるための論理的な機能ブロックの一例が示されている。図１に示すように、演算装置１４内には、論理的な機能ブロックとして、「特定手段」の一具体例である信号解析部１４１と、「適用手段」の一具体例である切替制御部１４２と、切替出力部１４３とが実現される。
尚、図１は、出力層１１２Ｏのパラメータを切り替えるための論理的な機能ブロックを概念的に（言い換えれば、簡略的に）示すに過ぎない。つまり、図１に示す機能ブロックがそのまま演算装置１４に実現される必要はなく、図１に示す機能ブロックが行う動作を演算装置１４が行うことができる限りは、演算装置１４内に実現される機能ブロックの構成が図１に示す構成に限定されることはない。
信号解析部１４１は、歪み補償装置１１に入力される入力信号ｘを解析することで、入力信号ｘの信号パターンを特定する（言い換えれば、算出する又は分類する）。つまり、信号解析部１４１は、第１の種類の信号パターンから第Ｎの種類の信号パターンのいずれか一つを、入力信号ｘの信号パターンとして特定する。信号解析部１４１による入力信号ｘの信号パターンの特定結果は、切替制御部１４２に出力される。
上述したように、入力信号ｘの信号パターンは、入力信号ｘの特性によって特定可能である。逆に言えば、入力信号ｘは、入力信号ｘの特性に応じてＮ種類の信号パターンのいずれかに分類可能である。このため、信号解析部１４１は、入力信号ｘの特性に基づいて、入力信号ｘの信号パターンを特定する。一例として、信号解析部１４１は、入力信号ｘの電力特性に基づいて、入力信号ｘの信号パターンを特定してもよい。入力信号ｘの電力特性は、入力信号ｘの平均電力及び入力信号ｘの電力分布の少なくとも一方を含んでいてもよい。入力信号ｘの平均電力は、例えば、一定期間中の入力信号ｘの電力値（例えば、振幅値）の平均値を意味していてもよい。入力信号ｘの電力分布は、例えば、時間軸に沿った入力信号ｘの電力値の変動の態様を意味していてもよい。
切替制御部１４２は、信号解析部１４１が特定した入力信号ｘの信号パターンに基づいて、記憶装置１３に格納されているＮ個のパラメータセット１３１の中から、出力層１１２Ｏに適用されるべきパラメータを含んでいる一のパラメータセット１３１を選択する。つまり、切替制御部１４２は、記憶装置１３に格納されているＮ個のパラメータセット１３１の中から、信号解析部１４１が特定した信号パターンに対応する一のパラメータセット１３１を選択する。
更に、切替制御部１４２は、選択した一のパラメータセット１３１に含まれているパラメータを、出力層１１２Ｏに適用する。つまり、切替制御部１４２は、選択した一のパラメータセット１３１に含まれているパラメータを、出力層１１２Ｏのパラメータに設定する。切替制御部１４２は、選択した一のパラメータセット１３１に含まれているパラメータを出力層１１２Ｏに適用するために、切替出力部１４３を制御する。切替出力部１４３は、記憶装置１３に格納されている複数のパラメータセット１３１のうちのいずれか一つに含まれるパラメータを、選択的に出力層１１２Ｏに出力可能な機能ブロックである。
このような切替出力部１４３の一例が、図３に示されている。図３に示すように、切替出力部１４３は、スイッチ１４３１を備えていてもよい。スイッチ１４３１は、Ｎ個の入力端子１４３１ＩＮと、一個の出力端子１４３１ＯＵＴとを備えている。Ｎ個の入力端子１４３１ＩＮには、夫々、記憶装置１３に格納されているＮ個のパラメータセット１３１が入力される。出力端子１４３１ＯＵＴは、歪み補償装置１１に接続される。スイッチ１４３１は、切替制御部１４２の制御下で、Ｎ個の入力端子１４３１ＩＮのいずれか一つを出力端子１４３１ＯＵＴに接続する。その結果、出力端子１４３１ＯＵＴに接続された一つの入力端子１４３１ＩＮに入力されたパラメータが、出力端子１４３１ＯＵＴを介して歪み補償装置１１に出力される。その結果、出力端子１４３１ＯＵＴを介して歪み補償装置１１に入力されたパラメータが、出力層１１２Ｏに適用される。つまり、出力層１１２Ｏのパラメータは、切替出力部１４３から出力されたパラメータによって上書き（言い換えれば、更新）される。言い換えれば、切替出力部１４３から出力されたパラメータが、出力層１１２Ｏのパラメータに設定される。その結果、出力層１１２Ｏは、切替出力部１４３から出力されたパラメータに基づく処理を行う。
（１－２）信号送信装置１の技術的効果
以上説明したように、本実施形態の信号送信装置１では、第１の中間層１１２Ｍ（２）の及び第２の中間層１１２Ｍ（３）のパラメータは、入力信号ｘの信号パターンに関わらずに固定されている。このため、信号送信装置１が入力信号ｘの信号パターンに基づいて切り替えるパラメータは、出力層１１２Ｏのパラメータに限定される。つまり、信号送信装置１は、入力信号ｘの信号パターンに基づいて、ニューラルネットワーク１１２の全ての層（つまり、出力層１１２Ｏに加えて、第１の中間層１１２Ｍ（２）のパラメータ及び第２の中間層１１２Ｍ（３））のパラメータを切り替えなくてもよい。このため、記憶装置１３に格納されるＮ個のパラメータセット１３１の夫々は、出力層１１２Ｏのパラメータをを含んでいれば十分である。つまり、記憶装置１３に格納されるＮ個のパラメータセット１３１の夫々は、ニューラルネットワーク１１２の全ての層のパラメータを含んでいなくともよくなる。このため、本実施形態では、Ｎ個のパラメータセット１３１の全てがニューラルネットワーク１１２の全ての層のパラメータを含む場合と比較して、Ｎ個のパラメータセット１３１を格納するために記憶装置１３に必要とされる記憶容量が少なくなる。その結果、記憶装置１３の回路規模（つまり、信号送信装置１の回路規模）の増大が抑制される。
ここで、ニューラルネットワーク１１２に含まれる中間層１１２Ｍの数をＬ（但し、Ｌは１以上の整数を示す変数）とし、ニューラルネットワーク１１２に含まれる中間層１１２Ｍ及び出力層１１２Ｏの夫々のパラメータの数をＭとし、入力信号ｘがとり得る信号パターンの種類の数をＮとする場合における回路規模の増大の抑制の効果について説明する。Ｎ個のパラメータセット１３１の全てがニューラルネットワーク１１２の全ての層のパラメータを含む比較例では、記憶装置１３が格納するパラメータの総数は、中間層１１２Ｍ及び出力層１１２Ｏの総数×信号パターンの種類の数（つまり、パラメータセット１３１の数）×中間層１１２Ｍ及び出力層１１２Ｏの夫々のパラメータの数となる。つまり、比較例では、記憶装置１３は、（Ｌ＋１）×Ｎ×Ｍ個のパラメータを格納する必要がある。一方で、本実施形態では、記憶装置１３が格納するパラメータの総数は、出力層１１２Ｏの数×信号パターンの種類の数（つまり、パラメータセット１３１の数）×出力層１１２Ｏの夫々のパラメータの数となる。つまり、記憶装置１３は、１×Ｎ×Ｍ個のパラメータを格納すれば十分である。このため、本実施形態では、記憶装置１３に格納されるパラメータの数は、（Ｌ＋１）×Ｎ×Ｍ－１×Ｎ×Ｍ＝Ｌ×Ｎ×Ｍだけ少なくなる。このため、変数Ｌが大きくなるほど（つまり、ニューラルネットワーク１１２の中間層１１２Ｍの数が多くなるほど）、回路規模の増大の抑制の効果が大きくなる。また、変数Ｎが大きくなるほど（つまり、信号パターンの種類の数が多くなるほど）、回路規模の増大の抑制の効果が大きくなる。また、変数Ｍが大きくなるほど（つまり、ニューラルネットワーク１１２の各層のパラメータの数が多くなるほど）、回路規模の増大の抑制の効果が大きくなる。
一例として、Ｌ＝１であり且つＮ＝５である場合には、比較例では、記憶装置１３は、１０×Ｍ個のパラメータを格納する必要がある一方で、本実施形態では、記憶装置１３は、５×Ｍ個のパラメータを格納すれば十分である。このため、本実施形態では、比較例と比較して、パラメータセット１３１を格納するために必要な記憶装置１３の記憶容量が概ね半分になる。他の一例として、Ｌ＝２であり且つＮ＝５である場合には、比較例では、記憶装置１３は、１５×Ｍ個のパラメータを格納する必要がある一方で、本実施形態では、記憶装置１３は、５×Ｍ個のパラメータを格納すれば十分である。このため、本実施形態では、比較例と比較して、パラメータセット１３１を格納するために必要な記憶装置１３の記憶容量が概ね１／３になる。
