[發(fā)明專利]基于動(dòng)態(tài)多核帶寬廣義回歸神經(jīng)網(wǎng)絡(luò)算法的寬頻段發(fā)信機(jī)非線性建模方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810648237.9
• 申請(qǐng)日: 2018-06-21
• 公開（公告）號(hào): CN108768550B
• 公開（公告）日: 2021-07-06
• 發(fā)明（設(shè)計(jì)）人: 陳章;張江;姚富強(qiáng);魏志虎;周強(qiáng);陳劍斌;朱蕾;何攀峰
• 申請(qǐng)（專利權(quán)）人: 中國(guó)人民解放軍國(guó)防科技大學(xué)
• 主分類號(hào): H04B17/13
• 分類號(hào): H04B17/13;H04B17/12;H04B17/00;G06N3/04
• 代理公司: 北京方圓嘉禾知識(shí)產(chǎn)權(quán)代理有限公司 11385
• 代理人: 程華

本發(fā)明公開了一種基于動(dòng)態(tài)多核帶寬廣義回歸神經(jīng)網(wǎng)絡(luò)算法的寬頻段發(fā)信機(jī)非線性建模方法，包括如下步驟：搭建測(cè)試平臺(tái)，測(cè)量并記錄寬頻段發(fā)信機(jī)全工作頻段的非線性特征，收集測(cè)試信號(hào)的輸入、輸出幅度和相位值，以及對(duì)應(yīng)的載波頻率；根據(jù)載波頻率對(duì)信號(hào)樣本進(jìn)行分段處理，利用幅度非均勻量化技術(shù)對(duì)輸入信號(hào)的幅度進(jìn)行量化，并通過動(dòng)態(tài)記憶指紋技術(shù)來實(shí)現(xiàn)動(dòng)態(tài)非線性指紋樣本數(shù)據(jù)集的構(gòu)建；使用動(dòng)態(tài)非線性指紋樣本數(shù)據(jù)集訓(xùn)練廣義回歸神經(jīng)網(wǎng)絡(luò)，結(jié)合最優(yōu)化算法得到動(dòng)態(tài)多核帶寬廣義回歸神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)對(duì)寬頻段發(fā)信機(jī)全頻段非線性特征建模。

技術(shù)領(lǐng)域

本發(fā)明涉及無線通信中發(fā)信機(jī)設(shè)計(jì)技術(shù)領(lǐng)域，尤其是發(fā)信機(jī)非線性失真建模與校正技術(shù)。通過測(cè)量寬頻段發(fā)信機(jī)在全頻段工作時(shí)的信號(hào)，提取其中的特征模式組成訓(xùn)練樣本數(shù)據(jù)，利用學(xué)習(xí)算法和神經(jīng)網(wǎng)絡(luò)模型來擬合發(fā)信機(jī)的非線性特性，為發(fā)信機(jī)預(yù)失真校正等線性化技術(shù)提供模型基礎(chǔ)。

背景技術(shù)

寬頻段發(fā)信機(jī)的非線性失真主要由射頻功放的非線性特性引起。主要表現(xiàn)為信號(hào)的幅度失真和相位失真：信號(hào)通過非線性功放后，輸出信號(hào)幅度的增益隨著輸入信號(hào)幅度而變化，同時(shí)相位的改變量也隨輸入信號(hào)幅度而變化。非線性失真不僅會(huì)導(dǎo)致放大信號(hào)的壓縮，還會(huì)產(chǎn)生新的頻率成分，導(dǎo)致頻譜的擴(kuò)展，不僅嚴(yán)重影響了工作頻段內(nèi)信號(hào)的信噪比，還對(duì)鄰近的信道產(chǎn)生干擾，尤其對(duì)組網(wǎng)式的通信系統(tǒng)有較大危害。

發(fā)信機(jī)的非線性通常可以通過AM-AM失真和AM-PM失真來表示。其中AM-AM表示由信號(hào)放大后產(chǎn)生的幅度失真，AM-PM表示由信號(hào)放大后產(chǎn)生的相位失真。

除了AM-AM失真和AM-PM失真之外，射頻功放還存在記憶效應(yīng)。從時(shí)域角度看，記憶效應(yīng)是射頻功放當(dāng)前的輸出信號(hào)不僅取決于當(dāng)前的輸入信號(hào)，而且還與過去的輸入信號(hào)有關(guān)，即器件的失真取決于之前10到20納秒的射頻輸出功率。其本質(zhì)上是器件通道中的瞬時(shí)溫度會(huì)影響失真；從頻域的角度，可將記憶效應(yīng)定義為射頻功放的幅度和相位特性隨著輸入信號(hào)包絡(luò)頻率的變化而改變的現(xiàn)象。記憶效應(yīng)最大的來源是由于信號(hào)包絡(luò)頻率的變化導(dǎo)致匹配網(wǎng)絡(luò)，偏置網(wǎng)絡(luò)節(jié)點(diǎn)阻抗的變化，帶來輸出幅度和相位的波動(dòng)。所以隨著通信帶寬的增加，射頻功放的記憶效應(yīng)會(huì)越來越顯著，需要在無記憶射頻功放非線性模型的基礎(chǔ)上加入對(duì)記憶效應(yīng)的描述來建立有記憶射頻功放模型，其復(fù)雜度與記憶效應(yīng)的深度成正比。

由于寬頻段發(fā)信機(jī)的工作頻段很寬，有時(shí)會(huì)跨多個(gè)倍頻程。通過實(shí)際測(cè)量可知，在該模式下，發(fā)信機(jī)的非線性特性會(huì)隨著頻率變化發(fā)生顯著改變，而且變化量的大小不與頻率的變化量成單調(diào)變化關(guān)系，而且寬帶工作還會(huì)帶來嚴(yán)重的記憶效應(yīng)，所以難以用簡(jiǎn)單的數(shù)學(xué)表達(dá)式來描述寬頻段發(fā)信機(jī)的非線性特性。

廣義回歸神經(jīng)網(wǎng)絡(luò)(General Regression Neural Network GRNN)模型是一種基于密度估計(jì)的核回歸數(shù)學(xué)模型。經(jīng)典的廣義回歸神經(jīng)網(wǎng)絡(luò)模型由輸入層、模式層、求和層和輸出層組成。其核函數(shù)服從多元高斯分布，具有良好的非線性擬合性能和抗噪聲能力。其核估計(jì)值如下式

其中σ為核函數(shù)的帶寬，Xi為觀測(cè)樣本值，yi為輸出值，X為輸入值。估計(jì)值可以認(rèn)為是所有觀測(cè)樣本值的加權(quán)平均。

發(fā)明內(nèi)容

發(fā)明目的：為了克服現(xiàn)有技術(shù)中存在的不足，本發(fā)明提供一種用于對(duì)寬頻段發(fā)信機(jī)非線性特性的建模方法，該方法基于機(jī)器學(xué)習(xí)的思想，通過啟發(fā)式學(xué)習(xí)和增量學(xué)習(xí)的方法，提取并篩選寬頻段發(fā)信機(jī)的非線性特征模式，利用神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練模型，其模型結(jié)構(gòu)靈活，需要訓(xùn)練的參數(shù)較少，擬合性能好，抗噪聲能力強(qiáng)，能夠準(zhǔn)確表示發(fā)信機(jī)在寬頻段的非線性特性。