首页 / 专利库 / 天文学 / 深空网 / 基于改进MLBP的神经网络预失真方法

基于改进MLBP的神经网络预失真方法

阅读:381发布:2020-07-10

专利汇可以提供基于改进MLBP的神经网络预失真方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种深空通信中功率 放大器 前端的神经网络预失真技术。深空通信中由于 功率放大器 的存在, 信号 在传输的过程中产生了失真。数字基带预失真技术在放大器前通过对比线性放大特性的逆函数的模拟,达到接收端接收到线性放大信号的目的。神经网络可以用来模拟放大器放大特性的逆函数,形成预失真器。本发明提出取一组放大器回馈信号作为神经网络训练样本,对应的 输入信号 作为目标样本,采用改进的Levenberg-Marquardt反向传播 算法 作为神经网络学习算法,构成了易于实现并且快速收敛的预失真技术。,下面是基于改进MLBP的神经网络预失真方法专利的具体信息内容。

1.一种基于神经网络的数字基带预失真技术,在信号发送之前不通过预失真器先随机发送一组样本信号,通过放大器后反馈回发射端作为神经网络的学习样本,将该组信号作为神经网络的目标样本,对神经网络采用改进的MLBP算法进行学习,当均方误差达到期望值后,记忆神经网络中神经元的权值,开始发送信号,在通过放大器前先通过预失真器;
2.根据权利要求1所述的学习算法,提供改进的MLBP学习方法,包括下面的步骤:
步骤1系统初始化,选择随机样本,设定学习速率μ=0.001;
k
步骤2根据下式计算误差函数F ;
步骤3计算雅克比矩阵,由下式确定
步骤4按下述方程组调整神经元权值,
k k k
G(x)·Δx =B(x) (3)
k T k k k
G(x)=J(x)J(x)+μI (4)
k T k k
B(x)=J(x)e(x) (5)
k k
(3)中用矩阵相乘后进行矩阵LU分解的方式求Δx,相比矩阵求逆的方式求解Δx 算法复杂度降低;
k+1 k+1 k k+1
步骤5计算下次学习的误差函数F ,如果F >F,令μ=μ×10重新计算F ;
步骤6如果误差小于目标误差,算法结束,否则令μ=μ×0.1跳至步骤(3)重新计算雅克比矩阵。

说明书全文

基于改进MLBP的神经网络预失真方法

技术领域

[0001] 本发明属于电子技术领域,如无线通信、移动通信、深空通信等,特别涉及采用功率放大器的无线通信系统。

背景技术

[0002] 深空通信中由于传输距离非常大,信号能量衰减严重,都要使用功率放大器对信号进行放大,但由于功率放大器一般都工作在饱和区,对信号幅度和相位都产生了失真。数字基带预失真技术在发射端通过对信号的预补偿,不仅纠正了信号的星座扭曲,而且消除了频谱扩散,这在深空通信中是非常有意义的。预失真器其实质是根据放大器的非线性传递函数求出该函数的反函数,信号在通过放大器前先通过预失真器的非线性传递函数使得信号产生预扰,这样在接收端就可以得到线性放大的信号。
[0003] 人工神经网络广泛应用于信号处理,模糊识别等领域,其工作方式可大致分为学习和识别两部分。在学习过程中,改变神经网络内部神经元的权值以使目标样本和学习样本的均方误差最小,达到最小值使,记忆神经元的权值进入识别过程,输入值进入网络与神经元的权值运算,得到理想的输出。根据神经网络的这种特性,可以将神经网络应用于深空通信系统中,用以模拟功率放大器非线性传递函数的逆函数,形成非线性放大器前端预失真器。
[0004] BP神经网络学习算法有很多,传统BP算法收敛过慢导致其应用得不到推广,Levenberg-Marquardt提出的BP算法(MLBP)解决了BP算法收敛过慢的问题,但由于算法中存在大矩阵求逆问题,不易于实现,也没有得到推广。改进的MLBP算法的出现解决了上述两个问题。

发明内容

[0005] 本发明的目的是将基于改进的MLBP算法的人工神经网络应用于深空通信的数字基带预失真器中。
[0006] 系统模型如图1所示。本发明提出在信号发送之前不通过预失真器先随机发送一组样本信号,通过放大器后反馈回发射端作为神经网络的学习样本,将该组信号作为神经网络的目标样本,对神经网络采用改进的MLBP算法进行学习,当均方误差达到期望值后,记忆神经网络中神经元的权值,开始发送信号,在通过放大器前先通过预失真器。图2为神经网络学习框图
[0007] 改进的MLBP学习算法按下述步骤工作:
[0008] 步骤1系统初始化,选择随机样本,设定学习速率μ=0.001;
[0009] 步骤2根据下式计算误差函数Fk;
[0010]
[0011] 步骤3计算雅克比矩阵,由下式确定
[0012]
[0013] 步骤4按下述方程组调整神经元权值,
[0014] G(xk)·Δxk=B(xk) (3)
[0015] G(xk)=JT(xk)J(xk)+μkI (4)
[0016] B(xk)=JT(xk)e(xk) (5)
[0017] (3)中用矩阵相乘后进行矩阵LU分解的方式求Δxk,相比矩阵求逆的方式求解kΔx 算法复杂度降低;
[0018] 步骤5计算下次学习的误差函数Fk+1,如果Fk+1>Fk,令μ=μ×10重新计算Fk+1;
[0019] 步骤6如果误差小于目标误差,算法结束,否则令μ=μ×0.1跳至步骤(3)重新计算雅克比矩阵。
[0020] 图3以及图4分别显示出了常规MLBP和改进的MLBP算法应用于神经网络预失真器中的性能。从仿真中我们可以得到结论,采用改进的MLBP算法所用的学习时间大约是采用常规MLBP算法的1/9,并且从性能略有提高。
[0021] 附图及附图说明
[0022] 图1是系统模型
[0023] 其中,成型滤波器后的开关控制神经网络的学习模式和工作模式,学习模式中发送随机信号集{vt},通过放大器反馈回信号集{ut}作为学习样本,学习结束后开关切换到下边的通路,并且不再需要反馈回路;
[0024] 图2是学习算法框图
[0025] 其中,vt=|vt|·exp(arg(vt)),ut=|ut|·exp(arg(ut)),神经网络通过学习的方式进行学习。
[0026] 图3是采用MLBP学习算法和改进的MLBP学习算法调整的星座图比较[0027] 其中,左图为常规MLBP算法的结果,右图为改进算法的结果
[0028] 图4是采用MLBP学习算法和改进的MLBP学习算法预失真后频谱图。
[0029] 其中,黑线为未通过预失真的接收端信号频谱,蓝线为采用MLBP算法作为预失真器学习算法后接收端的信号频谱,红线为采用改进算法作为预失真器学习算法后接收端信号频谱。
[0030] 可以从图3和图4中看出改进算法的优势。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