专利名称：基于简化模糊神经网络的增强维纳模型的功放预失真方法
技术领域：
本发明是一种用于功率放大器线性化的预失真方法，特别涉及一种基于简化模糊神经网络(MANFIS, modified adaptive neuro-fuzzy inference system)的增强型维纳 (Augmented Wiener)模型的数字预失真方法。
背景技术：
无线通讯技术的飞速发展对通讯系统的性能指标提出了更高的要求，功率放大器 作为无线通讯发射系统中重要组成部分，也是实现难度最大，价格最昂贵的部分，其性能的 好坏对于系统的数据传输速率、覆盖范围、频谱利用率以及带外谱杂散等指标都有很大影 响。随着基于现代无线通讯网络的应用(WCDMA、WLAN、WiMAX等)，高速率的无线数据 传输提高了信号的峰均比，这就要求功率放大器必须回退到线性区以达到提高线性度的目 的，但是功率输出点的回退意味着功率放大器工作效率的降低，所以提高功放的线性度对 于未来无线通讯的发展有着很重要的意义。当输入信号功率较大时，功放就会进入饱和区甚至截止区，产生严重的非线性失 真。当功率放大器工作到接近饱和区时，会引起严重的带内失真和带外频谱泄露，并且随 着现代通信系统带宽的增加，功率放大器会产生的其它各种复杂的非线性特性和记忆效应 等，比如电记忆效应和热记忆效应。近年来，各种功率放大器模型和线性化技术的研究越来 越广泛。常见的功率放大器的非线性模型有Saleh模型、Volterra级数和神经网络等；常 用的线性化技术有前馈法(Feedforward)、笛卡儿负反馈法(Cartesian Feedback)、功率合 成法(LINC)和各种预失真方法(Predistortion)等。而在各种线性化技术中，数字预失真 技术(DigitalPredistortion)是最近研究的热点。非线性模型可以不考虑功放内部的复 杂物理电路，将其简化为数学方程式。通过功率放大器模型的研究可以引申出各种数字预 失真技术，一旦实现，不容易受温度和环境的影响，有较好的稳定性。而且在数字域里面可 以实现各种算法，具有更高的灵活性。高效的预失真方案和功率放大器模型有着密切的联系。有记忆功率放大器模型 一般可以分为Volterra级数模型和神经网络模型。普通的Volterra级数一般适用于弱 非线性特性的系统建模，参数会随着系统阶次和记忆长度的增大而急剧增加，所以参数多、 计算量大、收敛慢，性能受到阶次大小和记忆长度的影响是这一类模型的缺点。因此，对 普通Volterra级数模型的简化研究是当前研究一个重要内容，其中包括改进Volterra 级数模型、Wiener模型、Hammerstein模型、并联Wiener模型、并联Hammerstein模型、 Wiener-Hammerstein模型等。神经网络能逼近任意连续的非线性函数，并且具有灵活的学 习方式，是近几年研究的重点。功放的神经网络模型中有延时三层前馈网络模型、径向基函 数网络模型、反馈型网络模型等。神经网络虽然是非线性动态系统建模有效方法，但是大多 数神经网络模型都是多层感知器的结构，难提取出模型参数，其复杂的多层结构在一定程 度上制约了预失真的实现和应用。
发明内容
技术问题本发明的目的在于提供一种基于简化模糊神经网络的增强维纳模型的 功放预失真方法，该方法结合了 Volterra级数和神经网络的优点，同时避免了现有预失真 方案中计算量大，自适应算法不容易收敛，实现起来比较复杂，高带宽和高峰均比信号条件 下，难以补偿功率放大器的复杂的记忆效应等问题。这种基于简化模糊神经网络的增强型 维纳模型的功率放大器预失真方案，复杂度低，实现比较方便，模型结构容易提取，能很好 的补偿功率放大器的非线性特性和记忆效应。技术方案本发明的基于简化模糊神经网络的增强维纳模型的功放预失真方法， 包括如下步骤a)采用宽带调制信号作为功率放大器的基带输入信号，利用高速模数转换器采集 功率放大器的输入和输出基带数据，b)利用采集功放的输入和输出数据，建立用于预失真的功放模型，即基于简化模 糊神经网络的增强维纳模型，c)训练所述功放模型的参数达到期望的误差，以最终确定功放模型参数，d)建立基于简化模糊神经网络的增强维纳模型的逆模型，f)将基带输入信号通过逆模型，再通过正交调制器、上变频器，经过功率放大器输