加えて、本実施形態では、信号送信装置１は、ニューラルネットワーク１１２を構成する複数の層の最終段に相当する出力層１１２Ｏのパラメータを切り替える。つまり、信号送信装置１は、ニューラルネットワーク１１２の出力の精度に対する寄与度が相対的に高い（典型的には、最も高いＩ）出力層１１２Ｏのパラメータを切り替える。このため、第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３）のパラメータが固定されていたとしても、歪み補償装置１１による歪み補償処理の精度が看過できないほどに低下することはない。このため、第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３）のパラメータが固定されていたとしても、歪み補償装置１１は、入力信号ｘに対して適切に歪み補償処理を行うことができる。
（２）パラメータ決定装置２
上述したニューラルネットワーク１１２のパラメータは、パラメータ決定装置２によって決定される。つまり、第１の中間層１１２Ｍ（２）のパラメータ、第２の中間層１１２Ｍ（３）のパラメータ、及び、記憶装置１３に記憶されているＮ個のパラメータセット１３１に含まれる出力層１１２Ｏのパラメータは、パラメータ決定装置２によって決定される。この場合、パラメータ決定装置２が学習を担う装置に相当し、学習で得られたパラメータを用いて信号送信装置１（特に、歪み補償装置１１）が推論を行っているとも言える。以下、パラメータ決定装置２について更に説明する。
（２－１）パラメータ決定装置２のハードウェア構成
はじめに、図４を参照しながら、本実施形態のパラメータ決定装置２のハードウェア構成について説明する。図４は、本実施形態のパラメータ決定装置２のハードウェア構成を示すブロック図である。
図１に示すように、パラメータ決定装置２は、演算装置２１と、記憶装置２２とを備えている。更に、パラメータ決定装置２は、入力装置２３と、出力装置２４とを備えていてもよい。但し、パラメータ決定装置２は、入力装置２３及び出力装置２４の少なくとも一方を備えていなくてもよい。演算装置２１と、記憶装置２２と、入力装置２３と、出力装置２４は、データバス２５を介して接続されている。
演算装置２１は、例えば、ＣＰＵ、ＧＰＵ及びＦＰＧＡの少なくとも一つを含む。演算装置２１は、コンピュータプログラムを読み込む。例えば、演算装置２１は、記憶装置２２が記憶しているコンピュータプログラムを読み込んでもよい。例えば、演算装置２１は、コンピュータで読み取り可能であって且つ一時的でない記録媒体が記憶しているコンピュータプログラムを、図示しない記録媒体読み取り装置を用いて読み込んでもよい。演算装置２１は、不図示の通信装置を介して、パラメータ決定装置２の外部に配置される不図示の装置からコンピュータプログラムを取得してもよい（つまり、ダウンロードしてもよい又は読み込んでもよい）。演算装置２１は、読み込んだコンピュータプログラムを実行する。その結果、演算装置２１内には、パラメータ決定装置２が行うべき動作を実行するための論理的な機能ブロックが実現される。つまり、演算装置２１は、パラメータ決定装置２が行うべき動作を実行するための論理的な機能ブロックを実現するためのコントローラとして機能可能である。
記憶装置２２は、所望のデータを記憶可能である。例えば、記憶装置２２は、演算装置２１が実行するコンピュータプログラムを一時的に記憶していてもよい。記憶装置２２は、演算装置２１がコンピュータプログラムを実行している際に演算装置２１が一時的に使用するデータを一時的に記憶してもよい。記憶装置２２は、パラメータ決定装置２が長期的に保存するデータを記憶してもよい。尚、記憶装置２２は、ＲＡＭ、ＲＯＭ、ハードディスク装置、光磁気ディスク装置、ＳＳＤ及びディスクアレイ装置のうちの少なくとも一つを含んでいてもよい。つまり、記憶装置２２は、一時的でない記録媒体を含んでいてもよい。
入力装置２３は、パラメータ決定装置２の外部からのパラメータ決定装置２に対する情報の入力を受け付ける装置である。
出力装置２４は、パラメータ決定装置２の外部に対して情報を出力する装置である。例えば、出力装置２４は、パラメータ決定装置２に関する情報を表示可能な表示装置であってもよい。
（２－２）演算装置２１の機能ブロック
続いて、図５を参照しながら、演算装置２１内で実現される機能ブロックについて説明する。図５は、演算装置２１内で実現される機能ブロックを示すブロック図である。
図５に示すように、演算装置２１内には、ニューラルネットワーク１１２のパラメータを決定するための論理的な機能ブロックとして、「分類手段」の一具体例である信号解析部２１１と、振り分け制御部２１２と、信号振り分け部２１３と、夫々が「第３生成手段」の一具体例である複数のパラメータ決定部２１４と、「第２生成手段」の一具体例であるパラメータ決定部２１５とを備えている。パラメータ決定部２１４の数は、入力信号ｘがとり得る信号パターの種類の数と同じである。上述したように、入力信号ｘがＮ種類の信号パターンをとり得るため、本実施形態では、演算装置２１内には、Ｎ個のパラメータ決定部２１４（具体的には、パラメータ決定部２１４＃１からパラメータ決定部２１４＃Ｎ）が実現される。尚、複数のパラメータ決定部２１４が一つの機能ブロックであるとみなすと、当該機能ブロックは、「第１生成手段」の一具体例となる。
尚、図５は、パラメータを決定するための論理的な機能ブロックを概念的に（言い換えれば、簡略的に）示すに過ぎない。つまり、図５に示す機能ブロックがそのまま演算装置２１に実現される必要はなく、図５に示す機能ブロックが行う動作を演算装置２１が行うことができる限りは、演算装置２１内に実現される機能ブロックの構成が図５に示す構成に限定されることはない。
信号解析部２１１は、パラメータを決定するために用いられる学習用信号を解析することで、学習用信号の信号パターンを特定する（言い換えれば、算出する又は分類する）。つまり、信号解析部２１１は、入力信号ｘがとり得る第１の種類の信号パターンから第Ｎの種類の信号パターンのいずれか一つを、学習用信号の信号パターンとして特定する。言い換えれば、信号解析部２１１は、学習用信号の信号パターンを、入力信号ｘがとり得るＮ種類の信号パターンに分類する。信号解析部２１１による入力信号ｘの信号パターンの特定結果は、振り分け制御部２１２に出力される。尚、信号解析部２１１による学習用信号の信号パターンの特定方法は、上述した信号解析部１４１による入力信号ｘの信号パターンの特定方法と同一であってもよい。
学習用信号は、対応する教師用信号と共にパラメータ決定装置２に入力される。更には、パラメータ決定装置２には、複数の学習用信号が入力される。つまり、パラメータ決定装置２には、学習用信号と当該学習用信号に対応する教師用信号とを含む単位データを複数含む学習用データセットが入力される。このため、信号解析部２１１は、複数の学習用信号の夫々の信号パターンを特定する。尚、時系列的に連続している信号が、複数の学習用信号として用いられてもよい。この場合、時系列的に連続している信号を細分化することで得られる複数の信号成分の夫々が、一つの学習用信号に相当するとみなしてもよい。
学習用信号及び教師用信号の夫々は、例えば、入力信号ｘ、歪み補償信号ｙ及び送信信号ｚのうちの少なくとも一つに基づく信号であってもよい。学習用信号及び教師用信号の夫々は、例えば、入力信号ｘ、歪み補償信号ｙ及び送信信号ｚのうちの少なくとも一つを用いて生成される信号であってもよい。学習用信号及び教師用信号を生成する方法は、歪み補償装置１１における歪み補償のためのアルゴリズムに応じて選択されてもよい。例えば、アルゴリズムとしてｉｎｄｉｒｅｃｔ ｌｅａｒｎｉｎｇ方式が用いられる場合には、送信信号ｚに相当する信号が学習用信号として用いられ、歪み補償信号ｙ又は入力信号ｘに相当する信号が教師用信号として用いられてもよい。つまり、ある学習用信号がパワーアンプ１２から送信信号ｚとして出力される場合に歪み補償装置１１から出力されるべき歪み補償信号ｙ又は歪み補償装置１１に入力されるべき入力信号ｘが、教師用信号として用いられてもよい。或いは、例えば、ｄｉｒｅｃｔ ｌｅａｒｎｉｎｇ方式がアルゴリズムとして用いられる場合には、入力信号ｘに相当する信号が学習用信号として用いられ、歪み補償信号ｙに相当する信号が教師用信号として用いられてもよい。つまり、ある学習用信号が歪み補償装置１１に入力された場合に歪み補償装置１１から出力されるべき歪み補償信号ｙ（例えば、ＩＬＣ（Ｉｔｅｒａｔｉｖｅ Ｌｅａｒｎｉｎｇ ｃｏｎｔｒｏｌ）を適用することで得られた歪み補償信号ｙ）が、教師用信号として用いられてもよい。
振り分け制御部２１２は、信号解析部２１１が特定した学習用信号の信号パターンに基づいて、各学習用信号を、Ｎ個のパラメータ決定部２１４のうち各学習用信号の信号パターンに対応する一のパラメータ決定部２１４に出力する。例えば、振り分け制御部２１２は、（１）第１の種類の信号パターンを有する学習用信号を、パラメータ決定部２１４＃１に出力し、（２）第２の種類の信号パターンを有する学習用信号を、パラメータ決定部２１４＃２に出力し、・・・、（Ｎ）第Ｎの種類の信号パターンを有する学習用信号を、パラメータ決定部２１４＃Ｎに出力してもよい。
