[發(fā)明專利]一種基于深度重構(gòu)模型的功率放大器行為建模方法

有效

• 申請?zhí)枺?/td>: 201510629062.3
• 申請日: 2015-09-28
• 公開（公告）號: CN105224985B
• 公開（公告）日: 2017-10-31
• 發(fā)明（設(shè)計）人: 邵杰;金相君;楊恬甜;安文威;張鑫
• 申請（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號: G06N3/02
• 分類號: G06N3/02;G06N3/08
• 代理公司: 南京瑞弘專利商標(biāo)事務(wù)所(普通合伙)32249
• 代理人: 徐激波

1.一種基于深度重構(gòu)模型的功率放大器行為建模方法，其特征在于：包括以下步驟：

步驟A：準(zhǔn)備系統(tǒng)行為建模所需的功率放大器數(shù)字化后的輸入信號數(shù)據(jù)向量x＝[x(1),x(2),…,x(N)]和輸出信號數(shù)據(jù)向量y_d＝[y_d,1,y_d,2,…,y_d,N]，其中N為數(shù)據(jù)長度；

步驟B：將輸入和輸出數(shù)據(jù)歸一化；

x‾(i)=x(i)max(x),y‾d,i=yd,imax(yd),i=1,2,...,N]]>

步驟C：初始化RBM網(wǎng)絡(luò)，RBM網(wǎng)絡(luò)的模型結(jié)構(gòu)有兩層：可見層和隱含層，其過程如下：

步驟C-1：設(shè)置RBM網(wǎng)絡(luò)可見層有N個單元，構(gòu)成可見層單元向量v＝[v₁,v₂,…v_N]，接收外部的輸入變量并將輸入變量傳遞到隱含層單元；隱含層有L個單元，構(gòu)成隱含層單元向量h＝[h₁,h₂,…h(huán)_L]；從可見層到隱含層有N×L維權(quán)系數(shù)矩陣可見層單元有1×N維偏置向量a＝[a₁,a₂,…a_N]，隱含層單元有1×L偏置向量b＝[b₁,b₂,…b_L]；構(gòu)成RBM網(wǎng)絡(luò)的系數(shù)矩陣θ＝{R,a,b}；

步驟C-2：設(shè)置RBM網(wǎng)絡(luò)的系數(shù)矩陣θ＝0；

步驟C-3：設(shè)置RBM網(wǎng)絡(luò)的訓(xùn)練最大迭代次數(shù)T；

步驟C-4：設(shè)置RBM網(wǎng)絡(luò)重構(gòu)誤差的誤差閾值為μ；

步驟C-5：設(shè)置RBM網(wǎng)絡(luò)的學(xué)習(xí)速率為φ；

步驟C-6：設(shè)置重構(gòu)誤差初始值E_reconst(0)＝0；

步驟D：使用輸入數(shù)據(jù)訓(xùn)練二進(jìn)制RBM網(wǎng)絡(luò)，它的隨機(jī)變量(v,h)只從{0,1}取值，v_i和h_j是可見層單元i和隱含層單元j的二進(jìn)制狀態(tài)，R_ij是可見層單元i和隱含層單元j的權(quán)系數(shù)；每一次迭代訓(xùn)練由兩個RBM網(wǎng)絡(luò)組成，其中，底層RBM的隱含層連接頂層RBM的可見層；其過程如下：

步驟D-1：初始化可見層輸入數(shù)據(jù)

步驟D-2：對于所有隱含層的節(jié)點j：計算也就是進(jìn)行層與層之間的映射運算其中，是sigmoid激勵函數(shù)；依據(jù)進(jìn)行吉布斯采樣(Gibbs Sampling)得到

步驟D-3：對于所有可見層的節(jié)點i：計算即進(jìn)行層與層之間的映射運算依據(jù)進(jìn)行吉布斯采樣得到

步驟D-4：對于所有隱含層的節(jié)點j：計算即進(jìn)行層與層之間的映射運算依據(jù)進(jìn)行吉布斯采樣得到

步驟D-5：RBM網(wǎng)絡(luò)的學(xué)習(xí)算法是基于梯度上升的對數(shù)似然函數(shù)；計算梯度參數(shù)ΔR_ij(t)，Δa_i(t)，Δb_j(t)，其中t為RBM網(wǎng)絡(luò)訓(xùn)練迭代次數(shù)：

ΔRij(t)=∂log P(v;θ)∂Rij=Edata[vhT]-Emodel[vhT]]]>

Δai(t)=∂log P(v;θ)∂ai=Edata[h]-Emodel[h]]]>

Δbj(t)=∂log P(v;θ)∂bj=Edata[v]-Emodel[v]]]>

其中，E_data[·]為基于數(shù)據(jù)的期望，E_model[·]為模型期望；

步驟D-6：計算更新的R_ij(t+1)、a_i(t+1)、b_j(t+1)；

R_ij(t+1)＝R_ij(t)+φΔR_ij(t)

a_i(t+1)＝a_i(t)+φ·Δa_i(t)

b_j(t+1)＝b_j(t)+φ·Δb_j(t)

步驟D-7：用v⁰和v¹計算RBM網(wǎng)絡(luò)的重構(gòu)誤差E_reconst，

E_reconst(t+1)＝E_reconst(t)+||v⁰-v¹||

其中，||·||為2-范數(shù)；

步驟D-8：迭代次數(shù)加1，即t＝t+1；當(dāng)?shù)螖?shù)t＝T或者重構(gòu)誤差E_reconst(t)≤μ時，結(jié)束訓(xùn)練，跳到步驟D-9；否則，返回步驟D-1，繼續(xù)訓(xùn)練；

