射频放大器预失真处理方法及其系统技术方案

本发明专利技术提供一种射频放大器预失真处理方法及其系统，通过复数类神经网络算法，构建射频放大器的类神经网络模型，采用放大器输入／输出数据训练神经网络，在放大器前置相同的、经过训练的神经网络作为预失真函数。因为神经网络结构简单，并且具有自我学习功能，能够降低邻频频谱增益，进而降低射频通信的相互影响程度，提高整体通信速率和频谱利用率，并且无需复杂的运算。该神经网络通过不断学习，具有实时性；当放大器因为外部原因（温度、电压等）改变而改变性能后，该神经网络能够感知并进行自我修正。对于放大器的输入、输出曲线特征，采用复数幂函数构建所述类神经网络模型，使得学习收敛速度更加快，效果更加好。

【技术实现步骤摘要】

本专利技术涉及射频放大器预失真处理的
，特别是涉及ー种射频放大器预失真处理方法，以及ー种射频放大器预失真处理系统。
技术介绍
随着无线城市概念提出，无线通信的发展，通信技术的普及应用，对频谱利用率提出了更高的需求。对于手机、基站、无线路由器等射频设备来说，理想的输入-输出关系应该是线性关系。但是受到射频器件(例如放大器、天线等)的非线性性能影响，输出信号不仅携帯原有信息，还产生了失真并在邻频产生了频谱增益。频谱增益不仅带来了不必要的辐射，更重要的是干扰了邻频的通信信号，整体降低了通信速率和频谱利用率。线性技术可以降低射频设备的非线性性能，降低邻频频谱增益，进而降低射频通信的相互影响程度，提高整体通信速率和频谱利用率。常用的线性技术包括负反馈、正反馈和预失真。其中，预失真的原理可以通过以下简单举例来说明(以下函数经过归一化处理)假设放大器的非线性性用函数G(.)表示，在输入端经过F(.)的预失真，那么输出VO和输入Vi的关系表达为VO = G (F(Vi))如果F(.)和G(.)互为反函数，那么上式可简化为VO = G (F(Vi)) = GC1G(Vi)) = Vi亦即，输入和输出变回线性关系。然而，使用预失真方法吋，必须对放大器的输入、输出的相位和振幅分开计算，导致计算过程比较复杂，实现的难度较大。
技术实现思路
针对上述
技术介绍
中存在的问题，本专利技术的目的在于提供一种射频放大器预失真处理方法，能够较准确地进行射频放大器预失真处理，降低射频放大器的非线性性能。一种射频放大器预失真处理方法，包括以下步骤通过复数类神经网络算法，构建射频放大器的类神经网络模型；其中，所述类神经网络模型由复数幂函数构成，所述复数幂函数的各阶系数对应所述射频放大器的各阶谐波的失真系数；将工作在非线性状态下的射频放大器的输出和输入作为所述类神经网络模型的学习样本，通过误差梯度逐步逼近零的方法，获得所述复数幂函数的各阶系数；利用所述各阶系数确定的类神经网络模型，对工作在非线性状态下的所述射频放大器进行预失真处理。本专利技术的目的还在于提供一种射频放大器预失真处理系统。一种射频放大器预失真处理系统，包括神经网络生成模块，用于通过复数类神经网络算法，构建射频放大器的类神经网络模型；其中，所述类神经网络模型由复数幂函数构成，所述复数幂函数的各阶系数对应所述射频放大器的各阶谐波的失真系数；训练模块，用于将工作在非线性状态下的射频放大器的输出和输入作为所述类神经网络模型的学习样本，通过误差梯度逐步逼近零的方法，获得所述复数幂函数的各阶系数；预失真模块，用于利用所述各阶系数确定的类神经网络模型，对工作在非线性状态下的所述射频放大器进行预失真处理。本专利技术的射频放大器预失真处理方法及其系统中，通过复数类神经网络算法，构建射频放大器的类神经网络模型，采用放大器输入/输出数据训练神经网络，在放大器前置相同的、经过训练的神经网络作为预失真函数。因为神经网络结构简单，并且具有自我学习功能，能够降低邻频频谱增益，进而降低射频通信的相互影响程度，提高整体通信速率和频谱利用率，并且无需复杂的运算。该神经网络通过不断学习，具有实时性；当放大器因为外部原因(温度、电压等)改变而改变性能后，该神经网络能够感知并进行自我修正。对于放大器的输入、输出曲线特征，采用复数幂函数构建所述类神经网络模型，使得学习收敛速度更加快，效果更加好。并且，所述类神经网络模型由复数幂函数构成，所述复数幂函数的各阶系数对应所述射频放大器的各阶谐波的失真系数，因此构建的所述类神经网络模型充分考虑到放大器各阶谐波的非线性影响，能够抵消各个谐波分量。附图说明图1是本专利技术射频放大器预失真处理方法的流程示意图；图2是本专利技术射频放大器预失真处理方法ー种优选实施方式中，通过误差梯度逐步逼近零的方法获得所述复数幂函数的各阶系数的流程图；图3和图4是利用本专利技术射频放大器预失真处理方法对射频放大器非线性性能学习示意图；图5至图10是本专利技术射频放大器预失真处理方法的模拟实验效果图；图11是本专利技术射频放大器预失真处理系统的结构示意图；图12是本专利技术射频放大器预失真处理系统ー种实施方式中训练模块的结构示意图。具体实施例方式请參阅图1，图1是本专利技术射频放大器预失真处理方法的流程示意图。所述射频放大器预失真处理方法，包括以下步骤S101，通过复数类神经网络算法，构建射频放大器的类神经网络模型；其中，所述类神经网络模型由复数幂函数构成，所述复数幂函数的各阶系数对应所述射频放大器的各阶谐波的失真系数；S102，将工作在非线性状态下的射频放大器的输出和输入作为所述类神经网络模型的学习样本，通过误差梯度逐步逼近零的方法，获得所述复数幂函数的各阶系数；S103，利用所述各阶系数确定的类神经网络模型，对工作在非线性状态下的所述射频放大器进行预失真处理。其中，所述类神经网络的表达采用复数幂函数。考虑到在射频信号当中，偶数阶谐波远离中心频率，一般会被滤波器滤掉，非线性模型一般都只考虑奇数阶谐波的组合，所以在本实施方式中，该复数幂函数优选只包含奇数次冪，因此所述复数幂函数为(n为奇数)本文档来自技高网...

