[发明专利]基于动态多核带宽广义回归神经网络算法的宽频段发信机非线性建模方法

说明书

本发明公开了一种基于动态多核带宽广义回归神经网络算法的宽频段发信机非线性建模方法，包括如下步骤：搭建测试平台，测量并记录宽频段发信机全工作频段的非线性特征，收集测试信号的输入、输出幅度和相位值，以及对应的载波频率；根据载波频率对信号样本进行分段处理，利用幅度非均匀量化技术对输入信号的幅度进行量化，并通过动态记忆指纹技术来实现动态非线性指纹样本数据集的构建；使用动态非线性指纹样本数据集训练广义回归神经网络，结合最优化算法得到动态多核带宽广义回归神经网络模型，实现对宽频段发信机全频段非线性特征建模。

技术领域

本发明涉及无线通信中发信机设计技术领域，尤其是发信机非线性失真建模与校正技术。通过测量宽频段发信机在全频段工作时的信号，提取其中的特征模式组成训练样本数据，利用学习算法和神经网络模型来拟合发信机的非线性特性，为发信机预失真校正等线性化技术提供模型基础。

背景技术

宽频段发信机的非线性失真主要由射频功放的非线性特性引起。主要表现为信号的幅度失真和相位失真：信号通过非线性功放后，输出信号幅度的增益随着输入信号幅度而变化，同时相位的改变量也随输入信号幅度而变化。非线性失真不仅会导致放大信号的压缩，还会产生新的频率成分，导致频谱的扩展，不仅严重影响了工作频段内信号的信噪比，还对邻近的信道产生干扰，尤其对组网式的通信系统有较大危害。

发信机的非线性通常可以通过AM-AM失真和AM-PM失真来表示。其中AM-AM表示由信号放大后产生的幅度失真，AM-PM表示由信号放大后产生的相位失真。

除了AM-AM失真和AM-PM失真之外，射频功放还存在记忆效应。从时域角度看，记忆效应是射频功放当前的输出信号不仅取决于当前的输入信号，而且还与过去的输入信号有关，即器件的失真取决于之前10到20纳秒的射频输出功率。其本质上是器件通道中的瞬时温度会影响失真；从频域的角度，可将记忆效应定义为射频功放的幅度和相位特性随着输入信号包络频率的变化而改变的现象。记忆效应最大的来源是由于信号包络频率的变化导致匹配网络，偏置网络节点阻抗的变化，带来输出幅度和相位的波动。所以随着通信带宽的增加，射频功放的记忆效应会越来越显著，需要在无记忆射频功放非线性模型的基础上加入对记忆效应的描述来建立有记忆射频功放模型，其复杂度与记忆效应的深度成正比。

由于宽频段发信机的工作频段很宽，有时会跨多个倍频程。通过实际测量可知，在该模式下，发信机的非线性特性会随着频率变化发生显著改变，而且变化量的大小不与频率的变化量成单调变化关系，而且宽带工作还会带来严重的记忆效应，所以难以用简单的数学表达式来描述宽频段发信机的非线性特性。

广义回归神经网络(General Regression Neural Network GRNN)模型是一种基于密度估计的核回归数学模型。经典的广义回归神经网络模型由输入层、模式层、求和层和输出层组成。其核函数服从多元高斯分布，具有良好的非线性拟合性能和抗噪声能力。其核估计值如下式

其中σ为核函数的带宽，Xi为观测样本值，yi为输出值，X为输入值。估计值可以认为是所有观测样本值的加权平均。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种用于对宽频段发信机非线性特性的建模方法，该方法基于机器学习的思想，通过启发式学习和增量学习的方法，提取并筛选宽频段发信机的非线性特征模式，利用神经网络算法训练模型，其模型结构灵活，需要训练的参数较少，拟合性能好，抗噪声能力强，能够准确表示发信机在宽频段的非线性特性。