[发明专利]深度神经网络抑制信号立方度量的方法

说明书

本发明公开的一种深度神经网络抑制信号立方度量的方法，旨在提供一种具有良好的CM抑制特性和信号畸变性能，更好的折衷性能并且耗时很短的抑制CM的方法。本发明通过下述技术方案予以实现：在信号经过正交频分复用OFDM系统接收端的星座映射后，将通过第一串并转换单元串并转换为OFDM的多路信号，送入深度神经网络单元利用训练得到的神经网络参数对输入信号的立方度量CM抑制，再经IFFT模块对于深度神经网络单元输出的信号进行逆快速傅里叶反变换，获得并行的时域信号，传输到第二并串转换单元转换为时域信号，获得的时域信号通过数模转换器DAC将时域数字信号转换为模拟信号送入功率放大器PA端口发送。

技术领域

本发明属于无线通信技术领域，具体涉及到一种利用深度学习神经网络降低OFDM信号立方度量的方法

技术背景

信号包络波动过大是正交频分复用(OFDM)的一个主要问题，OFDM系统有两个衡量信号包络波动的性能指标：峰均功率比PAPR和立方度量(Cubic Metric，CM)。相比于功率峰均比(PAPR),立方度量能够更加准确地预测功放的功率回退量,因此被认为是更有效的衡量正交频分复用(OFDM)信号包络变化的度量。在放大器电路中，放大增益的三次方非线性分量是产生ACLR的主要原因，也就是说这个立方项是造成信道失真，三次谐波，从而造成带内干扰和邻道干扰的原因。因此，用CM比PAPR更加准确，能更好的反应OFDM信号的功放特性。为了提高功放效率,常用优化方法是直接最小化信号的立方度量值。然而,这样会引入严重的带内失真,造成系统误码率性能的恶化。CM按原始CM计算，其值越小性能越好。由序列可知，常数序列达到了CM性能极限；和序列幅值整体变化较大，CM性能变差；瑞利分布要比均匀分布的CM性能差很多。由此可知，序列的幅值分布是影CM性能的主要因素，部分幅值偏大或偏小对CM性能都不利。降低信号峰值能够明显改OFDM信号的PAPR性能，经典的PAPR方法都是根据这个思路进行处理的。正交频分复用(OFDM)技术是现代宽带通信系统一项广泛采用的技术。该技术主要缺点之一是OFDM信号具有较高的峰均功率比求功率放大器HPA具有较高的线性范围，导致HPA的功率效率降低。另外，功率放大器的非线性会使动态范围大的信号产生非线性失真，降低系统的误比特率BER性能。OFDM作为一项多载波技术，存在信号包络起伏较大的问题。当包络起伏较大的OFDM信号通过功率放大器(PA)时，会出现严重的非线性失真。立方度量CM是新近提出的度量OFDM信号包络波动的指标。与峰均功率比相比，CM考虑的是功率放大器三阶非线性互调干扰的影响，因此在用来评估OFDM信号包络变化时，CM要比PAPR更加准确，这已被3GPP标准接受。

CM的表达式为：

其中，rms[x(n)]为信号x(n)的均方根值；20log{rms[(x(n)/rms[x(n)])³]}称为参考立方度量值RCM(RawCubicMetric)；RCM_ref为参考信号的RCM；Q是一个经验因子。由于RCM_ref和Q是常数，所以在比较信号的包络波动时，我们可以只考虑信号的RCM大小。经过简单的变换后，RCM可以等价地表示为：

式中，E[]表示求取均值的计算。