基于动态多核带宽广义回归神经网络算法的宽频段发信机非线性建模方法与流程

文档序号：15844723发布日期：2018-11-07 08:52阅读：245来源：国知局

本发明涉及无线通信中发信机设计技术领域，尤其是发信机非线性失真建模与校正技术。通过测量宽频段发信机在全频段工作时的信号，提取其中的特征模式组成训练样本数据，利用学习算法和神经网络模型来拟合发信机的非线性特性，为发信机预失真校正等线性化技术提供模型基础。

背景技术：

宽频段发信机的非线性失真主要由射频功放的非线性特性引起。主要表现为信号的幅度失真和相位失真：信号通过非线性功放后，输出信号幅度的增益随着输入信号幅度而变化，同时相位的改变量也随输入信号幅度而变化。非线性失真不仅会导致放大信号的压缩，还会产生新的频率成分，导致频谱的扩展，不仅严重影响了工作频段内信号的信噪比，还对邻近的信道产生干扰，尤其对组网式的通信系统有较大危害。

发信机的非线性通常可以通过AM-AM失真和AM-PM失真来表示。其中AM-AM表示由信号放大后产生的幅度失真，AM-PM表示由信号放大后产生的相位失真。

除了AM-AM失真和AM-PM失真之外，射频功放还存在记忆效应。从时域角度看，记忆效应是射频功放当前的输出信号不仅取决于当前的输入信号，而且还与过去的输入信号有关，即器件的失真取决于之前10到20纳秒的射频输出功率。其本质上是器件通道中的瞬时温度会影响失真；从频域的角度，可将记忆效应定义为射频功放的幅度和相位特性随着输入信号包络频率的变化而改变的现象。记忆效应最大的来源是由于信号包络频率的变化导致匹配网络，偏置网络节点阻抗的变化，带来输出幅度和相位的波动。所以随着通信带宽的增加，射频功放的记忆效应会越来越显著，需要在无记忆射频功放非线性模型的基础上加入对记忆效应的描述来建立有记忆射频功放模型，其复杂度与记忆效应的深度成正比。

由于宽频段发信机的工作频段很宽，有时会跨多个倍频程。通过实际测量可知，在该模式下，发信机的非线性特性会随着频率变化发生显著改变，而且变化量的大小不与频率的变化量成单调变化关系，而且宽带工作还会带来严重的记忆效应，所以难以用简单的数学表达式来描述宽频段发信机的非线性特性。

广义回归神经网络(General Regression Neural Network GRNN)模型是一种基于密度估计的核回归数学模型。经典的广义回归神经网络模型由输入层、模式层、求和层和输出层组成。其核函数服从多元高斯分布，具有良好的非线性拟合性能和抗噪声能力。其核估计值如下式

其中σ为核函数的带宽，Xi为观测样本值，yi为输出值，X为输入值。估计值可以认为是所有观测样本值的加权平均。

技术实现要素：

发明目的：为了克服现有技术中存在的不足，本发明提供一种用于对宽频段发信机非线性特性的建模方法，该方法基于机器学习的思想，通过启发式学习和增量学习的方法，提取并筛选宽频段发信机的非线性特征模式，利用神经网络算法训练模型，其模型结构灵活，需要训练的参数较少，拟合性能好，抗噪声能力强，能够准确表示发信机在宽频段的非线性特性。

为达上述及其它目的，本发明提供了一种基于动态多核带宽广义回归神经网络算法的宽频段发信机非线性建模方法，包括如下步骤：搭建测试平台，测量并记录宽频段发信机全工作频段的非线性特征，收集测试信号的输入、输出幅度和相位值，以及对应的载波频率；根据载波频率对信号样本进行分段处理，利用幅度非均匀量化技术对输入信号的幅度进行量化，并通过动态记忆指纹技术来实现动态非线性指纹样本数据集的构建；使用动态非线性指纹样本数据集训练广义回归神经网络，结合最优化算法得到动态多核带宽广义回归神经网络模型，实现对宽频段发信机全频段非线性特征建模。

