用于建模宽带射频功放非线性的神经网络模型

摘要

本发明公开了一种用于建模宽带射频功放非线性的神经网络模型，包括输入层、隐含层和输出层，输入层的输入数据包括超前项x(n+1)，|x(n+1)|，|x(n+1)|³，......，|x(n+1)|^2Q+1，对齐项x(n)，|x(n)|，|x(n)|³，......，|x(n)|^2Q+1和滞后项x(n-1)，......，x(n-M₁)，|x(n-1)|，|x(n-1)|，......，|x(n-M₂)|，......，|x(n-1)|^2Q+1，......，|x(n-M_Q+2)|^2Q+1，x(n+1)为射频功放的输入端当前时刻的基带复数据，输出层的输出为y(n)；优点是在建模射频功放的超强记忆效应和强静态非线性，考虑广义记忆效应(滞后时刻和超前时刻的记忆效应均考虑)，同时输入层的输入信号不仅包含基带复信号本身，还包括基带复信号的模及模的高阶次方，输出层的输出信号为复数信号，建模精度较高，相比实数时延神经网络模型建模精度提高5dB。

主权项

一种用于建模宽带射频功放非线性的神经网络模型，包括输入层、隐含层和输出层，其特征在于所述的输入层的输入函数如公式(1)所示：X(n)＝[x(n+1),x(n),x(n‑1),......,x(n‑M₁),|x(n+1)|,|x(n)|,......,|x(n‑M₂)|,|x(n+1)|³,|x(n)|³,......,|x(n‑M₃)|³,.......,|x(n+1)|^2Q+1,|x(n)|^2Q+1,......,|x(n‑M_Q+2)|^2Q+1]^T   (1)上述公式(1)中，[ ]^T为矩阵的转置的表示符号；M₁、M₂、M₃、......、M_Q+2均表示抽头延迟线深度，Q、M₁、M₂、M₃、......、M_Q+2的取值为大于等于0的任意整数；x(n+1)，|x(n+1)|，|x(n+1)|³，......，|x(n+1)|^2Q+1为超前项，x(n)，|x(n)|，|x(n)|³，......，|x(n)|^2Q+1为对齐项，x(n‑1)，......，x(n‑M₁)，|x(n‑1)|，|x(n‑1)|，......，|x(n‑M₂)|，......，|x(n‑1)|^2Q+1，......，|x(n‑M_Q+2)|^2Q+1为滞后项；x(n+1)为射频功放的输入端当前采样时刻的基带复采样数据；x(n)为x(n+1)经过一个采样周期延迟后的基带复采样数据，x(n‑1)为x(n+1)经过两个采样周期延迟后的基带复采样数据，依次类推，x(n‑M₁)为x(n+1)经过M₁+1个采样周期延迟后的基带复采样数据，|x(n+1)|为x(n+1)取模后的数据，|x(n)|为x(n+1)经过一个采样周期延迟后的基带复采样数据x(n)取模后的数据，|x(n‑1)|为x(n+1)经过两个采样周期延迟后的基带复采样数据x(n‑1)取模后的数据，依次类推，|x(n‑M₂)|为|x(n+1)|经过M₂+1个采样周期延迟后的基带复采样数据x(n‑M₂)取模后的数据；|x(n+1)|^2Q+1为x(n+1)取模后数据的2Q+1次方，|x(n)|^2Q+1为x(n+1)经过一个采样周期延迟后的基带复采样数据x(n)取模后数据的2Q+1次方，|x(n‑1)|^2Q+1为x(n+1)经过两个采样周期延迟后的基带复采样数据x(n‑1)取模后数据的2Q+1次方，依次类推，|x(n‑M_Q+2)|^2Q+1为x(n+1)经过M_Q+2+1个采样周期延迟后的基带复采样数据x(n‑M_Q+2)取模后数据的2Q+1次方；所述的隐含层的传输函数如公式(2)所示：$B_k=\exp (-\frac{\underset{m=1}{\overset{(M_1+2)+(M_2+2)+(M_3+2)........+(M_{Q+2}+2)}{\Sigma }}{(X_n\left(m\right)-X_k)}^2}{{\beta }^2})---\left(2\right)$上述公式(2)中，exp表示以自然底数e为底的指数函数；k＝1,2,3,…,K，K表示隐含层隐含节点数，K≥1且为整数；X_n(m)为X(n)的第m个元素，m＝1,2,3,…,(M₁+2)+(M₂+2)+(M₃+2)........+(M_Q+2+2)；sp为扩展常数，0.8≤sp≤2.5；C_k为神经网络模型的隐含层中心点，C_k通过获取射频功放在实际信号驱动下的时域采样数据后采用常规使用的正交最小二乘算法求解得到；所述的输出层的传输函数如公式(3)所示：$y\left(n\right)=W_0+\underset{k=1}{\overset{K}{\Sigma }}{W}_k{B}_k=W*B---\left(3\right)$公式(3)中，*为乘法运算符号；∑为求和运算符号；W为神经网络模型的权值向量，W＝[W₀，W₁，......W_K]，B＝[0，B₁，B₂，......，B_K]^T，，神经网络模型的权值矩阵W通过射频功放输出端实际的基带采样数据y(n)和B通过公式(4)求取得到：W＝B^‑1*y(n)   (4)公式(4)中，B^‑1表示B的逆矩阵。