用于建模宽带射频功放非线性的神经网络模型的制作方法
【技术领域】
[0001] 本发明涉及一种神经网络模型，尤其是涉及一种用于建模宽带射频功放非线性的 神经网络模型。
【背景技术】
[0002] 神经网络模型在模式识别、信号处理、系统辨识和控制方面的成功应用，吸引了许 多射频功放建模领域的研宄人员对其进行研宄。目前用于建模射频功放的神经网络模型主 要分为两类：第一类为不考虑记忆效应的神经网络模型，第二类为考虑记忆效应的神经网 络模型。第一类神经网络模型由于不考虑记忆效应，对于宽带信号驱动功放时，其建模能力 大大降低，目前使用较少。第二类神经网络模型考虑记忆效应，对于宽带信号驱动功放时， 建模能力相对于不考虑记忆效应的神经网络模型较高，是目前主要使用的神经网络模型。
[0003] 传统的考虑记忆效应的神经网络模型为实数时延神经网络模型，该实数时延神经 网络模型的拓扑结构如图1所示。现有的实数时延神经网络模型包括输入层、隐含层和输 出层，输入层的传输函数中的输入信号包括射频功放输入端基带复信号的同相分量（Iin) 和正交分量（Qin)，同相分量（Iin)和正交分量（Qin)再通过隐含层的传输函数和输出层的 传输函数依次计算处理后，在输出层的输出为当前时刻射频功放输出端基带复信号的同相 分量（lout)和正交分量（Qout)，由此该实数时延神经网络模型的输入端信号仅仅考虑滞 后时刻的记忆效应，在建模射频功放的超强记忆效应和强静态非线性时，建模精度较低。
【发明内容】
[0004] 本发明所要解决的技术问题是提供一种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，建模精度较高的用于建模宽带射频功放非线性的神经网络模型。
[0005] 本发明解决上述技术问题所采用的技术方案为：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，所述的输入层的输入函数如公式（1)所 示：
【主权项】
1. 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(nHVQ，|x(n+1) |，|x(n) |，......，|x(n_M2) ，|x(n+l) |3， x(n) |3,......, |x(n-M3) |3,......., |x(n+l) |2Q+1, |x(n) |2Q+1,......, |x(n_MQ+2) 2Q叩 ⑴ 上述公式⑴中，[]T为矩阵的转置的表示符号；MpM2、M3........MQ+2均表示抽头延 迟线深度，Q、MpM2、M3........MQ+2的取值为大于等于0的任意整数； x(n+l)，|x(n+l) |，|x(n+l) |3,......，丨x(n+1) |2Q+1为超前项，x(n)，|x(n) |， Ix(n) |3，......，丨x(n) |2Q+1为对齐项，x(n-1)，......，x(n_M〇，|x(n_l) |， x(n-1) |，......，丨x(n-M2) |，......，丨x(n_l) |2Q+1，......，丨x(n_MQ+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，xOi-Mi)为x(n+l)经过札+1个采样周期 延迟后的基带复采样数据，|x(n+l) |为x(n+l)取模后的数据，|x(n) |为x(n+l)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-l) |为x(n+l)经过两个采样 周期延迟后的基带复采样数据x(n-l)取模后的数据，依次类推，|x(n-M2) |为|x(n+l) |经 过仏+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+l) |2Q+1为x(n+l)取模后数据的2Q+1次方，|x(n) | 2Q+1为x(n+l)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-l)|2Q+1为x(n+l)经 过两个采样周期延迟后的基带复采样数据x(n-l)取模后数据的2Q+1次方，依次类推， x(n-MQ+2) |2Q+1为x(n+l)经过MQ+2+l个采样周期延迟后的基带复采样数据x(n-MQ+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：
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彡1且为整数；Xn(m)为X(n)的第m个元素，m= 1，2,3,…，（Mi+2) + (M2 +2) + (M3+2)........+ (Mq+2+2)
，sp为扩展常数，0? 8 彡sp彡 2. 5 ;Ck为神经 网络模型的隐含层中心点，Ck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：
公式（3)中，*为乘法运算符号；E为求和运算符号；W为神经网络模型的权值向量，W =[WQ，A，......WK]，B= [0,B"B2,......，BJT，，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：ff=B_1*y(n) (4) 公式⑷中，表示B的逆矩阵。
【专利摘要】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-MQ+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。
【IPC分类】H03F1-32, G06N3-02
【公开号】CN104579187
【申请号】CN201410727918
【发明人】惠明, 鲁道帮, 张新刚, 张萌, 海涛, 刘楠楠, 潘强辉, 张闯
【申请人】南阳师范学院
【公开日】2015年4月29日
【申请日】2014年12月2日