一种基于神经网络的负反馈自动增益控制电路的制作方法

本实用新型涉及射频自动增益控制电路领域，具体涉及一种基于神经网络的负反馈自动增益控制电路。

背景技术：

接收机的动态范围DR，是接收机能够接收检测到的信号功率最小可检测信号到接收机输入1-dB压缩点的功率变化，是接收机最重要的性能指标之一。通常一般接收机都具有60～80dB的动态范围，现代接收机对动态范围提出了严格的要求，一般都在100dB以上。接收机动态范围的大小与自动增益控制有很大的关系。

为了最终能够解调天线接收到的信号，需要自动增益控制电路(AGC)将天线接收到的不同功率的信号放大到基带模数转换器(ADC)和解调器量化和解调所需的最优功率，从而为解调器提供最优的信噪比，以达到最低的误码率。由于解调器是数字电路，一般来说自动增益控制电路会将接收到的信号放大到ADC的最佳输入功率。接收机接受到来自天线的信号因为环境的因素功率会有很大的差异。接收机离天线近的时候，接收到的信号功率大，接收机为了防止后级电路饱和，会使用比较小的增益。当接收机离天线比较远的时候，接收到的信号在空间中衰减比较严重，信号功率就比较小，接收机为了后级解调电路能有很高的信噪比，需要有比较大的增益来将其放大。

现有的自动增益控制一般至少三个部分，是一个直流电压负反馈系统。一个可变增益的中频放大器，是整个自动增益控制最核心的部分，用于提供不同的增益需求，它的精度决定了自动增益控制的准确度，因为自动增益控制是整个接收机的最后一级，它的线性度很重要，而可变增益放大器是决定自动增益控制线性度的重要模块，将不同幅度大小的信号放大到后级电路所需的大小。可变增益中频放大器分为模拟可变增益放大器和数字可变增益放大器，模拟可变增益放大器(VGA)的增益可以连续变化，数字可变增益放大器又称为可编程增益放大器(PGA)，采用数字的方法控制增益的变化，它的增益不能连续变化，有最小步长，但它的线性和带宽性能要比VGA好。一个能量检测电路(RSSI)及其能量量化的模数转换器(SAR-ADC)，用于检测输入信号的能量，根据输入信号的能量大小来产生一个电压信号，与参考电压进行计算产生可变增益放大器的控制电压。一个低通环路滤波器，一般是G_m_C有源滤波器，用于滤除控制电压的干扰信号。一般的AGC电路实现如图2所示，数字自动增益控制只需将其中VGA用PGA代替。

神经网络是一项以生物大脑的结构和功能为基础，以网络节点模仿大脑的神经细胞，以网络连接权模仿大脑的激励电平的技术，能有效的处理问题的非线性、模糊性和不确定关系。在传统的计算机中，我们告诉计算机要做什么，将大问题分解成许多小的，精确定义的任务，计算机可以很容易的执行。相比之下，在神经网络中，我们不告诉计算机如何解决我们的问题。相反，它从观察数据中学习，找出自己解决问题的方案。神经网络相应的有全连接神经网络也叫多层感知机(MLP)。除多层感知机之外还有卷积神经网络(CNN)和循环神经网络(RNN)。RNN引入了定向循环，可以处理那些输入之间前后关联的问题。

技术实现要素：

本实用新型的目的在于：针对现有技术中自动增益控制电路因温度、电路自身偏差等带来的增益不准确出现偏差的问题，本发明提供了一种基于人工神经网络的负反馈自动增益控制电路。

