面向智能场景的持续学习数字预失真系统及方法

1.本发明属于数字预失真技术领域，尤其涉及一种面向智能场景的持续学习数字预失真系统及方法。


背景技术：

2.未来的智能通信系统可以根据用户需求以及无线电环境的变化实时调整发射机的配置，以更加灵活地利用通信资源。这些配置的动态变化会直接影响到发射机中功率放大器的工作状态。与传统的发射机一样，功率放大器为了保证高效率，通常工作在非线性区，由此带来的非线性特性会导致信号传输失真，进而影响正常通信。
3.数字预失真技术已经被广泛地用来对功率放大器的非线性进行补偿。但是，传统的数字预失真技术通常假设功率放大器工作在一个相对稳定的状态下，而智能场景中功率放大器的工作状态会快速变化，如果每次状态变化都重新更新数字预失真器的系数，会十分低效。因此，传统的数字预失真系统不适合部署于未来的智能通信系统中，需要开发一种能够高效应对智能场景的数字预失真系统。


技术实现要素：

4.本发明目的在于提供一种面向智能场景的持续学习数字预失真系统及方法,以解决传统的数字预失真技术十分低效的技术问题。
5.为解决上述技术问题，本发明的具体技术方案如下：
6.一种面向智能场景的持续学习数字预失真系统，包括配置调整模块、持续学习数字预失真模块、线性度检查模块、训练数据存储模块、模型系数提取模块和目标函数模块；配置调整模块根据用户需求，实时改变输入信号配置，输入信号通过持续学习数字预失真模块得到预失真信号，预失真信号传输到功率放大器中得到输出信号，反馈回路采集输出信号，并进入线性度检查模块检查线性度，若线性度满足要求，则模型可以维持原状，不需要更新，若线性度不能满足要求，则模型通过持续学习的方式更新系数，使用训练数据存储模块中的数据，并根据目标函数模块计算的目标函数，通过模型系数提取模块对模型的权值进行调整。
7.进一步的，所述配置调整模块根据用户需求，实时调整输入信号配置，输入信号配置包括：信号功率、信号带宽和信号类型；其中信号功率大小根据传输距离远近调整，信号带宽大小根据频谱利用情况调整，信号类型根据信号传输协议调整。
8.进一步的，所述持续学习数字预失真模块通过以下过程进行持续学习：存储所有过去配置下不满足线性度要求的输入输出信号，更新模型系数时同时使用过去配置的输入输出信号和当前配置的输入输出信号。
9.进一步的，所述线性度检查模块计算采集到的输出信号的线性度指标，并根据指标判断线性度是否满足要求，线性度指标包括：归一化均方误差和相邻信道泄露比。
10.进一步的，所述模型系数提取模块搭载数字预失真模型，数字预失真模型以神经
网络为主，并嵌入了一个由多项式模型构成的静态多项式模块。
11.进一步的，所述训练数据存储模块为数字预失真模型的持续学习提供训练数据，存储的数据包括：当前配置下功率放大器的输入输出新数据和过去所有线性度不满足要求时存储的功率放大器的输入输出旧数据。
12.进一步的，所述神经网络的输入层向量包括信号输入以及配置输入，信号输入为基带传输信号输入，配置输入包括信号功率、信号带宽和信号类型输入，隐藏层采用全连接层以及双曲正切激活函数，静态多项式模块采用记忆多项式模型构建，数字预失真模型的输出表示为如下表达式：
[0013][0014][0015]
公式中，u(n)为数字预失真模型在时刻n的输出预失真信号，ui(n)为预失真信号的实部，uq(n)为预失真信号的虚部，i为虚部单位；hi(n)为神经网络第i个输入神经元的值，i为神经网络输入层神经元数，w
1ij
为神经网络第1个全连接层中第i个输入神经元与第j个输出神经元的连接权值，b
1j
为第1层第j个输出神经元的的偏置，f(
·
)为双曲正切激活函数，j为神经网络第1个全连接层输出神经元数，w
2jl
为神经网络第2个全连接层中第j个输入神经元与第l个输出神经元的连接权值，b
2l
为第2层第l个输出神经元的的偏置，l为神经网络第2个全连接层输出神经元数,w
3l1
为神经网络第3个全连接层中第l个输入神经元与实部输出神经元的连接权值，b
31
为第3层实部输出神经元的偏置，w
3l2
为神经网络第3个全连接层中第l个输入神经元与虚部输出神经元的连接权值，b
32
为第3层虚部输出神经元的的偏置，x(n-q)|x(n-q)|
k-1
为多项式模型的基函数，k为模型的非线性阶数，q为模型的记忆深度，re(
·
)表示取实部，im(
·
)表示取虚部，w
1kq
为多项式基函数实部与实部输出神经元的连接权值，w
2kq
