[發(fā)明專利]一種基于編碼-解碼神經(jīng)網(wǎng)絡(luò)模型的功率放大器行為建模方法

有效

• 申請?zhí)枺?/td>: 201810095930.8
• 申請日: 2018-01-31
• 公開（公告）號: CN108256257B
• 公開（公告）日: 2021-04-06
• 發(fā)明（設(shè)計）人: 邵杰;趙一鶴;張善章;張頤婷;劉姝
• 申請（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號: G06F30/367
• 分類號: G06F30/367;G06N3/04;G06F111/10
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 王安琪

1.一種基于編碼-解碼神經(jīng)網(wǎng)絡(luò)模型的功率放大器行為建模方法，其特征在于，包括如下步驟：

(1)采集功率放大器的輸入信號數(shù)據(jù)向量x_in＝[x_in(1)，x_in(2)，…，x_in(N)]和輸出信號數(shù)據(jù)向量y_out＝[y_out(1)，y_out(2)，…，y_out(N)]，其中，N為數(shù)據(jù)長度；

(2)將輸入和輸出數(shù)據(jù)進(jìn)行歸一化；得到歸一化輸入信號數(shù)據(jù)向量和歸一化輸出信號數(shù)據(jù)向量

(3)初始化編碼-解碼神經(jīng)網(wǎng)絡(luò)模型；編碼-解碼神經(jīng)網(wǎng)絡(luò)模型的模型結(jié)構(gòu)有四層：輸入層、編碼層、解碼層和輸出層；

(4)利用編碼-解碼神經(jīng)網(wǎng)絡(luò)模型對行為模型進(jìn)行建模；具體包括如下步驟：

(41)根據(jù)編碼-解碼神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，計算編碼-解碼神經(jīng)網(wǎng)絡(luò)模型各層的輸出：

y_m(t)＝W^y(t)D(t)

D(t)＝D_o(t)f_dh[c_d(t)]

D_o(t)＝f_do[W^doh(t)D(t-1)+W^dox(t)c(t)]

c_d(t)＝c_d(t-1)D_f(t)+D_i(t)D_c(t)

D_c(t)＝f_dc[W^dch(t)D(t-1)+W^dcx(t)c(t)]

D_i(t)＝f_di[W^dih(t)D(t-1)+W^dix(t)c(t)]

D_f(t)＝f_df[W^dfh(t)D(t-1)+W^dfx(t)c(t)]

c(t)＝E(t)

E(t)＝E_o(t)f_eh[c_e(t)]

E_o(t)＝f_eo[W^eoh(t)E(t-1)+W^eox(t)x_de(t)]

c_e(t)＝c_e(t-1)E_f(t)+E_i(t)E_c(t)

E_c(t)＝f_ec[W^ech(t)E(t-1)+W^ecx(t)x_de(t)]

E_i(t)＝f_ei[W^eih(t)E(t-1)+W^eix(t)x_de(t)]

E_f(t)＝f_ef[W^efh(t)E(t-1)+W^efx(t)x_de(t)]

其中，表示第t次迭代時的歸一化輸入；x_de(t)表示第t次迭代時輸入層的輸出；E_f(t)表示第t次迭代時編碼層遺忘門的輸出；E_i(t)表示第t次迭代時編碼層輸入門的輸出；E_c(t)表示第t次迭代時編碼層的輸入單元狀態(tài)；c_e(t)表示第t次迭代時編碼層的單元狀態(tài)；E_o(t)表示第t次迭代時編碼層輸出門的輸出；E(t)表示第t次迭代時編碼層的輸出；c(t)表示第t次迭代時的語義向量；D_f(t)表示第t次迭代時解碼層遺忘門的輸出；D_i(t)表示第t次迭代時解碼層輸入門的輸出；D_c(t)表示第t次迭代時解碼層的輸入單元狀態(tài)；c_d(t)表示第t次迭代時解碼層的單元狀態(tài)；D_o(t)表示第t次迭代時解碼層輸出門的輸出；D(t)表示第t次迭代時解碼層的輸出；y_m(t)表示第t次迭代時編碼-解碼神經(jīng)網(wǎng)絡(luò)模型的最終輸出；W^x(t)表示第t次迭代時從輸入層到編碼層的權(quán)系數(shù)矩陣，W^efh(t)表示第t次迭代時編碼層前一時刻的輸出到遺忘門的權(quán)系數(shù)矩陣；W_efx(t)表示第t次迭代時編碼層的輸入到遺忘門的權(quán)系數(shù)矩陣；W^eih(t)表示第t次迭代時編碼層前一時刻的輸出到輸入門的權(quán)系數(shù)矩陣；W^eix(t)表示第t次迭代時編碼層的輸入到輸入門的權(quán)系數(shù)矩陣；W^ech(t)表示第t次迭代時編碼層前一時刻的輸出到長短時記憶單元的權(quán)系數(shù)矩陣；W^ecx(t)表示第t次迭代時編碼層的輸入到長短時記憶單元的權(quán)系數(shù)矩陣；W^eoh(t)表示第t次迭代時編碼層前一時刻的輸出到輸出門的權(quán)系數(shù)矩陣；W^eox(t)表示第t次迭代時編碼層的輸入到輸出門的權(quán)系數(shù)矩陣；W^dfh(t)表示第t次迭代時解碼層前一時刻的輸出到遺忘門的權(quán)系數(shù)矩陣；W^dfx(t)表示第t次迭代時解碼層語義向量到遺忘門的權(quán)系數(shù)矩陣；W^dih(t)表示第t次迭代時解碼層前一時刻的輸出到輸入門的權(quán)系數(shù)矩陣；W^dix(t)表示第t次迭代時解碼層語義向量到輸入門的權(quán)系數(shù)矩陣；W^dch(t)表示第t次迭代時解碼層前一時刻的輸出到長短時記憶單元的權(quán)系數(shù)矩陣；W^dcx(t)表示第t次迭代時解碼層語義向量到長短時記憶單元的權(quán)系數(shù)矩陣；W^doh(t)表示第t次迭代時解碼層前一時刻的輸出到輸出門的權(quán)系數(shù)矩陣；W^dox(t)表示第t次迭代時解碼層語義向量到遺忘輸出門的權(quán)系數(shù)矩陣；W^y(t)表示第t次迭代時從解碼層到輸出層的權(quán)系數(shù)矩陣；傳遞函數(shù)初始值E(0)＝1，D(0)＝1；

