專利名稱：基于簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)維納模型的功放預(yù)失真方法
技術(shù)領(lǐng)域：
本發(fā)明是一種用于功率放大器線性化的預(yù)失真方法，特別涉及一種基于簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)(MANFIS, modified adaptive neuro-fuzzy inference system)的增強(qiáng)型維納 (Augmented Wiener)模型的數(shù)字預(yù)失真方法。
背景技術(shù)：
無(wú)線通訊技術(shù)的飛速發(fā)展對(duì)通訊系統(tǒng)的性能指標(biāo)提出了更高的要求，功率放大器 作為無(wú)線通訊發(fā)射系統(tǒng)中重要組成部分，也是實(shí)現(xiàn)難度最大，價(jià)格最昂貴的部分，其性能的 好壞對(duì)于系統(tǒng)的數(shù)據(jù)傳輸速率、覆蓋范圍、頻譜利用率以及帶外譜雜散等指標(biāo)都有很大影 響。隨著基于現(xiàn)代無(wú)線通訊網(wǎng)絡(luò)的應(yīng)用(WCDMA、WLAN、WiMAX等)，高速率的無(wú)線數(shù)據(jù) 傳輸提高了信號(hào)的峰均比，這就要求功率放大器必須回退到線性區(qū)以達(dá)到提高線性度的目 的，但是功率輸出點(diǎn)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(duì) 于未來(lái)無(wú)線通訊的發(fā)展有著很重要的意義。當(dāng)輸入信號(hào)功率較大時(shí)，功放就會(huì)進(jìn)入飽和區(qū)甚至截止區(qū)，產(chǎn)生嚴(yán)重的非線性失 真。當(dāng)功率放大器工作到接近飽和區(qū)時(shí)，會(huì)引起嚴(yán)重的帶內(nèi)失真和帶外頻譜泄露，并且隨 著現(xiàn)代通信系統(tǒng)帶寬的增加，功率放大器會(huì)產(chǎn)生的其它各種復(fù)雜的非線性特性和記憶效應(yīng) 等，比如電記憶效應(yīng)和熱記憶效應(yīng)。近年來(lái)，各種功率放大器模型和線性化技術(shù)的研究越來(lái) 越廣泛。常見的功率放大器的非線性模型有Saleh模型、Volterra級(jí)數(shù)和神經(jīng)網(wǎng)絡(luò)等；常 用的線性化技術(shù)有前饋法(Feedforward)、笛卡兒負(fù)反饋法(Cartesian Feedback)、功率合 成法(LINC)和各種預(yù)失真方法(Predistortion)等。而在各種線性化技術(shù)中，數(shù)字預(yù)失真 技術(shù)(DigitalPredistortion)是最近研究的熱點(diǎn)。非線性模型可以不考慮功放內(nèi)部的復(fù) 雜物理電路，將其簡(jiǎn)化為數(shù)學(xué)方程式。通過(guò)功率放大器模型的研究可以引申出各種數(shù)字預(yù) 失真技術(shù)，一旦實(shí)現(xiàn)，不容易受溫度和環(huán)境的影響，有較好的穩(wěn)定性。而且在數(shù)字域里面可 以實(shí)現(xiàn)各種算法，具有更高的靈活性。高效的預(yù)失真方案和功率放大器模型有著密切的聯(lián)系。有記憶功率放大器模型 一般可以分為Volterra級(jí)數(shù)模型和神經(jīng)網(wǎng)絡(luò)模型。普通的Volterra級(jí)數(shù)一般適用于弱 非線性特性的系統(tǒng)建模，參數(shù)會(huì)隨著系統(tǒng)階次和記憶長(zhǎng)度的增大而急劇增加，所以參數(shù)多、 計(jì)算量大、收斂慢，性能受到階次大小和記憶長(zhǎng)度的影響是這一類模型的缺點(diǎn)。因此，對(duì) 普通Volterra級(jí)數(shù)模型的簡(jiǎn)化研究是當(dāng)前研究一個(gè)重要內(nèi)容，其中包括改進(jìn)Volterra 級(jí)數(shù)模型、Wiener模型、Hammerstein模型、并聯(lián)Wiener模型、并聯(lián)Hammerstein模型、 Wiener-Hammerstein模型等。神經(jīng)網(wǎng)絡(luò)能逼近任意連續(xù)的非線性函數(shù)，并且具有靈活的學(xué) 習(xí)方式，是近幾年研究的重點(diǎn)。功放的神經(jīng)網(wǎng)絡(luò)模型中有延時(shí)三層前饋網(wǎng)絡(luò)模型、徑向基函 數(shù)網(wǎng)絡(luò)模型、反饋型網(wǎng)絡(luò)模型等。神經(jīng)網(wǎng)絡(luò)雖然是非線性動(dòng)態(tài)系統(tǒng)建模有效方法，但是大多 數(shù)神經(jīng)網(wǎng)絡(luò)模型都是多層感知器的結(jié)構(gòu)，難提取出模型參數(shù)，其復(fù)雜的多層結(jié)構(gòu)在一定程 度上制約了預(yù)失真的實(shí)現(xiàn)和應(yīng)用。

發(fā)明內(nèi)容