本实用新型采用的技术方案如下：

一种基于神经网络的负反馈自动增益控制电路,包括自动增益控制模块、神经网络模块；所述自动增益控制模块包括可变增益放大器、峰值检测器、低通滤波器和对数放大器；

所述可变增益放大器，接收输入电压V_in；

所述峰值检测器，接收可变增益放大器所发送的输出电压V_out；

所述对数放大器，接收峰值检测器所输出的检测电压V_p；

所述神经网络模块，接收输入电压V_in、峰值检测器所输出的检测电压V_p和低通滤波器所输出的第一控制电压V_c并训练输出参考电压V_ref；

所述低通滤波器，接收神经网络模块所输出的参考电压V_ref和对数放大器所输出的对数放大电压V₁之间的差值电压并对差值电压进行滤波处理得到第二控制电压V_c1；

所述可变增益放大器，接收低通滤波器所输出用于反馈调节输入电压V_in的第二控制电压V_c1并输出满足预设精度的输出电压V_out。

具体地，所述低通滤波器采用G_m_C有源滤波器。

具体地，所述神经网络模块采用CNN模块、FNN模块、RNN模块或LSTM模块。

更进一步地，神经网络模块采用RNN模块或LSTM模块；

所述神经网络模块通过模数转换器采集输入电压V_in和第一控制电压V_c。

更进一步地，还包括电压采集模块，电压采集模块包括模数转换器、二选一选择寄存器、第一寄存器和第二寄存器；

所述模数转换器，采集输入电压V_in和第一控制电压V_c；

所述二选一选择寄存器，用于分配输入电压V_in和第一控制电压V_c的网络权重，连接数模转换器且还通过第一寄存器和第二寄存器连接神经网络模块。

更进一步地，所述神经网络模块采用CNN模块或FNN模块。

AGC模块包括可变增益放大器VGA、峰值检测RSSI和低通滤波器LPF。可变增益放大器是整个AGC的核心模块，它的增益精度决定了AGC的精度，它的线性度好坏是整个AGC线性度好坏的重要因素。峰值检测器RSSI用于检测输出的能量并将其量化，产生一个电压V_p。对数放大器将RSSI产生的V_p进行对数放大，让整个反馈环路有固定的时间常数，也可以改善电路的线性度。低通滤波器为G_m_C有源滤波器，滤除干扰信号并输出控制电压，本申请中的参考电压由人工神经网络算法产生。

进一步地，AGC模块中的人工神经网络指多层感知机，包括输入层、隐藏层和输出层。输入层用于输入变量，隐藏层用于对前一层传递的信号作非线性变换，输出层用于对隐层传递的信号作非线性变换并输出最终的信号。

进一步地，多层感知机能以设定精度来逼近任意函数，对于所需精度的增益的参考电压通过训练实现的：首先将训练样本输入到人工神经网络，人工神经网络会产生网络输出，然后对网络输出和目标输出做比较，判断两者的误差是否小于预设精度，当两者的误差不满足预设的精度要求时，人工神经网络调整网络权值w，直到误差小于预设的精度，此时保存网络权值，训练结束。

进一步地，神经网络模块由MLP、CNN、RNN或LSTM这四种神经网络构成。

进一步地，本发明基于神经网络自动增益控制的工作分为三个阶段，第一阶段为训练样本的采集，第二阶段为人工神经网络的学习，第三阶段为AGC电路的工作。

具体每一阶段过程如下：

(1)采集训练样本

采集在不同的输入电压V_in情况下，将未经调节的输出电压V_out以及峰值检测器所输出的检测电压V_p、第一控制电压V_c、输入电压V_in作为人工神经网络的输入训练样本，参考电压V_ref作为输出，直到输出电压V_out在不同的输入电压V_in下与输出目标达到设定精度，记录数据，记下权重值，得到样本Y；

(2)神经网络的学习

进行神经网络模型和网络权重值的初始化，初始化人工神经网络神经元个数为3个，训练样本为Y；

输入工作时候的输入电压V_in，根据神经网络算法和训练样本神经网络产生输出，然后与预期目标输出进行比较，如果神经网络输出的误差大于预期目标输出的误差，则修改网络权重值，重新进行输出，直到网络输出与预期目标输出的误差达到预期精度，保存人工神经网络的网络模型、神经元个数和网络权重值，训练结束得到考电压V_ref。

(3)AGC电路的工作

程序开始工作时，控制信号控制人工神经网络在训练，学习和工作三种不同的工作状态。输入信号V_in(输入信号也就是输出电压)，人工神经网络根据默认的参考电压V_ref，得到另外两个输入电压V_p、V_c，然后神经网络得到输入信号X＝(V_in，V_p，V_c)，人工神经网络根据第二阶段学习的网络权重值，得到网络输出参考电压V_ref，精确的控制整个AGC的增益；

低通滤波器再对神经网络模块输出的参考电压V_ref和峰值检测器所输出的检测电压V_p差值电压进行滤波处理得到第二控制电压V_c1，第二控制电压V_c1直接对可变增益放大器的输入电压V_in进行控制。