(42)計算目標(biāo)誤差函數(shù)，其定義為：

其中y_m(t)為第t次迭代時編碼-解碼神經(jīng)網(wǎng)絡(luò)模型的最終輸出，為歸一化的系統(tǒng)的實際輸出，上標(biāo)T為矩陣的轉(zhuǎn)置運算；

(43)用自適應(yīng)矩估計算法訓(xùn)練編碼-解碼神經(jīng)網(wǎng)絡(luò)模型，得到模型的權(quán)值矩陣的變化量：

其中，a_t＝β₁a_t-1+(1-β₁)g_t，b_t＝β₂b_t-1+(1-β₂)(g_t)²，β₁＝0.9，β₂＝0.999，μ＝10^-8，a₀＝1，b₀＝1，g_t表示第t次迭代時的梯度；

δ_dec＝[δ_df(t)]^TW^dfx(t)+[δ_di(t)]^TW^dix(t)+[δ_dc(t)]^TW^dcx(t)+[δ_do(t)]^TW^dox(t)

初始值c_e(0)＝1，c_d(0)＝1，ΔW^y(t)表示第t次迭代時解碼層到輸出層的權(quán)值矩陣的變化量，ΔW_x(t)表示第t次迭代時從輸入層到編碼層的權(quán)值矩陣的變化量，ΔW^dfh(t)表示第t次迭代時解碼層前一時刻的輸出到遺忘門的權(quán)值矩陣的變化量，ΔW^dfx(t)表示第t次迭代時解碼層語義向量到遺忘門的權(quán)值矩陣的變化量，ΔW^dih(t)表示第t次迭代時解碼層前一時刻的輸出到輸入門的權(quán)值矩陣的變化量，ΔW^dix(t)表示第t次迭代時解碼層語義向量到輸入門的權(quán)值矩陣的變化量，ΔW^dch(t)表示第t次迭代時解碼層前一時刻的輸出到長短時記憶單元的權(quán)值矩陣的變化量，ΔW^dcx(t)表示第t次迭代時解碼層語義向量到長短時記憶單元門的權(quán)值矩陣的變化量，ΔW^doh(t)表示第t次迭代時解碼層前一時刻的輸出到輸出門的權(quán)值矩陣的變化量，ΔW^dox(t)表示第t次迭代時解碼層語義向量到輸出門的權(quán)值矩陣的變化量，ΔW^efh(t)表示第t次迭代時編碼層前一時刻的輸出到遺忘門的權(quán)值矩陣的變化量，ΔW^efx(t)表示第t次迭代時編碼層輸入到遺忘門的權(quán)值矩陣的變化量，ΔW^eih(t)表示第t次迭代時編碼層前一時刻的輸出到輸入門的權(quán)值矩陣的變化量，ΔW^eix(t)表示第t次迭代時編碼層輸入到遺忘門的權(quán)值矩陣的變化量，ΔW^ech(t)表示第t次迭代時編碼層前一時刻的輸出到長短時記憶單元的權(quán)值矩陣的變化量，ΔW^ecx(t)表示第t次迭代時編碼層輸入到長短時記憶單元的權(quán)值矩陣的變化量，ΔW^eoh(t)表示第t次迭代時編碼層前一時刻的輸出到輸出門的權(quán)值矩陣的變化量，ΔW^eox(t)表示第t次迭代時編碼層輸入到輸出門的權(quán)值矩陣的變化量；

(44)迭代次數(shù)加1，即t＝t+1；當(dāng)目標(biāo)誤差函數(shù)大于誤差閾值或者迭代次數(shù)小于最大迭代次數(shù)N_max時，繼續(xù)步驟(45)；當(dāng)目標(biāo)誤差函數(shù)小于誤差閾值或者迭代次數(shù)大于最大迭代次數(shù)N_max時，停止迭代，執(zhí)行步驟(5)；

(45)根據(jù)ΔW^y(t)，ΔW^dfh(t)，ΔW^dfx(t)，ΔW^dih(t)，ΔW^dix(t)，ΔW^dch(t)，ΔW^dcx(t)，ΔW^doh(t)，ΔW^dox(t)，ΔW^efh(t)，ΔW^efx(t)，ΔW^eih(t)，ΔW^eix(t)，ΔW^ech(t)，ΔW^ecx(t)，ΔW^eoh(t)，ΔW^eox(t)，ΔW^x(t)更新權(quán)值系數(shù)；

(46)返回步驟(41)；

(5)通過步驟(4)得到的權(quán)系數(shù)，計算編碼-解碼神經(jīng)網(wǎng)絡(luò)模型最終的輸出y_m。