基于直接学习网络的数字中频预失真系统及方法技术方案

一种基于直接学习网络的数字中频预失真系统及方法，包括：数字中频预失真网络单元、分别与之相连的射频发射机、发射机网络参数提取单元和端到端网络构建及预失真网络参数提取单元以及分别与射频发射机输出端和发射机网络参数提取单元输入端相连的反馈链路单元，本发明专利技术利用模拟预失真中的优化思路，引入非线性神经网络结构并利用共享网络参数的方式降低算法复杂度，通过联合优化均方误差和互调干扰指标设计更适合数字中频信号的预失真技术，使得数字中频预失真模块达到更好的性能。得数字中频预失真模块达到更好的性能。得数字中频预失真模块达到更好的性能。

【技术实现步骤摘要】
基于直接学习网络的数字中频预失真系统及方法


[0001]本专利技术涉及的是一种功率放大器领域的技术，具体是一种引入互调干扰指标基于直接学习网络的数字中频预失真系统及方法，适用于各类存在数字中频处理模块的蜂窝网络系统、窄带或宽带系统等。

技术介绍

[0002]第五代移动通信系统(5G)中延用的正交频分复用波形由于其较高的峰均比，使其对功率放大器的非线性特性更加敏感。预失真技术是线性化技术中的典型技术，可以应用在数字基带、数字中频和模拟射频域中。预失真技术分为数字预失真技术和模拟预失真技术，它们通常会被应用于数字基带或中频和模拟射频域。现有数字预失真模块的优化目标通常是最小化均方误差，模拟预失真技术由于其电路特性，难以建模记忆特性，其优化指标通常为最小化奇数阶互调干扰。目前，数字预失真技术常常和峰值削减技术一起部署在数字中频域中。考虑到数字中频和射频信号均具有带通信号的特点，均方误差和互调干扰指标的联合优化将为预失真技术带来更大的增益。
[0003]由于数字中频信号与射频信号类似，均具有带通信号的特性，所以从频域上看，影响系统线性度性能的是有用频带邻近频带内的互调非线性分量，其余分量可以通过滤波器滤除，但现有数字预失真采用的最小化均方误差方法会最小化所有的非线性频谱分量。

