KR20040031825A

KR20040031825A - 디지털 앰프의 일그러짐을 상쇄시킬 수 있는 신경망 필터및 상기 신경망 필터 형성 방법

Info

Publication number: KR20040031825A
Application number: KR1020020060413A
Authority: KR
Inventors: 양민기; 오종훈
Original assignee: (주)펄서스 테크놀러지
Priority date: 2002-10-04
Filing date: 2002-10-04
Publication date: 2004-04-14
Also published as: KR100712827B1

Abstract

본 발명은 디지털 앰프의 일그러짐을 상쇄시킬 수 있는 신경망 필터 및 상기 신경망 필터 형성 방법에 관한 것이다. 디지털 앰프의 일그러짐을 상쇄시킬 수 있는 신경망 필터 형성 방법은, 디지털 앰프의 일그러짐을 모방하는 신경망을 모델링하는 단계, 모델링된 상기 신경망에 디지털 앰프의 일그러짐을 상쇄시키기 위한 신경망 필터를 연결하여 전체 신경망을 형성하는 단계, 소정의 입출력 신호를 이용하여 전체 신경망을 학습시키는 단계를 구비하여 상기 신경망 필터를 학습시키는 것을 특징으로 한다.

본 발명에 의하여 비선형적인 디지털 앰프의 일그러짐을 효율적으로 상쇄시킬 수 있게 된다.

Description

디지털 앰프의 일그러짐을 상쇄시킬 수 있는 신경망 필터 및 상기 신경망 필터 형성 방법{ADAPTIVE PREDISTORTION FILTER FOR LINEARIZATION OF DIGITAL PWM POWER AMPLIFIER USING NEURAL NETWORKS AND METHOD THEREOF}

본 발명은 디지털 PWM 앰프의 비선형성 일그러짐을 상쇄시킬 수 있는 신경망을 이용한 필터에 관한 것으로서, 더욱 구체적으로는 디지털 PWM 앰프에 연결되어 디지털 PWM 앰프의 비선형성 일그러짐을 상쇄시킬 수 있도록 학습되어진 신경망으로 이루어지는 필터에 관한 것이다.

CD 또는 DVD와 같은 대부분의 현대의 음향 기기는 디지털 형태로 오디오 신호를 기록 저장함으로써, 정보 손실이나 간섭 영향을 방지하고 있다. 이와 같이 디지털 신호로 저장된 음악을 들으려면, 아날로그 앰프의 경우에는 입력되는 디지털 신호를 아날로그 신호로 변환시켜 사용하게 되며, 디지털 앰프의 경우에는 입력되는 디지털 신호를 바로 증폭하여 사용하게 된다.

디지털 앰프는 아날로그 앰프와는 달리 디지털 신호를 아날로그 신호로 바꿔 줄 필요가 없기 때문에 이 과정에서 발생할 수 있는 신호의 일그러짐 현상을 방지할 수 있다. 하지만, PCM(Pulse Code modulation) 방식으로 저장된 디지털 신호가 디지털 앰프에 입력되면 PWM(Pulse Width modulation) 신호로 변환된다. 즉, 소리의 높낮이가 숫자로 저장된 신호가 펄스 폭의 길고 짧음으로 바뀌게 되는 것이다. 이와 같은 PWM 신호는 스위치 기능을 하는 스위칭 앰프(Switching Amplifier)를 켜거나 끄는 역할을 하게 되고, 그 결과 스위칭 앰프에 연결된 저대역 필터(Low Pass Filter)를 통해 증폭된 아날로그 신호가 나오게 된다. 이 과정에서 신호의 일그러짐(distortion) 현상이 생기게 되어, 1kHz 신호만 받아들여도 이 주파수의 배수에해당하는 신호, 즉 하모닉 성분의 신호들이 발생하게 된다.

도 1a는 입력 신호로 사용되는 1kHz sine 신호이며, 도 1b는 도 1a에 대한 전력 스펙트럼을 도시한 그래프이며, 도 1c는 1kHz sine파의 입력 신호에 대하여 디지털 앰프의 출력 신호를 샘플링한 그래프이며, 도 1d는 도 1c의 출력 신호에 대한 전력 스펙트럼을 도시한 그래프이다.

