基於簡化模糊神經網絡的增強維納模型的功放預失真方法
2023-06-01 14:40:36 2
專利名稱：基於簡化模糊神經網絡的增強維納模型的功放預失真方法
技術領域：
本發明是一種用於功率放大器線性化的預失真方法，特別涉及一種基於簡化模糊神經網絡(MANFIS, modified adaptive neuro-fuzzy inference system)的增強型維納 (Augmented Wiener)模型的數字預失真方法。
背景技術：
無線通訊技術的飛速發展對通訊系統的性能指標提出了更高的要求，功率放大器 作為無線通訊發射系統中重要組成部分，也是實現難度最大，價格最昂貴的部分，其性能的 好壞對於系統的數據傳輸速率、覆蓋範圍、頻譜利用率以及帶外譜雜散等指標都有很大影 響。隨著基於現代無線通訊網絡的應用(WCDMA、WLAN、WiMAX等)，高速率的無線數據 傳輸提高了信號的峰均比，這就要求功率放大器必須回退到線性區以達到提高線性度的目 的，但是功率輸出點的回退意味著功率放大器工作效率的降低，所以提高功放的線性度對 於未來無線通訊的發展有著很重要的意義。當輸入信號功率較大時，功放就會進入飽和區甚至截止區，產生嚴重的非線性失 真。當功率放大器工作到接近飽和區時，會引起嚴重的帶內失真和帶外頻譜洩露，並且隨 著現代通信系統帶寬的增加，功率放大器會產生的其它各種複雜的非線性特性和記憶效應 等，比如電記憶效應和熱記憶效應。近年來，各種功率放大器模型和線性化技術的研究越來 越廣泛。常見的功率放大器的非線性模型有Saleh模型、Volterra級數和神經網絡等；常 用的線性化技術有前饋法(Feedforward)、笛卡兒負反饋法(Cartesian Feedback)、功率合 成法(LINC)和各種預失真方法(Predistortion)等。而在各種線性化技術中，數字預失真 技術(DigitalPredistortion)是最近研究的熱點。非線性模型可以不考慮功放內部的復 雜物理電路，將其簡化為數學方程式。通過功率放大器模型的研究可以引申出各種數字預 失真技術，一旦實現，不容易受溫度和環境的影響，有較好的穩定性。而且在數字域裡面可 以實現各種算法，具有更高的靈活性。高效的預失真方案和功率放大器模型有著密切的聯繫。有記憶功率放大器模型 一般可以分為Volterra級數模型和神經網絡模型。普通的Volterra級數一般適用於弱 非線性特性的系統建模，參數會隨著系統階次和記憶長度的增大而急劇增加，所以參數多、 計算量大、收斂慢，性能受到階次大小和記憶長度的影響是這一類模型的缺點。因此，對 普通Volterra級數模型的簡化研究是當前研究一個重要內容，其中包括改進Volterra 級數模型、Wiener模型、Hammerstein模型、並聯Wiener模型、並聯Hammerstein模型、 Wiener-Hammerstein模型等。神經網絡能逼近任意連續的非線性函數，並且具有靈活的學 習方式，是近幾年研究的重點。功放的神經網絡模型中有延時三層前饋網絡模型、徑向基函 數網絡模型、反饋型網絡模型等。神經網絡雖然是非線性動態系統建模有效方法，但是大多 數神經網絡模型都是多層感知器的結構，難提取出模型參數，其複雜的多層結構在一定程 度上制約了預失真的實現和應用。
發明內容
技術問題本發明的目的在於提供一種基於簡化模糊神經網絡的增強維納模型的 功放預失真方法，該方法結合了 Volterra級數和神經網絡的優點，同時避免了現有預失真 方案中計算量大，自適應算法不容易收斂，實現起來比較複雜，高帶寬和高峰均比信號條件 下，難以補償功率放大器的複雜的記憶效應等問題。這種基於簡化模糊神經網絡的增強型 維納模型的功率放大器預失真方案，複雜度低，實現比較方便，模型結構容易提取，能很好 的補償功率放大器的非線性特性和記憶效應。技術方案本發明的基於簡化模糊神經網絡的增強維納模型的功放預失真方法， 包括如下步驟a)採用寬帶調製信號作為功率放大器的基帶輸入信號，利用高速模數轉換器採集 功率放大器的輸入和輸出基帶數據，b)利用採集功放的輸入和輸出數據，建立用於預失真的功放模型，即基於簡化模 糊神經網絡的增強維納模型，c)訓練所述功放模型的參數達到期望的誤差，以最終確定功放模型參數，d)建立基於簡化模糊神經網絡的增強維納模型的逆模型，f)將基帶輸入信號通過逆模型，再通過正交調製器、上變頻器，經過功率放大器輸