技術(shù)問題本發(fā)明的目的在于提供一種基于簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)維納模型的 功放預(yù)失真方法，該方法結(jié)合了 Volterra級(jí)數(shù)和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，同時(shí)避免了現(xiàn)有預(yù)失真 方案中計(jì)算量大，自適應(yīng)算法不容易收斂，實(shí)現(xiàn)起來(lái)比較復(fù)雜，高帶寬和高峰均比信號(hào)條件 下，難以補(bǔ)償功率放大器的復(fù)雜的記憶效應(yīng)等問題。這種基于簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)型 維納模型的功率放大器預(yù)失真方案，復(fù)雜度低，實(shí)現(xiàn)比較方便，模型結(jié)構(gòu)容易提取，能很好 的補(bǔ)償功率放大器的非線性特性和記憶效應(yīng)。技術(shù)方案本發(fā)明的基于簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)維納模型的功放預(yù)失真方法， 包括如下步驟a)采用寬帶調(diào)制信號(hào)作為功率放大器的基帶輸入信號(hào)，利用高速模數(shù)轉(zhuǎn)換器采集 功率放大器的輸入和輸出基帶數(shù)據(jù)，b)利用采集功放的輸入和輸出數(shù)據(jù)，建立用于預(yù)失真的功放模型，即基于簡(jiǎn)化模 糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)維納模型，c)訓(xùn)練所述功放模型的參數(shù)達(dá)到期望的誤差，以最終確定功放模型參數(shù)，d)建立基于簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)維納模型的逆模型，f)將基帶輸入信號(hào)通過(guò)逆模型，再通過(guò)正交調(diào)制器、上變頻器，經(jīng)過(guò)功率放大器輸
出ο所述的步驟b)利用采集功放的輸入和輸出數(shù)據(jù)建立用于預(yù)失真的功放模型的方 法為分別建立簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)模型與增強(qiáng)型維納模型，簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)模型用于補(bǔ) 償功率放大器幅度和相位失真特性，增強(qiáng)型維納模型用于補(bǔ)償功放的記憶效應(yīng)。所述的步驟b)利用采集功放的輸入和輸出數(shù)據(jù)建立用于預(yù)失真的功放模型的方 法為簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)模型由兩個(gè)結(jié)構(gòu)相同的二階(菅野型)Sugeno型模糊推理系統(tǒng)的神經(jīng) 網(wǎng)絡(luò)構(gòu)成，其中一個(gè)用來(lái)彌補(bǔ)功率放大器的幅度失真，另一個(gè)用來(lái)彌補(bǔ)功率放大器的相位 失真。所述的步驟b)利用采集功放的輸入和輸出數(shù)據(jù)建立用于預(yù)失真的功放模型的方 法為增強(qiáng)型維納模型由兩個(gè)平行的有限沖擊響應(yīng)(FIR)濾波器構(gòu)成，消除由動(dòng)態(tài)失真源 帶來(lái)的頻譜再生對(duì)功放線性度的影響。所述的步驟C)訓(xùn)練功放模型的參數(shù)達(dá)到期望的誤差的方法為將訓(xùn)練模型 分為三步，首先識(shí)別神經(jīng)網(wǎng)絡(luò)的逆參數(shù)，結(jié)合最小二乘(Least-squares)和后向傳播 (Back-propagation)相結(jié)合的混合學(xué)習(xí)算法，達(dá)到期望的誤差；然后再利用最小二乘法識(shí) 別線性FIR濾波器的參數(shù)，最后利用混合學(xué)習(xí)法識(shí)別神經(jīng)網(wǎng)絡(luò)模型的參數(shù)。所述的步驟d)建立基于簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)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(bǔ)償功放的非線性失真 和記憶效應(yīng)。最后把確定參數(shù)的預(yù)失真器復(fù)制到發(fā)送鏈路，用于補(bǔ)償功率放大器的非線性的特 性和記憶特性。有益效果1)簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)不存在多項(xiàng)式模型中性能受到階次的限制的問題。
2)簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)單的if-then規(guī)則容易實(shí)現(xiàn)，而且可以根據(jù)系統(tǒng)的要求 靈活的增加和減少，也可以根據(jù)系統(tǒng)要求改變其輸入成員函數(shù)類型。3)由于使用了最小二乘(Least-squares)和反向傳播(Back-propagation)相結(jié) 合學(xué)習(xí)算法，簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時(shí)間比較快，迭代次數(shù)少，而且不存在收斂性的問題。4)簡(jiǎn)化型的模糊神經(jīng)網(wǎng)絡(luò)考慮了功放的記憶效應(yīng)，尤其對(duì)深度記憶效應(yīng)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于單載波的激勵(lì)信號(hào)，還能夠應(yīng) 用于多載波的寬帶信號(hào)。6)簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)型維納模型的功率放大器預(yù)失真方法，結(jié)構(gòu)簡(jiǎn)單，實(shí) 現(xiàn)容易，是高效穩(wěn)定的預(yù)失真方案。