도 1b 와 도 1d를 참조하여 보면, 디지털 앰프의 출력 신호의 전력 스펙트럼에서 바람직하지 못한 하모닉 성분의 신호들을 발견할 수 있다.

이와 같은 하모닉 성분의 신호들을 제거하고 비선형 시스템을 선형화시키기 위하여 입력 신호에 비선형 시스템의 일그러짐을 상쇄시키는 방향으로 일그러짐을 주는 방법이 여러 분야에서 시도되어 왔다.

본 출원인은 본 발명을 통하여 신경망 이론을 이용하여 디지털 앰프에 입력되는 PCM 신호를 디지털 앰프의 일그러짐을 상쇄시키는 방향으로 일그러지게 만드는 필터를 제안하고자 한다.

전술한 문제점을 해결하기 위하여, 본 발명은 신경망을 이용한 디지털 앰프에서의 신호의 일그러짐 현상을 상쇄할 수 있는 신경망 필터 형성 방법을 제공하는 것을 목적으로 한다.

또한, 본 발명은 디지털 앰프의 비선형적 일그러짐을 상쇄시킬 수 있는 신경망 필터를 제공하는 것을 다른 목적으로 한다.

도 1a 내지 도 1d는 종래의 기술에 따른 디지털 앰프의 입출력 신호에 대한 전력 스펙트럼을 도시한 그래프들.

도 2는 본 발명에 따른 디지털 앰프의 일그러짐을 상쇄시킬 수 있는 신경망 필터를 형성하는 과정을 설명하기 위하여 도시한 블록도.

도 3은 도 2의 과정을 순차적으로 나타내는 흐름도.

도 4는 본 발명에 따라 디지털 앰프의 비선형적 일그러짐을 모방하는 신경망 모델을 설명하는 블록도.

도 5는 본 발명에 사용되는 focused TDNN의 구조를 갖는 신경망의 내부 구조를 개념적으로 도시한 도면.

도 6은 도 4의 신경망 모델을 학습시키는 과정을 순차적으로 설명하는 흐름도.

도 7a 내지 도 7c는 본 발명에 따라 학습된 신경망 모델의 성능을 설명하기 위하여 신경망 모델로부터 출력되는 신호에 대한 전력 스펙트럼을 시뮬레이션하여 도시한 그래프들.

도 8은 본 발명에 따른 신경망 필터를 학습시키는 과정을 설명하기 위하여 도시한 블록도.

도 9는 본 발명에 따라 신경망 필터를 학습시키기 위하여, 신경망 필터와 디지털 앰프에 대한 신경망 모델을 연결한 상태를 도시한 도면.

도 10a 내지 도 10d는 본 발명에 따른 신경망 필터의 성능을 설명하기 위하여 신경망 필터로 출력되는 신호에 대한 전력 스펙트럼을 시뮬레이션하여 도시한 그래프들.

<도면의 주요 부분에 대한 부호의 설명>

400 : 디지털 앰프

410 : ADC

420 : 디지털 앰프를 모방하는 신경망 모델

430 : 학습 알고리즘

500 : 기억 장치

510 : 입력층

520 : 은닉층

530 : 출력층

800 : 신경망 필터

810 : 전체 신경망

820 : 학습 알고리즘

전술한 목적을 달성하기 위한 본 발명에 따른 비선형적인 디지털 앰프의 일그러짐을 상쇄시킬 수 있는 신경망 필터 형성 방법은, 디지털 앰프의 일그러짐을 모방하는 신경망을 모델링하는 단계, 모델링된 상기 신경망에 디지털 앰프의 일그러짐을 상쇄시키기 위한 신경망 필터를 연결하여 전체 신경망을 형성하는 단계, 소정의 입출력 신호를 이용하여 전체 신경망을 학습시키는 단계를 구비하여 상기 신경망 필터를 학습시키는 것을 특징으로 한다.

