[发明专利]非线性系统失真校正方法、装置、电子设备和存储介质

权利要求书

1.一种非线性系统失真校正方法，其特征在于，包括：

获取所述非线性系统中链路上的目标信号和所述目标信号的特征向量；

根据预设的包含校正参数的预失真模型对所述目标信号和所述目标信号的特征向量作预失真处理，得到预失真的目标信号；

其中，所述预失真模型包括预设的神经网络模型和预设的多项式模型，所述预设的神经网络模型包含所述校正参数中的权值系数和所述校正参数中的偏置系数，所述预设的多项式模型包含所述校正参数中的查找表系数。

2.根据权利要求1所述的非线性系统失真校正方法，其特征在于，所述获取所述非线性系统中链路上的目标信号和所述目标信号的特征向量，包括：

获取所述目标信号和所述目标信号的时域特征、频域特征、所述非线性系统的环境特征和所述非线性系统中非线性器件的类型特征；

根据所述时域特征、所述频域特征、所述非线性系统的环境特征和所述非线性系统中非线性器件的类型特征生成所述目标信号的特征向量。

3.根据权利要求1所述的非线性系统失真校正方法，其特征在于，所述根据预设的包含校正参数的预失真模型对所述目标信号和所述目标信号的特征向量作预失真处理，得到预失真的目标信号，包括：

将所述目标信号的特征向量输入到所述神经网络模型中得到中间结果；

将所述目标信号和所述中间结果共同输入到所述多项式模型中，得到预失真的目标信号。

4.根据权利要求1至3中任一项所述的非线性系统失真校正方法，其特征在于，所述根据预设的包含校正参数的预失真模型对所述目标信号和所述目标信号的特征向量作预失真处理之前，还包括：

获取所述非线性系统中链路上的第一训练信号，其中，所述第一训练信号为在预设的训练场景中的任一个训练场景下获取的；

根据预设的多项式模型训练算法和所述第一训练信号对待训练的多项式模型进行训练，获取训练完成的多项式模型和查找表系数；

其中，所述多项式模型训练算法包括以下之一或其任意组合：最小二乘算法、最小均方算法、递归最小二乘算法。

5.根据权利要求4中所述的非线性系统失真校正方法，其特征在于，所述获取训练完成的多项式模型和查找表系数之后，还包括：

获取第二训练信号和所述第二训练信号的特征向量，其中，所述第二训练信号包括多个第二子训练信号，每一个第二子训练信号为在预设的训练场景中的任一个训练场景下获取的，所述第二训练信号的特征向量包含所述第二训练信号的时域特征、频域特征、所述非线性系统的环境特征和所述非线性系统中非线性器件的类型特征；

将所述第二训练信号和所述第二训练信号的特征向量输入到待训练的预失真模型中进行训练，获取训练完成的神经网络模型、权值系数和偏置系数。

6.根据权利要求1所述的非线性系统失真校正方法，其特征在于，所述神经网络模型为实系数神经网络模型或复系数神经网络模型。

7.根据权利要求1所述的非线性系统失真校正方法，其特征在于，

当所述非线性系统为单通道链路的非线性系统的情况下，所述预失真模型包含一个神经网络模型和一个多项式模型；

当所述非线性系统为多通道链路的非线性系统的情况下，所述预失真模型包含一个神经网络模型和多个多项式模型。

8.一种非线性系统失真校正装置，其特征在于，包括：

获取模块，用于获取所述非线性系统中链路上的目标信号和所述目标信号的特征向量；

校正模块，用于根据预设的包含校正参数的预失真模型对所述目标信号和所述目标信号的特征向量作预失真处理，得到预失真的目标信号；其中，所述预失真模型包括预设的神经网络模型和预设的多项式模型，所述预设的神经网络模型包含所述校正参数中的权值系数和所述校正参数中的偏置系数，所述预设的多项式模型包含所述校正参数中的查找表系数。