振り分け制御部２１２は、更に、各学習用信号に対応する教師用信号もまた、Ｎ個のパラメータ決定部２１４のうち各学習用信号の信号パターンに対応する一のパラメータ決定部２１４に出力する。例えば、振り分け制御部２１２は、（１）第１の種類の信号パターンを有する学習用信号に対応する教師用信号を、パラメータ決定部２１４＃１に出力し、（２）第２の種類の信号パターンを有する学習用信号に対応する教師用信号を、パラメータ決定部２１４＃２に出力し、・・・、（Ｎ）第Ｎの種類の信号パターンを有する学習用信号に対応する教師用信号を、パラメータ決定部２１４＃Ｎに出力してもよい。
振り分け制御部２１２は、更に、第１の種類の信号パターンを有する学習用信号から第Ｎの種類の信号パターンを有する学習用信号を、パラメータ決定部２１５に出力する。更に、振り分け制御部２１２は、第１の種類の信号パターンを有する学習用信号に対応する教師用信号から第Ｎの種類の信号パターンを有する学習用信号に対応する教師用信号を、パラメータ決定部２１５に出力する。但し、パラメータ決定部２１５は、パラメータ決定部２１４＃１から２１４＃Ｎから、学習用信号及び教師用信号を取得してもよい。例えば、パラメータ決定部２１５は、（１）パラメータ決定部２１４＃１から、第１の種類の信号パターンを有する学習用信号及び当該学習用信号に対応する教師用信号を取得し、（２）パラメータ決定部２１４＃２から、第２の種類の信号パターンを有する学習用信号及び当該学習用信号に対応する教師用信号を取得し、・・・、（Ｎ）パラメータ決定部２１４＃Ｎから、第Ｎの種類の信号パターンを有する学習用信号及び当該学習用信号に対応する教師用信号を取得してもよい。
振り分け制御部２１２は、信号振り分け部２１３を制御することで、学習用信号及び教師用信号を、パラメータ決定部２１４＃１から２１４＃Ｎ及びパラメータ決定部２１５の少なくとも一つに出力してもよい。尚、信号振り分け部２１３は、上述した切替出力部１４３と同様に、スイッチを備える機能ブロックであってもよい。このため、信号振り分け部２１３の詳細な構成の説明は省略する。
パラメータ決定部２１４＃ｐ（但し、ｐは、１以上且つＮ以下の整数を示す変数（インデックス））は、第ｐの種類の信号パターンを有する学習用信号及び当該学習用信号に対応する教師用信号に基づいて、出力層１１２Ｏのパラメータを決定する（言い換えれば、学習する）。パラメータ決定部２１４＃ｐが決定した出力層１１２Ｏのパラメータは、第ｐの種類の信号パターンの入力信号ｘに対して歪み補償処理を行う際に出力層１１２Ｏに適用されるべきパラメータとして用いられる。このため、パラメータ決定部２１４＃ｐが決定した出力層１１２Ｏのパラメータは、パラメータ決定装置２から信号送信装置１へと出力され、パラメータセット１３１＃ｐとして記憶装置１３に格納される。
パラメータ決定部２１５は、第１の種類の信号パターンを有する学習用信号から第Ｎの種類の信号パターンを有する学習用信号（更には、第１の種類の信号パターンを有する学習用信号に対応する教師用信号から第Ｎの種類の信号パターンを有する学習用信号に対応する教師用信号）を用いて、第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３）のパラメータを決定する（言い換えれば、学習する）。つまり、パラメータ決定部２１５は、入力層１１２Ｉ及び出力層１１２Ｏ以外のニューラルネットワーク１１２の他の層（この場合、中間層１１２Ｍ）のパラメータを決定する。パラメータ決定部２１５が決定した第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３）のパラメータは、パラメータ決定装置２から信号送信装置１へと出力され、第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３）に適用される。
（２－３）パラメータを決定する動作の流れ
続いて、図６を参照しながら、パラメータ決定部２１４及び２１５がパラメータを決定する動作の流れについて説明する。図６は、パラメータ決定部２１４及び２１５がパラメータを決定する動作の流れを示すフローチャートである。
図６に示すように、まず、演算装置２１は、変数ｐを１に設定する（ステップＳ１１）。
その後、パラメータ決定部２１４＃ｐは、第ｐの種類の信号パターンを有する学習用信号及び当該学習用信号に対応する教師用信号に基づいて、出力層１１２Ｏのパラメータを決定するための学習動作を行う（ステップＳ１２）。具体的には、パラメータ決定部２１４＃ｐは、ニューラルネットワーク１１２と同じ構成を有する学習用のニューラルネットワーク１１２’（不図示）に、第ｐの種類の信号パターンを有する学習用信号を入力する。その上で、パラメータ決定部２１４＃ｐは、学習用のニューラルネットワーク１１２’が出力する信号と教師用信号との誤差（つまり、学習誤差）が小さくなるように（好ましくは、最少になるように）、学習用のニューラルネットワーク１１２’における出力層１１２Ｏ’（不図示）のパラメータを変更する。その結果、パラメータ決定部２１４＃ｐは、出力層１１２Ｏ’のパラメータを、出力層１１２Ｏのパラメータ（つまり、パラメータセット１３１＃ｐ）として決定する。このように、パラメータ決定部２１４＃ｐは、パラメータセット１３１＃ｐを生成することができる。
パラメータ決定部２１４＃ｐは、第ｐの種類の信号パターンを有する学習用信号が信号振り分け部２１３からパラメータ決定部２１４＃ｐに一定量以上入力された後に、ステップＳ１２に示す学習動作を行ってもよい。つまり、パラメータ決定部２１４＃ｐは、信号振り分け部２１３からパラメータ決定部２１４＃ｐに入力された第ｐの種類の信号パターンを有する学習用信号のサンプル数が一定数以上になった後に、ステップＳ１２に示す学習動作を行ってもよい。但し、パラメータ決定部２１４＃ｐは、第ｐの種類の信号パターンを有する学習用信号が信号振り分け部２１３からパラメータ２１４決定部＃ｐに出力される都度、ステップＳ１２に示す学習動作を行ってもよい。
その後、パラメータ決定部２１５は、第ｐの種類の信号パターンを有する学習用信号及び当該学習用信号に対応する教師用信号に基づいて、第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３）のパラメータを決定するための学習動作を行う（ステップＳ１３）。具体的には、パラメータ決定部２１５は、ステップＳ１２においてパラメータ決定部２１４＃ｐが決定したパラメータが出力層１１２Ｏ’に適用された学習用のニューラルネットワーク１１２’に、第ｐの種類の信号パターンを有する学習用信号を入力する。その上で、パラメータ決定部２１５は、学習用のニューラルネットワーク１１２’が出力する信号と教師用信号との誤差（つまり、学習誤差）が小さくなるように（好ましくは、最少になるように）、学習用のニューラルネットワークにおける第１の中間層１１２Ｍ（２）’及び第２の中間層１１２Ｍ（３）’のパラメータを変更する。その結果、パラメータ決定部２１５は、第１の中間層１１２Ｍ（２）’及び第２の中間層１１２Ｍ（３）’のパラメータを、第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３）のパラメータを含むパラメータセットとして決定する。このように、パラメータ決定部２１５は、第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３）のパラメータを含むパラメータセットを生成することができる。
パラメータ決定部２１４＃ｐ及び２１５は、誤差逆伝搬法を用いて、パラメータを決定してもよい。この場合、パラメータ決定部２１４＃ｐ及び２１５は、ニューラルネットワークの学習において一般的に用いられる最適化アルゴリズムを用いて、パラメータを決定してもよい。最適化アルゴリズムの一例として、確率的勾配降下法（ＳＧＤ：Ｓｔｏｃｈａｓｔｉｃ Ｇｒａｄｉｅｎｔ Ｄｅｓｃｅｎｔ）及びＡＤＡＭ（Ａｄａｐｔｉｖｅ Ｍｏｍｅｎｔ Ｅｓｔｉｍａｔｉｏｎ）の少なくとも一方があげられる。
その後、演算装置２１は、変数ｐを１だけインクリメントする（ステップＳ１４）。その後、演算装置２１は、変数ｐが、変数Ｎ（つまり、信号パターンの種類の数）よりも大きいか否かを判定する（ステップＳ１５）。