所述测试平台由矢量信号发生器、矢量信号分析仪、衰减器以及PC机等设备组成。通过仪表自动测量软件程序完成测试过程，由PC机通过网线或GPIB线控制，测试数据保存至PC机中。

所测试的信号有：矢量信号发生器中输入数字基带信号的幅度Ain、相位θin，以及上变频后射频信号载波频率Fc；矢量信号分析仪中解调后数字基带信号的幅度Afb、相位θfb。

测试程序流程为：

步骤1：设置矢量网络发生器和矢量信号分析仪中的数字基带信号的带宽、采样速率、调制方式，滚降系数等，其中数字信号的采样速率fsample须大于100Mps；

步骤2：设置矢量网络发生器射频载波信号频率为Fi，信号源为一段包括基带信号幅度A和相位θ全动态范围的代码；

步骤3：提取矢量网络发生器和矢量信号分析仪的数据和测试结果，发送至PC机的数据库中；

步骤4：根据预先设好的频率步进ΔF增加矢量网络发生器中射频载波信号频率值，重复步骤2～3，直至完成对发信机全部工作频点的测试(设发信机工作带宽为B，共有n＝mod(B/ΔF)+1频率点)。

完成测试流程后，对测量后得到的信号数据进行处理，得到动态非线性指纹样本数据集：

步骤1：所述频率分段技术可以根据发信机频率-非线性对工作频带分类处理，确定频率指纹点的数值和步进，控制动态多核带宽广义回归神经网络模式层神经元的数量和带宽。

步骤1：确定发信机全频段发射增益值G0，通常由发信机在全工作频段的最低发射增益值确定；

步骤2：根据测量的数据，计算各个载波频率下发信机的增益向量，并对G0作归一化处理，得到{Gi，k，i∈(0，max(A)]，k∈[1，n]}；

步骤3：计算各个频率增益向量之间的欧式距离di，j，得到距离矩阵D：

步骤4：通过聚类算法，如K均值聚类算法，DBSCAN密度聚类算法，或者AGNES层次聚类算法对频率向量进行分类处理，将工作频段划分为p个连续的子频段，并得到由每个频段的起始频率值组成的频率指纹集{fi，(i∈[1，p])}。

所述幅度非均匀量化技术可以根据信号幅度增益压缩率，即AM-AM失真量，对输入信号的幅度进行分段处理，确定幅度指纹点的数值和步进，控制动态多核带宽广义回归神经网络模式层神经元的数量和带宽：

步骤1：计算各个频段内的增益向量的均值{MGi，k，i∈(0，max(A)]，k∈[1，p]}；

步骤2：利用线性整流函数(RELU)对步骤1中得到的各个均值向量进行以下处理：

w(MGi，k)＝RELU(G0-MGi，k)＝max(0，G0-MGi，k) (6)

其中，增益大于G0的点w＝0，认为这些幅度对应的点的非线性较小，因此将其幅度指纹值归为0。由功放的AM-AM特性可知，增益压缩程度随输入信号幅度的大小成正比，可以近似看作是单调变化。为了排除噪声干扰，对数据集合{wi，k，i∈(0，max(A)]，k∈[1，p]}进行多项式拟合处理，得到连续平滑增益压缩曲线g(w)。

