System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于无线通信,更为具体地讲,是设计一种数字fir滤波器去最小化近似误差的优化方法。
技术介绍
1、随着现代电子系统的快速发展,数字信号处理技术也在快速的进步,数字fir滤波器作为宽带信号合成系统中的关键组成器件,在宽带信号合成系统中具有重要的地位和作用。数字fir滤波器的优化设计可以提高宽带信号合成系统的性能和效率,可以满足由于fi-dac系统中模拟混频器和滤波器非理想特性引起的混叠误差消除的需求。通过研究数字fir滤波器的优化设计来消除fi-dac中的混叠误差,可以提高信号处理系统的性能和效率,推动数字信号处理领域的创新和发展。此外,数字fir滤波器的优化设计也可以用于数字通信系统、音频处理系统、图像处理系统等各种系统中。因此,数字fir滤波器的优化设计来消除fi-dac中的混叠误差具有现实意义。
2、在非理想的fi-dac系统中,模拟混频器和模拟滤波器等高速射频器件均存在非理想特性,这些非理想特性会导致:(1)模拟混频器在混频过程中引入多余的杂散分量;(2)模拟滤波器无法完全滤除基于fi-dac的宽带信号合成过程中各个子dac输出的多余镜像以及模拟上变频过程产生的多余边带信号。这些由模拟混频器和模拟滤波器的非理想特性所带来的影响,最终都会导致混叠误差被引入到fi-dac中,从而造成基于fi-dac的宽带信号合成系统所生成的宽带复杂信号失真,无法确保该宽带复杂信号频谱质量高品质。然而现有技术中在该领域的研究迟缓。关于fi-dac的函数化推导已于2019年3月和2019年11月分别刊登于elex与leee
技术实现思路
1、为了方便描述,先对具体实施方式中出现的相关专业术语进行说明:
2、fir(finite impulse response):有限脉冲响应;
3、text-cnn(text convolutional neural network):文本卷积神经网络;
4、mlp(multi layer perceptron neural networks):多层感知器神经网络;
5、tnn(traditional neural network):传统神经网络;
6、wls(weighted least squares):加权最小二乘法;
7、mse(mean square error):均方误差;
8、本专利技术公开了一种fi-dac中基于text-cnn的fir滤波器的优化设计的方法,包含以下步骤,
9、s1、推导m路fi-dac的近似误差方程ep(ωk),其过程为:
10、s1.1、构造m路fi-dac理想系统传递方程dp(jωk):
11、
12、其中,t为周期,c和d分别表示系统增益和延迟,ωk为(0,π/t)的频谱范围,k为频谱范围内的k个离散频点。
13、s1.2、推导m路fi-dac实际系统传递方程tp(jωk):
14、
15、其中,
16、
17、
18、
19、
20、
21、分别代表向上取整,
22、
23、fm=[fm(0),fm(1),…,fm(n-1)]t,
24、
25、
26、s1.3、公式(2)可以写成矩阵形式:
27、tmk×1=hmk×mnfmn×1 (3)
28、其中,
29、
30、rmk×mn=re{hmk×mn},imk×mn=im{hmk×mn} (4)
31、其中,rmk×mn表示矩阵hmk×mn的实部,imk×mn表示矩阵hmk×mn的虚部。
32、根据上述公式,得到m路fi-dac的近似误差为:
33、emk×1=[rmk×mnfmn×1-rmk×1]-j[imk×mnfmn×1-imk×1]
34、=re{emk×1}-j im{emk×1} (5)
35、其中,re{emk×1}表示m路fi-dac近似误差的实部,im{emk×1}表示m路fi-dac近似误差的虚部。
36、s1.4、将m路fi-dac的近似误差的实部和虚部结合,得到估计误差:
37、
38、s2、参考图2,通过text-cnn最小化fi-dac的估计误差,从而求解最优系数f,其过程为:
39、s2.1、将xmk×mn作为模型的输入,则输入层的输入可以表示为:
40、xmk×mn=rmk×mn+imk×mn (7)
41、并且其中,
42、s2.2、卷积层的输入为卷积核设置为wk,q=[wk,1,wk,2,…wk,q]t,其中,k和q表示卷积核的宽和高,每个卷积核都是二维卷积核,卷积层的输出可以表示为:
43、
44、其中,表示卷积运算符号,bq表示偏置。
45、s2.3、z通过池化层和全连接层过后,通过激活函数得到tmk×1。
46、s2.4、以均方误差作为误差性能指标,均方误差可以表示为:
47、
48、s2.5、采用adam作为优化器,设置学习率为η=0.001,通过误差反向传播,首先更新全连接层的权重,更新的权重公式为:
49、
50、其中,wlo表示全连接层的上一次权重,wln表示全连接层的最近一次更新的权重。
51、s2.6、然后更新卷积层的权重,更新的权重公式为:
52、
53、其中,wco表示卷积层的上一次权重,wcn表示卷积层的最近一次更新的权重。
54、该模型设置了最大迭代次数,当模型未达到最大迭代次数时,重复步骤s2.2-s2.6,直到达到最大迭代次数时,模型停止训练。从而获得fi-dac系统中数字fir滤波器组的最佳系数fmn×1。
55、s3、卷积神经网络空间复杂度计算,计算步骤如下:
56、s3.1、空间复杂度是指模型所需的内存或存储空间。模型所需的内存或存储空间。神经网络的参数是指网络中所有可学习参数的数量,包括权重和偏置。
57、s3.2、输入模型的数据大小为mk×mn,卷积层的的空间复杂度为cin×k×q×cout+cout,全连接层的的空间复杂度为linlout+lout,迭代次数表示为nd,则复杂度计算公式为:
58、o(nd(((mk)2ncinqcout+1)cout+(lin+1)lout)) (12)
59、其中,cin和cout表示卷本文档来自技高网...
