[發明專利]基于FFT與BP神經網絡模型的功率放大器頻域行為建模方法

有效

• 申請號: 201910323392.8
• 申請日: 2019-04-22
• 公開（公告）號: CN110188382B
• 公開（公告）日: 2023-07-28
• 發明（設計）人: 邵杰;趙一鶴;周凡
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06F30/367
• 分類號: G06F30/367;G06N3/0499;G06N3/084
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 秦秋星

1.基于FFT與BP神經網絡的功率放大器頻域行為建模方法，其特征在于，包括如下步驟：

步驟A：采集功率放大器的輸入信號數據和輸出信號數據；

步驟B：對采集到的輸入和輸出信號數據進行快速傅立葉變換；

步驟C：將輸入和輸出信號數據的快速傅立葉變換的實部和虛部均進行歸一化；

步驟D：利用反向傳播神經網絡對功率放大器進行頻域實部建模和頻域虛部建模，得到實部建模輸出和虛部建模輸出

步驟E：準備復數數組Z＝{Z(1),Z(2),…,Z(M)}，其初始實部Z_Re和虛部Z_Im均為0，令對Z進行逆傅立葉變換得到模型的時域輸出信號，M為傅立葉變換點數；

步驟F：將步驟E所得時域輸出信號與步驟A的輸出信號進行比較，以驗證所建立頻域行為模型的性能；

步驟D的具體步驟包括：

步驟D-1：構建反向傳播神經網絡模型；

步驟D-2：初始化反向傳播神經網絡模型的權值；

步驟D-3：設置反向傳播神經網絡模型訓練最大迭代次為N_max；學習速率為η；誤差函數閾值為ε；

步驟D-4：根據反向傳播神經網絡模型結構，計算反向傳播神經網絡模型各層的輸出；

步驟D-5：計算目標誤差函數；

步驟D-6：使用梯度下降算法訓練反向傳播神經網絡模型，得到模型的權值矩陣的變化量；

步驟D-7：迭代次數加1，即t＝t+1；當目標誤差函數大于誤差閾值ε或者迭代次數小于最大迭代次數N_max時，執行步驟D-8；當目標誤差函數小于等于誤差閾值ε或者迭代次數大于等于最大迭代次數N_max時，停止迭代，執行步驟D-10；

步驟D-8：更新權值系數；

步驟D-9：返回步驟D-4；

步驟D-10：得到反向傳播神經網絡模型的實部建模輸出或虛部建模輸出

2.根據權利要求1所述的基于FFT與BP神經網絡的功率放大器頻域行為建模方法，其特征在于，步驟D-1中，反向傳播神經網絡模型的模型結構有四層：輸入層、隱含層1、隱含層2和輸出層；其中，輸入層有M個神經元，接收輸入數據向量并將其傳遞到隱含層1；隱含層1有L₁個神經元，每個神經元有激活函數f_r，隱含層1輸出向量為隱含層2有L₂個神經元，每個神經元有激活函數f_s，隱含層2輸出向量為t為迭代次數；輸出層有M個神經元，該層神經元的輸出是隱含層2神經元輸出的線性組合；當進行實部建模時，k＝Re；當進行虛部建模時，k＝Im；其中，f_s＝f_r是雙曲正切激活函數：

u為雙曲正切函數的因變量集合，u∈(-∞，∞)。

3.根據權利要求2所述的基于FFT與BP神經網絡的功率放大器頻域行為建模方法，其特征在于，步驟D-2中：在反向傳播神經網絡模型中，有3種權系數矩陣：輸入層連接到隱含層1的M×L₁維權系數矩陣隱含層1連接到隱含層2的L₁×L₂維權系數矩陣隱含層2連接到輸出層的L₂×M維權系數矩陣所有權系數矩陣均采用Lecun均勻分布進行初始化。

4.根據權利要求3所述的基于FFT與BP神經網絡的功率放大器頻域行為建模方法，其特征在于，步驟D-4中：根據反向傳播神經網絡模型結構，計算反向傳播神經網絡模型各層的輸出：

其中，為第t次迭代的反向傳播神經網絡模型的輸出，表示輸入，當k＝Re時，當k＝Im時，

5.根據權利要求4所述的基于FFT與BP神經網絡的功率放大器頻域行為建模方法，其特征在于，步驟D-5中目標誤差函數定義為：

其中，為系統的實際輸出信號數據，當k＝Re時，當k＝Im時，上標T為矩陣的轉置運算。

6.根據權利要求5所述的基于FFT與BP神經網絡的功率放大器頻域行為建模方法，其特征在于，步驟D-6中：使用梯度下降算法訓練反向傳播神經網絡模型，得到模型的權值矩陣的變化量：