ステップＳ１５における判定の結果、変数ｐが変数Ｎよりも大きくないと判定される場合には（ステップＳ１５：Ｎｏ）、Ｎ個のパラメータ決定部２１４＃１から２１４＃Ｎの一部が、出力層１１２Ｏのパラメータを決定するための学習動作を未だ完了していないと想定される。つまり、Ｎ個のパラメータセット１３１＃１から１３１＃Ｎの一部が、未だ生成されていないと想定される。そこで、この場合には、ステップＳ１２からステップＳ１４までの動作が再度行われる。
その結果、パラメータ決定装置２は、ステップＳ１２からステップＳ１４までの動作をＮ回繰り返すことになる。つまり、パラメータ決定装置２（特に、Ｎ個のパラメータ決定部２１４＃１から２１４＃Ｎ）は、第ｐの種類の信号パターンを有する学習用信号に基づいて出力層１１２Ｏのパラメータを決定するための学習動作を、変数ｐを変更しながらＮ回繰り返す。その結果、Ｎ個のパラメータセット１３１＃１から１３１＃Ｎが生成される。つまり、Ｎ個のパラメータ決定部２１４＃１から２１４＃Ｎは、第１の種類の信号パターンを有する学習用信号に基づいて学習された出力層１１２Ｏのパラメータを含むパラメータセット１３１＃１から第Ｎの種類の信号パターンを有する学習用信号に基づいて学習された出力層１１２Ｏのパラメータを含むパラメータセット１３１＃Ｎを夫々生成する。また、パラメータ決定装置２（特に、パラメータ決定部２１５）は、第ｐの種類の信号パターンを有する学習用信号に基づいて第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３）のパラメータを決定するための学習動作を、変数ｐを変更しながらＮ回繰り返す。この際、パラメータ決定部２１５は、第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３）のパラメータを含むパラメータセットを一つだけ生成すればよい。このため、パラメータ決定部２１５は、第１の種類の信号パターンを有する学習用信号から第Ｎの種類の信号パターンを有する学習用信号に基づいて学習された第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３）のパラメータを含む一つのパラメータセットを生成する。
他方で、ステップＳ１５における判定の結果、変数ｐが変数Ｎよりも大きいと判定される場合には（ステップＳ１５：Ｙｅｓ）、Ｎ個のパラメータ決定部２１４＃１から２１４＃Ｎの全てが、出力層１１２Ｏのパラメータを決定するための学習動作を完了したと想定される。つまり、Ｎ個のパラメータセット１３１＃１から１３１＃Ｎの全てが、生成されたと想定される。この場合には、演算装置２１は、総学習誤差がターゲット値を下回っているか否かを判定する（ステップＳ１６）。尚、ここで言う「総学習誤差」は、Ｎ回繰り返されるステップＳ１２からステップＳ１４までの動作の夫々で用いられるＮ個の学習誤差に基づいて定まる学習誤差を意味する。つまり、「総学習誤差」は、第１の種類の信号パターンを有する学習用信号を用いてステップＳ１２からステップＳ１４までの動作が行われた場合に用いられる学習誤差から第Ｎの種類の信号パターンを有する学習用信号を用いてステップＳ１２からステップＳ１４までの動作が行われた場合に用いられる学習誤差に基づいて定まる学習誤差を意味する。一例として、総学習誤差は、Ｎ個の学習誤差の総和又は平均であってもよい。
ステップＳ１６における判定の結果、総学習誤差がターゲット値を下回っていないと判定される場合には（ステップＳ１６：Ｎｏ）、パラメータの学習が十分でないと想定される。そこで、この場合には、ステップＳ１１からステップＳ１５までの動作が再度行われる。他方で、ステップＳ１６における判定の結果、総学習誤差がターゲット値を下回っていると判定される場合には（ステップＳ１６：Ｙｅｓ）、パラメータの学習が十分であると想定される。そこで、この場合には、パラメータ決定装置２は、図２に示す動作を終了する。
パラメータ決定装置２は、信号送信装置１の出荷前に、ニューラルネットワーク１１２のパラメータを決定してもよい。その結果、例えば製造工場において、パラメータ決定装置２が決定したパラメータに基づくニューラルネットワーク１１２が実装された信号送信装置１が出荷される。この場合、典型的には、パラメータ決定装置２は、信号送信装置１の外部の装置（典型的には、ＧＰＵ（Ｇｒａｐｈｉｃ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等の相対的に高速な演算装置を用いて実装されてもよい。但し、後に詳述するように、パラメータ決定装置２の少なくとも一部が、信号送信装置１に実装されていてもよい。パラメータ決定装置２は、信号送信装置１の出荷後に（例えば、信号送信装置１の運用中に）、ニューラルネットワーク１１２のパラメータを決定してもよい。
尚、図６に示す例では、変数ｐは、初期値１から１ずつインクリメントされている。しかしながら、演算装置２１は、変数ｐを、１からＮの間の整数からランダムに選択してもよい。
（２－４）パラメータ決定装置２の技術的効果
以上説明したように、本実施形態のパラメータ決定装置２は、第１の種類の信号パターンを有する学習用信号から第Ｎの種類の信号パターンを有する学習用信号を用いて、Ｎ個のパラメータセット１３１＃１から１３１＃ｐを生成することができる。このため、信号送信装置１は、パラメータ決定装置２が生成したＮ個のパラメータセット１３１＃１から１３１＃ｐのうちの入力信号ｘの信号パターンに応じて選択される一のパラメータセット１３１に含まれるパラメータを用いて、歪み補償処理を適切に行うことができる。
また、パラメータ決定装置２は、第１の種類の信号パターンを有する学習用信号から第Ｎの種類の信号パターンを有する学習用信号を用いて、第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３）のパラメータを含む一つのパラメータセットを生成することができる。ここで、パラメータ決定装置２は、第ｐの種類の信号パターンを有する学習用信号を用いて第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３）のパラメータを決定する際には、第ｐの種類の信号パターンを有する学習用信号を用いて決定された出力層１１２Ｏのパラメータが適用された学習用のニューラルネットワーク１１２’を用いる。このため、第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３）のパラメータを決定するために用いる学習用信号の信号パターンが変わる場合には、学習用のニューラルネットワーク１１２’の出力層１１２Ｏ’のパラメータもまた切り替えられる。このため、パラメータ決定装置２は、ニューラルネットワーク１１２の出力層１１２Ｏのパラメータが入力信号ｘの信号パターンに応じて切り替えられることを前提としながら、第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３）のパラメータを決定することができる。その結果、このように決定された第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３）のパラメータが適用されたニューラルネットワーク１１２は、第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３）のパラメータが固定されていたとしても、信号パターンが変わり得る入力信号ｘに対して適切に歪み補償処理を行うことができる。つまり、第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３）のパラメータが入力信号ｘの信号パターンに応じて切り替えられる場合と比較して、第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３）のパラメータが固定されていることに起因した歪み補償処理の精度の劣化度合いは、無視できるほどに小さくなる。
（３）信号送信装置１の変形例
続いて、信号送信装置１の変形例について説明する。
（３－１）第１変形例の信号送信装置１ａ
初めに、図７を参照しながら、第１変形例の信号送信装置１ａについて説明する。図７は、第１変形例の信号送信装置１ａの構成を示すブロック図である。