为多项式基函数虚部与实部输出神经元的连接权值，w
3kq
为多项式基函数实部与虚
部输出神经元的连接权值，w
4kq
为多项式基函数虚部与虚部输出神经元的连接权值。
[0016]
进一步的，所述目标函数模块计算一个联合目标函数，模型系数提取模块通过最小化联合目标函数对模型系数进行更新，联合目标函数表示为如下表达式：
[0017][0018]
公式中，j
joint
(θ)为联合目标函数，j1(θ)为第一个目标函数，j2(θ)为第二个目标函数，θ为模型中的所有系数，包括权值w和偏置b，α为加权因子，为数字预失真模型的目标输出信号。
[0019]
本发明还提供了一种面向智能场景的持续学习数字预失真方法，包括如下步骤：
[0020]
步骤s1、配置调整模块智能调整输入信号的配置，新配置的输入信号经过持续学习数字预失真模块产生预失真信号；
[0021]
步骤s2、预失真信号经过功率放大器产生输出信号，送入线性度检查模块；
[0022]
步骤s3、线性度检查模块检查输出信号线性度，若线性度满足要求，则数字预失真模型不需要更新，进入步骤s7；若线性度不满足要求，则进入步骤s4；
[0023]
步骤s4、将新配置下的预失真信号和输出信号存入训练数据存储模块；
[0024]
步骤s5、使用训练数据存储模块中的数据，并根据目标函数模块的目标函数，模型系数提取模块对模型进行优化，更新模型系数；
[0025]
步骤s6、将更新后的模型系数复制到持续学习数字预失真模块中；
[0026]
步骤s7、持续学习数字预失真系统正常运行，当配置调整模块准备将输入信号调整到一个新配置时，再次进入步骤s1。
[0027]
本发明的面向智能场景的持续学习数字预失真系统及方法，具有以下优点：
[0028]
1、在本发明中，模型的每次更新都同时使用了过去配置的输入输出信号和新配置的输入输出信号，使模型在学习新配置的数字预失真时，不会遗忘过去配置的信息，实现了持续学习的功能，使模型具备通过不断学习变得越来越完备的能力，大大降低了智能场景中模型系数更新的需求。
[0029]
2、在本发明中，在神经网络模型中嵌入了一个多项式模型，多项式模型利用多项式核函数固定了部分非线性运算，可以拟合一部分通用非线性，从而降低了整个模型的运算需求，提高了收敛速度。
[0030]
3、本发明继承了传统神经网络数字预失真模型的优点，具有很高的灵活性。尤其是在这种动态的场景下，神经网络可以更精确的抵消动态非线性，从而提高线性化性能。
[0031]
4、在本发明中，联合目标函数对神经网络的权值进行了限制，大大提高了模型的泛化性能。
附图说明
[0032]
图1为本发明实施例中的面向智能场景的持续学习数字预失真系统框图；
[0033]
图2为本发明实施例中数字预失真的线性化性能随功率放大器配置变化的图；
[0034]
图3为本发明实施例中数字预失真在配置索引35上的解调星座图；
[0035]
图4为本发明实施例中数字预失真在配置索引35上的功率谱图。
具体实施方式
[0036]
为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种面向智能场景的持续学习数字预失真系统及方法做进一步详细的描述。
[0037]
本发明提供的是一种面向智能场景的持续学习数字预失真系统，如图1所示，包括配置调整模块、持续学习数字预失真模块、线性度检查模块、训练数据存储模块、模型系数提取模块和目标函数模块；配置调整模块根据用户需求，实时改变输入信号配置，输入信号通过持续学习数字预失真模块得到预失真信号，预失真信号传输到功率放大器中得到输出信号，反馈回路采集输出信号，并进入线性度检查模块检查线性度，如果线性度满足要求，则模型可以维持原状，不需要更新，如果线性度不能满足要求，则模型通过持续学习的方式更新系数，使用训练数据存储模块中的数据，并根据目标函数模块计算的目标函数，通过模型系数提取模块对模型的权值进行调整。
[0038]
配置调整模块根据用户需求，实时调整输入信号配置，输入信号配置包括：信号功率、信号带宽和信号类型。其中信号功率大小根据传输距离远近调整，信号带宽大小根据频谱利用情况调整、信号类型根据信号传输协议调整。
[0039]
持续学习数字预失真模块通过以下过程进行持续学习：存储所有过去配置下不满足线性度要求的输入输出信号，更新模型系数时同时使用过去配置的输入输出信号和当前配置的输入输出信号。
[0040]