이때, 상기 디지털 앰프의 일그러짐을 모방하는 신경망을 모델링하는 단계는 디지털 앰프의 출력단에 ADC를 연결하는 단계와, 상기 디지털 앰프로 입력되는 소정의 입력 신호에 대하여 상기 ADC로부터 출력되는 출력 신호를 측정하는 단계와, 상기 입력 신호 및 출력 신호를 학습 자료로 사용하여 상기 신경망을 학습시키는 단계를 포함하는 것이 바람직하다.

또한, 상기 신경망은 다이나믹 신경망으로서 focused TDNN의 구조를 갖는 것이 바람직하며, 더욱 바람직하게는 상기 ficused TDNN의 구조를 갖는 신경망은 45개의 입력노드, 5개의 은닉 노드, 및 1개의 출력 노드를 가지며, 은닉층에 사용되는 활성화 함수(activation function)는 하이퍼볼릭 탄젠트 함수이며, 출력층에 사용되는 활성화 함수는 선형 함수인 것이 좋다.

한편, 상기 신경망 필터는 다이나믹 신경망으로서 focused TDNN의 구조를 갖는 것이 바람직하며, 더욱 바람직하게는, 상기 focused TDNN의 구조를 갖는 신경망 필터는 90개의 입력노드, 10개의 은닉 노드, 및 1개의 출력 노드를 가지며, 은닉층에 사용되는 활성화 함수는 하이퍼볼릭 탄젠트 함수이며, 출력층에 사용되는 활성화 함수는 선형 함수인 것이 좋다.

본 발명은 디지털 앰프에 전술한 방법에 의하여 형성된 신경망 필터를 연결하여, 상기 디지털 앰프의 일그러짐을 상쇄시킬 수 있는 디지털 앰프를 다른 특징으로 한다.

한편, 본 발명에 따른 디지털 앰프에 연결되어 디지털 앰프의 일그러짐을 상쇄시키는 신경망 필터는, 상기 신경망 필터를 학습시키기 위하여 상기 신경망 필터는 상기 디지털 앰프의 일그러짐을 모방하는 신경망 모델에 직렬적으로 연결되고, 상기 신경망 필터와 상기 신경망 모델이 연결된 전체 신경망을 소정의 학습 자료를 이용하여 학습시키며, 상기 전체 신경망을 학습시키기 위한 학습자료는 소정의 입력 신호 및 상기 입력 신호에 대한 원하는 출력 신호를 사용하며, 상기 전체 신경망을 학습시킴에 따라 상기 신경망 필터도 동시에 학습되는 것을 특징으로 한다.

이때, 상기 신경망 필터는 역전파 알고리즘을 학습 알고리즘으로 사용하는 것이 바람직하다.

본 발명에 따른 신경망 필터를 디지털 PWM 앰프에 연결하여 사용함으로써, 디지털 PWM 앰프의 비선형적 일그러짐을 상쇄시킬 수 있게 된다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시형태에 대해 상세히 설명한다. 우선, 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 한해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호로 표기되었음에 유의하여야 한다.

이하, 첨부된 도 2 내지 도 10을 참조하여 본 발명에 따른 디지털 앰프의 일그러짐을 상쇄시킬 수 있는 신경망 구조를 갖는 필터를 학습시키는 방법 및 그 동작에 대하여 구체적으로 설명한다.

도 2는 본 발명에 따른 디지털 앰프의 일그러짐을 상쇄시킬 수 있는 신경망 구조를 갖는 필터를 만들기 위한 방법을 개념적으로 설명하기 위한 블록도이며, 도 3은 도 2를 순차적으로 설명하는 흐름도이다.

