基于实数延时神经网络的同步双频功率放大器建模方法

摘要

本发明提供了一种基于实数延时神经网络的同步双频功率放大器建模方法，包括：建立同步双频功率放大器的实数延时神经网络模型；将两路宽带多载波信号作为同步双频功率放大器的基带输入信号；采集同步双频功率放大器的输入和输出数据；确定实数延时神经网络模型参数，并训练模型。本发明的一种基于实数延时神经网络的同步双频功率放大器建模方法，能够很好地描述同步双频功率放大器的非线性特性和记忆效应，实现方便，复杂度低，收敛速度快，且具有较高的精度。

说明书

技术领域

本发明涉及建立双频功率放大器行为模型的方法，特别是涉及一种基于实数延时神经网络的同步双频功率放大器建模方法。

背景技术

随着无线通信系统业务的不断增长，有限的频谱资源变得日益拥挤，为了提高频谱利用效率，各种调制技术相继出现。虽然新的调制方式提高了频谱的利用率，但是也对射频前端提出了更高的要求。这些调制方式多为非恒包络的，调制方式的效率越高，信号的峰均比越大。为了能使功率放大器高效率的工作，功率放大器多工作在接近饱和区甚至截止区，对于高峰均比的信号，功率放大器会产生严重的非线性失真，并且随着系统带宽的增加，功率放大器也会产生记忆效应。这样不可避免的对功率放大器的线性指标提出了更高的要求。

常用的线性化技术有：负反馈法(Feedback)、前馈法(Feedforward)、包络消除与恢复技术(EE&R)、非线性部件进行线性放大(LINC)、组合模拟锁定环路通用调制器(CALLUM)、各种预失真方法。

在现代通信系统中，预失真技术是一种主流技术。该技术的基本思想是在非线性功率放大器的前面插入一个非线性器件，让两者的非线性特性相互抵消来达到线性化的目的。为了很好的实现非线性的抵消，预失真器就可以用功率放大器模型的逆模型来描述。因此对功率放大器进行建模对于准确的预测功率放大器的非线性特性来说是至关重要的，可以说预失真的过程就是功率放大器模型建立的过程。

功率放大器的模型可以分为两类：物理模型和行为模型。物理模型是根据射频电路内部的具体结构而建立的，这需要丰富而且深入的电路知识，过程较为复杂，而行为模型就不需要考虑功率放大器的内部结构，仅仅将功率放大器当做一个整体，在功率放大器的输入和输出数据之间建立一种非线性的关系，以此来描述功率放大器的特性，这便是行为模型。本发明所建立的功率放大器模型也就是行为模型。

在窄带通信系统中，功率放大器的非线性特性可以认为是静态的，此时的功率放大器可以说是无记忆的。而随着通信带宽的增加，功率放大器的非线性特性开始跟频率相关。在时域上就表现为功率放大器的输出信号不仅跟当前的输入信号相关，同时也和以前的输入信号相关，这就是记忆效应。因此，功率放大器的行为模型也分为无记忆模型和有记忆模型。

早期的功率放大器建模多采用无记忆模型，主要有：Saleh模型和幂级数模型。但是在现代通信系统中，记忆效应越来越明显。有记忆的功率放大器模型主要可分为两类：Volterra级数模型和神经网络模型。Volterra级数是对泰勒级数的扩展，该模型适用于弱非线性系统。不过系统的参数会随着阶次和记忆深度的增加而迅速增加，故计算量和收敛性受到了影响。神经网络能够逼近任意非线性的函数，学习方式灵活，因此在微波非线性电路方面得到了广泛的应用。

然而，目前的功率放大器建模大多是针对单频功率放大器，即针对单输入单输出的功率放大器建模，而较少针对双频功率放大器，即多输入多输出的功率放大器建模。因为双频功率放大器中的两个频段的信号之间会有单频功率放大器所不曾遇到的相互影响(如带间交叉调制)，加大了元件的非线性效应，对这种多输入多输出的模型描述比单输入单输出更为复杂，实现较为不便，且精度较低。

