基于直接学习网络的数字中频预失真系统及方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115913843A(43)申请公布日2023.04.04(21)申请号202110937177.4(22)申请日2021.08.16(71)申请人上海大学地址200444上海市宝山区上大路99号(72)发明人陈小静陆周宇张舜卿徐树公汪永明(74)专利代理机构上海交达专利事务所31201专利代理师王毓理王锡麟(51)Int.Cl.H04L25/49(2006.01)H04L25/03(2006.01)权利要求书3页说明书5页附图3页(54)发明名称基于直接学习网络的数字中频预失真系统及方法(57)摘要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。CN115913843ACN115913843A权利要求书1/3页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，ACPRU和ACPRL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‑2CN115913843A权利要求书2/3页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)}。6.根据权利要求1或2所述的引入互调