出ο所述的步驟b)利用採集功放的輸入和輸出數據建立用於預失真的功放模型的方 法為分別建立簡化模糊神經網絡模型與增強型維納模型，簡化模糊神經網絡模型用於補 償功率放大器幅度和相位失真特性，增強型維納模型用於補償功放的記憶效應。所述的步驟b)利用採集功放的輸入和輸出數據建立用於預失真的功放模型的方 法為簡化神經網絡模型由兩個結構相同的二階(菅野型)Sugeno型模糊推理系統的神經 網絡構成，其中一個用來彌補功率放大器的幅度失真，另一個用來彌補功率放大器的相位 失真。所述的步驟b)利用採集功放的輸入和輸出數據建立用於預失真的功放模型的方 法為增強型維納模型由兩個平行的有限衝擊響應(FIR)濾波器構成，消除由動態失真源 帶來的頻譜再生對功放線性度的影響。所述的步驟C)訓練功放模型的參數達到期望的誤差的方法為將訓練模型 分為三步，首先識別神經網絡的逆參數，結合最小二乘(Least-squares)和後向傳播 (Back-propagation)相結合的混合學習算法，達到期望的誤差；然後再利用最小二乘法識 別線性FIR濾波器的參數，最後利用混合學習法識別神經網絡模型的參數。所述的步驟d)建立基於簡化模糊神經網絡的增強型維納模型的逆模型的方法 為利用步驟b)所建立的功放模型，將輸入輸出交換，建立逆模型補償功放的非線性失真 和記憶效應。最後把確定參數的預失真器複製到發送鏈路，用於補償功率放大器的非線性的特 性和記憶特性。有益效果1)簡化模糊神經網絡不存在多項式模型中性能受到階次的限制的問題。
2)簡化模糊神經網絡的簡單的if-then規則容易實現，而且可以根據系統的要求 靈活的增加和減少，也可以根據系統要求改變其輸入成員函數類型。3)由於使用了最小二乘(Least-squares)和反向傳播(Back-propagation)相結 合學習算法，簡化模糊神經網絡學習時間比較快，迭代次數少，而且不存在收斂性的問題。4)簡化型的模糊神經網絡考慮了功放的記憶效應，尤其對深度記憶效應的功率放 大器效果明顯。5)平行FIR濾波器的使用，使模型不但能夠適用於單載波的激勵信號，還能夠應 用於多載波的寬帶信號。6)簡化模糊神經網絡的增強型維納模型的功率放大器預失真方法，結構簡單，實 現容易，是高效穩定的預失真方案。
圖1是增強型維納模型結構，圖2是二階簡化模糊神經網絡結構，圖3是基於簡化模糊神經網絡的增強型維納模型結構，圖4是實驗系統說明，圖5是實測值與模型擬合值的對比以及計算出的誤差。
具體實施例方式本發明的基於簡化模糊神經網絡的增強維納模型的功放預失真方法具體步驟如 下a)採用寬帶調製信號作為功率放大器的基帶輸入信號，利用高速模數轉換器採集 功率放大器的輸入和輸出基帶數據，b)利用採集功放的輸入和輸出數據，建立用於預失真的功放模型，即基於簡化模 糊神經網絡的增強維納模型，c)訓練所述功放模型的參數達到期望的誤差，以最終確定功放模型參數，d)建立基於簡化模糊神經網絡的增強維納模型的逆模型，f)將基帶輸入信號通過逆模型，再通過正交調製器、上變頻器，經過功率放大器輸
出ο以下結合
，對本發明的方案進行詳細說明，具體步驟如下1.建立基於簡化模糊神經網絡的增強型維納模型的預失真器圖3所示為本發明中的基於二階簡化模糊神經網絡的增強型維納模型的結構圖。 此模型分為兩個部分第一部分由兩個並行的FIR濾波器構成，第二部分是由兩個二階簡 化模糊神經網絡模塊構成。1)建立兩個記憶長度分別為Qp Q2的FIR線性濾波器。」(」)= ^]…；!…-/) + ^ -。·^]^^"-'·)(1) 其中 和h分別為FIR濾波器A和B的係數，Q1和Q2是濾波器抽頭數。濾波器 係數可以由最小二乘法求出。