发明内容

本发明所要解决的技术问题是提供一种基于实数延时神经网络的同步双频功率放大器建模方法，能够很好地描述同步双频功率放大器的非线性特性和记忆效应，实现方便，复杂度低，收敛速度快，且具有较高的精度。

为了解决上述问题，本发明公开了一种基于实数延时神经网络的同步双频功率放大器建模方法，包括以下步骤：

步骤101，建立同步双频功率放大器的实数延时神经网络模型；

步骤102，将两路宽带多载波信号作为同步双频功率放大器的基带输入信号；

步骤103，采集同步双频功率放大器的输入和输出数据；

步骤104，确定实数延时神经网络模型参数，并训练模型。

进一步地，所述在采集功率放大器的输入和输出数据后，还包括：

同步输入和输出数据。

进一步地，所述同步输入和输出数据采用将功率放大器的基带I/Q信号做复相关来进行。

进一步地，所述确定的实数延时神经网络模型参数包括实数延时神经网络模型的记忆深度和隐层单元个数。

进一步地，所述实数延时神经网络模型的记忆深度的数值按照自然数从小到大的顺序选择。

进一步地，所述隐层单元个数m与输入单元数n的关系为：m＝2n+1。

进一步地，所述方法还包括检验模型，所述检验模型的过程为：

将用于检验的输入数据作为神经网络模型的输入；

采集神经网络模型的输出数据；

将神经网络模型的输出数据和实际测量输出数据在时域上进行对比；

将神经网络模型的输出数据和实际测量输出数据做傅里叶变换，在频域上进行对比。

进一步地，所述检验模型还包括：

根据对比的结果来判断神经网络模型的误差是否达到指标，若是，则结束；反之，则重新确定模型参数，并训练模型。

与现有技术相比，本发明具有以下优点：

本发明的基于实数延时神经网络的同步双频功率放大器建模方法采用实数延时神经网络模型作为建模方法的基础。实数延时结构用来描述功率放大器的记忆效应，采用此结构，神经网络模型可看成是静态模型，故能减轻模型的复杂度，神经网络采用三层前馈结构，分别为输入层、隐层及输出层，使用反向转播算法，用来逼近同步双频功率放大器的非线性特性。神经网络模型不存在多项式模型中性能受到阶次大小而无法收敛的问题，而且神经网络模型功能强大，不用考虑具体的电路结构以及同步双频功率放大器不同输入输出信号之间的相互联系和影响，可以通过设定网络结构和参数，来描述任意结构的电路模型。另外，神经网络模型学习方式灵活，根据系统精度要求，可以方便的改变模型训练函数，记忆深度，隐层单元个数及其他一些模型结构参数。本发明使用Levenberg-Marquardt算法来进行模型训练，该算法迭代次数少，收敛速度快。在输入端的实数延时结构可以有效的描述网络的记忆效应，而且可以灵活的调整记忆深度，简单易行。模型中的基于实数延时神经网络的同步双频功率放大器的建模方法，能够很好地描述同步双频功率放大器的非线性特性和记忆效应，实现方便，复杂度低，收敛速度快，且具有较高的精度。

附图说明

图1是本发明的基于神经网络模型的同步双频功率放大器的建模方法实施例一的流程图；

图2是本发明的神经网络模型的结构示意图；

图3是本发明的神经网络模型的同步双频功率放大器的建模方法实施例二的流程图；

图4a是本发明的神经网络模型的输出信号I_out1和对应的实际测量的输出信号在时域上的对比图；

图4b是本发明的神经网络模型的输出信号Q_out1和对应的实际测量的输出信号在时域上的对比图；

图4c是本发明的神经网络模型的输出信号I_out2和对应的实际测量的输出信号在时域上的对比图；

图4d是本发明的神经网络模型的输出信号Q_out2和实际测量的输出信号在时域上的对比图；

图5a-5b是在输入两路基带信号时，本发明的神经网络模型的输出信号和实际测量的输出信号在频域上的对比图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1，示出本发明的基于神经网络模型的同步双频功率放大器的建模方法实施例一，包括以下步骤：