図７に示すように、信号送信装置１ａは、信号送信装置１と比較して、光通信網（例えば、光回線）を介して送信信号ｚを送信する装置であってもよいという点で異なる。この場合、信号送信装置１ａは、信号送信装置１と比較して、パワーアンプ１２が出力する送信信号ｚを光信号に変換するＥ・Ｏ（Ｅｌｅｔｒｉｃａｌ Ｓｉｇｎａｌ ｔｏ Ｏｐｔｉｃａｌ Ｓｉｇｎａｌ）変換器１５ａを更に備えているという点で異なる。その結果、光信号に変換された送信信号ｚが、光ファイバ等の信号伝送経路１６ａ（つまり、光通信網の少なくとも一部を構成する信号伝搬経路）を介して送信される。この信号伝送経路１６ａの一部又は全部は、信号送信装置１ａを構成する構成要件であってもよい。或いは、この信号伝送経路１６ａは、信号送信装置１ａとは別個の構成要件であってもよい。
送信信号ｚを受信する信号受信装置３ａは、Ｏ・Ｅ（Ｏｐｔｉｃａｌ Ｓｉｇｎａｌ ｔｏ Ｅｌｅｃｔｒｉｃａｌ Ｓｉｇｎａｌ）変換器３１ａを用いて、光信号である送信信号ｚを電気信号に変換し、その後、電気信号に変換された送信信号ｚを受信装置３２ａで受信する。
歪み補償装置１１は、パワーアンプ１２の動作に起因して送信信号ｚに生ずる歪みに加えて又は代えて、信号伝送経路１６ａでの送信信号ｚの送信に起因して生ずる歪みを（つまり、信号伝送経路１６ａで送信信号ｚに生ずる歪み）を補償するための歪み補償処理を入力信号ｘに対して行ってもよい。その結果、光通信網（例えば、光回線）を介して送信信号ｚが送信される場合であっても、送信信号ｚの歪みが適切に補償される。この場合、信号伝送経路１６ａで送信信号ｚに歪みが生ずることを考慮して、上述した学習用信号及び教師用信号の夫々は、例えば、入力信号ｘ、歪み補償信号ｙ及び送信信号ｚのうちの少なくとも一つに加えて又は代えて、信号受信装置３ａが受信した受信信号（つまり、信号伝送経路１６ａで送信信号ｚに生じた歪みを含む信号）に基づく信号であってもよい。
尚、光信号に変換された送信信号ｚが送信される場合には、信号生成部１１１は、上述した各種信号に代えて、入力信号ｘｔのＸ偏波成分及びＹ偏波成分を、ニューラルネットワーク１１２に入力してもよい。
（３－２）第２変形例の信号送信装置１ｂ
続いて、図８を参照しながら、第２変形例の信号送信装置１ｂについて説明する。図８は、第２変形例の信号送信装置１ｂの構成を示すブロック図である。
図８に示すように、信号送信装置１ｂは、信号送信装置１と比較して、ニューラルネットワーク１１２のパラメータを決定するための機能ブロックに相当するパラメータ決定部１４４ｂが信号送信装置１ｂ内（具体的には、演算装置１４内）に実現されているという点で異なる。パラメータ決定部１４４ｂは、上述したパラメータ決定装置２の演算装置２１の内部に実現される機能ブロックを含んでいてもよい。つまり、パラメータ決定部１４４ｂは、信号解析部２１１と、振り分け制御部２１２と、信号振り分け部２１３と、複数のパラメータ決定部２１４と、パラメータ決定部２１５とを備えていてもよい。この場合、実質的には、パラメータ決定装置２が、信号送信装置１ｂに実装されているとも言える。
この場合、信号送信装置１ｂ自身が、ニューラルネットワーク１１２のパラメータを更新することができる。このため、信号送信装置１ｂが出荷された後に、ニューラルネットワーク１１２のパラメータが更新可能となる。例えば、信号送信装置１ｂがその設置場所に設置される際に、信号送信装置１ｂの実際の使用状況に合わせてニューラルネットワーク１１２のパラメータが更新（言い換えれば、調整）されてもよい。例えば、信号送信装置１ｂの運用が開始された後に、信号送信装置１ｂが実際に送信する送信信号ｚの特性に合わせてニューラルネットワーク１１２のパラメータが更新されてもよい。例えば、信号送信装置１ｂの運用が開始された後に、信号送信装置１ｂの経時劣化（つまり、ドリフト）に合わせてニューラルネットワーク１１２のパラメータが更新されてもよい。その結果、信号送信装置１ｂが出荷された後においても、歪補償装置１１の歪補償性能が相対的に高い状態を維持することができる。
更には、信号送信装置１ｂは、信号送信装置１ｂに実際に入力される入力信号ｘ、信号送信装置１ｂに実際に生成する歪み補償信号ｙ、及び、信号送信装置１ｂが実際に送信する送信信号ｚの少なくとも一つに基づく学習用信号及び教師用信号を用いて、ニューラルネットワーク１１２のパラメータを更新することができる。このため、信号送信装置１ｂは、信号送信装置１ｂの実際の使用状況に合わせてニューラルネットワーク１１２のパラメータを適切に更新することができる。
信号送信装置１ｂ自身が決定したパラメータは、所望のタイミングでニューラルネットワーク１１２に反映されてもよい。但し、新たなパラメータのニューラルネットワーク１１２に対する反映が完了するまでは、信号送信装置１ｂが送信信号ｚを送信できなくなる期間が生ずる可能性がある。そこで、図９に示すように、歪み補償装置１１は、複数のニューラルネットワーク１１２を備える冗長化構成を採用していてもよい。図９は、歪み補償装置１１が二つのニューラルネットワーク１１２＃１及び１１２＃２を備える例を示している。この場合、一のニューラルネットワーク１１２が歪み補償処理を行っている間に、信号送信装置１ｂ自身が決定したパラメータが他のニューラルネットワーク１１２に反映されてもよい。つまり、一のニューラルネットワーク１１２（例えば、ニューラルネットワーク１１２＃１）が歪み補償処理を行っている間に、他のニューラルネットワーク１１２（例えば、ニューラルネットワーク１１２＃２）のパラメータが、信号送信装置１ｂ自身が決定したパラメータに更新されてもよい。その後、歪み補償装置１１の状態が、一のニューラルネットワーク１１２が歪み補償処理を行っている状態から、新たなパラメータが反映された他のニューラルネットワーク１１２が歪み補償処理を行っている状態に切り替えられてもよい。その結果、信号送信装置１ｂが送信信号ｚを送信できなくなる期間を短くする又はなくすことができる。
演算装置１４内には、信号送信装置１ｂが実際に送信する送信信号ｚを監視するための監視部１４５ｂが機能ブロックとして実現されてもよい。この場合、信号送信装置１ｂは、監視部１４５ｂの監視結果に基づいて、ニューラルネットワーク１１２のパラメータを更新するか否かを決定してもよい。例えば、監視部１４５ｂが監視している送信信号ｚの特性に関する所定の更新開始条件が成立した場合には、信号送信装置１ｂは、ニューラルネットワーク１１２のパラメータを更新すると決定してもよい。一方で、例えば、監視部１４５ｂが監視している送信信号ｚの特性に関する所定の更新開始条件が成立していない場合には、信号送信装置１ｂは、ニューラルネットワーク１１２のパラメータを更新しないと決定してもよい。更新開始条件の一例として、送信信号ｚの歪みが許容値以上に大きくなるという条件があげられる。
（３－３）その他の変形例
上述した説明では、信号送信装置１は、出力層１１２Ｏのパラメータを切り替える一方で、入力層１１２Ｉ及び出力層１１２Ｏ以外のニューラルネットワーク１１２の他の層（この場合、中間層１１２Ｍ）のパラメータを切り替えていない。しかしながら、信号送信装置１は、ニューラルネットワーク１１２に含まれるＬ個の中間層１１２Ｍ及び出力層１１２Ｏを含むＬ＋１個の層のうちのＱ（但し、Ｑは１以上且つＬ以下の整数を示す変数）個の層のパラメータを切り替える一方で、Ｌ＋１個の層のうちのＱ個の層以外の他の層（つまり、Ｌ＋１－Ｑ個の他の層）のパラメータを切り替えなくてもよい。例えば、信号送信装置１は、出力層１１２Ｏ及び第２の中間層１１２Ｍ（３）のパラメータを切り替える一方で、第１の中間層１１２Ｍ（２）のパラメータを切り替えなくてもよい。例えば、信号送信装置１は、出力層１１２Ｏ及び第１の中間層１１２Ｍ（２）のパラメータを切り替える一方で、第２の中間層１１２Ｍ（３）のパラメータを切り替えなくてもよい。例えば、信号送信装置１は、第１の中間層１１２Ｍ（２）及び第２の中間層１１２Ｍ（３）のパラメータを切り替える一方で、出力層１１２Ｏのパラメータを切り替えなくてもよい。例えば、信号送信装置１は、第２の中間層１１２Ｍ（３）のパラメータを切り替える一方で、出力層１１２Ｏ及び第１の中間層１１２Ｍ（２）のパラメータを切り替えてもよい。例えば、信号送信装置１は、第１の中間層１１２Ｍ（２）のパラメータを切り替える一方で、出力層１１２Ｏ及び第２の中間層１１２Ｍ（３）のパラメータを切り替えてもよい。いずれの場合であっても、第１の中間層１１２Ｍ（２）、第２の中間層１１２Ｍ（３）及び出力層１１２Ｏの全てのパラメータを切り替える場合と比較して、記憶装置１３の回路規模の増大を抑制できることに変わりはない。
