[发明专利]基于动态多核带宽广义回归神经网络算法的宽频段发信机非线性建模方法

权利要求书

1.一种基于动态多核带宽广义回归神经网络算法的宽频段发信机非线性建模方法，包括如下步骤：搭建测试平台，测量并记录宽频段发信机全工作频段的非线性特征，收集测试信号的输入、输出幅度和相位值，以及对应的载波频率；根据载波频率对信号样本进行分段处理，利用幅度非均匀量化技术对输入信号的幅度进行量化，并通过动态记忆指纹技术来实现动态非线性指纹样本数据集的构建；使用动态非线性指纹样本数据集训练广义回归神经网络，结合最优化算法得到动态多核带宽广义回归神经网络模型，实现对宽频段发信机全频段非线性特征建模；

所述动态记忆指纹技术通过改变非线性指纹样本数据中输入信号幅度和载波频率的记忆深度m来控制动态多核带宽广义回归神经网络输入层神经元的数量和模式层核函数的维度；

所述动态非线性指纹样本结构：

{[α(t)，α(t-1)，...，α(t-m)]，[f(t)，f(t-1)，...，f(t-m)]，θ}

其中，m表示非线性模型的记忆深度值，参数α表示载波幅度值，f表示载波频率值，θ为相位；

所述动态多核带宽广义回归神经网络拓扑由输入层、模式层、求和层以及输出层组成；

所述输入层的神经元数量为v＝(2×m+1)，分别对应记忆深度为m的幅度指纹和频率指纹和1个相位数据；

所述模式层神经元的数量由频率指纹集长度p、幅度指纹集长度、相位指纹集长度r以及记忆深度m共同决定；

所述求和层包含4个神经元；

所述输出层包含2个神经元，分别对应模型估计出的幅度值和相位值；

使用动态非线性指纹样本数据集训练所述广义回归神经网络，训练的目标参数为模式层神经元对应的高斯核带宽集合{σ_i，i∈[1，v]}。

2.根据权利要求1所述的方法，其特征在于，所述测试平台由矢量信号发生器、矢量信号分析仪、衰减器以及PC机设备组成。

3.根据权利要求1所述的方法，其特征在于，所述测试平台测量并记录由信号源输入发信机的输入数字基带信号，发信机的载波频率，以及发信机输出信号经接收机解调后得到的数字基带信号，其中，信号源可以为矢量信号发生器，接收机可以为矢量信号分析仪。

4.根据权利要求1所述的方法，其特征在于，所述动态非线性指纹样本数据集由幅度指纹集、频率指纹集和相位指纹组成集。

5.根据权利要求1所述的方法，其特征在于，所述频率分段技术根据发信机频率-非线性对工作频带分类处理，确定频率指纹点的数值和步进，控制动态多核带宽广义回归神经网络模式层神经元的数量和带宽。

6.根据权利要求1所述的方法，其特征在于，所述幅度非均匀量化技术根据信号幅度增益压缩率对输入信号的幅度进行分段处理，确定幅度指纹点的数值和步进，控制动态多核带宽广义回归神经网络模式层神经元的数量和带宽。

7.根据权利要求1所述的方法，其特征在于，所述最优化算法为梯度下降法、牛顿法、粒子群算法、遗传算法或退火算法。

8.根据权利要求1所述的方法，其特征在于，所述动态多核带宽广义回归神经网络模型采用增量学习模式，通过输入新的训练样本来提高模型精度，并且能够跟踪功放非线性的变化，修正参数，提高模型的鲁棒性。