射频放大器预失真处理方法及其系统

摘要

本发明提供一种射频放大器预失真处理方法及其系统，通过复数类神经网络算法，构建射频放大器的类神经网络模型，采用放大器输入／输出数据训练神经网络，在放大器前置相同的、经过训练的神经网络作为预失真函数。因为神经网络结构简单，并且具有自我学功能，能够降低邻频频谱增益，进而降低射频通信的相互影响程度，提高整体通信速率和频谱利用率，并且无需复杂的运算。该神经网络通过不断学，具有实时性；当放大器因为外部原因（温度、电压等）改变而改变性能后，该神经网络能够感知并进行自我修正。对于放大器的输入、输出曲线特征，采用复数幂函数构建所述类神经网络模型，使得学收敛速度更加快，效果更加好。

主权项

一种射频放大器预失真处理方法，其特征在于，包括以下步骤：通过复数类神经网络算法，构建射频放大器的类神经网络模型；其中，所述类神经网络模型由复数幂函数构成，所述复数幂函数的各阶系数对应所述射频放大器的各阶谐波的失真系数；将工作在非线性状态下的射频放大器的输出和输入作为所述类神经网络模型的学习样本，通过误差梯度逐步逼近零的方法，获得所述复数幂函数的各阶系数；利用所述各阶系数确定的类神经网络模型，对工作在非线性状态下的所述射频放大器进行预失真处理；所述复数幂函数为：$O=\underset{1}{\overset{n}{\Sigma }}{A}_n·X\left|\right|X|{|}^{n-1}$其中，X为所述类神经网络模型的输入矢量，O为所述类神经网络模型的输出矢量；A_n为所述复数幂函数的各阶系数，A_n＝||A_n||·exp(i*∠A_n)，n为奇数；误差的函数为：$e=\frac{1}{2}\left|\right|Y-O|{|}^2$其中，Y为所述类神经网络模型的学习样本的输出矢量；在通过误差梯度逐步逼近零的方法获得所述复数幂函数的各阶系数的步骤中，根据以下公式设定所述各阶系数的修正量为：其中，α为预先设定的学习率。