技术实现思路

[0004]本专利技术针对现有技术存在的上述不足，提出一种基于直接学习网络的数字中频预失真系统及方法，利用模拟预失真中的优化思路，引入非线性神经网络结构降低算法复杂度，通过联合优化均方误差和互调干扰指标设计更适合数字中频信号的预失真技术，使得数字中频预失真模块达到更好的性能。
[0005]本专利技术是通过以下技术方案实现的：
[0006]本专利技术涉及一种引入互调干扰指标基于直接学习网络的数字中频预失真系统，包括：数字中频预失真网络单元、分别与之相连的射频发射机、发射机网络参数提取单元和端到端网络构建及预失真网络参数提取单元以及分别与射频发射机输出端和发射机网络参数提取单元输入端相连的反馈链路单元，其中：数字中频预失真网络单元从前级装置中接收到数字中频信号并对该信号进行预失真网络推理输出数字中频信号至射频发射机和发射机网络参数提取单元；反馈链路单元将射频发射机输出的射频信号下变频到数字中频并生成非线性系统输出数据集；发射机网络参数提取单元通过采集到的数字中频信号以及非线性系统输出数据集，通过迭代提取得到射频发射机的非线性神经网络参数；端到端网络构建及预失真网络参数提取单元根据发射机网络参数建立端到端系统神经网络模型，并根据联合优化目标迭代提取得到预失真网络参数。
[0007]所述的射频发射机包括：数模转换器、上变频器和功率放大器，其中：数模转换器根据数字中频信号进行数模转换，经上变频处理和功率放大后输出射频信号。
[0008]所述的端到端系统神经网络模型为基于时延神经网络(Time delay neural network,TDNN)设计，其输入数据为当前和历史记忆数据，输出数据为当前数据的多层全连接网络，具体包括：带有记忆特性基于时延神经网络的预失真网络和发射机网络。
[0009]所述的预失真网络包括：N个结构相同的时延神经网络，每个时延神经网络的输入层有M个神经元节点，包含当前输入和M
‑
1个历史输入，即每个时延神经网络的输入记忆深度为M、隐藏层层数为K、输出层有1个神经元节点，表示当前预失真器输出。
[0010]所述的发射机网络为射频发射机的数字网络，包括：1个时延神经网络，输入层有N个神经元节点、隐藏层层数为Q、输出层有1个神经元节点。
[0011]所述的迭代提取得到预失真网络参数，通过带有记忆特性的端到端时延神经网络架构，通过计算联合优化代价函数并根据联合优化目标进行参数学习得到，即在训练过程中先屏蔽发射机网络层参数的更新，然后根据联合优化指标进行更新迭代得到预失真网络参数并在预失真子网络间共享参数。
[0012]所述的发射机网络，先通过发射机网络参数提取单元输出的非线性神经网络参数进行独立训练，再与预失真网络级联以进行联合训练，其中：独立训练时与预失真网络分离，输入输出数据集为采集到的发射机数字中频信号；联合训练时和预示真网络级联，发射机网络的输入为当前预失真网络输出y(n)和历史预失真网络输出{y(n
‑
1),
…
,y(n
‑
i),
…
,y(n
‑
N)}，每个预失真网络的输出y(n
‑
i)又对应M个输入{x(n
‑
i),
…
,x(n
‑
i
‑
M)}。
[0013]为进一步简化迭代复杂度，设定在记忆深度M的时间内发射机非线性特性平稳，则所有预失真子网络可以共享一组权值、偏置参数。
[0014]所述的预失真网络推理是指：根据更新后的网络参数，实时通过前级数字中频输入信号得到相应神经网络预失真输出信号。
[0015]所述的迭代提取得到射频发射机的非线性神经网络参数，通过带有记忆特性的时延神经网络的发射机神经网络架构，根据均方误差进行参数迭代算法得到。
[0016]所述的联合优化目标，包括：在双音场景中采用奇数阶互调干扰和均方误差作为联合优化指标和在多音场景中采用邻信道功率比和均方误差作为联合优化指标，具体为：联合优化目标Cost＝MSE+μ
·
ANA，其中：MSE为网络输出和期望输出的均方误差，μ为归一化系数，将MSE和ANA调整到相同数量级，互调干扰相关指标将MSE和ANA调整到相同数量级，互调干扰相关指标和分别是是上边带和下边带的奇数阶互调干扰，表示由非线性效应产生的邻近主音的奇数阶互调频谱分量的大小，ACPR
U
和ACPR
L
分别是上边带和下边带的邻信道功率比，表示泄漏到邻道的功率大小，即邻道内的功率除以有用信道内的功率。
[0017]所述的预失真网络参数，通过以下方式进行更新迭代：