圖1是增強(qiáng)型維納模型結(jié)構(gòu)，圖2是二階簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，圖3是基于簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)型維納模型結(jié)構(gòu)，圖4是實(shí)驗(yàn)系統(tǒng)說(shuō)明，圖5是實(shí)測(cè)值與模型擬合值的對(duì)比以及計(jì)算出的誤差。
具體實(shí)施例方式本發(fā)明的基于簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)維納模型的功放預(yù)失真方法具體步驟如 下a)采用寬帶調(diào)制信號(hào)作為功率放大器的基帶輸入信號(hào)，利用高速模數(shù)轉(zhuǎn)換器采集 功率放大器的輸入和輸出基帶數(shù)據(jù)，b)利用采集功放的輸入和輸出數(shù)據(jù)，建立用于預(yù)失真的功放模型，即基于簡(jiǎn)化模 糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)維納模型，c)訓(xùn)練所述功放模型的參數(shù)達(dá)到期望的誤差，以最終確定功放模型參數(shù)，d)建立基于簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)維納模型的逆模型，f)將基帶輸入信號(hào)通過(guò)逆模型，再通過(guò)正交調(diào)制器、上變頻器，經(jīng)過(guò)功率放大器輸
出ο以下結(jié)合

，對(duì)本發(fā)明的方案進(jìn)行詳細(xì)說(shuō)明，具體步驟如下1.建立基于簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)型維納模型的預(yù)失真器圖3所示為本發(fā)明中的基于二階簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)型維納模型的結(jié)構(gòu)圖。 此模型分為兩個(gè)部分第一部分由兩個(gè)并行的FIR濾波器構(gòu)成，第二部分是由兩個(gè)二階簡(jiǎn) 化模糊神經(jīng)網(wǎng)絡(luò)模塊構(gòu)成。1)建立兩個(gè)記憶長(zhǎng)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的系數(shù)，Q1和Q2是濾波器抽頭數(shù)。濾波器 系數(shù)可以由最小二乘法求出。
2)建立簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)本模型中利用兩個(gè)二階的簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)來(lái)補(bǔ)償功率放大器的幅度和相位的 失真。如圖2所示，每個(gè)神經(jīng)網(wǎng)絡(luò)模塊有兩個(gè)輸入和一個(gè)輸出，第一個(gè)神經(jīng)網(wǎng)絡(luò)的輸出是放 大器的輸入信號(hào)幅度I v(n) I，第二個(gè)神經(jīng)網(wǎng)絡(luò)的輸出是放大器的輸入信號(hào)和輸出信號(hào)的 相位差Δ φ (η)。每個(gè)神經(jīng)網(wǎng)絡(luò)有四條規(guī)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(shù)；piA，piB，qiA，qiB 以及 riA，riB 是結(jié)論函數(shù)；aiA，aiA，biA, biB, and ciA, ciB是初始函數(shù)；fAi和fBi是每條規(guī)則的輸出。結(jié)論函數(shù)和初始函數(shù)可以由混 合學(xué)習(xí)法求出。則每個(gè)神經(jīng)網(wǎng)絡(luò)的輸出為
權(quán)利要求
一種基于簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)維納模型的功放預(yù)失真方法，其特征在于該方法具體步驟如下a)采用寬帶調(diào)制信號(hào)作為功率放大器的基帶輸入信號(hào)，利用高速模數(shù)轉(zhuǎn)換器采集功率放大器的輸入和輸出基帶數(shù)據(jù)，b)利用采集功放的輸入和輸出數(shù)據(jù)，建立用于預(yù)失真的功放模型，即基于簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)維納模型，c)訓(xùn)練所述功放模型的參數(shù)達(dá)到期望的誤差，以最終確定功放模型參數(shù)，d)建立基于簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)維納模型的逆模型，f)將基帶輸入信號(hào)通過(guò)逆模型，再通過(guò)正交調(diào)制器、上變頻器，經(jīng)過(guò)功率放大器輸出。