이하, 도 2 및 도 3을 참조하여, 본 발명에 따른 디지털 앰프의 일그러짐을 상쇄시킬 수 있는 신경망 구조를 갖는 필터를 만들기 위한 방법을 개념적으로 설명한다. 전술한 필터를 만들기 위하여, 필터의 신경망 구조를 디지털 앰프의 일그러짐을 상쇄시킬 수 있도록 학습시켜야 하며, 이런 학습 자료로서 입력과 출력 신호가 필요하게 된다. 하지만, 입력 신호가 디지털 앰프의 일그러짐을 상쇄시키기 위하여 어떻게 바뀌어져야 하는지 미리 알 수가 없기 때문에, 학습 자료로 사용될 출력 신호를 구할 수 없다. 따라서, 이러한 출력 신호를 구하기 위하여 먼저 디지털 앰프의 일그러짐을 모방하는 신경망 구조(420)를 모델링한 후(단계 300), 상기 디지털 앰프를 모방하는 신경망 구조(420)를 고정시키고 상기 디지털 앰프를 모방하는 신경망 구조에 필터의 신경망(800)을 연결하여 전체 신경망(810)을 형성한다(단계 310). 다음 전체 신경망(810)을 학습시켜 상기 필터의 신경망(800)을 구하게 된다(단계 320). 이하 도 3의 각 단계에 대하여 구체적으로 설명한다.

먼저, 도 4 내지 도 7을 참조하여 디지털 앰프의 일그러짐을 모방하는 신경망을 모델링하는 과정을 설명한다.

도 4는 디지털 앰프의 일그러짐을 모방하는 신경망을 모델링하는 전체적인과정을 설명하기 위한 블록도이다.

도 4를 참조하여 보면, 신경망을 이용하여 디지털 앰프(400)를 모델링하기 위하여 학습 자료로서 디지털 형태의 입력 신호와 출력 신호가 필요하다. 따라서, 디지털 앰프(400)의 아날로그 형태의 출력 신호를 디지털 신호로 변환시키기 위한 ADC(Analog to Digital Converter;410)가 디지털 앰프(400)의 출력단에 연결된다. 이때, 디지털 신호로 변환된 출력 신호는 ADC(410)의 특성에 의하여 영향을 받게 된다. 그 결과, 디지털 형태의 입력 신호와 ADC에 의해 변환된 디지털 형태의 출력 신호에 기초하여 디지털 앰프를 모델링하는 것은 디지털 앰프(400)뿐만 아니라 ADC(410)도 포함하게 되는 문제점이 발생하게 된다. 이와 같이, ADC의 비선형적 특성이 디지털 앰프의 모델링에 포함되는 것을 방지하기 위하여, 매우 좋은 선형성을 갖는 ADC를 사용하여야 한다. 만약, ADC가 이러한 조건을 만족한다면, ADC는 디지털 앰프의 일그러짐을 모델링하는 과정에서 아무런 영향을 미치지 않게 될 것이다.

전술한 디지털 앰프(400)와 ADC(410)를 이용하여 구한 디지털 형태의 입출력 신호를 학습 자료로 사용하여 디지털 앰프의 일그러짐을 모방하는 신경망(420)을 모델링한다.

이때, 상기 신경망은, 도 5에 도시된 바와 같은, 다이나믹(dynamic) 신경망의 한 종류인 focused TDNN(Time Delay Neural Network)의 구조를 사용한다.

도 5를 참조하여 보면, focused TDNN은 시간에 관련된 부분인 기억 장치(a tapped delay line memory;500)가 신경망의 앞에 집중되어 있고, 비선형 특징을 모방할 수 있도록 하는 MLP(Multilayer Perceptron)이 연결되어 있다. 또한, 상기MLP는 입력층(Input layer;510), 은닉층(Hidden layer;520), 및 출력층(Output layer;530)으로 이루어진다. 한편, 디지털 앰프를 모델링하기 위한 상기 신경망은 일반적인 역전파 알고리즘(backpropagation algorithm)을 사용하여 학습시키게 된다.