其中，应当说明的是，本申请的技术方案描述的是快照过程，上一次的输出作为下一次神经网络模块的输入，而具体实施中可以依据情况选择样本，并不一定选择上一次的输出作为下一次的输入。

综上所述，由于采用了上述技术方案，本实用新型的有益效果是：

1.本申请的神经网络的输入学习样本包括整个电路的输入电压V_in、峰值检测器所输出的检测电压V_p和低通滤波器所输出的第一控制电压V_c，更好地模拟了AGC内部各个模块的电路偏差或者温度变化带来的工作偏差，从而产生更加精确的参考电压更准确地控制了增益的大小，实现了高精度的增益控制；

2.本申请可以改善自动增益控制中因为电路误差等带来的误差，实现更高精度的增益控制，适用于射频接收机中各个不同模块的自动增益控制，包括射频部分和中频部分，并可以学习新的输入信号，实现更大的动态范围；

3.本申请对数放大器将RSSI产生的V_p进行对数放大，让整个反馈环路有固定的时间常数，也可以改善电路的线性度，同时低通滤波器为G_m_C有源滤波器，滤除电路中的干扰信号再输出第一控制电压V_c；

4.本申请巧妙利用二选一选择寄存器与寄存器来实现神经网络训练样本网络权值的调节，实现电路自动调节网络权值，提高了神经网络训练的效率。

附图说明

为了更清楚地说明本实用新型实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本实用新型的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。附图并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本实用新型的主旨。

附图标记：

图1本申请基于神经网络的自动增益控制示意图；

图2现有技术自动增益控制电路的示意图；

图3本申请人工神经网络训练算法流程图；

图4本申请神经网络中控制算法流程示意图；

图5本申请隐层数为1的BP神经网络拓扑结构示意图；

图6本申请基于循环神经网络模块的自动增益控制示意图；

图7本申请基于卷积神经网络模块的自动增益控制示意图。

具体实施方式

为使本实用新型实施例的目的、技术方案和优点更加清楚，下面将结合本实用新型实施例中的附图，对本实用新型实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本实用新型一部分实施例，而不是全部的实施例。基于本实用新型中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本实用新型保护的范围。

其中，应当说明的是，本申请的技术方案描述的是快照过程，上一次的输出作为下一次神经网络模块的输入，而具体实施中可以依据情况选择样本。

一种基于神经网络的负反馈自动增益控制电路,包括自动增益控制模块、神经网络模块；所述自动增益控制模块包括可变增益放大器、峰值检测器、低通滤波器和对数放大器；

所述可变增益放大器，接收输入电压V_in；

所述峰值检测器，接收可变增益放大器所发送的输出电压V_out；

所述对数放大器，接收峰值检测器所输出的检测电压V_p；

所述神经网络模块，接收输入电压V_in、峰值检测器所输出的检测电压V_p和低通滤波器所输出的第一控制电压V_c并训练输出参考电压V_ref；

所述低通滤波器，接收神经网络模块所输出的参考电压V_ref和对数放大器所输出的对数放大电压V₁之间的差值电压并对差值电压进行滤波处理得到第二控制电压V_c1；

所述可变增益放大器，接收低通滤波器所输出用于反馈调节输入电压V_in的第二控制电压V_c1并输出满足预设精度的输出电压V_out。

具体地，所述低通滤波器采用G_m_C有源滤波器。

具体地，所述神经网络模块采用CNN模块、FNN模块、RNN模块或LSTM模块。

更进一步地，神经网络模块采用RNN模块或LSTM模块；

所述神经网络模块通过模数转换器采集输入电压V_in和第一控制电压V_c。

更进一步地，还包括电压采集模块，电压采集模块包括模数转换器、二选一选择寄存器、第一寄存器和第二寄存器；

所述模数转换器，采集输入电压V_in和第一控制电压V_c；

所述二选一选择寄存器，用于分配输入电压V_in和第一控制电压V_c的网络权重，连接数模转换器且还通过第一寄存器和第二寄存器连接神经网络模块。

更进一步地，所述神经网络模块采用CNN模块或FNN模块。

实施例一

本实施例提供了一种基于神经网络的负反馈自动增益控制电路，包括AGC模块和神经网络模块；

进一步地，AGC模块包括可变增益放大器VGA、峰值检测RSSI和低通滤波器LPF。可变增益放大器是整个AGC的核心模块，它的增益精度决定了AGC的精度，它的线性度好坏是整个AGC线性度好坏的重要因素。峰值检测器RSSI用于检测输出的能量并将其量化，产生一个电压V_p。对数放大器将RSSI产生的V_p进行对数放大，让整个反馈环路有固定的时间常数，也可以改善电路的线性度。低通滤波器为G_m_C有源滤波器，滤除控制电压V_c的干扰信号。