步驟D-9：獲得目標(biāo)更新的權(quán)系數(shù)為R；

步驟E：初始化ENN，ENN的模型結(jié)構(gòu)有四層：輸入層、隱含層、承接層和輸出層；其過程如下：

步驟E-1：設(shè)置ENN輸入層有N個神經(jīng)元，接受外部的輸入變量u＝[u₁,u₂,…u_N]并將輸入變量傳遞到隱含層；隱含層有L個神經(jīng)元，每個神經(jīng)元都具有傳遞函數(shù)f＝H_i(p)(i＝1,2,…,L)，隱含層向量H(p)＝[H₁(p),H₂(p),…H_L(p)]；承接層是隱含層對于神經(jīng)元的延時，同時擁有一個反饋系數(shù)為α的自反饋，所以該層的神經(jīng)元個數(shù)與隱含層相同，承接層向量X_c(p)＝[X_c,1(p),X_c,2(p),…X_c,L(p)]；輸出層有M個神經(jīng)元，該層神經(jīng)元的輸出y_my，(m(m＝1,1,2,2,…,,MM)，)是隱含層神經(jīng)元輸出的線性組合；

步驟E-2：設(shè)置最大迭代次數(shù)為N_max；

步驟E-3：設(shè)置誤差函數(shù)的誤差閾值為ε；

步驟E-4：在ENN模型中，有三種權(quán)系數(shù)矩陣：從隱含層到輸出層的L×M維的權(quán)系數(shù)矩陣W¹；從輸入層到隱含層的N×L維的權(quán)系數(shù)矩陣W²；從承接層到隱含層的L×L維的權(quán)系數(shù)矩陣W³；設(shè)置網(wǎng)絡(luò)的初始權(quán)值，其中輸入層到隱含層的初始權(quán)值W²(0)使用RBM網(wǎng)絡(luò)的訓(xùn)練結(jié)果，即

W¹(0)＝0，W²(0)＝R，W³(0)＝0

步驟E-5：設(shè)置網(wǎng)絡(luò)的學(xué)習(xí)速率η₁，η₂，η₃；

步驟E-6：設(shè)置承接層的初始值X_c(0)＝0；

步驟E-7：設(shè)置承接層的自反饋系數(shù)α；

步驟F：利用ENN對行為模型進(jìn)行建模，其過程如下：

步驟F-1：根據(jù)ENN，由動態(tài)方程計算ENN各層的輸出：

y(p)＝W¹(p)H(p)

H(p)＝f[W²(p)u+W³(p)X_c(p)]

X_c(p)＝αH(p-1)

其中p為迭代次數(shù)，f是sigmoid激勵函數(shù)；

步驟F-2：計算目標(biāo)誤差函數(shù)，其定義為：

E(p)=12[(y‾d-y(p))T(y‾d-y(p))]]]>

其中y(p)為第p次迭代的ENN網(wǎng)絡(luò)模型的輸出，為系統(tǒng)的實際歸一化輸出；如果誤差函數(shù)E(p)＞ε，進(jìn)行步驟F-3；如果誤差函數(shù)E(p)＜ε，則進(jìn)行步驟G；

步驟F-3：用最速下降算法訓(xùn)練網(wǎng)絡(luò)，得到模型的權(quán)值矩陣的變化量：

ΔWlm1(p)=-η1∂E(p)∂Wlm1(p)=η1δmo(p)Hl(p)]]>

ΔWnl2(p)=-η2∂E(p)∂Wnl2(p)=η2δlh(p)∂Hl(p)∂Wnl2(p)]]>

ΔWkl3(p)=-η3∂E(p)∂Wkl3(p)=η3δlh(p)∂Hl(p)∂Wkl3(p)]]>

其中

δmo(p)=y‾d,m-ym(p)]]>

δlh(p)=Σm=1Mδmo(p)Wlm1(p)]]>

∂Hl(p)∂Wnl2(p)=fl′(·)[un+αWll3(p)∂Hl(p-1)∂Wnl2(p-1)]]]>

∂Hl(p)∂Wkl3(p)=fl′(·)[αHk(p-1)+αWll3(p)∂Hl(p-1)∂Wkl3(p-1)]]]>

這里j表示輸入層的第j個神經(jīng)元，i表示隱含層的第i個神經(jīng)元，k表示承接層的第k個神經(jīng)元，m代表輸出層的第m個神經(jīng)元，f′_l(·)是激勵函數(shù)f的導(dǎo)數(shù)；

步驟F-4：迭代次數(shù)加1，即p＝p+1；當(dāng)?shù)螖?shù)小于最大迭代次數(shù)N_max時，繼續(xù)步驟F-5；當(dāng)?shù)螖?shù)大于最大迭代次數(shù)N_max時，停止迭代，執(zhí)行步驟G；

步驟F-5：根據(jù)ΔW¹(p),ΔW²(p),ΔW³(p)，更新權(quán)值系數(shù)，其中

W¹(p+1)＝W¹(p)+ΔW¹(p)

W²(p+1)＝W²(p)+ΔW²(p)

W³(p+1)＝W³(p)+ΔW³(p)

步驟F-6：返回步驟F-1；

步驟G：通過步驟F得到的權(quán)系數(shù)，計算ENN模型最終的輸出y。