专利名称：基于改进mlbp的神经网络预失真方法
技术领域：
本发明属于电子技术领域，如无线通信、移动通信、深空通信等，特别涉及采用功 率放大器的无线通信系统。
背景技术：
深空通信中由于传输距离非常大，信号能量衰减严重，都要使用功率放大器对信 号进行放大，但由于功率放大器一般都工作在饱和区，对信号幅度和相位都产生了失真。数 字基带预失真技术在发射端通过对信号的预补偿，不仅纠正了信号的星座扭曲，而且消除 了频谱扩散，这在深空通信中是非常有意义的。预失真器其实质是根据放大器的非线性传 递函数求出该函数的反函数，信号在通过放大器前先通过预失真器的非线性传递函数使得 信号产生预扰，这样在接收端就可以得到线性放大的信号。人工神经网络广泛应用于信号处理，模糊识别等领域，其工作方式可大致分为学 习和识别两部分。在学习过程中，改变神经网络内部神经元的权值以使目标样本和学习样 本的均方误差最小，达到最小值使，记忆神经元的权值进入识别过程，输入值进入网络与神 经元的权值运算，得到理想的输出。根据神经网络的这种特性，可以将神经网络应用于深空 通信系统中，用以模拟功率放大器非线性传递函数的逆函数，形成非线性放大器前端预失 真器。BP神经网络学习算法有很多，传统BP算法收敛过慢导致其应用得不到推广， Levenberg-Marquardt提出的BP算法(MLBP)解决了 BP算法收敛过慢的问题，但由于算法 中存在大矩阵求逆问题，不易于实现，也没有得到推广。改进的MLBP算法的出现解决了上 述两个问题。
发明内容
本发明的目的是将基于改进的MLBP算法的人工神经网络应用于深空通信的数字 基带预失真器中。系统模型如
图1所示。本发明提出在信号发送之前不通过预失真器先随机发送一 组样本信号，通过放大器后反馈回发射端作为神经网络的学习样本，将该组信号作为神经 网络的目标样本，对神经网络采用改进的MLBP算法进行学习，当均方误差达到期望值后， 记忆神经网络中神经元的权值，开始发送信号，在通过放大器前先通过预失真器。图2为神 经网络学习框图。改进的MLBP学习算法按下述步骤工作步骤1系统初始化，选择随机样本，设定学习速率μ = 0. 001 ；步骤2根据下式计算误差函数Fk ；
权利要求
1.一种基于神经网络的数字基带预失真技术，在信号发送之前不通过预失真器先随机 发送一组样本信号，通过放大器后反馈回发射端作为神经网络的学习样本，将该组信号作 为神经网络的目标样本，对神经网络采用改进的MLBP算法进行学习，当均方误差达到期望 值后，记忆神经网络中神经元的权值，开始发送信号，在通过放大器前先通过预失真器；
2.根据权利要求1所述的学习算法，提供改进的MLBP学习方法，包括下面的步骤 步骤1系统初始化，选择随机样本，设定学习速率μ = 0. 001 ；步骤2根据下式计算误差函数Fk ；
全文摘要
本发明公开了一种深空通信中功率放大器前端的神经网络预失真技术。深空通信中由于功率放大器的存在，信号在传输的过程中产生了失真。数字基带预失真技术在放大器前通过对比线性放大特性的逆函数的模拟，达到接收端接收到线性放大信号的目的。神经网络可以用来模拟放大器放大特性的逆函数，形成预失真器。本发明提出取一组放大器回馈信号作为神经网络训练样本，对应的输入信号作为目标样本，采用改进的Levenberg-Marquardt反向传播算法作为神经网络学习算法，构成了易于实现并且快速收敛的预失真技术。
文档编号H04L25/49GK102082751SQ20091021641
公开日2011年6月1日 申请日期2009年11月27日 优先权日2009年11月27日
发明者吴一帆, 文红 申请人:电子科技大学