步骤3：设置阈值门限ΔG，门限值越大，分段区间长度越长，分段数越少，模型精度越低；门限值越小，分段区间长度越短，分段数越多，模型精度越高；

步骤4：根据阈值门限ΔG对步骤2中所得增益压缩曲线g(w)进行分段处理，得到幅度指纹值：

设当前幅度指纹的起始点对应第z(初值为1)个幅度值Ak，令j＝z+1，

若g(wj)-g(wz)＞ΔG，则z＝j+1，并将Ak设为下一个幅度指纹值，然后重复步骤4；

若g(wj)-g(wz)≤ΔG，则j＝j+1，重复步骤4；

步骤5：对整个数据集完成步骤4后，得到幅度指纹集{αi，i∈(0，max(A)]}；

步骤6：对所有p个频段的由式(6)所得的数据集{MG}重复步骤4和步骤5，得到全频段幅度指纹数据集{αi，k，i∈(0，max(A)]，k∈[1，p]}。

信号的相位指纹值在[0，2π]内均匀量化，设置相位间隔Δθ，则相位指纹集长度为：r＝INT(2π/Δθ)。r越小，模型精度越低；反之，模型精度越高。经过量化后的相位指纹集合{θj，j∈[1，r]}

所述动态记忆指纹技术可以通过改变非线性指纹样本数据中输入信号幅度和载波频率的记忆深度m来控制动态多核带宽广义回归神经网络输入层神经元的数量和模式层核函数的维度。

所述动态非线性指纹样本结构：

{[α(t)，α(t-1)，...，α(t-m)]，[f(t)，f(t-1)，...，f(t-m)]，θ}

所述动态多核带宽广义回归神经网络拓扑由输入层、模式层、求和层以及输出层组成，参考图3。

所述输入层的神经元数量为v＝(2×m+1)，分别对应指纹数据中的长度为m的幅度向量和m个频率向量和1个相位数据；

所述模式层神经元的数量由频率指纹集长度p、幅度指纹集长度、相位指纹集长度r以及记忆深度m共同决定；

所述求和层包含4个神经元；

所述输出层包含2个神经元，分别对应模型估计出的幅度值和相位值。

使用动态非线性指纹样本数据集训练所述广义回归神经网络，训练的目标参数为模式层神经元对应的高斯核带宽集合{σi，i∈[1，v]}。

所述高斯核带宽参数可由最优化算法，如梯度下降法、牛顿法、粒子群算法、遗传算法、退火算法等数学方法求得。实现对宽频段发信机全频段非线性特征建模。

所述动态多核带宽广义回归神经网络模型采用增量学习模式，可以通过输入新的训练样本来进一步提高模型精度，并且能够及时跟踪功放非线性的变化，修正参数，提高模型的鲁棒性。

本发明可以实现对宽频段电台发信机非线性特性的准确建模，基于机器学习的思想，通过启发式学习和增量学习的方法，提取并筛选宽频段发信机的非线性特征模式，利用神经网络算法训练模型，其模型结构灵活，需要训练的参数较少，拟合性能好，抗噪声能力强，能够准确表示发信机在宽频段的非线性特性，并且能够及时跟踪功放非线性的变化，修正参数，提高模型的鲁棒性。

附图说明

图1是本发明的宽频段发信机非线性特性建模流程图。

图2是本发明的宽频段发信机非线性特性测试平台构成示意图。

图3是本发明中动态非线性指纹样本数据集构建示意图。

图4是本发明中动态多核带宽广义回归神经网络模型结构示意图。

具体实施方式

以下结合附图说明本发明的实施方式，本领域技术人员可由本说明书揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。

参考图1，该方法包括如下步骤：通过搭建测试平台，测量并记录宽频段发信机全工作频段的非线性特征，收集测试信号的输入、输出幅度和相位值，以及对应的载波频率，根据载波频率对信号样本进行分段处理，然后对输入信号的幅度进行非均匀量化处理，并采用动态记忆指纹技术来实现动态非线性指纹样本数据集的构建，使用该指纹样本数据训练广义回归神经网络，结合最优化算法得到动态多核带宽广义回归神经网络模型，实现对宽频段发信机全频段非线性特征建模。

参考图2，所述测试平台由矢量信号发生器、矢量信号分析仪、衰减器以及PC机等设备组成。通过仪表自动测量软件程序完成测试过程，由PC机通过网线或GPIB线控制，测试数据保存至PC机中。