また、信号送信装置１がＱ個の層のパラメータを切り替える一方でＬ＋１－Ｑ個の他の層のパラメータを切り替えない場合には、パラメータ決定部２１４＃１から２１４＃Ｎは、夫々、第１の種類の信号パターンを有する学習用信号から第Ｎの種類の信号パターンを有する学習用信号を用いて、夫々がＱ個の層のパラメータを含むＮ個のパラメータセット１３１＃１から１３１＃Ｎを夫々生成してもよい。また、パラメータ決定部２１５は、第１の種類の信号パターンを有する学習用信号から第Ｎの種類の信号パターンを有する学習用信号を用いて、Ｌ＋１－Ｑ個の他の層のパラメータを含む一つのパラメータセットを生成してもよい。
（５）付記
以上説明した実施形態に関して、更に以下の付記を開示する。
［付記１］
Ｌ（但し、Ｌは１以上の整数を示す変数）個の中間層及び出力層を含むＬ＋１個の演算層を備えるニューラルネットワークを用いて、入力信号に対して歪み補償処理を行う歪み補償手段と、
前記Ｌ＋１個の演算層のうちのＱ個（但し、ＱはＬ以下の整数を示す変数）の演算層のパラメータを含むパラメータセットを複数格納する格納手段と、
前記入力信号の信号パターンに基づいて前記複数のパラメータセットから一のパラメータセットを選択し、当該選択した一のパラメータセットに含まれる前記パラメータを前記Ｍ個の演算層に適用する適用手段と
を備え、
前記Ｌ＋１個の演算層のうちの前記Ｑ個の演算層以外の他の演算層のパラメータは、固定されている
信号送信装置。
［付記２］
前記Ｑ個の演算層は、前記出力層を含む
付記１に記載の信号送信装置。
［付記３］
前記変数Ｑは、１であり、
前記Ｌ個の中間層のパラメータは、固定されている
付記２に記載の信号送信装置。
［付記４］
前記複数のパラメータセットの夫々は、夫々のパラメータセットに対応する一の信号パターンを有する前記入力信号に対して前記歪み補償処理を行う際に前記Ｍ個の演算層に適用されるべきパラメータを含む
付記１から３のいずれか一項に記載の信号送信装置。
［付記５］
前記入力信号の信号パターンを特定する特定手段を備え、
前記適用手段は、前記特定手段の特定結果に基づいて、前記一のパラメータセットを選択する
付記１から４のいずれか一項に記載の信号送信装置。
［付記６］
前記特定手段は、前記入力信号の電力特性に基づいて、前記入力信号の信号パターンを特定する
付記５に記載の信号送信装置。
［付記７］
前記電力特性は、前記入力信号の平均電力及び電力分布の少なくとも一方を含む
付記６に記載の信号送信装置。
［付記８］
Ｌ（但し、Ｌは１以上の整数を示す変数）個の中間層及び出力層を含むＬ＋１個の演算層を備えるニューラルネットワークのパラメータを、複数の学習用信号を用いて決定するパラメータ決定装置であって、
前記複数の学習用信号の夫々の信号パターンを、Ｎ種類の信号パターンに分類する分類手段と、
前記Ｎ種類の信号パターンに夫々分類されたＮ種類の前記学習用信号を夫々用いて、前記Ｌ＋１個の演算層のうちのＱ個（但し、ＱはＬ以下の整数を示す変数）の演算層のパラメータを含む第１のパラメータセットをＮ個生成する第１生成手段と、
前記Ｎ種類の学習用信号を用いて、前記Ｌ＋１個の演算層のうちの前記Ｑ個の演算層以外の他の演算層のパラメータを含む第２のパラメータセットを一つ生成する第２生成手段と
を備えるパラメータ決定装置。
［付記９］
前記第１生成手段は、一の種類の信号パターンに分類された前記学習用信号を用いて前記Ｍ個の演算層のパラメータを学習する学習動作を、前記学習動作に用いる前記学習用信号の前記信号パターンの種類を変更しながらＮ回繰り返すことで、前記第１のパラメータセットをＮ個生成する
付記８に記載のパラメータ決定装置。
［付記１０］
前記第１生成手段は、対応する一の種類の信号パターンに分類された前記学習用信号を用いて前記第１のパラメータセットを生成するパラメータ生成手段をＮ個含む
付記８又は９に記載のパラメータ決定装置。
［付記１１］
前記第２生成手段は、前記Ｎ種類の信号パターンに夫々分類された前記Ｎ種類の学習用信号を順に用いて前記他の演算層のパラメータを学習する動作を繰り返すことで、前記第２のパラメータセットを生成する
付記８から１０のいずれか一項に記載のパラメータ決定装置。
［付記１２］
前記Ｑ個の演算層は、前記出力層を含む
付記８から１１のいずれか一項に記載のパラメータ決定装置。
［付記１３］
前記変数Ｑは、１である
付記１２に記載のパラメータ決定装置。
［付記１４］
前記分類手段は、前記学習用信号の電力特性に基づいて、前記学習用信号の信号パターンを分類する
付記８から１３のいずれか一項からに記載のパラメータ決定装置。
［付記１５］
前記電力特性は、前記学習用信号の平均電力及び電力分布の少なくとも一方を含む
付記１４に記載のパラメータ決定装置。
［付記１６］
Ｌ（但し、Ｌは１以上の整数を示す変数）個の中間層及び出力層を含むＬ＋１個の演算層を備えるニューラルネットワークを用いて、入力信号に対して歪み補償処理を行う歪み補償工程と、
前記Ｌ＋１個の演算層のうちのＱ個（但し、ＱはＬ以下の整数を示す変数）の演算層のパラメータを含むパラメータセットを複数格納する格納手段から、前記入力信号の信号パターンに基づいて一のパラメータセットを選択し、当該選択した一のパラメータセットに含まれる前記パラメータを前記Ｍ個の演算層に適用する適用工程と
を含み、
前記Ｌ＋１個の演算層のうちの前記Ｑ個の演算層以外の他の演算層のパラメータは、固定されている
信号送信方法。
［付記１７］
Ｌ（但し、Ｌは１以上の整数を示す変数）個の中間層及び出力層を含むＬ＋１個の演算層を備えるニューラルネットワークのパラメータを、複数の学習用信号を用いて決定するパラメータ決定方法であって、
前記複数の学習用信号の夫々の信号パターンを、Ｎ種類の信号パターンに分類する分類工程と、
前記Ｎ種類の信号パターンに夫々分類されたＮ種類の前記学習用信号を夫々用いて、前記Ｌ＋１個の演算層のうちのＱ個（但し、ＱはＬ以下の整数を示す変数）の演算層のパラメータを含む第１のパラメータセットをＮ個生成する第１生成工程と、
前記Ｎ種類の学習用信号を用いて、前記Ｌ＋１個の演算層のうちの前記Ｑ個の演算層以外の他の演算層のパラメータを含む第２のパラメータセットを一つ生成する第２生成工程と
を含むパラメータ決定方法。
［付記１８］
コンピュータに信号送信方法を実行させるコンピュータプログラムが記録された記録媒体であって、
前記信号送信方法は、
Ｌ（但し、Ｌは１以上の整数を示す変数）個の中間層及び出力層を含むＬ＋１個の演算層を備えるニューラルネットワークを用いて、入力信号に対して歪み補償処理を行う歪み補償工程と、
前記Ｌ＋１個の演算層のうちのＱ個（但し、ＱはＬ以下の整数を示す変数）の演算層のパラメータを含むパラメータセットを複数格納する格納手段から、前記入力信号の信号パターンに基づいて一のパラメータセットを選択し、当該選択した一のパラメータセットに含まれる前記パラメータを前記Ｍ個の演算層に適用する適用工程と
を含み、
前記Ｌ＋１個の演算層のうちの前記Ｑ個の演算層以外の他の演算層のパラメータは、固定されている
記録媒体。
［付記１９］
コンピュータにパラメータ決定方法を実行させるコンピュータプログラムが記録された記録媒体であって、
前記パラメータ決定方法は、
Ｌ（但し、Ｌは１以上の整数を示す変数）個の中間層及び出力層を含むＬ＋１個の演算層を備えるニューラルネットワークのパラメータを、複数の学習用信号を用いて決定するパラメータ決定方法であって、
前記複数の学習用信号の夫々の信号パターンを、Ｎ種類の信号パターンに分類する分類工程と、
前記Ｎ種類の信号パターンに夫々分類されたＮ種類の前記学習用信号を夫々用いて、前記Ｌ＋１個の演算層のうちのＱ個（但し、ＱはＬ以下の整数を示す変数）の演算層のパラメータを含む第１のパラメータセットをＮ個生成する第１生成工程と、
前記Ｎ種類の学習用信号を用いて、前記Ｌ＋１個の演算層のうちの前記Ｑ個の演算層以外の他の演算層のパラメータを含む第２のパラメータセットを一つ生成する第２生成工程と
を含む記録媒体。
本発明は、請求の範囲及び明細書全体から読み取るこのできる発明の要旨又は思想に反しない範囲で適宜変更可能であり、そのような変更を伴う、信号送信装置、パラメータ決定装置、信号送信方法、パラメータ決定方法及び記録媒体もまた本発明の技術思想に含まれる。
１ 信号送信装置
１１ 歪み補償装置
１１２ ニューラルネットワーク
１３ 記憶装置
１３１ パラメータセット
１４ 演算装置
１４１ 信号解析部
１４２ 切替制御部
１４３ 切替出力部
２ パラメータ決定装置
２１ 演算装置
２１１ 信号解析部
２１２ 振り分け制御部
２１３ 信号振り分け部
２１４、２１５ パラメータ決定部

