[发明专利]一种基于广义多项式和神经网络的非线性预失真方法

权利要求书

1.一种基于广义多项式和神经网络的非线性预失真方法，其特征在于：包括以下步骤：

S1.构建基于广义多项式的预失真神经网络；

S2.在第n时隙，将源输入信号x(n)输入预失真神经网络，然后预失真神经网络的输出预失真信号z(n)；

S3.将预失真信号z(n)作为功放输入信号传输给功放，由功放进行处理后得到输出信号y(n)；

所述步骤S1包括：

S101.构建预失真神经网络的输入层；

S102.构建预失真神经网络的隐藏层；

S103.构建预失真神经网络的输出层；

所述步骤S101包括：

将输入层设计为广义多项式输入，输入信号是复数，不能直接使用神经网络，因此要将其分成实部和虚部，都是广义多项式模型，设神经网络的广义多项式输入在第n时隙为向量x(n)，具体形式为：

其中

其中，是指取实部，是指取虚部，向量x(n)的维度为：

O＝2(K_aM_a+K_bM_bQ_b+K_cM_cQ_c)。

2.根据权利要求1所述的一种基于广义多项式和神经网络的非线性预失真方法，其特征在于：所述步骤S102包括：

设定网络隐藏层数为1，每层网络节点数为J，隐藏层中第j个节点和输入直接的连接为：

其中是第j个节点和广义多项式输入层的连接权重值，而b_j是第j个节点偏置量，合成一个偏置向量b，然后，第j个节点的输出为：

σ_j(n)＝f_j(N_j(n)) (9)

其中f_j(·)是第j个节点的激活函数。

3.根据权利要求2所述的一种基于广义多项式和神经网络的非线性预失真方法，其特征在于：所述步骤S103包括：

由于非线性预失真的输出是复数，因此预失真神经网络输出节点也分为两个部分，分别表示非线性预失真的I路和Q路，输出理想值：

其中z(n)通过迭代学习控制法得到，其步骤为：

A1：设定z_k(n)为第k次迭代的输出，设定迭代次数为K；

A2：初始化z₁(n)＝x(n)；

A3：从k＝1到K，进行如下操作：

A31：将z_k(n)输入一个真实功放器；

A32：得到真实功放对应的输出y_k(n)；

A33：更新

A4：循环结束，输出z(n)＝z_K(n)；

其中，G为功放增益；

而网络输出的真实值为：

所有权重值和合成一个权重向量w，为了得到权重向量和偏置向量，建立如下优化问题：

其中，是代价函数，且

其中优化问题(12)通过Levenberg-Marquardt算法来解决，从而得到权重向量和偏置向量的估计值和其算法如下：

设定w_k和b_k为第k次迭代的输出值；

A1：随机产生初始权重向量w₁和偏置向量b₁；

A2：如果||w_k-w_k-1||+||b_k-b_k-1||≤ε，则进入A2，否则进入A3；

A21：计算和

A22：更新权重向量和偏置向量w_k+1＝w_k+Δw_k和b_k+1＝b_k+Δb_k，回到A2；

A3：停止更新。