步骤101，建立同步双频功率放大器的实数延时神经网络。

参照图2，示出建立的同步双频功率放大器的实数延时神经网络模型，该模型中的神经网络共有三层前馈结构，分别为输入层、隐层及输出层，采用反向转播算法，用来逼近同步双频功率放大器的非线性特性。实数延时结构用来描述同步双频功率放大器的记忆效应。

假设同步双频功率放大器的基带输入信号用I_in1(n)，Q_in1(n)，I_in2(n)和Qin2(n)四个分量来表示，同步双频功率放大器的基带输出信号用Iout1(n)，Q_out1(n)，I_out2(n)和Q_out2(n)来表示。考虑到功率放大器的记忆效应，前述的基带输出信号I_out1(n)，Q_out1(n)，I_out2(n)和Q_out2(n)就可以表示成当前时刻和以前时刻的输入信号的非线性函数。假设基带输入信号I_in1(n)和Q_in1(n)的记忆深度分别是p₁和q₁，I_in2(n)和Q_in2(n)的记忆深度是p₂和q₂，则基带输出信号可由下面的表达式描述：

I_out1(n)＝f₁[I_in1(n)，I_in1(n-1)，...I_in1(n-p₁)；Q_in1(n)，Q_in1(n-1)，...Q_in1(n-q₁)；

             I_in2(n)，I_in2(n-1)，...I_in2(n-p₂)；Q_in2(n)，Q_in2(n-1)，...Q_in2(n-q₂)]

Q_out1(n)＝f₂[I_in1(n)，I_in1(n-1)，...I_in1(n-p₁)；Q_in1(n)，Q_in1(n-1)，...Q_in1(n-q₁)；

             I_in2(n)，I_in2(n-1)，...I_in2(n-p₂)；Q_in2(n)，Q_in2(n-1)，...Q_in2(n-q₂)]

I_out2(n)＝f₃[I_in1(n)，I_in1(n-1)，...I_in1(n-p₁)；Q_in1(n)，Q_in1(n-1)，...Q_in1(n-q₁)；

             I_in2(n)，I_in2(n-1)，...I_in2(n-p₂)；Q_in2(n)，Q_in2(n-1)，...Q_in2(n-q₂)]

Q_out2(n)＝f₄[I_in1(n)，I_in1(n-1)，...I_in1(n-p₁)；Q_in1(n)，Q_in1(n-1)，...Q_in1(n-q₁)；

             I_in2(n)，I_in2(n-1)，...I_in2(n-p₂)；Q_in2(n)，Q_in2(n-1)，...Q_in2(n-q₂)]

将上述的非线性关系用图2所示的同步双频功率放大器的实数延时神经网络模型表示，表达式如下：

$I_{\mathrm{out}1}\left(n\right)=\underset{k=1}{\overset{m}{\Sigma }}{w}_{1k}^2{Q}_k^1\left(n\right)+b_1^2$

$Q_{\mathrm{out}1}\left(n\right)=\underset{k=1}{\overset{m}{\Sigma }}{w}_{2k}^2{Q}_k^1\left(n\right)+b_2^2$

$I_{\mathrm{out}2}\left(n\right)=\underset{k=1}{\overset{m}{\Sigma }}{w}_{3k}^2{Q}_k^1\left(n\right)+b_3^2$

$Q_{\mathrm{out}2}\left(n\right)=\underset{k=1}{\overset{m}{\Sigma }}{w}_{4k}^2{Q}_k^1\left(n\right)+b_4^2$

其中

$Q_k^1\left(n\right)=f\left({\mathrm{net}}_k^1\left(n\right)\right)$k＝1，2，...m

${\mathrm{net}}_k^1\left(n\right)=\underset{i=0}{\overset{p_1}{\Sigma }}{v}_{\mathrm{ki}}^1{I}_{\mathrm{in}1}(n-i)+\underset{i=0}{\overset{q_1}{\Sigma }}{w}_{\mathrm{ki}}^1{Q}_{\mathrm{in}1}(n-i)+\underset{i=0}{\overset{p_2}{\Sigma }}{x}_{\mathrm{ki}}^1{I}_{\mathrm{in}2}(n-i)+\underset{i=0}{\overset{q_2}{\Sigma }}{v}_{\mathrm{ki}}^1{Q}_{\mathrm{in}2}(n-i)+b_k^1$

