一种低复杂度峰均比压缩与预失真联合优化方法技术

本发明专利技术公开了一种低复杂度峰均比压缩与预失真联合优化方法，属于无线通信领域。首先正交相移键控或正交幅度调制产生调制数据符号X，将其调制后生成OFDM信号x(n)，经功率放大器得到采样信号y(n)；利用OFDM信号x(n)和采样信号y(n)构建PA模型。然后构建PAPR压缩模型表达式，利用PAPR压缩模型的输出信号r(n)构建DPD模型输出表达式。DPD模型输出的信号z(n)经过PA模型获得近似的OFDM压缩信号r′(n)，并构建解PAPR压缩模型的输出表达式。定义训练损失函数对DPD模型、PAPR压缩模型和解PAPR压缩模型进行联合训练，得到各模型的最优参数。实时采集OFDM信号x(n)，依次输入训练好的三个模型获取恢复信号x′(n)，完成通信系统的闭环。本发明专利技术有效提高了发射机的能量使用效率。

【技术实现步骤摘要】
一种低复杂度峰均比压缩与预失真联合优化方法
本专利技术属于无线通信领域，具体是一种低复杂度峰均比压缩与预失真联合优化方法。
技术介绍
功率放大器(PowerAmplifier,PA)是无线通信系统中不可或缺的元器件，为传输信号提供充足的功率，以确保接收器可以收集具有相对较好的信噪比信号。然而，PA在工作点接近饱和时的非线性和记忆效应将导致发射信号的带内失真和频谱展宽，进而降低通信质量。为满足系统要求的线性度，传统的发射机系统需要进行一定量的功率回退。然而，功率回退将导致发射机能量使用效率的大幅度降低。为减少PA输入功率的回退量，数字预失真(DigitalPredistortion,DPD)成为最有效的方法之一。同时，由于高的频谱使用效率和在多径传播环境中的稳健性，正交频分复用(OrthogonalFrequencyDivisionMultiplexing,OFDM)调制被广泛应用于无线通信领域。然而，OFDM调制系统中多个相同幅度子载波分布在不同频率上且相互正交导致了高的峰值均值功率比(Peak-to-AveragePowerRatio本文档来自技高网...

【技术保护点】
1.一种低复杂度峰均比压缩与预失真联合优化方法，其特征在于，具体步骤如下：/n步骤一、正交相移键控(QPSK)或正交幅度调制(QAM)产生调制数据符号X，通过离散傅里叶逆变换将数据符号X调制到具有K个子载波的OFDM系统上生成OFDM信号x(n)，经过功率放大器并进行采样，得到采样信号y(n)；/n数据符号X＝[X

【技术特征摘要】
1.一种低复杂度峰均比压缩与预失真联合优化方法，其特征在于，具体步骤如下：
步骤一、正交相移键控(QPSK)或正交幅度调制(QAM)产生调制数据符号X，通过离散傅里叶逆变换将数据符号X调制到具有K个子载波的OFDM系统上生成OFDM信号x(n)，经过功率放大器并进行采样，得到采样信号y(n)；
数据符号X＝[X0,X1,…,XK-1]；
OFDM信号表示为：



其中：L为过采样倍数；Xk是QPSK或QAM产生的第k个数据符号；
步骤二、利用OFDM信号x(n)和采样信号y(n)构建PA模型并进行训练；
PA模型包含输入层、全连接神经网络隐层和输出层；
PA模型的输入表达公式为：



其中：|x(n)|表示功率放大器输入信号的幅度项，xI(n),xQ(n),|x(n)|,|x(n)|2,|x(n)|3为PA模型输入信号x(n)的一组计算公式，后续为时延信号x(n-1)的一组相应分量，以此类推，中间是时延信号x(n-m)的一组相应分量，最后一组为时延信号x(n-M)的相应分量；m∈0,1,...,M；
PA模型的输出表达式为：



其中：yI(n)表示PA模型输出信号的同相分量，yQ(n)表示PA模型输出信号的正交分量；
代价函数采用均方误差函数，使用Adam优化算法对构建的PA模型进行训练，并使用归一化均方误差测试模型；
步骤三、使用单隐层神经网络作为PAPR压缩模型，利用OFDM信号x(n)构建PAPR压缩模型表达式；
PAPR压缩模型包含输入层、全连接神经网络隐层和输出层；
PAPR压缩模型的输入矢量能被写为：



xI(n)表示输入OFDM信号的同相分量；xQ(n)表示输入OFDM信号的正交分量；
全连接层对输入数据加权求和后经过非线性激活函数，获得输入数据中的隐藏信息；
PAPR压缩模型的全连接层输出能被表示为：



其中：表示PAPR压缩模型全连接层的权重系数；表示PAPR压缩模型全连接层的偏置系数；
输出层将全连接层的输出进行加权求和后，获得PAPR压缩模型的整体输出：



其中：rI(n)表示PAPR压缩模型输出信号的同相分量；rQ(n)表示PAPR压缩模型输出信号的正交分量；表示PAPR压缩模型输出层的权重系数；表示PAPR压缩模型输出层的偏置系数；
步骤四、基于单隐层神经网络设计DPD模型，利用PAPR模型的输出信号r(n)构建DPD模型输出表达式；
DPD模型包含输入层、全连接神经网络隐层和输出层；
DPD模型的输入表达式为：



全连接层对输入的数据加权求和后经过ReLU激活函数，获得输入数据中的隐藏信息；全连接层输出能被表示为：



其中：表示DPD模型全连接层的权重系数；表示全连接层的偏置系数；
输出层将全连接层的输出结果进行加权求和后，获得DPD模型的整体输出：



其中：zI(n)表示DPD模型输出信号的同相分量，zQ(n)表示DPD模型输出信号的正交分量；表示DPD模型输出层的权重系数，表示DPD模型输出层的偏置系数；
步骤五、DPD模型输出的信号z(n)经过训练好的PA模型后，获得近似的OFDM压缩信号r′(n)；
步骤六、使用单隐层神经网络作为解PAPR压缩模型，利用近似的OFDM压缩信号r′(n)构建解PAPR压缩模型的输出表达式；
解PAPR压缩模型包含输入层、全连接神经网络隐层和输出层；
解PAPR压缩模型的输入矢量能被写为：



其中：r′I(n)表示近似的OFDM压缩信号r′(n)的同相分量；r′Q(n)表示近似的OFDM压缩信号r′(n)的正交分量；
全连接层对输入数据加权求和后经过非线性激活函数，对输入数据中信息进行捕获；
解PAPR压缩模型的全连接层输出能被表示为：



其中：表示解PAPR压缩模型全连接层的权重系数；表示解PAPR压缩模型全连接层的偏置系数；
输出层将全连接层的输出进行加权求和后，获得解PAPR压缩模型的输出：



其中：x...

【专利技术属性】
技术研发人员：胡欣，刘志军，马仕君，于小飞，张孙，孙琳琳，韩康，王卫东，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11