[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

说明书

本发明公开了一种基于WaveNet神经网络结构的功率放大器行为建模方法，相较于当下常用的RNN、LSTM等记忆神经单元，本方法所采用的WaveNet网络每次迭代无需等待之前序列的预测结果，具备并行特点，所以模型训练和收敛十分迅速。同时，模型内部采用了时间卷积网络结构，卷积运算能提取序列的内在特征；而时间卷积又具备因果性质，模型当前的输出只与历史数据和即时数据相关，能够描述放大器的记忆效应。本方法在表征功率放大器的非线性特性和记忆效应上，具备较高的精度；而在模型训练上，拥有惊人的训练和收敛速度。

技术领域

本发明涉及非线性系统建模与分析应用领域，尤其涉及一种基于WaveNet神经网络结构的功率放大器行为建模方法。

背景技术

功率放大器是发射机的重要模块，是一个复杂的非线性系统，功率放大器经常会产生严重的非线性失真，并且随着系统带宽的增加，功率放大器也会产生记忆效应。

发射机的内部结构大多比较复杂，对发射机的行为建模可以在不知道发射机内部组成的情况下，只依据系统的输入、输出测试数据就可以模拟出它的非线性和记忆效应。行为模型可以用来分析不同发射机所对应的模型参数差异，通过修改模型参数获取不同的发射机发射信号。在系统级仿真中，这种方法被广泛使用，并且经大量实验证明，这种方法能够精确地对功放进行建模。

一般来说，功率放大器行为建模可以分为无记忆模型和记忆模型两种。无记忆功放模型的种类很多，例如Saleh模型，无记忆多项式模型等。无记忆功放模型相对简单，对于窄带系统建模有很好的效果。然而随着系统带宽的增加，功率放大器的记忆效应明显，无记忆模型无法很好地描述记忆效应，所以现在大多采用有记忆功放模型。有记忆模型一般采用Volterra级数模型和神经网络模型等。Volterra级数是对泰勒级数的扩展，该模型适用于弱非线性系统，而且系统的参数会随着阶次和记忆深度的增加而迅速增加，故计算量和收敛性受到了影响。而神经网络能够逼近任意非线性的函数，并且具有灵活有效的自组织学习能力，因而被广泛用于功率放大器系统的行为建模。在神经网络中常被用于建模的是循环神经网络——RNN以及相关变体LSTM和GRU，但是循环神经网络训练时间序列时，每次循环需要等待前一次结果，致使该网络存在训练速率低下、收敛缓慢等问题。同时，循环神经网络对于长时间跨度的依赖关系不敏感，也就是说，能够利用的上下文信息是有限的，因此循环神经网络在描述功放的长期记忆效应上表现一般。

发明内容

发明目的：针对上述现有技术，提出一种能很好描述功率放大器非线性特性和记忆效应的功率放大器行为建模方法。

技术方案：一种基于WaveNet神经网络结构的功率放大器行为建模方法，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；