[发明专利]一种基于神经网络的数字预失真训练数据筛选方法及装置

说明书

本申请公开了一种基于神经网络的数字预失真训练数据筛选方法，通过在对初始信号数据进行放大处理，得到处理后的信号数据后，在处理后的信号数据中采样得到离散信号数据，保证其中至少包括第一预设数目幅度超出预设的第一阈值的高幅度离散数据，以这样采样得到的离散信号数据和离散信号数据经过目标功率放大器的反馈信号数据为预失真训练数据，确保了对高幅度数据的覆盖率，有效提高了训练后得到的预失真训练器对失真最严重的高幅度部分的信号数据的学习效果，从而获得更好的预失真效果。本申请还公开了一种基于神经网络的数字预失真训练数据筛选装置、设备及计算机可读存储介质，具有上述有益效果。

技术领域

本申请涉及自适应数字预失真技术领域，特别是涉及一种基于神经网络的数字预失真训练数据筛选方法、装置、设备及计算机可读存储介质。

背景技术

随着现代无线通信技术的快速发展，频谱资源日趋紧张，各种高频谱利用率的调制技术和多载波数字传输技术等被广泛采用。然而高效数字调制方式产生的非恒定包络信号都具有较高的峰均比，经功放放大后易产生带内失真和带外频谱扩展，严重影响了通信系统性能。自适应数字预失真技术由此而生。在各种正交频分复用(Orthogonal FrequencyDivision Multiplexing，OFDM)通信系统中，功率放大器(power amplifier，PA，简称功放)具有非线性效应，建立非线性功放模型并应用于预失真技术来提高功放的线性度，对实际应用意义重大。图1为预失真器与功放的连接示意图；图2为预失真技术的基本原理图。如图1所示，预失真技术就是利用数字信号处理技术来补偿无线通信系统中由功放引起的信号失真，其基本原理是在信号经过功放之前，先用一个称之为预失真器的模块对其进行预处理，由于预失真器有着和功放相反的特性，信号经过预失真器后再通过功放，最后输出的信号是线性放大的。在各种预失真器模型中，神经网络模型以其自适应和逆控制等优势，近年来被应用于功放的预失真器设计。

基于神经网络的数字预失真训练中关键的一环是获取合适的样本数据。通常是自功放的实际应用环境中截取一段数据进行训练，具体来说是通过触发的方式截取一段包含高幅度数据的信号数据进行训练，以尽可能提取到失真较大的信号数据，对该段数据进行神经网络训练，可以对功放的非线性特性进行估计和拟合，得到与之匹配的补偿神经网络参数，也即预失真神经网络参数。

然而，目前的常规数据提取方法虽然提取到了高幅度的信号数据，但由于正交频分复用信号高峰均比的特性，提取出来的数据幅度分布有其固有分布特点，通常为中间幅度的信号数据所占比例较大，幅度较低部分的信号数据和高幅度部分的信号数据所占比例均很小。以这样分布的信号数据进行训练，会造成中间幅度部分信号数据的计算权重过大，匹配度较好，高幅度部分信号数据由于比例过小，在计算中所占的权重过低，因此最终此部分信号数据的匹配度并不好。但根据功放的非线性效应，往往高幅度部分的信号数据才是失真最严重的。这导致现有的基于神经网络的数字预失真训练得到的预失真器无法提供良好的预失真效果。

发明内容

本申请的目的是提供一种基于神经网络的数字预失真训练数据筛选方法、装置、设备及计算机可读存储介质，用于提高基于神经网络的数字预失真训练的训练效果，以使得到的预失真器具有更好的预失真效果。

为解决上述技术问题，本申请提供一种基于神经网络的数字预失真训练数据筛选方法，包括：

获取初始信号数据；

对所述初始信号数据进行信号放大处理，得到处理后的信号数据；

在所述处理后的信号数据中采样得到离散信号数据；

以所述离散信号数据和所述离散信号数据经过目标功率放大器的反馈信号数据为预失真训练数据；

其中，所述离散信号数据中至少包括第一预设数目幅度超出预设的第一阈值的高幅度离散数据。

可选的，对所述初始信号数据进行信号放大处理，得到处理后的信号数据，具体为：