一种数字预失真训练方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种数字预失真训练方法、装置及存储介质，包括：采用第一数字预失真训练模型对第一输入参数进行数字预失真训练后获取第一训练结果；采用第二数字预失真训练模型对第二输入参数及第一训练结果进行数字预失真训练。采用本发明专利技术，可以联合优化保证所训练的数字预失真模型的准确性，同时简化网络结构，减少训练权重参数。可以为多PA训练预失真模型，提高了建模精度，提高了模型架构的通用性。可以根据需求采用不同的神经网络模型或组合模型，实现结构灵活，可保证模型收敛，满足不同的RRU功放需求，实现资源共享。实现资源共享。实现资源共享。

【技术实现步骤摘要】
一种数字预失真训练方法、装置及存储介质


[0001]本专利技术涉及无线通信
，特别涉及一种数字预失真训练方法、装置及存储介质。

技术介绍

[0002]功率放大器是无线通信系统中的重要组成部分。功率放大器的非线性特性导致了带内的非线性失真和带外频谱泄露，因此功率放大器的线性化技术备受关注。
[0003]为抑制功率放大器的非线性失真并保持高输出功率以提高放大器的效率，数字预失真技术得到了广泛的应用。数字预失真技术是在数字域通过估计功率放大器的非线性模型，产生与之相反的预失真信号，该预失真信号通过功率放大器非线性放大后，可降低非线性失真信号分量，从而实现功率放大器的线性化。
[0004]预失真技术目前主要有传统的通过多项式法实现的数字预失真技术，以及基于神经网络的预失真技术，其不足在于：
[0005]多项式法实现的数字预失真技术无法精准描述大带宽和高PAPR(峰均比，Peak Average Power Ratio)信号输入下的功率放大器特性；现有的基于神经网络的预失真技术结构单一，灵活性差，无法满足未来智能化、开放化网络需求。

