[发明专利]一种基于编码-解码神经网络模型的功率放大器行为建模方法

说明书

本发明公开了一种基于编码‑解码神经网络模型的功率放大器行为建模方法，该方法利用的编码‑解码神经网络模型对于序列具有良好的描述能力且模型收敛速度快，同时在模型内部使用长短时记忆单元，利用长短时记忆单元的输出不仅与即时输入有关、也与历史输入有关的特点，用来描述功率放大器的记忆效应；该方法能够很好地描述功率放大器的非线性特性和记忆效应，具有较快的模型收敛速度和较高的精度。

技术领域

本发明涉及非线性系统建模与分析应用技术领域，尤其是一种基于编码-解码神经网络模型的功率放大器行为建模方法。

背景技术

功率放大器是发射机的重要模块，是一个复杂的非线性系统，功率放大器经常会产生严重的非线性失真，并且随着系统带宽的增加，功率放大器也会产生记忆效应。

发射机的内部结构大多比较复杂，对发射机的行为建模可以在不知道发射机内部组成的情况下，只依据系统的输入、输出测试数据就可以模拟出它的非线性和记忆效应。行为模型可以用来分析不同发射机所对应的模型参数差异，通过修改模型参数获取不同的发射机发射信号。在系统级仿真中，这种方法被广泛使用，并且经大量实验证明，这种方法能够精确地对功放进行建模。

一般来说，功率放大器行为建模可以分为无记忆模型和记忆模型两种。无记忆功放模型的种类很多，例如Saleh模型、无记忆多项式模型等。无记忆功放模型相对简单，对于窄带系统建模有很好的效果。然而随着系统带宽的增加，功率放大器的记忆效应明显，无记忆模型无法很好地描述记忆效应，所以现在大多采用有记忆功放模型。有记忆模型一般采用Volterra级数模型和神经网络模型等。Volterra级数是对泰勒级数的扩展，该模型适用于弱非线性系统，而且系统的参数会随着阶次和记忆深度的增加而迅速增加，故计算量和收敛性受到了影响。而神经网络能够逼近任意非线性的函数，并且具有灵活有效的自组织学习能力，因而被广泛用于功率放大器系统的行为建模。普通的神经网络模型收敛速度较慢，建模的精度也一般。随着循环神经网络的提出，由于其将时序的概念引入到神经元结构设计中，使其在时序数据分析中表现出更强的适应性。循环神经网络的输出不仅与当前时刻的输入有关，也与前一个时刻的输入有关，模型带有很强的记忆效应。但是，传统的循环神经网络虽然可以利用上下文信息对当前时刻的输入进行建模得到相应的输出，然而在实际实验中发现，普通循环神经网络难以学到长时间跨度的依赖关系，也就是说，能够利用的上下文信息是有限的，因此普通循环神经网络在描述功放的长期记忆效应上表现一般。

发明内容

本发明所要解决的技术问题在于，提供一种基于编码-解码神经网络模型的功率放大器行为建模方法，收敛速度较快，在相同的迭代次数下具有更高的精度。

为解决上述技术问题，本发明提供一种基于编码-解码神经网络模型的功率放大器行为建模方法，包括如下步骤：

(1)采集功率放大器的输入信号数据向量x_in＝[x_in(1),x_in(2),…,x_in(N)]和输出信号数据向量y_out＝[y_out(1),y_out(2),…,y_out(N)]，其中，N为数据长度；

(2)将输入和输出数据进行归一化；得到归一化输入信号数据向量和归一化输出信号数据向量

(3)初始化编码-解码神经网络模型；编码-解码神经网络模型的模型结构有四层：输入层、编码层、解码层和输出层；

(4)利用编码-解码神经网络模型对行为模型进行建模；

(5)通过步骤D得到的权系数，计算编码-解码神经网络模型最终的输出y_m。

优选的，步骤(2)中，输入和输出数据进行归一化具体为：