线性度检查模块计算采集到的输出信号的线性度指标，并根据指标判断线性度是否满足要求，线性度指标包括：归一化均方误差和相邻信道泄露比。
[0041]
训练数据存储模块为数字预失真模型的持续学习提供训练数据，存储的数据包括：当前配置下功率放大器的输入输出新数据和过去所有线性度不满足要求时存储的功率放大器的输入输出旧数据。
[0042]
模型系数提取模块搭载数字预失真模型。数字预失真模型以神经网络为主，并嵌入了一个由多项式模型构成的静态多项式模块。
[0043]
具体地说，神经网络的输入层向量包括信号输入以及配置输入，信号输入为基带传输信号输入，配置输入包括信号功率、信号带宽和信号类型输入，隐藏层采用全连接层以及双曲正切激活函数，静态多项式模块采用记忆多项式模型构建，数字预失真模型的输出可以表示为如下表达式：
[0044][0045]
公式中，u(n)为数字预失真模型在时刻n的输出预失真信号，ui(n)和uq(n)分别为预失真信号的实部和虚部，i为虚部单位。hi(n)为神经网络第i个输入神经元的值，i为神经网络输入层神经元数，w
1ij
为神经网络第1个全连接层中第i个输入神经元与第j个输出神经元的连接权值，b
1j
为第1层第j个输出神经元的的偏置，f(
·
)为双曲正切激活函数，j为神经网络第1个全连接层输出神经元数，w
2jl
为神经网络第2个全连接层中第j个输入神经元与第l个输出神经元的连接权值，b
2l
为第2层第l个输出神经元的的偏置，l为神经网络第2个全连接层输出神经元数,w
3l1
为神经网络第3个全连接层中第l个输入神经元与实部输出神经元的连接权值，b
31
为第3层实部输出神经元的偏置，w
3l2
为神经网络第3个全连接层中第l个输入神经元与虚部输出神经元的连接权值，b
32
为第3层虚部输出神经元的的偏置，x(n-q)|x(n-q)|
k-1
为多项式模型的基函数，k为模型的非线性阶数，q为模型的记忆深度，re(
·
)表示取实部，im(
·
)表示取虚部，w
1kq
为多项式基函数实部与实部输出神经元的连接权值，w
2kq
为多项式基函数虚部与实部输出神经元的连接权值，w
3kq
为多项式基函数实部与虚部输出神经元的连接权值，w
4kq
为多项式基函数虚部与虚部输出神经元的连接权值。
[0046]
目标函数模块计算一个联合目标函数，模型系数提取模块通过最小化联合目标函数对模型系数进行更新，联合目标函数可以表示为如下表达式：
[0047][0048]
公式中，j
joint
(θ)为联合目标函数，j1(θ)为第一个目标函数，j2(θ)为第二个目标
函数，θ为模型中的所有系数，包括权值w和偏置b，α为加权因子，为数字预失真模型的目标输出信号。
[0049]
本具体实施方式还公开了一种面向智能场景的持续学习数字预失真方法，包括如下步骤：
[0050]
步骤s1、配置调整模块智能调整输入信号的配置，新配置的输入信号经过持续学习数字预失真模块产生预失真信号；
[0051]
步骤s2、预失真信号经过功率放大器产生输出信号，送入线性度检查模块；
[0052]
步骤s3、线性度检查模块检查输出信号线性度，若线性度满足要求，则数字预失真模型不需要更新，进入步骤s7；若线性度不满足要求，则进入步骤s4；
[0053]
步骤s4、将新配置下的预失真信号和输出信号存入训练数据存储模块；
[0054]
步骤s5、使用训练数据存储模块中的数据，并根据目标函数模块的目标函数，模型系数提取模块对模型进行优化，更新模型系数；
[0055]
步骤s6、将更新后的模型系数复制到持续学习数字预失真模块中；
[0056]
步骤s7、持续学习数字预失真系统正常运行，当配置调整模块准备将输入信号调整到一个新配置时，再次进入步骤s1。
[0057]
以不同功率、带宽、信号类别的输入信号来模拟智能通信场景中的动态配置。采用本发明提出的持续学习数字预失真系统线性化该智能场景中的功率放大器，持续学习过程中线性化性能的变化如图2所示，随着持续学习的进行，模型的更新频率变长，表示模型越来越完备，由此降低了智能场景中系数更新的需求；其中配置索引35的解调星座图和功率谱密度图分别如图3和图4所示，相对于采用数字预失真前有明显的改善，证明了本发明的有效性。
[0058]
本发明未详述之处，均为本领域技术人员的公知技术。
[0059]
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本技术的权利要求范围内的实施例都属于本发明所保护的范围内。