Claims (10)

  1. Ｌ（但し、Ｌは１以上の整数を示す変数）個の中間層及び出力層を含むＬ＋１個の演算層を備えるニューラルネットワークを用いて、入力信号に対して歪み補償処理を行う歪み補償手段と、
    前記Ｌ＋１個の演算層のうちのＱ個（但し、ＱはＬ以下の整数を示す変数）の演算層のパラメータを含むパラメータセットを複数格納する格納手段と、
    前記入力信号の信号パターンに基づいて前記複数のパラメータセットから一のパラメータセットを選択し、当該選択した一のパラメータセットに含まれる前記パラメータを前記Ｑ個の演算層に適用する適用手段と
    を備え、
    前記Ｌ＋１個の演算層のうちの前記Ｑ個の演算層以外の他の演算層のパラメータは、固定されている
    信号送信装置。
  2. 前記Ｑ個の演算層は、前記出力層を含む
    請求項１に記載の信号送信装置。
  3. 前記入力信号の信号パターンを特定する特定手段を備え、
    前記適用手段は、前記特定手段の特定結果に基づいて、前記一のパラメータセットを選択する
    請求項１又は２に記載の信号送信装置。
  4. Ｌ（但し、Ｌは１以上の整数を示す変数）個の中間層及び出力層を含むＬ＋１個の演算層を備えるニューラルネットワークのパラメータを、複数の学習用信号を用いて決定するパラメータ決定装置であって、
    前記複数の学習用信号の夫々の信号パターンを、Ｎ種類の信号パターンに分類する分類手段と、
    前記Ｎ種類の信号パターンに夫々分類されたＮ種類の前記学習用信号を夫々用いて、前記Ｌ＋１個の演算層のうちのＱ個（但し、ＱはＬ以下の整数を示す変数）の演算層のパラメータを含む第１のパラメータセットをＮ個生成する第１生成手段と、
    前記Ｎ種類の学習用信号を用いて、前記Ｌ＋１個の演算層のうちの前記Ｑ個の演算層以外の他の演算層のパラメータを含む第２のパラメータセットを一つ生成する第２生成手段と
    を備えるパラメータ決定装置。
  5. 前記第１生成手段は、一の種類の信号パターンに分類された前記学習用信号を用いて前記Ｑ個の演算層のパラメータを学習する学習動作を、前記学習動作に用いる前記学習用信号の前記信号パターンの種類を変更しながらＮ回繰り返すことで、前記第１のパラメータセットをＮ個生成する
    請求項４に記載のパラメータ決定装置。
  6. 前記第２生成手段は、前記Ｎ種類の信号パターンに夫々分類された前記Ｎ種類の学習用信号を順に用いて前記他の演算層のパラメータを学習する動作を繰り返すことで、前記第２のパラメータセットを生成する
    請求項４又は５に記載のパラメータ決定装置。
  7. Ｌ（但し、Ｌは１以上の整数を示す変数）個の中間層及び出力層を含むＬ＋１個の演算層を備えるニューラルネットワークを用いて、入力信号に対して歪み補償処理を行う歪み補償工程と、
    前記Ｌ＋１個の演算層のうちのＱ個（但し、ＱはＬ以下の整数を示す変数）の演算層のパラメータを含むパラメータセットを複数格納する格納手段から、前記入力信号の信号パターンに基づいて一のパラメータセットを選択し、当該選択した一のパラメータセットに含まれる前記パラメータを前記Ｑ個の演算層に適用する適用工程と
    を含み、
    前記Ｌ＋１個の演算層のうちの前記Ｑ個の演算層以外の他の演算層のパラメータは、固定されている
    信号送信方法。
  8. Ｌ（但し、Ｌは１以上の整数を示す変数）個の中間層及び出力層を含むＬ＋１個の演算層を備えるニューラルネットワークのパラメータを、複数の学習用信号を用いて決定するパラメータ決定方法であって、
    前記複数の学習用信号の夫々の信号パターンを、Ｎ種類の信号パターンに分類する分類工程と、
    前記Ｎ種類の信号パターンに夫々分類されたＮ種類の前記学習用信号を夫々用いて、前記Ｌ＋１個の演算層のうちのＱ個（但し、ＱはＬ以下の整数を示す変数）の演算層のパラメータを含む第１のパラメータセットをＮ個生成する第１生成工程と、
    前記Ｎ種類の学習用信号を用いて、前記Ｌ＋１個の演算層のうちの前記Ｑ個の演算層以外の他の演算層のパラメータを含む第２のパラメータセットを一つ生成する第２生成工程と
    を含むパラメータ決定方法。
  9. コンピュータに信号送信方法を実行させるコンピュータプログラムであって、
    前記信号送信方法は、
    Ｌ（但し、Ｌは１以上の整数を示す変数）個の中間層及び出力層を含むＬ＋１個の演算層を備えるニューラルネットワークを用いて、入力信号に対して歪み補償処理を行う歪み補償工程と、
    前記Ｌ＋１個の演算層のうちのＱ個（但し、ＱはＬ以下の整数を示す変数）の演算層のパラメータを含むパラメータセットを複数格納する格納手段から、前記入力信号の信号パターンに基づいて一のパラメータセットを選択し、当該選択した一のパラメータセットに含まれる前記パラメータを前記Ｑ個の演算層に適用する適用工程と
    を含み、
    前記Ｌ＋１個の演算層のうちの前記Ｑ個の演算層以外の他の演算層のパラメータは、固定されている
    コンピュータプログラム。
  10. コンピュータにパラメータ決定方法を実行させるコンピュータプログラムであって、
    前記パラメータ決定方法は、
    Ｌ（但し、Ｌは１以上の整数を示す変数）個の中間層及び出力層を含むＬ＋１個の演算層を備えるニューラルネットワークのパラメータを、複数の学習用信号を用いて決定するパラメータ決定方法であって、
    前記複数の学習用信号の夫々の信号パターンを、Ｎ種類の信号パターンに分類する分類工程と、
    前記Ｎ種類の信号パターンに夫々分類されたＮ種類の前記学習用信号を夫々用いて、前記Ｌ＋１個の演算層のうちのＱ個（但し、ＱはＬ以下の整数を示す変数）の演算層のパラメータを含む第１のパラメータセットをＮ個生成する第１生成工程と、
    前記Ｎ種類の学習用信号を用いて、前記Ｌ＋１個の演算層のうちの前記Ｑ個の演算層以外の他の演算層のパラメータを含む第２のパラメータセットを一つ生成する第２生成工程と
    を含むコンピュータプログラム。
JP2022530427A 2020-06-10 2020-06-10 信号送信装置、パラメータ決定装置、信号送信方法、パラメータ決定方法、及び、記録媒体 Active JP7468643B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/022847 WO2021250813A1 (ja) 2020-06-10 2020-06-10 信号送信装置、パラメータ決定装置、信号送信方法、パラメータ決定方法、及び、記録媒体