技术实现思路

[0006]本专利技术提供了一种数字预失真训练方法、装置及存储介质，用以解决现有基于神经网络的预失真技术结构单一，灵活性差、无法满足未来智能化、开放化网络需求的问题。
[0007]本专利技术提供以下技术方案：
[0008]一种数字预失真训练方法，包括：
[0009]采用第一数字预失真训练模型对第一输入参数进行数字预失真训练后获取第一训练结果；
[0010]采用第二数字预失真训练模型对第二输入参数及第一训练结果进行数字预失真训练。
[0011]实施中，第一输入参数和/或第二输入参数包括以下参数之一或者其组合：
[0012]PA前向I/Q数据、PA反馈I/Q数据、相应的不同前向或后向延时I/Q数据、多项式特征信息、功率信息、温度信息、PA类型、厂商信息。
[0013]实施中，第一数字预失真训练模型和/或第二数字预失真训练模型进行数字预失真训练的神经网络结构为以下结构之一或者其组合：
[0014]DNN、RNN、CNN。
[0015]实施中，进一步包括：
[0016]根据传输实时性和计算存储资源情况部署第一数字预失真训练模型与第二数字预失真训练模型。
[0017]实施中，进一步包括：
[0018]根据LOSS函数对第一数字预失真训练模型和/或第二数字预失真训练模型的数字预失真进行训练。
[0019]实施中，所述LOSS函数为NMSE函数或MSE函数。
[0020]实施中，进一步包括：
[0021]根据需要分配第一数字预失真训练模型与第二数字预失真训练模型中的LOSS函数的权重。
[0022]一种数字预失真训练装置，包括：
[0023]处理器，用于读取存储器中的程序，执行下列过程：
[0024]采用第一数字预失真训练模型对第一输入参数进行数字预失真训练后获取第一训练结果；
[0025]采用第二数字预失真训练模型对第二输入参数及第一训练结果进行数字预失真训练；
[0026]收发机，用于在处理器的控制下接收和发送数据。
[0027]实施中，第一输入参数和/或第二输入参数包括以下参数之一或者其组合：
[0028]PA前向I/Q数据、PA反馈I/Q数据、相应的不同前向或后向延时I/Q数据、多项式特征信息、功率信息、温度信息、PA类型、厂商信息。
[0029]实施中，第一数字预失真训练模型和/或第二数字预失真训练模型进行数字预失真训练的神经网络结构为以下结构之一或者其组合：
[0030]DNN、RNN、CNN。
[0031]实施中，进一步包括：
[0032]根据传输实时性和计算存储资源情况部署第一数字预失真训练模型与第二数字预失真训练模型。
[0033]实施中，进一步包括：
[0034]根据LOSS函数对第一数字预失真训练模型和/或第二数字预失真训练模型的数字预失真进行训练。
[0035]实施中，所述LOSS函数为NMSE函数或MSE函数。
[0036]实施中，进一步包括：
[0037]根据需要分配第一数字预失真训练模型与第二数字预失真训练模型中的LOSS函数的权重。
[0038]一种数字预失真训练装置，包括：
[0039]主训练模块，用于采用第一数字预失真训练模型对第一输入参数进行数字预失真训练后获取第一训练结果；
[0040]辅训练模块，用于采用第二数字预失真训练模型对第二输入参数及第一训练结果进行数字预失真训练。
[0041]实施中，第一输入参数和/或第二输入参数包括以下参数之一或者其组合：
[0042]PA前向I/Q数据、PA反馈I/Q数据、相应的不同前向或后向延时I/Q数据、多项式特征信息、功率信息、温度信息、PA类型、厂商信息。
[0043]实施中，第一数字预失真训练模型和/或第二数字预失真训练模型进行数字预失真训练的神经网络结构为以下结构之一或者其组合：
[0044]DNN、RNN、CNN。
[0045]实施中，进一步包括：
[0046]部署模块，用于根据传输实时性和计算存储资源情况部署第一数字预失真训练模型与第二数字预失真训练模型。
[0047]实施中，进一步包括：
[0048]根据LOSS函数对第一数字预失真训练模型和/或第二数字预失真训练模型的数字预失真进行训练。
[0049]实施中，所述LOSS函数为NMSE函数或MSE函数。
[0050]实施中，进一步包括：
[0051]权重分配模块，用于根据需要分配第一数字预失真训练模型与第二数字预失真训练模型中的LOSS函数的权重。
[0052]一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述数字预失真训练方法的计算机程序。
[0053]本专利技术有益效果如下：
[0054]在本专利技术实施例提供的技术方案中，由于训练由第一数字预失真训练模型和第二数字预失真训练模型组成，因此可以联合优化保证所训练的数字预失真模型的准确性，同时简化网络结构，减少训练权重参数。
[0055]进一步的，由于第一输入参数可以多项式特征信息、功率信息、温度信息、PA类型等信息多特征多维度的特征信息输入，因此可以为多PA训练预失真模型，提高了建模精度，提高了模型架构的通用性。
[0056]进一步的，由于第一数字预失真训练模型和/或第二数字预失真训练模型选择的神经网络结构基于智能化神经网络进行模型训练，因此可以根据需求采用不同的神经网络模型或组合模型，实现结构灵活。
[0057]进一步的，由于可以根据需要分配第一数字预失真训练模型与第二数字预失真训练模型中的LOSS函数的权重，因此多LOSS函数灵活可调，可配置权重，有效保证了模型收敛。
[0058]进一步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数字预失真训练方法，其特征在于，包括：采用第一数字预失真训练模型对第一输入参数进行数字预失真训练后获取第一训练结果；采用第二数字预失真训练模型对第二输入参数及第一训练结果进行数字预失真训练。2.如权利要求1所述的方法，其特征在于，第一输入参数和/或第二输入参数包括以下参数之一或者其组合：功率放大器PA前向射频信号I/Q数据、PA反馈I/Q数据、相应的不同前向或后向延时I/Q数据、多项式特征信息、功率信息、温度信息、PA类型、厂商信息。3.如权利要求1所述的方法，其特征在于，第一数字预失真训练模型和/或第二数字预失真训练模型进行数字预失真训练的神经网络结构为以下结构之一或者其组合：深度神经网络DNN、递归神经网络RNN、卷积神经网络CNN。4.如权利要求1所述的方法，其特征在于，进一步包括：根据传输实时性和计算存储资源情况部署第一数字预失真训练模型与第二数字预失真训练模型。5.如权利要求1至4任一所述的方法，其特征在于，进一步包括：根据损失LOSS函数对第一数字预失真训练模型和/或第二数字预失真...

【专利技术属性】
技术研发人员：林英超，王桂珍，鄢凯，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：