본 발명의 바람직한 실시예에서는, 상기 기억 장치(500)의 크기는 45를 사용하였는데, 이 크기는 44.1kHz에서 샘플링된 1kHz sine 신호인 입력 신호의 주파수 및 샘플링률에 따라 결정된다. 그런데, 여러번의 시행 착오를 거쳐, 하나의 은닉층(520)에 대해 5개의 노드를 사용하였으며 하나의 출력층(530)에 대해 하나의 노드를 사용하였다. 한편, 활성화 함수(activation function)으로는, 은닉층에 대하여는 하이퍼볼릭 탄젠트 함수(hyperbolic tangent function)를 사용하였으며, 출력층에 대하여는 선형 함수(linear function)를 사용하였다. 물론, 신경망을 학습시키기 위한 학습 자료로 사용되는 입력 신호는 전술한 1kHz sine 신호에 한정되는 것은 아니며, 백색 잡음에 해당하는 신호 또는 음악 신호 등이 다양하게 사용될 수도 있음은 당연하며, 또한 신경망을 구성하는 각 층(layer)의 노드수 및 사용하는 함수도 전술한 것들에 한정되는 것이 아니라 학습자료로 사용되는 입력 신호등의 종류에 따라 변할 수 있음은 당연하다.

다음, 도 6을 참조하여, 상기 신경망을 디지털 앰프의 일그러짐을 모방하도록 학습시키기 위한 학습 방법을 설명한다. 먼저 디지털 앰프에 1kHz sine 신호를 입력하고 그 출력신호를 측정하며(단계 600), 이 입력 신호와 측정된 출력 신호를 학습자료로 사용하게 된다. 다음, 상기 입력 신호와 출력 신호를 학습 자료로 삼아일반적인 역전파(backpropagation) 알고리즘을 사용하여 신경망을 학습시킨다(단계 610). 이런 과정을 거쳐 학습이 끝난 신경망에 같은 입력 신호를 입력하여 출력 신호를 측정한 뒤(단계 620), 학습 자료로 사용된 출력 신호와 비교하여(단계 630) 이 신경망이 실제 디지털 앰프를 얼마나 잘 모방하고 있는지 판단하게 된다(단계 640).

도 7a 및 도 7c는 본 발명의 바람직한 실시예에 따라 디지털 앰프의 일그러짐을 모델링한 신경망의 성능을 설명하기 위하여 도시한 그래프들이다.

도 7a는 입력 신호인 1kHz sine 신호의 전력 스펙트럼을 도시한 그래프이며, 도 7b는 디지털 앰프에서 측정된 출력 신호에 대한 전력 스펙트럼을 도시한 그래프이며, 도 7c는 본 발명의 바람직한 실시예에 따라 모델링된 신경망에 의해 시뮬레이트된 출력 신호에 대한 전력 스펙트럼을 도시한 그래프이다.

도 7c에 도시된 바와 같이, 디지털 앰프를 모방한 신경망 모델은 기본 주파수외에도 하모닉 성분들이 나타나며, 이러한 하모닉 성분들은 도 7b의 디지털 앰프의 하모닉 성분들과 거의 동일한 진폭을 가짐을 알 수 있다.

이를 통해, 본 발명에 따른 디지털 앰프를 모방하기 위한 focused TDNN 구조를 갖는 신경망 모델은 THD(Total Harmonics Distortion)에 대하여 디지털 앰프와 동일한 비선형적 특성을 가짐을 알 수 있다.

이하, 도 8 내지 도 11을 참조하여, 디지털 앰프의 일그러짐을 상쇄시키기 위한 필터의 신경망의 구조 및 그 학습 방법을 구체적으로 설명한다.

도 8은 본 발명에 따라 상기 필터의 신경망을 학습시키는 과정을 설명하기위하여 도시한 블록도이다.

도 8을 참조하여 보면, 전술한 방법에 의해 학습이 끝난 디지털 앰프에 대한 신경망 모델(420)을 필터의 신경망(800)에 연결하여 전체 신경망(810)을 형성하고, 형성된 전체 신경망(810)을 일반적인 역전파 알고리즘(820)을 사용하여 학습시키게 된다.

