[發明專利]一種基于深度重構模型的功率放大器行為建模方法

有效

• 申請號: 201510629062.3
• 申請日: 2015-09-28
• 公開（公告）號: CN105224985B
• 公開（公告）日: 2017-10-31
• 發明（設計）人: 邵杰;金相君;楊恬甜;安文威;張鑫
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06N3/02
• 分類號: G06N3/02;G06N3/08
• 代理公司: 南京瑞弘專利商標事務所(普通合伙)32249
• 代理人: 徐激波

技術領域

本發明涉及非線性系統建模與分析應用領域，尤其涉及一種基于神經網絡的功率放大器行為模型建模與分析方法。

背景技術

功率放大器(Power Amplifier,PA)是發射機的關鍵部分，也是輻射源特征的主要來源之一。功放是一個復雜的非線性系統，對其進行系統建模方法的研究對于功放非線性特性的測量、行為模型的參數提取、以及采用預失真技術消除功放的非線性失真等方面具有重要的實際意義和應用價值。

功放的建模方法可分為物理建模和行為建模兩種：物理建模通常要求知道功放的電路結構、相關的元器件特性、基本電路定律以及相關理論規則等；而行為建模則僅需利用功放的輸入輸出數據，采用黑盒的方式描述系統響應特性，分析更為簡便。按照模型所反映的物理本質，將行為模型分為：無記憶模型、有記憶模型等。

實際中的功放屬于典型的非線性記憶系統。有記憶模型一般采用Volterra級數模型和神經網絡模型等。傳統的Volterra級數模型一般適用于弱非線性系統的行為建模，系統參數的數量會隨著系統階次和記憶深度的增加而急劇增多，常用的有記憶的多項式模型可以看成是Volterra級數模型的簡化形式。神經網絡模型可以逼近任意的非線性函數，并且具有靈活有效的自組織學習能力，因而被廣泛用于功放系統的行為建模。目前已經提出了很多種具有記憶效應的神經網絡模型，如徑向基神經網絡、動態模糊神經網絡、基于切比雪夫正交基的神經網絡等。但是神經網絡算法存在收斂速度較慢，易陷入局部極小值等缺點。

發明內容

本發明的目的在于提供一種基于深度重構模型(Deep Reconstruction Model，DRM)的功率放大器行為建模方法,克服現有方法迭代次數較多、計算復雜、建模精度較低造成對功率放大器產生的非線性失真認識不完整，從而影響功率放大器性能提高的問題。本方法對功率放大器采用基于深度重構模型的神經網絡方法進行行為建模，使用受限波爾茲曼機來初始化神經網絡的權系數，降低模型的迭代次數，提高收斂速度；利用Elman神經網絡的輸出除了與即時輸入有關，也與歷史輸入有關的特點，用于描述功率放大器的記憶效應，以實現對有記憶非線性系統的系統建模與分析。

本發明采用的技術方案為：一種基于深度重構模型的功率放大器行為建模方法，包括以下步驟：

步驟A：準備系統行為建模的輸入數據向量x＝[x(1),x(2),…,x(N)]和輸出數據向量其中N為數據長度。

步驟B：將輸入和輸出數據歸一化。

步驟C：初始化受限玻爾茲曼機(Restricted Boltzmann Machine，RBM)網絡，RBM網絡的模型結構有兩層：可見層和隱含層。其過程如下：

步驟C-1：設置RBM網絡可見層有N個單元，構成可見層單元向量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，構成隱含層單元向量h＝[h₁,h₂,…h_L]。從可見層到隱含層有N×L維權系數矩陣可見層單元有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]；構成RBM網絡的系數矩陣θ＝{R,a,b}；

步驟C-2：設置RBM網絡的系數矩陣θ＝0；

步驟C-3：設置RBM網絡的訓練最大迭代次數T；

步驟C-4：設置RBM網絡重構誤差的誤差閾值為μ；

步驟C-5：設置RBM網絡的學習速率為φ；

步驟C-6：設置重構誤差初始值E_reconst(0)＝0。

步驟D：使用輸入數據訓練二進制RBM網絡，它的隨機變量(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的二進制狀態，R_ij是可見層單元i和隱含層單元j的權系數。每一次迭代訓練由兩個RBM網絡組成，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據

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