[发明专利]一种宽带射频功放的动态非线性建模系统有效
申请号: | 201910306179.6 | 申请日: | 2019-04-16 |
公开(公告)号: | CN110135004B | 公开(公告)日: | 2023-03-28 |
发明(设计)人: | 惠明;张萌;潘群娜;黄金书;张新刚;姜沛 | 申请(专利权)人: | 南阳师范学院 |
主分类号: | G06F30/367 | 分类号: | G06F30/367;G06F117/08 |
代理公司: | 宁波奥圣专利代理有限公司 33226 | 代理人: | 方小惠 |
地址: | 473061 河南省南*** | 国省代码: | 河南;41 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 宽带 射频 功放 动态 非线性 建模 系统 | ||
本发明公开了一种宽带射频功放的动态非线性建模系统,包括无记忆效应处理单元、系数分解记忆效应处理单元和加法器,无记忆效应处理单元采用静态非线性无记忆多项式形式表示,系数分解记忆效应处理单元采用系数分解的记忆多项式模型、系数分解的广义记忆多项式模型或者系数分解的改进型广义记忆多项式模型实现;优点是在保证建模精度较高和复杂度较低的基础上,可以减少模型系数数量,减少训练时所耗的计算资源量,方便硬件实现。
技术领域
本发明涉及一种动态非线性建模系统,尤其是涉及一种宽宽带射频功放的动态非线性建模系统。
背景技术
近年来,宽带射频功放的动态非线性建模系统(即动态非线性模型)得到了广泛的研究。Volterra级数模型作为动态非线性模型的基础,具有很高的建模精度,但存在复杂度过高的问题。为了克服Volterra级数模型复杂度高的问题,研究人员通过对Volterra级数模型进行串并组合,提出了一些简单的动态非线性模型,如传统记忆多项式非线性模型、改进型Hammerstein非线性模型和广义记忆多项式非线性模型等。尽管这些非线性模型相比Volterra级数模型复杂度有所降低,然而这些非线性模型为了保证建模精度,非线性阶次和记忆深度会比较高,而随着非线性阶次和记忆深度的升高,模型系数数量会大幅增加,导致训练时所耗计算资源大幅度增高,存在难以硬件实现等问题。
为了能够实现复杂度和建模精度的良好折中,同时又能够进一步减少系数数量,减少训练时所耗的计算资源量,进而方便硬件实现。
发明内容
本发明所要解决的技术问题是提供一种在保证建模精度较高和复杂度较低的基础上,可以减少模型系数数量,减少训练时所耗的计算资源量,方便硬件实现的宽带射频功放的动态非线性建模系统。
本发明解决上述技术问题所采用的技术方案为:一种宽带射频功放的动态非线性建模系统,包括无记忆效应处理单元、系数分解记忆效应处理单元和加法器,所述的无记忆效应处理单元和所述的系数分解记忆效应处理单元分别具有输入端和输出端,所述的加法器具有第一加数输入端、第二加数输入端和和输出端,所述的无记忆效应处理单元的输入端和所述的系数分解记忆效应处理单元的输入端连接且其连接端为所述的动态非线性建模系统的输入端,所述的无记忆效应处理单元的输出端和所述的加法器的第一加数输入端连接,所述的系数分解记忆效应处理单元的输出端和所述的加法器的第二加数输入端连接,所述的加法器的和输出端为所述的动态非线性建模系统的输出端;
将宽带射频功放的输入端在当前采样时刻的采样信号记为x(n),所述的动态非线性建模系统的输入端接入信号x(n+M),x(n+M)为宽带射频功放的输入端在当前采样时刻的未来第M个采样时刻的采样信号,M=0,1,2,3,......η,η为大于等于1且小于等于10的整数,将所述的无记忆效应处理单元的输出端的输出信号记为y1(n),所述的系数分解记忆效应处理单元的输出端的输出信号记为y2(n),所述的加法器的和输出端输出信号y(n)=y1(n)+y2(n);
所述的无记忆效应处理单元采用静态非线性无记忆多项式形式表示为:
其中,f为所述的无记忆效应处理单元的最高阶次,f为正整数,e为所述的无记忆效应处理单元的最低阶次,e为大于等于零的整数,f﹥e,为所述的无记忆效应处理单元的系数,符号“| |”为取模符号,γ=e,e+1,…,f;
当M=0时,所述的系数分解记忆效应处理单元采用系数分解的记忆多项式模型实现,其表达式为:
其中,r为系数分解的记忆多项式模型的阶数,r为大于等于1的整数,s为系数分解的记忆多项式模型的记忆深度,s为大于等于1的整数,hw和pq为系数分解的记忆多项式的系数;符号| |为取模符号,w=0,1,…,r,q=0,1,…,s-1;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南阳师范学院,未经南阳师范学院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910306179.6/2.html,转载请声明来源钻瓜专利网。