[发明专利]一种非线性失真消除方法

说明书

技术领域

本发明涉及无线通信技术领域，针对射频功率放大器件的非线性特性造成数字通信时的信号非线性失真或者正交调制星座点的畸变失真，提供一种能够广泛适用于各种不同射频非线性特性的信号失真消除方法。 

背景技术

在无线通信技术中，尤其是在毫米波通信技术中，影响通信性能的主要因素为射频器件的非线性特性造成的信号失真，最终造成接收信号的信噪比严重下降，甚至使得具有高频谱利用率的高阶调制技术无法使用。另一方面，OFDM技术作为一种具有极高频谱利用率的调制技术成为高速无线通信技术的优选方案，然而由于OFDM技术具有较高的峰均比(峰值平均功率比，PAPR)，造成OFDM技术受到射频放大器件的非线性特性影响较为严重，这严重限制了OFDM的性能。 

传统的解决方法多为通过特殊编码抑或调制后对信号进行预失真等手段去降低发射信号的峰均比，或者增加发射信号功率回退值，这无疑将降低能量利用效率。因而如何能够将信号的非线性失真进行矫正成为一种有效的解决方案。 

目前已有的非线性失真方面的技术多为通过确定一个非线性失真模型后，估计其中的各项参数，进而获得实际的非线性失真函数并进行失真消除或矫正。然而这些方法均受限于预定义的非线性失真模型，因而当射频器件受环境等因素影响造成非线性特性发生较大变化时，将造成是真模型的严重偏离实际，进一步造成无法准确消除信号的非线性失真，甚至引入附加的失真而造成接收信号质量严重下降。 

现有技术的自适应模糊神经网络是一种将模糊推理系统引入人工神经网络后发展的一种模糊系统。在给定足够的模糊集合的前提下，自适应模糊神经网络能够在某一给定的函数区间内仿真逼近任意的非线性函数。自适应模糊神经网络于1996年由Jyh-Shing Roger Jang提出，主要用于模糊推理系统、神经网络控制器、人工智能以及未知函数逼近等，其能够高效的逼近非线性函数，因而本发明将采用自适应模糊神经网络进行非线性失真的消除。 

发明内容

本发明提供了一种信号非线性失真的矫正方案，该方案可充分学习逼近射频放大器件的非线性特性函数，而不依赖于非线性失真函数模型，因而可应用于任何非线性失真。通过本发明所提供方法进行信号非线性失真矫正后，可充分消除信号的非线性失真。 

为克服现有失真矫正方案过于依赖预定义失真模型的问题，本发明采用自适应模糊神经网络来学习逼近信号的非线性失真函数。为消除信号的非线性失真，本发明将分别矫正信号的幅度非线性和相位非线性两方面。通过仿真，自适应模糊神经网络中模糊集合的个数可以设置为2，此时网络已经符合新能要求，但不限制为2。 

为训练自适应模糊神经网络，本发明将抽样后的星座点信号与未经过非线性失真期望星座点信号相对应作为训练序列供给自适应模糊神经网络学习。同时，由于非线性失真包含幅度失真和相位失真两方面内容，因而本发明所提供方法将予以分别矫正所述方法包括， 

将接收信号抽样后，得到星座点s_r，分别得到信号的幅度x_r＝|s_r|以及相位 

将信号幅度x_r作为自变量分别送入两路ANFIS模块，在学习阶段，其中一路ANFIS模块的期望信号为理想星座点信号的幅度，而另一路ANFIS模块的期望信号为理想信号的相位与接收信号相位之差，在非学习阶段，通过ANFIS网络正常计算网络的输出，其中幅度ANFIS模块输出信号为x_t，相位ANFIS模块输出信号为 

计算矫正后的星座点信号 其中i表示虚数单位； 

信号判决，获得判决结果。 

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要 使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。 

附图1为本发明所提供方法的解调器系统结构框图。 

附图2为自适应模糊神经网络(ANFIS)结构图。 

附图3为自适应模糊神经网络(ANFIS)学习流程图。 

附图4为本发明所提供方法的主流程图。 

附图5为采用本发明所提供非线性失真消除方法后的星座点信号仿真结果示意图。 

具体实施方式