[0018]1)由反馈链路单元对射频发射信号进行下变频、模数转换等操作，得到数字中频信号，发射机网络参数提取单元根据采集的射频发射机输入输出数据集通过标准神经网络训练流程得到发射机神经网络的参数，包括网络的权重和偏置。代价函数为网络输出和实际采集发射机输出信号的均方误差。
[0019]2)端到端网络构建及预失真网络参数提取单元基于发射机网络参数提取单元得到的发射机网络参数构建端到端非线性神经网络结构；然后使用该网络结构并根据联合优
化目标来进行预失真网络的参数迭代，迭代的过程中需要屏蔽发射机神经网络参数的更新。
[0020]3)数字中频预失真网络单元基于端到端网络构建及预失真网络参数提取单元得到的预失真网络参数对数字中频信号进行实时的预失真处理，并将生成的预失真数字中频信号送入射频发射机。
[0021]所述的预失真网络参数，先根据系统输出线性度情况判断是否进行预失真网络参数更新，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种引入互调干扰指标基于直接学习网络的数字中频预失真系统，其特征在于，包括：数字中频预失真网络单元、分别与之相连的射频发射机、发射机网络参数提取单元和端到端网络构建及预失真网络参数提取单元以及分别与射频发射机输出端和发射机网络参数提取单元输入端相连的反馈链路单元，其中：数字中频预失真网络单元从前级装置中接收到数字中频信号并对该信号进行预失真网络推理输出数字中频信号至射频发射机和发射机网络参数提取单元；反馈链路单元将射频发射机输出的射频信号下变频到数字中频并生成非线性系统输出数据集；发射机网络参数提取单元通过采集到的数字中频信号以及非线性系统输出数据集，通过迭代提取得到射频发射机的非线性神经网络参数；端到端网络构建及预失真网络参数提取单元根据发射机网络参数建立端到端系统神经网络模型，并根据联合优化目标迭代提取得到预失真网络参数；所述的端到端系统神经网络模型为基于时延神经网络设计，其输入数据为当前和历史记忆数据，输出数据为当前数据的多层全连接网络，具体包括：带有记忆特性基于时延神经网络的预失真网络和发射机网络。2.根据权利要求1所述的引入互调干扰指标基于直接学习网络的数字中频预失真系统，其特征是，所述的迭代提取得到预失真网络参数，通过带有记忆特性的端到端时延神经网络架构，通过计算联合优化代价函数并根据联合优化目标进行参数学习，即在训练过程中先屏蔽发射机网络层参数的更新，然后根据联合优化指标进行更新迭代得到预失真网络参数并在预失真子网络间共享参数。3.根据权利要求1或2所述的引入互调干扰指标基于直接学习网络的数字中频预失真系统，其特征是，所述的联合优化目标，包括：在双音场景中采用奇数阶互调干扰和均方误差作为联合优化指标和在多音场景中采用邻信道功率比和均方误差作为联合优化指标，具体为：联合优化目标Cost＝MSE+μ
·
ANA，其中：MSE为网络输出和期望输出的均方误差，μ为归一化系数，将MSE和ANA调整到相同数量级，互调干扰相关指标将MSE和ANA调整到相同数量级，互调干扰相关指标和分别是是上边带和下边带的奇数阶互调干扰，表示由非线性效应产生的邻近主音的奇数阶互调频谱分量的大小，ACPR
U
和ACPR
L
分别是上边带和下边带的邻信道功率比，表示泄漏到邻道的功率大小，即邻道内的功率除以有用信道内的功率。4.根据权利要求1所述的引入互调干扰指标基于直接学习网络的数字中频预失真系统，其特征是，所述的预失真网络包括：N个结构相同的时延神经网络，每个时延神经网络的输入层有M个神经元节点，包含当前输入和M
‑
1个历史输入，即每个时延神经网络的输入记忆深度为M、隐藏层层数为K、输出层有1个神经元节点，表示当前预失真器输出；所述的发射机网络为射频发射机的数字网络，包括：1个时延神经网络，输入层有N个神经元节点、隐藏层层数为Q、输出层有1个神经元节点。5.根据权利要求1或4所述的引入互调干扰指标基于直接学习网络的数字中频预失真系统，其特征是，所述的发射机网络，先通过发射机网络参数提取单元输出的非线性神经网络参数进行独立训练，再与预失真网络级联以进行联合训练，其中：独立训练时与预失真网络分离，输入输出数据集为采集到的发射机数字中频信号；联合训练时和预示真网络级联，发射机网络的输入为当前预失真网络输出y(n)和历史预失真网络输出{y(n
‑
1),
…
,y(n

【专利技术属性】
技术研发人员：陈小静，陆周宇，张舜卿，徐树公，汪永明，
申请(专利权)人：上海大学，
类型：发明
国别省市：