【技术实现步骤摘要】
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
本专利技术涉及功率放大器行为建模领域,特别是涉及一种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。
技术介绍
第五代移动通信系统(5G)对通信质量提出了更高的要求:更快的速率、更低的延迟和更高的效率。功率放大器作为无线通信系统的核心器件,其性能的好坏直接影响到整个系统的通信质量。然而,功率放大器工作在高效率模式下时通常表现出很强的非线性,导致信号传输失真,影响正常通信。为了兼顾功率放大器的效率和线性度,一般利用数字预失真技术对非线性进行补偿,数字预失真技术通过建立功率放大器的逆特性来预失真原输入信号。因此,为了获得良好的线性化性能,需要一个精确的行为模型。基于多项式的传统模型,如记忆多项式模型,广义记忆多项式模型被广泛用于功率放大器的行为级建模。然而,对于5G中非线性特性较复杂的功率放大器,使用这些传统模型将需要大量的核函数,这会导致数值不稳定问题,影响建模性能。此外,基于神经网络的模型是另一种选择。神经网络能以任意精度逼近任意非线性曲线,在对功率放大器进行为建模时取得了令人满意的效果。然而,在5G中功率放大器由于超宽带操作而产生了严重的记忆效应,为了准确地对功率放大器进行建模,需要一个大型的神经网络。这导致神经网络结构复杂,系数繁多,且收敛速度慢,稳定性差,造成了资源的浪费。因此,需要一个更加高效精准的功率放大器行为建模方法。
技术实现思路
专利技术目的:本专利技术的一个目的是提供一种针对功率放大器的多项式辅助神经网络 ...
【技术保护点】
1.针对功率放大器的多项式辅助神经网络行为建模系统,其特征在于,该建模系统包括多项式辅助模块和神经网络模块,多项式辅助模块利用功率放大器的先验信息拟合功率放大器的主要非线性,神经网络模块补偿多项式辅助模块无法表征的特征,对功率放大器的非线性行为进行精细拟合。/n
【技术特征摘要】
1.针对功率放大器的多项式辅助神经网络行为建模系统,其特征在于,该建模系统包括多项式辅助模块和神经网络模块,多项式辅助模块利用功率放大器的先验信息拟合功率放大器的主要非线性,神经网络模块补偿多项式辅助模块无法表征的特征,对功率放大器的非线性行为进行精细拟合。
2.根据权利要求1所述的针对功率放大器的多项式辅助神经网络行为建模系统,其特征在于,多项式辅助模块和神经网络模块集成于同一个神经网络中,采用误差反向传播算法同时更新多项式辅助模块和神经网络模块的系数。
3.根据权利要求1所述的针对功率放大器的多项式辅助神经网络行为建模系统,其特征在于,多项式辅助模块为一个不含隐藏层的神经网络结构,包括输入层和输出层,输入层为功率放大器的建模输入信号进行多项式操作后的实部和虚部,输入信号直接传递到输出层;输出层接收来自输入层的信号,对信号进行线性加权组合运算,得到多项式辅助模块的输出信号。
4.根据权利要求1所述的针对功率放大器的多项式辅助神经网络行为建模系统,其特征在于,将传统模型的多项式核函数改为神经网络能处理的实部和虚部的形式,嵌入到神经网络内部,作为多项式辅助模块的输入信号;传统模型改为实数形式如下式所示:
其中,y(n)为时刻n的输出信号,Fg[·]为第g个核函数,G为核函数的个数,cg为第g个复数系数,cg=cg,I+jcg,Q,cg,I和cg,Q分别为cg的同相和正交分量,j为虚数单位,Ag为第g个对输入信号的非线性操作,Ag=Ag,I+jAg,Q,Ag,I和Ag,Q分别为Ag的同相和正交分量;
其中,多项式辅助模块的输入信号为Ag,I和Ag,Q,其中g取1到G;
多项式辅助模块输出层的线性加权组合运算表达式为:
其中,I(n)和Q(n)分别为多项式辅助模块输出信号的同相和正交分量,w1g,I、w2g,I、w1g,Q和w2g,Q为神经网络的权值。
5.根据权利要求1所述的针对功率放大器的多项式辅助神经网络行为建模系统,其特征在于,神经网络模块采用矢量分解的结构,将复数信号分解为幅度和相位进行处理,以符合输入信号通过功率放大器的失真特性。
6.根据权利要求1所述的针对功率放大器的多项式辅助神经网络行为建模系统,其特征在于,神经网络模块包括输入层、隐藏层、组加权层、相位恢复层和输出层,其中:
神经网络模块的输入层对输入信号的幅度进行延时,假设模型的记忆深度为M,则输入层有M个神经元,第m个神经元在时刻n的输入信号为xm(n)=|x(n-m)|;
神经网络模块的隐藏层为全连接层,激活函数为双曲正切,其运算表达式为:
其中,yk(n)为第k个隐藏层神经元的输出信号,tanh[·]为双曲正切激活函数,wmk为第m个...
【专利技术属性】
技术研发人员:余超,郁煜铖,洪伟,
申请(专利权)人:东南大学,网络通信与安全紫金山实验室,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。