도 9는 본 발명에 따라 신경망 필터를 학습시키기 위하여, 필터의 신경망(800)에 신경망 모델(420)을 직렬로 연결한 상태를 도시한 블록도이다. 신경망 모델(420)은 이미 학습에 의해 최적으로 조정된 게수로 고정되어 있으며, 이를 이용하여 전체 신경망(810)을 역전파 알고리즘(820)을 이용하여 학습시키게 되는 것이다.

이와 같은 필터의 신경망 구조는 디지털 앰프에 대한 신경망 모델과 마찬가지로 focused TDNN을 사용한다. 따라서, 전체 신경망은 두 개의 focused TDNN이 연결된 하나의 신경망으로 볼 수 있다. 본 발명의 바람직한 실시예에서는, 상기 필터로 사용되는 focused TDNN 구조의 신경망에서의 기억 장치의 크기는 90으로 하고, 하나의 은닉층은 10의 노드를 사용하며, 하나의 출력층은 하나의 노드를 사용하였다. 한편, 상기 은닉층은 활성화 함수로 하이퍼볼릭 탄젠트 함수(hyperbolic tangent function)를 사용하며, 상기 출력층은 선형 함수(linear function)를 사용하였다.

이상적인 디지털 앰프는 선형적인 증폭을 하여야 되므로 학습 자료는 입력신호에 대하여 선형적으로 증폭되는 신호를 출력 신호로 사용하여 전체 신경망을 학습시키게 된다.

이와 같은 학습 방법에 의하여 학습이 끝나면, 필터의 신경망과 디지털 앰프에 대한 신경망 모델이 연결된 전체 신경망에 1kHz sine 신호를 입력하고, 입력된 신호에 따른 출력 신호를 원래의 필터없이 측정된 디지털 앰프의 출력 신호와 비교하여 필터의 성능을 평가하게 된다.

도 10a 내지 도 10d는 본 발명의 바람직한 실시예에 따른 필터의 성능을 설명하기 위하여 도시한 그래프들이다. 도 10a는 입력 신호인 1kHz sine 신호에 대한 전력 스펙트럼을 도시한 그래프이며, 도 10b는 디지털 앰프를 모방한 신경망 모델로부터 출력되는 신호에 대한 전력 스펙트럼을 도시한 그래프이며, 도 10c는 디지털 앰프를 모방한 신경망 모델 및 필터 신경망을 통과하여 출력된 신호에 대한 전력 스펙트럼을 도시한 그래프이며, 도 10d는 실제 디지털 앰프의 출력 신호에 대한 전력 스펙트럼을 도시한 그래프이다.

도 10c를 참조하여 보면, 필터를 통과한 출력 신호의 전력 스펙트럼 중 하모닉 성분에 대한 진폭이 상당히 감소했음을 알 수 있다.

이와 같이, 본 발명의 상세한 설명에서는 구체적인 실시형태에 관해 설명하였으나, 본 발명의 범주에서 벗어나지 않는 한도내에서 여러가지 변형이 가능함은 물론이다. 그러므로, 본 발명의 범위는 설명된 실시형태에 국한되어 정해져서는 안되며 후술되는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야만 한다.

본 발명에 따라 학습되어진 신경망 필터를 디지털 앰프에 연결시킴으로써, 디지털 앰프의 비선형성 일그러짐을 상당히 보상할 수 있게 된다.

Claims

디지털 앰프의 일그러짐을 모방하는 신경망을 모델링하는 단계;

모델링된 상기 신경망에 디지털 앰프의 일그러짐을 상쇄시키기 위한 신경망 필터를 연결하여 전체 신경망을 형성하는 단계;

소정의 입출력 신호를 이용하여 전체 신경망을 학습시키는 단계;