出ο所述的步骤b)利用采集功放的输入和输出数据建立用于预失真的功放模型的方 法为分别建立简化模糊神经网络模型与增强型维纳模型，简化模糊神经网络模型用于补 偿功率放大器幅度和相位失真特性，增强型维纳模型用于补偿功放的记忆效应。所述的步骤b)利用采集功放的输入和输出数据建立用于预失真的功放模型的方 法为简化神经网络模型由两个结构相同的二阶(菅野型)Sugeno型模糊推理系统的神经 网络构成，其中一个用来弥补功率放大器的幅度失真，另一个用来弥补功率放大器的相位 失真。所述的步骤b)利用采集功放的输入和输出数据建立用于预失真的功放模型的方 法为增强型维纳模型由两个平行的有限冲击响应(FIR)滤波器构成，消除由动态失真源 带来的频谱再生对功放线性度的影响。所述的步骤C)训练功放模型的参数达到期望的误差的方法为将训练模型 分为三步，首先识别神经网络的逆参数，结合最小二乘(Least-squares)和后向传播 (Back-propagation)相结合的混合学习算法，达到期望的误差；然后再利用最小二乘法识 别线性FIR滤波器的参数，最后利用混合学习法识别神经网络模型的参数。所述的步骤d)建立基于简化模糊神经网络的增强型维纳模型的逆模型的方法 为利用步骤b)所建立的功放模型，将输入输出交换，建立逆模型补偿功放的非线性失真 和记忆效应。最后把确定参数的预失真器复制到发送链路，用于补偿功率放大器的非线性的特 性和记忆特性。有益效果1)简化模糊神经网络不存在多项式模型中性能受到阶次的限制的问题。
2)简化模糊神经网络的简单的if-then规则容易实现，而且可以根据系统的要求 灵活的增加和减少，也可以根据系统要求改变其输入成员函数类型。3)由于使用了最小二乘(Least-squares)和反向传播(Back-propagation)相结 合学习算法，简化模糊神经网络学习时间比较快，迭代次数少，而且不存在收敛性的问题。4)简化型的模糊神经网络考虑了功放的记忆效应，尤其对深度记忆效应的功率放 大器效果明显。5)平行FIR滤波器的使用，使模型不但能够适用于单载波的激励信号，还能够应 用于多载波的宽带信号。6)简化模糊神经网络的增强型维纳模型的功率放大器预失真方法，结构简单，实 现容易，是高效稳定的预失真方案。
图1是增强型维纳模型结构，图2是二阶简化模糊神经网络结构，图3是基于简化模糊神经网络的增强型维纳模型结构，图4是实验系统说明，图5是实测值与模型拟合值的对比以及计算出的误差。
具体实施例方式本发明的基于简化模糊神经网络的增强维纳模型的功放预失真方法具体步骤如 下a)采用宽带调制信号作为功率放大器的基带输入信号，利用高速模数转换器采集 功率放大器的输入和输出基带数据，b)利用采集功放的输入和输出数据，建立用于预失真的功放模型，即基于简化模 糊神经网络的增强维纳模型，c)训练所述功放模型的参数达到期望的误差，以最终确定功放模型参数，d)建立基于简化模糊神经网络的增强维纳模型的逆模型，f)将基带输入信号通过逆模型，再通过正交调制器、上变频器，经过功率放大器输
出ο以下结合
，对本发明的方案进行详细说明，具体步骤如下1.建立基于简化模糊神经网络的增强型维纳模型的预失真器图3所示为本发明中的基于二阶简化模糊神经网络的增强型维纳模型的结构图。 此模型分为两个部分第一部分由两个并行的FIR滤波器构成，第二部分是由两个二阶简 化模糊神经网络模块构成。1)建立两个记忆长度分别为Qp Q2的FIR线性滤波器。”(”)= ^]…；!…-/) + ^ -。·^]^^"-'·)(1) 其中 和h分别为FIR滤波器A和B的系数，Q1和Q2是滤波器抽头数。滤波器 系数可以由最小二乘法求出。
