[发明专利]一种基于WaveNet神经网络结构的功率放大器行为建模方法

权利要求书

1.一种基于WaveNet神经网络结构的功率放大器行为建模方法，其特征在于，包括如下步骤：

步骤A：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；

步骤B：将输入和输出数据进行归一化：

其中，max(·)表示求向量中最大值的运算，min(·)表示求向量中最小值的运算，t表示时间节点；

得到归一化输入信号数据向量和归一化输出信号数据向量

步骤C：构建WaveNet神经网络结构模型，所述WaveNet神经网络结构模型由3组网络构成：高维映射网络、时间卷积网络、全连接输出网络；

步骤D：对构建好的所述WaveNet神经网络结构模型进行训练；

步骤E：模型训练完毕，根据给定的输入，得到所述WaveNet神经网络结构模型的输出序列y_pred；

所述步骤C包括如下具体步骤：

步骤C-1：构建一维数据向多维数据的高维映射网络：设定映射维度为D，输入节点数为输入序列长度，隐含节点数为D，将输入数据一一映射成D维空间向量，输入序列中t时间节点的数据的映射操作为：

z(t)^D为映射的D维向量；f_d1为激活函数，采用RELU修正线性单元作为激活函数；W_d1为第一层的权值矩阵，采用服从[0，1]上的均匀分布进行初始化；B_d1为第一层网络偏置，初始化为0；

经过高维映射网络之后，输入数据由映射为z^D＝[z(1)^D，z(2)^D，...z(N)^D]；

步骤C-2：构建TCN时间卷积网络：所述TCN时间卷积网络为深度卷积神经网络，包括L层因果扩展卷积层以及L层因果卷积层；所述TCN时间卷积网络整体的感受野大小为2^L+1，即一个输出由长度为2^L+1的序列堆栈多层映射所得；所述TCN时间卷积网络的输入为D维向量序列z^D，序列长度为N；输入首先经过因果扩展卷积层，然后经过因果卷积层，直到将序列长度映射为1；

步骤C-3：批标准化处理：在每个卷积层之后，添加批标准化，使得这一层输出数据的每个维度均值都为0，方差都为1；

步骤C-4：构建全连接输出网络，通过所述全连接输出网络将输出向量映射为标量数据，作为当前时间节点的预测值：

y_pred(t)＝f_2×L+2(W_2×L+2·z_2×L+2(t)^D+B_2×L+2)

其中，f_2×L+2为最后一层激活函数——sigmoid函数；z_2×L+2(t)^D为第t个时间节点卷积网络的最后一层输出；y_pred(t)为模型输出，W_2×L+2为该全连接输出网络的权值矩阵，采用服从[0，1]上的均匀分布进行初始化；B_2×L+2为该全连接输出网络的偏置，初始化为0。