2)建立簡化模糊神經網絡本模型中利用兩個二階的簡化模糊神經網絡來補償功率放大器的幅度和相位的 失真。如圖2所示，每個神經網絡模塊有兩個輸入和一個輸出，第一個神經網絡的輸出是放 大器的輸入信號幅度I v(n) I，第二個神經網絡的輸出是放大器的輸入信號和輸出信號的 相位差Δ φ (η)。每個神經網絡有四條規則If χ (n) is Ai, then fAi (χ) = piAx (η) +qiAx (n-1) +riA ；If χ (n-1) is Bi, then fBi (x) = piBx (n)+qiBx (n-1)+riBi = 1,2其中μ Ai 禾Π μ Bi 是鐘形函數；piA，piB，qiA，qiB 以及 riA，riB 是結論函數；aiA，aiA，biA, biB, and ciA, ciB是初始函數；fAi和fBi是每條規則的輸出。結論函數和初始函數可以由混 合學習法求出。則每個神經網絡的輸出為
權利要求
一種基於簡化模糊神經網絡的增強維納模型的功放預失真方法，其特徵在於該方法具體步驟如下a)採用寬帶調製信號作為功率放大器的基帶輸入信號，利用高速模數轉換器採集功率放大器的輸入和輸出基帶數據，b)利用採集功放的輸入和輸出數據，建立用於預失真的功放模型，即基於簡化模糊神經網絡的增強維納模型，c)訓練所述功放模型的參數達到期望的誤差，以最終確定功放模型參數，d)建立基於簡化模糊神經網絡的增強維納模型的逆模型，f)將基帶輸入信號通過逆模型，再通過正交調製器、上變頻器，經過功率放大器輸出。
2.根據權利要求1所述的基於簡化模糊神經網絡的增強維納模型的功放預失真方法， 其特徵在於所述的步驟b)利用採集功放的輸入和輸出數據建立用於預失真的功放模型的 方法為分別建立簡化模糊神經網絡模型與增強型維納模型，簡化模糊神經網絡模型用於 補償功率放大器幅度和相位失真特性，增強型維納模型用於補償功放的記憶效應。
3.根據權利要求1所述的基於簡化模糊神經網絡的增強維納模型的功放預失真方法， 其特徵在於所述的步驟b)利用採集功放的輸入和輸出數據建立用於預失真的功放模型的 方法為簡化神經網絡模型由兩個結構相同的二階菅野型Sugeno型模糊推理系統的神經 網絡構成，其中一個用來彌補功率放大器的幅度失真，另一個用來彌補功率放大器的相位 失真。
4.根據權利要求1所述的基於簡化模糊神經網絡的增強維納模型的功放預失真方法， 其特徵在於所述的步驟b)利用採集功放的輸入和輸出數據建立用於預失真的功放模型的 方法為增強型維納模型由兩個平行的有限衝擊響應FIR濾波器構成，消除由動態失真源 帶來的頻譜再生對功放線性度的影響。
5.根據權利要求1所述的基於簡化模糊神經網絡的增強維納模型的功放預失真方法， 其特徵在於所述的步驟c)訓練功放模型的參數達到期望的誤差的方法為將訓練模型分 為三步，首先識別神經網絡的逆參數，結合最小二乘和後向傳播相結合的混合學習算法，達 到期望的誤差；然後再利用最小二乘法識別線性FIR濾波器的參數，最後利用混合學習法 識別神經網絡模型的參數。
6.根據權利要求1所述的基於簡化模糊神經網絡的增強維納模型的功放預失真方法， 其特徵在於所述的步驟d)建立基於簡化模糊神經網絡的增強型維納模型的逆模型的方法 為利用步驟b)所建立的功放模型，將輸入輸出交換，建立逆模型補償功放的非線性失真 和記憶效應。
全文摘要
基於簡化模糊神經網絡的增強維納模型的功放預失真方法，主要包括模糊神經網絡子系統和FIR濾波器子系統。模糊神經網絡子系統由二階Sugeno FIS結構的簡化模糊神經網絡構成，用於補償功率放大器幅度和相位失真特性，FIR濾波器子系統由兩個平行的有限衝擊響應(FIR)濾波器構成，用於補償功放的記憶效應。結合間接的學習結構，模糊神經網絡的參數由最小二乘和反向傳播相結合學習算法來識別，線性FIR濾波器係數由最小二乘法確定，該預失真方案，在不增加實現複雜度的同時，結合了簡化模糊神經網絡結構的靈活穩定的特點，利用了增強型維納模型的特點，補償了寬帶功率放大器由於寬帶匹配不理想帶來的頻譜再生，能夠對寬帶深度記憶效應的功率放大器準確建模。
文檔編號H03F1/32GK101997492SQ20101050160
公開日2011年3月30日 申請日期2010年9月29日 優先權日2010年9月29日
發明者周健義, 晉石磊, 洪偉 申請人:東南大學