2)建立简化模糊神经网络本模型中利用两个二阶的简化模糊神经网络来补偿功率放大器的幅度和相位的 失真。如图2所示，每个神经网络模块有两个输入和一个输出，第一个神经网络的输出是放 大器的输入信号幅度I v(n) I，第二个神经网络的输出是放大器的输入信号和输出信号的 相位差Δ φ (η)。每个神经网络有四条规则If χ (n) is Ai, then fAi (χ) = piAx (η) +qiAx (n-1) +riA ；If χ (n-1) is Bi, then fBi (x) = piBx (n)+qiBx (n-1)+riBi = 1,2其中μ Ai 禾Π μ Bi 是钟形函数；piA，piB，qiA，qiB 以及 riA，riB 是结论函数；aiA，aiA，biA, biB, and ciA, ciB是初始函数；fAi和fBi是每条规则的输出。结论函数和初始函数可以由混 合学习法求出。则每个神经网络的输出为
权利要求
一种基于简化模糊神经网络的增强维纳模型的功放预失真方法，其特征在于该方法具体步骤如下a)采用宽带调制信号作为功率放大器的基带输入信号，利用高速模数转换器采集功率放大器的输入和输出基带数据，b)利用采集功放的输入和输出数据，建立用于预失真的功放模型，即基于简化模糊神经网络的增强维纳模型，c)训练所述功放模型的参数达到期望的误差，以最终确定功放模型参数，d)建立基于简化模糊神经网络的增强维纳模型的逆模型，f)将基带输入信号通过逆模型，再通过正交调制器、上变频器，经过功率放大器输出。
2.根据权利要求1所述的基于简化模糊神经网络的增强维纳模型的功放预失真方法， 其特征在于所述的步骤b)利用采集功放的输入和输出数据建立用于预失真的功放模型的 方法为分别建立简化模糊神经网络模型与增强型维纳模型，简化模糊神经网络模型用于 补偿功率放大器幅度和相位失真特性，增强型维纳模型用于补偿功放的记忆效应。
3.根据权利要求1所述的基于简化模糊神经网络的增强维纳模型的功放预失真方法， 其特征在于所述的步骤b)利用采集功放的输入和输出数据建立用于预失真的功放模型的 方法为简化神经网络模型由两个结构相同的二阶菅野型Sugeno型模糊推理系统的神经 网络构成，其中一个用来弥补功率放大器的幅度失真，另一个用来弥补功率放大器的相位 失真。
4.根据权利要求1所述的基于简化模糊神经网络的增强维纳模型的功放预失真方法， 其特征在于所述的步骤b)利用采集功放的输入和输出数据建立用于预失真的功放模型的 方法为增强型维纳模型由两个平行的有限冲击响应FIR滤波器构成，消除由动态失真源 带来的频谱再生对功放线性度的影响。
5.根据权利要求1所述的基于简化模糊神经网络的增强维纳模型的功放预失真方法， 其特征在于所述的步骤c)训练功放模型的参数达到期望的误差的方法为将训练模型分 为三步，首先识别神经网络的逆参数，结合最小二乘和后向传播相结合的混合学习算法，达 到期望的误差；然后再利用最小二乘法识别线性FIR滤波器的参数，最后利用混合学习法 识别神经网络模型的参数。
6.根据权利要求1所述的基于简化模糊神经网络的增强维纳模型的功放预失真方法， 其特征在于所述的步骤d)建立基于简化模糊神经网络的增强型维纳模型的逆模型的方法 为利用步骤b)所建立的功放模型，将输入输出交换，建立逆模型补偿功放的非线性失真 和记忆效应。
全文摘要
基于简化模糊神经网络的增强维纳模型的功放预失真方法，主要包括模糊神经网络子系统和FIR滤波器子系统。模糊神经网络子系统由二阶Sugeno FIS结构的简化模糊神经网络构成，用于补偿功率放大器幅度和相位失真特性，FIR滤波器子系统由两个平行的有限冲击响应(FIR)滤波器构成，用于补偿功放的记忆效应。结合间接的学习结构，模糊神经网络的参数由最小二乘和反向传播相结合学习算法来识别，线性FIR滤波器系数由最小二乘法确定，该预失真方案，在不增加实现复杂度的同时，结合了简化模糊神经网络结构的灵活稳定的特点，利用了增强型维纳模型的特点，补偿了宽带功率放大器由于宽带匹配不理想带来的频谱再生，能够对宽带深度记忆效应的功率放大器准确建模。
文档编号H03F1/32GK101997492SQ20101050160
公开日2011年3月30日 申请日期2010年9月29日 优先权日2010年9月29日
发明者周健义, 晋石磊, 洪伟 申请人:东南大学