2.根據(jù)權(quán)利要求1所述的基于簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)維納模型的功放預(yù)失真方法， 其特征在于所述的步驟b)利用采集功放的輸入和輸出數(shù)據(jù)建立用于預(yù)失真的功放模型的 方法為分別建立簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)模型與增強(qiáng)型維納模型，簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)模型用于 補(bǔ)償功率放大器幅度和相位失真特性，增強(qiáng)型維納模型用于補(bǔ)償功放的記憶效應(yīng)。
3.根據(jù)權(quán)利要求1所述的基于簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)維納模型的功放預(yù)失真方法， 其特征在于所述的步驟b)利用采集功放的輸入和輸出數(shù)據(jù)建立用于預(yù)失真的功放模型的 方法為簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)模型由兩個(gè)結(jié)構(gòu)相同的二階菅野型Sugeno型模糊推理系統(tǒng)的神經(jīng) 網(wǎng)絡(luò)構(gòu)成，其中一個(gè)用來(lái)彌補(bǔ)功率放大器的幅度失真，另一個(gè)用來(lái)彌補(bǔ)功率放大器的相位 失真。
4.根據(jù)權(quán)利要求1所述的基于簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)維納模型的功放預(yù)失真方法， 其特征在于所述的步驟b)利用采集功放的輸入和輸出數(shù)據(jù)建立用于預(yù)失真的功放模型的 方法為增強(qiáng)型維納模型由兩個(gè)平行的有限沖擊響應(yīng)FIR濾波器構(gòu)成，消除由動(dòng)態(tài)失真源 帶來(lái)的頻譜再生對(duì)功放線性度的影響。
5.根據(jù)權(quán)利要求1所述的基于簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)維納模型的功放預(yù)失真方法， 其特征在于所述的步驟c)訓(xùn)練功放模型的參數(shù)達(dá)到期望的誤差的方法為將訓(xùn)練模型分 為三步，首先識(shí)別神經(jīng)網(wǎng)絡(luò)的逆參數(shù)，結(jié)合最小二乘和后向傳播相結(jié)合的混合學(xué)習(xí)算法，達(dá) 到期望的誤差；然后再利用最小二乘法識(shí)別線性FIR濾波器的參數(shù)，最后利用混合學(xué)習(xí)法 識(shí)別神經(jīng)網(wǎng)絡(luò)模型的參數(shù)。
6.根據(jù)權(quán)利要求1所述的基于簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)維納模型的功放預(yù)失真方法， 其特征在于所述的步驟d)建立基于簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)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(bǔ)償功放的非線性失真 和記憶效應(yīng)。
全文摘要
基于簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)的增強(qiáng)維納模型的功放預(yù)失真方法，主要包括模糊神經(jīng)網(wǎng)絡(luò)子系統(tǒng)和FIR濾波器子系統(tǒng)。模糊神經(jīng)網(wǎng)絡(luò)子系統(tǒng)由二階Sugeno FIS結(jié)構(gòu)的簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)構(gòu)成，用于補(bǔ)償功率放大器幅度和相位失真特性，F(xiàn)IR濾波器子系統(tǒng)由兩個(gè)平行的有限沖擊響應(yīng)(FIR)濾波器構(gòu)成，用于補(bǔ)償功放的記憶效應(yīng)。結(jié)合間接的學(xué)習(xí)結(jié)構(gòu)，模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)由最小二乘和反向傳播相結(jié)合學(xué)習(xí)算法來(lái)識(shí)別，線性FIR濾波器系數(shù)由最小二乘法確定，該預(yù)失真方案，在不增加實(shí)現(xiàn)復(fù)雜度的同時(shí)，結(jié)合了簡(jiǎn)化模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的靈活穩(wěn)定的特點(diǎn)，利用了增強(qiáng)型維納模型的特點(diǎn)，補(bǔ)償了寬帶功率放大器由于寬帶匹配不理想帶來(lái)的頻譜再生，能夠?qū)拵疃扔洃浶?yīng)的功率放大器準(zhǔn)確建模。
文檔編號(hào)H03F1/32GK101997492SQ20101050160
公開日2011年3月30日 申請(qǐng)日期2010年9月29日 優(yōu)先權(quán)日2010年9月29日
發(fā)明者周健義, 晉石磊, 洪偉 申請(qǐng)人:東南大學(xué)