【技术保护点】
1.一种FI-DAC中基于TEXT-CNN的FIR滤波器的优化设计的方法,其特征在于包含以下步骤,
2.根据权利要求1所述的一种FI-DAC中基于TEXT-CNN的FIR滤波器的优化设计的方法,其特征在于,S1推导M路FI-DAC的近似误差方程ep(Ωk),其过程包为构造M路FI-DAC理想系统传递方程,推导M路FI-DAC实际系统传递方程,得到M路FI-DAC的近似误差方程。
3.根据权利要求2所述的一种FI-DAC中基于TEXT-CNN的FIR滤波器的优化设计的方法,其特征在于,理想系统传递方程Dp(jΩk):
4.根据权利要求3所述的一种FI-DAC中基于TEXT-CNN的FIR滤波器的优化设计的方法,其特征在于,推导M路FI-DAC实际系统传递方程Tp(jΩk):
5.根据权利要求4所述的一种FI-DAC中基于TEXT-CNN的FIR滤波器的优化设计的方法,其特征在于,将M路FI-DAC的近似误差的实部和虚部结合,得到M路FI-DAC的近似误差方程:
6.根据权利要求5所述的一种FI-DAC中基于TEXT-CNN
7.根据权利要求6所述的一种FI-DAC中基于TEXT-CNN的FIR滤波器的优化设计的方法,其特征在于,S2.2、Z通过池化层和全连接层过后,通过激活函数得到tMK×1,以均方误差作为误差性能指标,均方误差可以表示为:
8.根据权利要求7所述的一种FI-DAC中基于TEXT-CNN的FIR滤波器的优化设计的方法,其特征在于,S2.3、用Adam作为优化器,设置学习率为η=0.001,通过误差反向传播,更新全连接层的权重,更新的权重公式为:
9.根据权利要求8所述的一种FI-DAC中基于TEXT-CNN的FIR滤波器的优化设计的方法,其特征在于,设置最大迭代次数,当模型未达到最大迭代次数时,重复步骤S2.2-S2.3,达到最大迭代次数时,模型停止训练,获得FI-DAC系统中数字FIR滤波器组的最佳系数fMN×1。
...【技术特征摘要】
1.一种fi-dac中基于text-cnn的fir滤波器的优化设计的方法,其特征在于包含以下步骤,
2.根据权利要求1所述的一种fi-dac中基于text-cnn的fir滤波器的优化设计的方法,其特征在于,s1推导m路fi-dac的近似误差方程ep(ωk),其过程包为构造m路fi-dac理想系统传递方程,推导m路fi-dac实际系统传递方程,得到m路fi-dac的近似误差方程。
3.根据权利要求2所述的一种fi-dac中基于text-cnn的fir滤波器的优化设计的方法,其特征在于,理想系统传递方程dp(jωk):
4.根据权利要求3所述的一种fi-dac中基于text-cnn的fir滤波器的优化设计的方法,其特征在于,推导m路fi-dac实际系统传递方程tp(jωk):
5.根据权利要求4所述的一种fi-dac中基于text-cnn的fir滤波器的优化设计的方法,其特征在于,将m路fi-dac的近似误差的实部和虚部结合,得到m路fi-dac的近似误差方程:
<...【专利技术属性】
技术研发人员:杨兴,张韦愿,杨健晟,王艳,陈湘萍,张梅,党长青,
申请(专利权)人:贵州大学,
类型:发明
国别省市:
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。