步骤102，将两路宽带多载波信号作为同步双频功率放大器的基带输入信号。

步骤103，采集同步双频功率放大器的输入和输出数据；

采集数据的具体过程为：

采集功率放大器的输入和输出信号，并以I/Q数据文件进行保存。其中，输入输出信号的采集可以用电脑软件来进行。

同步输入和输出数据。输入和输出数据的同步可以通过将功率放大器的基带I/Q信号做复相关来进行。

步骤104，确定实数延时神经网络模型参数，并训练模型。

确定的模型参数包括模型的记忆深度和隐层单元个数

其中，按照自然数从小到大的顺序选择记忆深度的数值p₁，q₁，p₂，q₂。隐层单元个数根据经验来确定，如果输入单元数为n，则隐层单元个数m＝2n+1。

采用Levenberg-Marquardt算法来训练模型，将同步后的部分输入输出数据作为模型的输入和输出，训练模型参数达到期望误差。其中，采用同步后的输入输出数据中前一半的数据作为神经网络模型的输入和输出，训练神经网络至模型收敛。

参照图3，示出本发明的基于神经网络模型的同步双频功率放大器的建模方法实施例二，进一步地，在实施例一的基础上，本方法还包括：

步骤105，检验模型。

将同步后的输入输出数据中后一半输入输出数据用于模型的检验。模型检验的具体过程为：

将用于检验的输入数据作为神经网络模型的输入；

采集神经网络模型的输出数据；

将神经网络模型的输出数据和实际测量输出数据在时域上进行对比；

将神经网络模型的输出数据和实际测量输出数据做傅里叶变换，在频域上进行对比。

根据时域和频域上神经网络模型的输出数据和实际测量输出数据的吻合度来判断神经网络模型的误差是否达到指标，即误差是否在允许的范围内。如果误差达到指标，则说明建立的模型符合要求，反之，则不符合要求，此时，则需要返回重新确定模型的记忆深度，以重新训练模型。

参照图4a-4d，示出以两路不同的WCDMA(Wideband Code DivisionMultiple Access，宽带码分多址)三载波信号作为同步双频功率放大器的输入信号时，神经网络模型的输出信号和实际测量的输出信号在时域上的对比。其中，图4a、4b、4c和4d分别为两路基带信号的I/Q分量的对比，蓝色的实线表示实际测量的输出信号，红色的点表示神经网络模型的输出信号。可以看出，这四个图中红色点与蓝色实线基本吻合，说明模型的精度已达到指标。

参照图5a和5b，示出以两路不同的WCDMA三载波信号作为同步双频功率放大器的输入信号时，神经网络模型的输出信号和实际测量的输出信号在频域上的对比。时域和频域的检验是同一种检验的两个方面，两者相互补充，因此频域上的模型检验结果应该和时域检验结果得出一样结论。其中，图5a和5b分别是两路基带信号的对比，蓝色线表示实际测量的输出信号，红色线表示神经网络模型的输出信号，可以看出，两种线具有较高的吻合度，与时域检验的结果相同，则说明模型的精度已达到指标。

本发明的基于实数延时神经网络的同步双频功率放大器建模方法采用实数延时神经网络模型作为建模方法的基础。实数延时结构用来描述功率放大器的记忆效应，采用此结构，神经网络模型可看成是静态模型，因此能减轻模型的复杂度。另外，神经网络采用三层前馈结构，分别为输入层、隐层及输出层，使用反向转播算法，用来逼近同步双频功率放大器的非线性特性。因此，本发明的基于实数延时神经网络的同步双频功率放大器建模方法能够很好地描述同步双频功率放大器的非线性特性和记忆效应，实现方便，复杂度低，收敛速度快，且具有较高的精度。

以上对本发明所提供的基于实数延时神经网络的同步双频功率放大器建模方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。