[發明專利]基于動態多核帶寬廣義回歸神經網絡算法的寬頻段發信機非線性建模方法

有效

• 申請號: 201810648237.9
• 申請日: 2018-06-21
• 公開（公告）號: CN108768550B
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 陳章;張江;姚富強;魏志虎;周強;陳劍斌;朱蕾;何攀峰
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: H04B17/13
• 分類號: H04B17/13;H04B17/12;H04B17/00;G06N3/04
• 代理公司: 北京方圓嘉禾知識產權代理有限公司 11385
• 代理人: 程華

1.一種基于動態多核帶寬廣義回歸神經網絡算法的寬頻段發信機非線性建模方法，包括如下步驟：搭建測試平臺，測量并記錄寬頻段發信機全工作頻段的非線性特征，收集測試信號的輸入、輸出幅度和相位值，以及對應的載波頻率；根據載波頻率對信號樣本進行分段處理，利用幅度非均勻量化技術對輸入信號的幅度進行量化，并通過動態記憶指紋技術來實現動態非線性指紋樣本數據集的構建；使用動態非線性指紋樣本數據集訓練廣義回歸神經網絡，結合最優化算法得到動態多核帶寬廣義回歸神經網絡模型，實現對寬頻段發信機全頻段非線性特征建模；

所述動態記憶指紋技術通過改變非線性指紋樣本數據中輸入信號幅度和載波頻率的記憶深度m來控制動態多核帶寬廣義回歸神經網絡輸入層神經元的數量和模式層核函數的維度；

所述動態非線性指紋樣本結構：

{[α(t)，α(t-1)，...，α(t-m)]，[f(t)，f(t-1)，...，f(t-m)]，θ}

其中，m表示非線性模型的記憶深度值，參數α表示載波幅度值，f表示載波頻率值，θ為相位；

所述動態多核帶寬廣義回歸神經網絡拓撲由輸入層、模式層、求和層以及輸出層組成；

所述輸入層的神經元數量為v＝(2×m+1)，分別對應記憶深度為m的幅度指紋和頻率指紋和1個相位數據；

所述模式層神經元的數量由頻率指紋集長度p、幅度指紋集長度、相位指紋集長度r以及記憶深度m共同決定；

所述求和層包含4個神經元；

所述輸出層包含2個神經元，分別對應模型估計出的幅度值和相位值；

使用動態非線性指紋樣本數據集訓練所述廣義回歸神經網絡，訓練的目標參數為模式層神經元對應的高斯核帶寬集合{σ_i，i∈[1，v]}。

2.根據權利要求1所述的方法，其特征在于，所述測試平臺由矢量信號發生器、矢量信號分析儀、衰減器以及PC機設備組成。

3.根據權利要求1所述的方法，其特征在于，所述測試平臺測量并記錄由信號源輸入發信機的輸入數字基帶信號，發信機的載波頻率，以及發信機輸出信號經接收機解調后得到的數字基帶信號，其中，信號源可以為矢量信號發生器，接收機可以為矢量信號分析儀。

4.根據權利要求1所述的方法，其特征在于，所述動態非線性指紋樣本數據集由幅度指紋集、頻率指紋集和相位指紋組成集。

5.根據權利要求1所述的方法，其特征在于，所述頻率分段技術根據發信機頻率-非線性對工作頻帶分類處理，確定頻率指紋點的數值和步進，控制動態多核帶寬廣義回歸神經網絡模式層神經元的數量和帶寬。

6.根據權利要求1所述的方法，其特征在于，所述幅度非均勻量化技術根據信號幅度增益壓縮率對輸入信號的幅度進行分段處理，確定幅度指紋點的數值和步進，控制動態多核帶寬廣義回歸神經網絡模式層神經元的數量和帶寬。

7.根據權利要求1所述的方法，其特征在于，所述最優化算法為梯度下降法、牛頓法、粒子群算法、遺傳算法或退火算法。

8.根據權利要求1所述的方法，其特征在于，所述動態多核帶寬廣義回歸神經網絡模型采用增量學習模式，通過輸入新的訓練樣本來提高模型精度，并且能夠跟蹤功放非線性的變化，修正參數，提高模型的魯棒性。