Publications (3)

Publication Number Publication Date
JPWO2021250813A1 JPWO2021250813A1 (ja) 2021-12-16
JPWO2021250813A5 JPWO2021250813A5 (ja) 2023-03-22
JP7468643B2 true JP7468643B2 (ja) 2024-04-16

Family

ID=78845582

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022530427A Active JP7468643B2 (ja) 2020-06-10 2020-06-10 信号送信装置、パラメータ決定装置、信号送信方法、パラメータ決定方法、及び、記録媒体

Country Status (3)

Country Link
US (1) US20230275788A1 (ja)
JP (1) JP7468643B2 (ja)
WO (1) WO2021250813A1 (ja)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1177449C (zh) * 2002-04-23 2004-11-24 华为技术有限公司 基于基带数字预失真技术的提高射频功率放大器效率的方法
EP2293435A1 (en) * 2009-08-24 2011-03-09 Alcatel Lucent Power amplifier, base station and method for power amplification of an RF signal in a communication network
US8976893B2 (en) * 2012-06-25 2015-03-10 Telefonaktiebolaget L M Ericsson (Publ) Predistortion according to an artificial neural network (ANN)-based model
US10985951B2 (en) * 2019-03-15 2021-04-20 The Research Foundation for the State University Integrating Volterra series model and deep neural networks to equalize nonlinear power amplifiers
US11960990B2 (en) * 2020-07-31 2024-04-16 Nanosemi, Inc. Artificial neural network implementations
US11706104B2 (en) * 2021-06-15 2023-07-18 Cisco Technology, Inc. Inferring quality of experience (QoE) based on choice of QoE inference model

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KIM, J et al.，Digital predistortion of wideband signals based on power amplifier model with memory，Electronics Letters，Volume 37, Issue: 23，IET [online]，2001年11月08日，pp.1417-1418，Retrieved from the Internet: <URL: https://ieeexplore.ieee.org/document/966559>
YU, Zhijian，A Generalized Digital Predistortion Model Based on Artificial Neural Networks，Proceedings of 2018 Asia-Pacific Microwave Conference，IEEE [online]，2018年11月06日，pp.935-937，Retrieved from the Internet: <URL: https//ieeexplore.ieee.org/document/8617423>

Also Published As

Publication number Publication date
US20230275788A1 (en) 2023-08-31
JPWO2021250813A1 (ja) 2021-12-16
WO2021250813A1 (ja) 2021-12-16

Similar Documents

Publication Publication Date Title
US11640522B2 (en) Computational efficiency improvements for artificial neural networks
EP2254239B1 (en) Predistorter, predistortion method, and predistortion system
US7535956B2 (en) Adaptive equalizer circuit
CN113809992A (zh) 用于功率放大器的基于机器学习的数字预失真
JP5751056B2 (ja) 歪補償装置、送信機および歪補償方法
US20230111317A1 (en) Systems and methods for efficiently-transformed digital self-interference cancellation
JP7468643B2 (ja) 信号送信装置、パラメータ決定装置、信号送信方法、パラメータ決定方法、及び、記録媒体
Fateh et al. Mean square convergence of reproducing kernel for channel identification: Application to Bran D Channel impulse response
JP2013501982A (ja) シミュレーション装置およびシミュレーション方法
Vázquez et al. A comparative survey of convex combination of adaptive filters
JP7400824B2 (ja) パラメータ決定装置、信号送信装置、パラメータ決定方法、信号送信方法、及び、記録媒体
Chang et al. Correction-based diffusion LMS algorithms for distributed estimation
Arif et al. Diffusion quantum-least mean square algorithm with steady-state analysis
CN106105032B (zh) 用于自适应滤波器的系统和方法
US20220085837A1 (en) Parameter determination apparatus, signal transmission apparatus, parameter determination method, signal transmission method and program recording medium
CN113812124B (zh) 预失真参数更新装置及方法、预失真处理系统
EP4134882A1 (en) Information processing system, information processing device, information processing method, and information processing program
JP2022050316A (ja) パラメータ決定装置、信号送信装置、パラメータ決定方法、信号送信方法、及び、コンピュータプログラム
Zhang et al. Low-Complexity l 0-Norm Penalized Shrinkage Linear and Widely Linear Affine Projection Algorithms
JP6877662B2 (ja) 人工ニューラルネットワーク学習装置、歪み補償回路及び信号処理装置
WO2024066098A1 (en) Methods and apparatuses for perfoming digital predistortion using a combintion model
Zhao et al. Volterra adaptive filter
JPH03116301A (ja) 適応装置
JP7420210B2 (ja) 通信システム、送信装置、受信装置、行列生成装置、通信方法、送信方法、受信方法、行列生成方法、及び、記録媒体
CN117200906B (zh) 基于深度学习的射频通道校准方法

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221208

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221208

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240109

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240125

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240305

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240318

R150 Certificate of patent or registration of utility model

Ref document number: 7468643

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150