[发明专利]一种基于深度重构模型的功率放大器行为建模方法

说明书

技术领域

本发明涉及非线性系统建模与分析应用领域，尤其涉及一种基于神经网络的功率放大器行为模型建模与分析方法。

背景技术

功率放大器(Power Amplifier,PA)是发射机的关键部分，也是辐射源特征的主要来源之一。功放是一个复杂的非线性系统，对其进行系统建模方法的研究对于功放非线性特性的测量、行为模型的参数提取、以及采用预失真技术消除功放的非线性失真等方面具有重要的实际意义和应用价值。

功放的建模方法可分为物理建模和行为建模两种：物理建模通常要求知道功放的电路结构、相关的元器件特性、基本电路定律以及相关理论规则等；而行为建模则仅需利用功放的输入输出数据，采用黑盒的方式描述系统响应特性，分析更为简便。按照模型所反映的物理本质，将行为模型分为：无记忆模型、有记忆模型等。

实际中的功放属于典型的非线性记忆系统。有记忆模型一般采用Volterra级数模型和神经网络模型等。传统的Volterra级数模型一般适用于弱非线性系统的行为建模，系统参数的数量会随着系统阶次和记忆深度的增加而急剧增多，常用的有记忆的多项式模型可以看成是Volterra级数模型的简化形式。神经网络模型可以逼近任意的非线性函数，并且具有灵活有效的自组织学习能力，因而被广泛用于功放系统的行为建模。目前已经提出了很多种具有记忆效应的神经网络模型，如径向基神经网络、动态模糊神经网络、基于切比雪夫正交基的神经网络等。但是神经网络算法存在收敛速度较慢，易陷入局部极小值等缺点。

发明内容

本发明的目的在于提供一种基于深度重构模型(Deep Reconstruction Model，DRM)的功率放大器行为建模方法,克服现有方法迭代次数较多、计算复杂、建模精度较低造成对功率放大器产生的非线性失真认识不完整，从而影响功率放大器性能提高的问题。本方法对功率放大器采用基于深度重构模型的神经网络方法进行行为建模，使用受限波尔兹曼机来初始化神经网络的权系数，降低模型的迭代次数，提高收敛速度；利用Elman神经网络的输出除了与即时输入有关，也与历史输入有关的特点，用于描述功率放大器的记忆效应，以实现对有记忆非线性系统的系统建模与分析。

本发明采用的技术方案为：一种基于深度重构模型的功率放大器行为建模方法，包括以下步骤：

步骤A：准备系统行为建模的输入数据向量x＝[x(1),x(2),…,x(N)]和输出数据向量其中N为数据长度。

步骤B：将输入和输出数据归一化。

步骤C：初始化受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)网络，RBM网络的模型结构有两层：可见层和隐含层。其过程如下：

步骤C-1：设置RBM网络可见层有N个单元，构成可见层单元向量v＝[v₁,v₂,…v_N]，接收外部的输入变量并将输入变量传递到隐含层单元；隐含层有L个单元，构成隐含层单元向量h＝[h₁,h₂,…h_L]。从可见层到隐含层有N×L维权系数矩阵可见层单元有1×N维偏置向量a＝[a₁,a₂,…a_N]，隐含层单元有1×L偏置向量b＝[b₁,b₂,…b_L]；构成RBM网络的系数矩阵θ＝{R,a,b}；

步骤C-2：设置RBM网络的系数矩阵θ＝0；

步骤C-3：设置RBM网络的训练最大迭代次数T；

步骤C-4：设置RBM网络重构误差的误差阈值为μ；

步骤C-5：设置RBM网络的学习速率为φ；

步骤C-6：设置重构误差初始值E_reconst(0)＝0。

步骤D：使用输入数据训练二进制RBM网络，它的随机变量(v,h)只从{0,1}取值，v_i和h_j是可见层单元i和隐含层单元j的二进制状态，R_ij是可见层单元i和隐含层单元j的权系数。每一次迭代训练由两个RBM网络组成，其中，底层RBM的隐含层连接顶层RBM的可见层。其过程如下：

步骤D-1：初始化可见层输入数据

步骤D-2：对于所有隐含层的节点j：计算也就是进行层与层之间的映射运算其中，是sigmoid激励函数；依据进行吉布斯采样(Gibbs Sampling)得到