用于建模寬帶射頻功放非線性的神經(jīng)網(wǎng)絡(luò)模型的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種神經(jīng)網(wǎng)絡(luò)模型，尤其是涉及一種用于建模寬帶射頻功放非線性的 神經(jīng)網(wǎng)絡(luò)模型。
【背景技術(shù)】
[0002] 神經(jīng)網(wǎng)絡(luò)模型在模式識(shí)別、信號(hào)處理、系統(tǒng)辨識(shí)和控制方面的成功應(yīng)用，吸引了許 多射頻功放建模領(lǐng)域的研宄人員對(duì)其進(jìn)行研宄。目前用于建模射頻功放的神經(jīng)網(wǎng)絡(luò)模型主 要分為兩類：第一類為不考慮記憶效應(yīng)的神經(jīng)網(wǎng)絡(luò)模型，第二類為考慮記憶效應(yīng)的神經(jīng)網(wǎng) 絡(luò)模型。第一類神經(jīng)網(wǎng)絡(luò)模型由于不考慮記憶效應(yīng)，對(duì)于寬帶信號(hào)驅(qū)動(dòng)功放時(shí)，其建模能力 大大降低，目前使用較少。第二類神經(jīng)網(wǎng)絡(luò)模型考慮記憶效應(yīng)，對(duì)于寬帶信號(hào)驅(qū)動(dòng)功放時(shí)， 建模能力相對(duì)于不考慮記憶效應(yīng)的神經(jīng)網(wǎng)絡(luò)模型較高，是目前主要使用的神經(jīng)網(wǎng)絡(luò)模型。
[0003] 傳統(tǒng)的考慮記憶效應(yīng)的神經(jīng)網(wǎng)絡(luò)模型為實(shí)數(shù)時(shí)延神經(jīng)網(wǎng)絡(luò)模型，該實(shí)數(shù)時(shí)延神經(jīng) 網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)如圖1所示?，F(xiàn)有的實(shí)數(shù)時(shí)延神經(jīng)網(wǎng)絡(luò)模型包括輸入層、隱含層和輸 出層，輸入層的傳輸函數(shù)中的輸入信號(hào)包括射頻功放輸入端基帶復(fù)信號(hào)的同相分量（Iin) 和正交分量（Qin)，同相分量（Iin)和正交分量（Qin)再通過隱含層的傳輸函數(shù)和輸出層的 傳輸函數(shù)依次計(jì)算處理后，在輸出層的輸出為當(dāng)前時(shí)刻射頻功放輸出端基帶復(fù)信號(hào)的同相 分量（lout)和正交分量（Qout)，由此該實(shí)數(shù)時(shí)延神經(jīng)網(wǎng)絡(luò)模型的輸入端信號(hào)僅僅考慮滯 后時(shí)刻的記憶效應(yīng)，在建模射頻功放的超強(qiáng)記憶效應(yīng)和強(qiáng)靜態(tài)非線性時(shí)，建模精度較低。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明所要解決的技術(shù)問題是提供一種在建模射頻功放的超強(qiáng)記憶效應(yīng)和強(qiáng)靜 態(tài)非線性，考慮廣義記憶效應(yīng)（滯后時(shí)刻和超前時(shí)刻的記憶效應(yīng)均考慮），同時(shí)輸入層的輸 入信號(hào)不僅包含基帶復(fù)信號(hào)本身，還包括基帶復(fù)信號(hào)的模及模的高階次方，輸出層的輸出 信號(hào)為復(fù)數(shù)信號(hào)，建模精度較高的用于建模寬帶射頻功放非線性的神經(jīng)網(wǎng)絡(luò)模型。
[0005] 本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案為：一種用于建模寬帶射頻功放非線 性的神經(jīng)網(wǎng)絡(luò)模型，包括輸入層、隱含層和輸出層，所述的輸入層的輸入函數(shù)如公式（1)所 示：
【主權(quán)項(xiàng)】
1. 一種用于建模寬帶射頻功放非線性的神經(jīng)網(wǎng)絡(luò)模型，包括輸入層、隱含層和輸出層， 其特征在于所述的輸入層的輸入函數(shù)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為矩陣的轉(zhuǎn)置的表示符號(hào)；MpM2、M3........MQ+2均表示抽頭延 遲線深度，Q、MpM2、M3........MQ+2的取值為大于等于0的任意整數(shù)； x(n+l)，|x(n+l) |，|x(n+l) |3,......，丨x(n+1) |2Q+1為超前項(xiàng)，x(n)，|x(n) |， Ix(n) |3，......