를 구비하여 상기 신경망 필터를 학습시키는 것을 특징으로 하는 비선형적인 디지털 앰프의 일그러짐을 상쇄시킬 수 있는 신경망 필터 형성 방법.
제1항에 있어서, 상기 디지털 앰프의 일그러짐을 모방하는 신경망을 모델링하는 단계는 디지털 앰프의 출력단에 ADC를 연결하는 단계와, 상기 디지털 앰프로 입력되는 소정의 입력 신호에 대하여 상기 ADC로부터 출력되는 출력 신호를 측정하는 단계; 상기 입력 신호 및 출력 신호를 학습 자료로 사용하여 상기 신경망을 학습시키는 단계를 포함하는 것을 특징으로 하는 비선형적인 디지털 앰프의 일그러짐을 상쇄시킬 수 있는 신경망 필터 형성 방법.
제1항에 있어서, 상기 신경망은 다이나믹 신경망으로서 focused TDNN의 구조를 갖는 것을 특징으로 하는 비선형적인 디지털 앰프의 일그러짐을 상쇄시킬 수 있는 신경망 필터 형성 방법.
제3항에 있어서, 상기 ficused TDNN의 구조를 갖는 신경망은 45개의 입력노드, 5개의 은닉 노드, 및 1개의 출력 노드를 가지며, 은닉층에 사용되는 활성화 함수는 하이퍼볼릭 탄젠트 함수이며, 출력층에 사용되는 활성화 함수는 선형 함수인 것을 특징으로 하는 비선형적인 디지털 앰프의 일그러짐을 상쇄시킬 수 있는 신경망 필터 형성 방법.
제1항에 있어서, 상기 신경망 필터는 다이나믹 신경망으로서 focused TDNN의 구조를 갖는 것을 특징으로 하는 비선형적인 디지털 앰프의 일그러짐을 상쇄시킬 수 있는 신경망 필터 형성 방법.
제5항에 있어서, 상기 focused TDNN의 구조를 갖는 신경망 필터는 90개의 입력노드, 10개의 은닉 노드, 및 1개의 출력 노드를 가지며, 은닉층에 사용되는 활성화 함수는 하이퍼볼릭 탄젠트 함수이며, 출력층에 사용되는 활성화 함수는 선형 함수인 것을 특징으로 하는 비선형적인 디지털 앰프의 일그러짐을 상쇄시킬 수 있는 신경망 필터 형성 방법.
디지털 앰프에 제1항 내지 제6항의 어느 한 항에 의해 형성된 신경망 필터를 연결하여, 상기 디지털 앰프의 일그러짐을 상쇄시킬 수 있는 디지털 앰프.
디지털 앰프에 연결되어 디지털 앰프의 일그러짐을 상쇄시키는 신경망 필터에 있어서,

상기 신경망 필터를 학습시키기 위하여 상기 신경망 필터는 상기 디지털 앰프의 일그러짐을 모방하는 신경망 모델에 직렬적으로 연결되고, 상기 신경망 필터와 상기 신경망 모델이 연결된 전체 신경망을 소정의 학습 자료를 이용하여 학습시키며,

상기 전체 신경망을 학습시키기 위한 학습자료는 소정의 입력 신호 및 상기 입력 신호에 대한 원하는 출력 신호를 사용하며, 상기 전체 신경망을 학습시킴에 따라 상기 신경망 필터도 동시에 학습되는 것을 특징으로 하는 디지털 앰프의 일그러짐을 상쇄시키는 신경망 필터.
제8항에 있어서, 상기 신경망 필터는 역전파 알고리즘을 학습 알고리즘으로 사용하는 것을 특징으로 하는 디지털 앰프의 일그러짐을 상쇄시키는 신경망 필터.
제8항에 있어서, 상기 신경망 필터는 다이나믹 신경망으로서 focused TDNN의 구조를 갖는 것을 특징으로 하는 디지털 앰프의 일그러짐을 상쇄시키는 신경망 필터.
제10항에 있어서, 상기 focused TDNN의 구조를 갖는 신경망 필터는 90개의 입력노드, 10개의 은닉 노드, 및 1개의 출력 노드를 가지며, 은닉층에 사용되는 활성화 함수는 하이퍼볼릭 탄젠트 함수이며, 출력층에 사용되는 활성화 함수는 선형함수인 것을 특징으로 하는 디지털 앰프의 일그러짐을 상쇄시키는 신경망 필터.