【技术保护点】
一种射频放大器预失真处理方法，其特征在于，包括以下步骤：通过复数类神经网络算法，构建射频放大器的类神经网络模型；其中，所述类神经网络模型由复数幂函数构成，所述复数幂函数的各阶系数对应所述射频放大器的各阶谐波的失真系数；将工作在非线性状态下的射频放大器的输出和输入作为所述类神经网络模型的学习样本，通过误差梯度逐步逼近零的方法，获得所述复数幂函数的各阶系数；利用所述各阶系数确定的类神经网络模型，对工作在非线性状态下的所述射频放大器进行预失真处理。

【技术特征摘要】
1.一种射频放大器预失真处理方法，其特征在于，包括以下步骤 通过复数类神经网络算法，构建射频放大器的类神经网络模型；其中，所述类神经网络模型由复数幂函数构成，所述复数幂函数的各阶系数对应所述射频放大器的各阶谐波的失真系数； 将工作在非线性状态下的射频放大器的输出和输入作为所述类神经网络模型的学习样本，通过误差梯度逐步逼近零的方法，获得所述复数幂函数的各阶系数； 利用所述各阶系数确定的类神经网络模型，对工作在非线性状态下的所述射频放大器进行预失真处理。2.如权利要求1所述的射频放大器预失真处理方法，其特征在于，将工作在非线性状态下的射频放大器的输出和输入作为所述类神经网络模型的学习样本，通过误差梯度逐步逼近零的方法，获得所述复数幂函数的各阶系数的步骤包括 生成所述复数幂函数的各阶系数的初始值，所述类神经网络模型的学习率，以及误差阈值； 将工作在非线性状态下的射频放大器的输出和输入作为所述类神经网络模型的学习样本批量输入所述类神经网络模型； 计算所述类神经网络模型的学习样本的输出以及所述类神经网络模型的实际输出的误差值； 判断所述误差值是否低于所述误差阈值，如果是，则获取对应的所述各阶系数作为所述类神经网络模型的复数幂函数的各阶系数；否则，根据误差趋势，修改所述各阶系数后重新计算所述类神经网络模型的输出以及误差，直到所述误差值低于所述误差阈值后，获取对应的所述各阶系数作为所述类神经网络模型的复数幂函数的各阶系数。3.如权利要求2所述的射频放大器预失真处理方法，其特征在于 将工作在非线性状态下的射频放大器的输出作为所述类神经网络模型的输入，将所述类神经网络模型的输出与所述射频放大器的输入比较，获取第一误差值； 根据所述第一误差值的变化趋势，修改所述复数幂函数的各阶系数，使所述第一误差值逐渐逼近于零； 当所述第一误差值低于所述误差阈值时，获取对应的所述各阶系数作为执行射频放大器预失真处理的类神经网络模型所对应的复数幂函数的各阶系数。4.如权利要求2所述的射频放大器预失真处理方法，其特征在于 将工作在非线性状态下的射频放大器的输入作为所述类神经网络模型的输入，将所述类神经网络模型的输出与所述射频放大器的输出比较，获取第二误差值； 根据所述第二误差值的变化趋势，修改所述复数幂函数的各阶系数，使所述第二误差值逐渐逼近于零； 当所述第二误差值低于所述误差阈值时，获取对应的所述各阶系数作为执行射频放大器非线性模拟的类神经网络模型所对应的复数幂函数的各阶系数。5.如权利要求1至4任意一项所述的射频放大器预失真处理方法，其特征在于，所述复数幂函数为6.一种射频放大器预失真处理...

【专利技术属性】
技术研发人员：肖鸣，王晖，吴龙照，吕锐，陈运动，郑建飞，赖志坚，
申请(专利权)人：广东省电信规划设计院有限公司，
类型：发明
国别省市：