，丨x(n) |2Q+1為對(duì)齊項(xiàng)，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 為滯后項(xiàng)； x(n+1)為射頻功放的輸入端當(dāng)前采樣時(shí)刻的基帶復(fù)采樣數(shù)據(jù)；x(n)為x(n+1)經(jīng)過一個(gè)采樣周期延遲后的基帶復(fù)采樣數(shù)據(jù)，x(n-1)為x(n+1)經(jīng)過兩 個(gè)采樣周期延遲后的基帶復(fù)采樣數(shù)據(jù)，依次類推，xOi-Mi)為x(n+l)經(jīng)過札+1個(gè)采樣周期 延遲后的基帶復(fù)采樣數(shù)據(jù)，|x(n+l) |為x(n+l)取模后的數(shù)據(jù)，|x(n) |為x(n+l)經(jīng)過一個(gè) 采樣周期延遲后的基帶復(fù)采樣數(shù)據(jù)x(n)取模后的數(shù)據(jù)，|x(n-l) |為x(n+l)經(jīng)過兩個(gè)采樣 周期延遲后的基帶復(fù)采樣數(shù)據(jù)x(n-l)取模后的數(shù)據(jù)，依次類推，|x(n-M2) |為|x(n+l) |經(jīng) 過仏+1個(gè)采樣周期延遲后的基帶復(fù)采樣數(shù)據(jù)x(n-M2)取模后的數(shù)據(jù)； x(n+l) |2Q+1為x(n+l)取模后數(shù)據(jù)的2Q+1次方，|x(n) | 2Q+1為x(n+l)經(jīng)過一個(gè)采樣 周期延遲后的基帶復(fù)采樣數(shù)據(jù)x(n)取模后數(shù)據(jù)的2Q+1次方，|x(n-l)|2Q+1為x(n+l)經(jīng) 過兩個(gè)采樣周期延遲后的基帶復(fù)采樣數(shù)據(jù)x(n-l)取模后數(shù)據(jù)的2Q+1次方，依次類推， x(n-MQ+2) |2Q+1為x(n+l)經(jīng)過MQ+2+l個(gè)采樣周期延遲后的基帶復(fù)采樣數(shù)據(jù)x(n-MQ+2)取模后 數(shù)據(jù)的2Q+1次方； 所述的隱含層的傳輸函數(shù)如公式（2)所示：
上述公式（2)中，exp表示以自然底數(shù)e為底的指數(shù)函數(shù)；k= 1，2, 3,…，K，K表示隱 含層隱含節(jié)點(diǎn)數(shù)，K彡1且為整數(shù)；Xn(m)為X(n)的第m個(gè)元素，m= 1，2,3,…，（Mi+2) + (M2 +2) + (M3+2)........+ (Mq+2+2)
，sp為擴(kuò)展常數(shù)，0? 8 彡sp彡 2. 5 ;Ck為神經(jīng) 網(wǎng)絡(luò)模型的隱含層中心點(diǎn)，Ck通過獲取射頻功放在實(shí)際信號(hào)驅(qū)動(dòng)下的時(shí)域采樣數(shù)據(jù)后采用 常規(guī)使用的正交最小二乘算法求解得到； 所述的輸出層的傳輸函數(shù)如公式（3)所示：
公式（3)中，*為乘法運(yùn)算符號(hào)；E為求和運(yùn)算符號(hào)；W為神經(jīng)網(wǎng)絡(luò)模型的權(quán)值向量，W =[WQ，A，......WK]，B= [0,B"B2,......，BJT，，神經(jīng)網(wǎng)絡(luò)模型的權(quán)值矩陣W通過射頻功 放輸出端實(shí)際的基帶采樣數(shù)據(jù)y(n)和B通過公式（4)求取得到：ff=B_1*y(n) (4) 公式⑷中，表示B的逆矩陣。
【專利摘要】本發(fā)明公開了一種用于建模寬帶射頻功放非線性的神經(jīng)網(wǎng)絡(luò)模型，包括輸入層、隱含層和輸出層，輸入層的輸入數(shù)據(jù)包括超前項(xiàng)x(n+1)，|x(n+1)|，|x(n+1)|3，......，|x(n+1)|2Q+1，對(duì)齊項(xiàng)x(n)，|x(n)|，|x(n)|3，......，|x(n)|2Q+1和滯后項(xiàng)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)為射頻功放的輸入端當(dāng)前時(shí)刻的基帶復(fù)數(shù)據(jù)，輸出層的輸出為y(n)；優(yōu)點(diǎn)是在建模射頻功放的超強(qiáng)記憶效應(yīng)和強(qiáng)靜態(tài)非線性，考慮廣義記憶效應(yīng)(滯后時(shí)刻和超前時(shí)刻的記憶效應(yīng)均考慮)，同時(shí)輸入層的輸入信號(hào)不僅包含基帶復(fù)信號(hào)本身，還包括基帶復(fù)信號(hào)的模及模的高階次方，輸出層的輸出信號(hào)為復(fù)數(shù)信號(hào)，建模精度較高，相比實(shí)數(shù)時(shí)延神經(jīng)網(wǎng)絡(luò)模型建模精度提高5dB。
【IPC分類】H03F1-32, G06N3-02
【公開號(hào)】CN104579187
【申請(qǐng)?zhí)枴緾N201410727918
【發(fā)明人】惠明, 魯?shù)缼? 張新剛, 張萌, 海濤, 劉楠楠, 潘強(qiáng)輝, 張闖
【申請(qǐng)人】南陽(yáng)師范學(xué)院
【公開日】2015年4月29日
【申請(qǐng)日】2014年12月2日