[发明专利]一种基于生成对抗神经网络的功率放大器行为建模方法

说明书

本发明公开了一种基于生成对抗神经网络的功率放大器行为建模方法，包括如下步骤：采集功率放大器的输入信号X_in和输出信号y_out，并归一化处理，分别得到和构建包括生成器、判别器的生成对抗神经网络模型，并初始化；设置生成对抗神经网络模型的权系数矩阵、最大迭代次数num_epochs、学习率η、误差阈值；将输入生成器并生成数据y_t，将y_t和功输入判别器提取特征信息；分别计算生成器模块和判别器模块的目标误差损失函数；用Adam优化算法训练生成对抗神经网络；迭代次数加1；判断是否满足：目标误差损失函数不大于误差阀值或迭代次数大于迭代次数num_epochs，否，则根据权值矩阵的变化量更新权值系数，返回上述步骤；是，则停止迭代，保存权值系数，得到功率放大器行为模型。

技术领域

本发明涉及无线通信技术领域，更具体的，涉及一种基于生成对抗神经网络的功率放大器行为建模方法。

背景技术

目前功率放大器非线性行为模型主要有两种：无记忆射频功放行为模型和有记忆射频功放行为模型。无记忆模型主要有查找表(look up table,LUT)模型、Saleh模型、复数单输入单输出前馈神经网络和双输入双输出实数神经网络等，这些模型对无记忆功放模型的拟合精度较高，且线性化效果比较明显，但是无法精确的刻画有记忆效应的功放非线性特性。目前广泛使用的是有记忆的非线性模型，如：径向基函数神经网络模型和不同拓扑结构的BP神经网路模型。记忆多项式模型是简化版的Volterra模型，其大大简化了Volterra模型饿系数。Wiener、Hammerstein模型以及其改进型模型在对功放建模的时候，功放的记忆效应部分忽略了高阶分量，因此这些模型的建模能力对于大功率带宽的功放建模精度不高。

在当今的4G、5G通信系统中，移动通信的带宽和传输速率都将有极大的提升，由于目前AD采集速率的限制，AD只能采集到通信系统中带内或者带内的一部分信号，造成一定数据丢失的问题。

发明内容

本发明为了解决由于目前AD采集速率的限制，AD只能采集到通信系统中带内或者带内的一部分信号，造成一定数据丢失的问题，对传统的神经网路模型只在描述短期记忆效应表现良好，对长期记忆效应描述表现很差的问题，提出一种基于生成对抗神经网络模型的功率放大器行为建模方法，其能防止数据丢失问题，同时具有记忆功能的特点，能用来描述功率放大器的记忆效应和非线性。

为实现上述本发明目的，采用的技术方案如下：一种基于生成对抗神经网络的功率放大器行为建模方法，所述该方法包括如下步骤：

S1：采集功率放大器的输入信号数据向量X_in＝[x_in(1),x_in(2),…,x_in(N)]和输出信号数据向量y_out＝[y_out(1),y_out(2),…,y_out(N)]，其中，N为数据长度；

S2：对输入信号数据向量X_in和输出信号数据向量y_out进行归一化处理：得到归一化输入信号数据向量和输出信号数据向量

S3：构建生成对抗神经网络模型，并初始化生成对抗神经网络模型，其中生成对抗神经网路模型包括生成器、判别器；

S4：设置生成对抗神经网络模型中的权系数矩阵、训练最大迭代次数num_epochs、学习率η、误差阈值；

S5：将输入信号数据向量输入生成器并生成数据y_t，将数据y_t和功率放大器的输出数据向量输入到判别器中提取特征信息；

S6：分别计算生成器模块和判别器模块的目标误差损失函数；