一种功率自适应神经网络数字预失真系统及方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115459717A(43)申请公布日2022.12.09(21)申请号202211218088.5(22)申请日2022.09.30(71)申请人北京邮电大学地址100876北京市海淀区西土城路10号(72)发明人于翠屏赵国波黎淑兰刘元安李飞飞(51)Int.Cl.H03F1/32(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图2页(54)发明名称自适应复杂度，提高数字预失真神经网络模型的一种功率自适应神经网络数字预失真系统自适应速度。及方法(57)摘要本发明公开了一种功率自适应神经网络数字预失真系统及方法，包括：功率自适应神经网络预失真器模块、不同功率共同行为特征提取模块和特定功率行为特征提取模块；其中，功率自适应神经网络预失真器模块利用输入信号、共同行为特征系数矩阵和特定功率行为特征系数矩阵计算出预失真后输出信号；不同功率共同行为特征提取模块使用离线神经网络模型提取不同输入信号功率条件下的共同行为特征系数矩阵；特定功率行为特征提取模块使用最小二乘法提取当前输入信号功率条件下的特定功率行为特征系数矩阵。本发明大大减少了在线更新预失真神经网络模型系数的数量，同时将在线更新预失真神经网络模型系数由非线性改为线性。本发明适用于功率放大器输入信号功率快速变化的应用场景，能够在保留数字预失真神经网络模型优CN115459717A良性能的同时，降低数字预失真神经网络模型的CN115459717A权利要求书1/2页1.功率自适应神经网络数字预失真系统，其特征在于，包括：功率自适应神经网络预失真器模块、不同功率共同行为特征提取模块和特定功率行为特征提取模块；其中，所述功率自适应神经网络预失真器模块利用输入信号、所述共同行为特征系数矩阵和所述特定功率行为特征系数矩阵计算出预失真后输出信号；所述不同功率共同行为特征提取模块能够通过所述离线神经网络模型提取功率放大器不同输入功率条件下的共同行为特征系数矩阵，然后将其输入到所述功率自适应神经网络预失真器模块；所述特定功率行为特征提取模块能够通过最小二乘法提取功率放大器当前输入功率条件下的特定功率行为特征系数矩阵，然后将其输入到所述功率自适应神经网络预失真器模块。2.如权利要求1所述的功率自适应神经网络数字预失真系统，其特征在于，功率自适应神经网络预失真器模块包括神经网络预失真模型的输入层、隐藏层和输出层；输入层对输入信号的正交分量项、同相分量项、幅度值项、幅度值的阶数项进行延迟，假设模型的记忆深度为D，非线性阶数为K，则输入层有(D(K+2))个神经元；输入层到隐藏层之间的系数矩阵W为共同行为特征系数矩阵，由不同功率共同行为特征提取模块离线学习获得；隐藏层为全连接层；隐藏层到输出层的系数矩阵V为特定功率行为特征系数矩阵，由特定功率行为特征提取模块在线学习获得；输出层为预失真器输出信号的正交分量项和同相分量项。3.如权利要求1所述的功率自适应神经网络数字预失真系统，其特征在于，所述不同功率共同行为特征提取模块处理过程包括如下步骤：步骤一、使用迭代学习控制算法采集同一输入信号x(n)在功率放大器L个不同输入功率条件下的最优预失真器输出信号yl(n)(l＝1:L)；步骤二、使用输入信号和L个输出信号yl(n)(l＝1:L)，训练所述的离线神经网络模型，将训练后的离线神经网络模型的输入层到隐藏层的系数矩阵W保存，W为共同行为特征系数矩阵，将其输入到所述功率自适应神经网络预失真器模块。4.如权利要求1所述的功率自适应神经网络数字预失真系统，其特征在于，所述特定功率行为特征提取模块处理过程包括如下步骤：步骤一、采集当前输入功率条件下的输入信号xo(n)，构造预失真神经网络模型的输入矩阵Xo；步骤二、利用输入矩阵Xo和固定的共同行为特征系数矩阵W计算出预失真神经网络模型输出层的输入矩阵；步骤三、使用迭代学习控制算法采集当前输入功率条件下最优预失真器的输出信号yo(n)构造预失真神经网络模型的输出矩阵Yo；步骤四、使用最小二乘法求解功率自适应神经网络预失真模型的隐藏层到输出层的系数矩阵V，V为特定功率行为特征系数矩阵，将其输入到所述功率自适应神经网络预失真器模块。5.功率自适应神经网络数字预失真方法，其特征在于，进行功率自适应线性化时包括如下步骤：步骤一、使用所述不同功率共同行为特征提取模块提取功率放大器在不同输入功率条件下的共同行为特征系数矩阵W，将其输入到所述功率自适应神经网络预失真器模块；2CN115459717A权利要求书2/2页步骤二、使用所述特定功率行为特征提取模块提取当前输入功率条件下的特定功率行为特征系数矩阵V，将其输入到所述功率自适应神经网络预失真器模块；步骤三、依据