神经网络产生参考电压，可以以任意精度逼近所需参考电压。

进一步的，本实施例使用三层神经网络的拓扑结构如图5所示。输入层采用三个神经元I_i(i＝1，2，3)，隐藏层采用4个神经元H_j(j＝1，2，3，4)，输出层采用一个神经元O_k(k＝1)，其中i是输入层神经元个数，j是隐藏层身神经元个数，k是输出层神经元个数。实际隐藏层神经元个数是要看实际应用情况来决定，这里选四个只是为了说明。每个隐藏层都接收来自输入层的信号，然后经过非线性变换将其传输到输出层由输出层神经元输出。同层神经元之间信号不进行传递，隐藏层可以接收任一传输层神经元传递的信号，也可以对任一输出层神经元进行信号穿递。层与层之间的非线性传递由激活函数决定，信号在层与层之间的传递由两层之间的网络权重值决定。

进一步地，本实施例一种基于神经网络的负反馈自动增益控制工作分为三个个阶段，不同阶段的过程具体为：

(1)采集训练样本

采集在不同的输入电压V_in情况下，将未经调节的输出电压V_out以及峰值检测器所输出的检测电压V_p、第一控制电压V_c、输入电压V_in作为人工神经网络的输入训练样本，参考电压V_ref作为输出，直到输出电压V_out在不同的输入电压V_in下与输出目标达到设定精度，记录数据，记下权重值，得到样本Y；

(2)神经网络的学习

进行神经网络模型和网络权重值的初始化，初始化人工神经网络神经元个数为3个，训练样本为Y；

输入工作时候的输入电压V_in，根据神经网络算法和训练样本神经网络产生输出，然后与预期目标输出进行比较，如果神经网络输出的误差大于预期目标输出的误差，则修改网络权重值，重新进行输出，直到网络输出与预期目标输出的误差达到预期精度，保存人工神经网络的网络模型、神经元个数和网络权重值，训练结束得到参考电压V_ref。

(3)AGC电路的工作

程序开始工作时，控制信号控制人工神经网络在训练，学习和工作三种不同的工作状态。输入信号V_in，人工神经网络根据默认的输出电压V_ref，得到另外两个输入电压V_p、V_c，然后神经网络得到输入信号X＝(V_in，V_p，V_c)，人工神经网络根据第二阶段学习的网络权重值，得到网络输出参考电压V_ref，精确的控制整个AGC的增益。

实施例二

在实施例一的所述提供了一种基于神经网络的负反馈自动增益控制电路的基础上，图6是本实施例提出的基于LSTM(或者RNN)神经网络模型的一种负反馈自动增益控制拓扑结构图，由一个负反馈自动增益控制电路、一个LSTM(或者RNN)神经网络模块、一个模数转换器ADC构成，ADC将输入模拟信号转换成神经网络能识别的数字信号。输入信号V_in，经过ADC转换成数字信号，LSTM(或者RNN)神经网络模块识别信号并根据其网络权重值，输出高精度的参考电压。

实施例三

在实施例二所述的一种基于神经网络的负反馈自动增益控制电路的基础上，图7是本实施例提出的基于CNN(或者FNN)神经网络模型的一种负反馈自动增益控制拓扑结构图，由一个负反馈自动增益控制电路、一个CNN(或者FNN)神经网络模块、一个模数转换器ADC、一个二选一多路选择寄存器构成。输入信号由ADC转换后，使能第一寄存器，当第一寄存器存满后，开始使能第二寄存器，二选一多路选择寄存器可以选择性进行输入，而寄存器存在有触发值，二选一多路选择寄存器与寄存器共同实现相应电压(本申请中主要是输入电压V_in和第一控制电压V_c)的网络权值的调节。同时第一寄存器的存储的数据开始并行传入CNN(或者FNN)神经网络。CNN(或者FNN)神经网络模块识别数据并根据学习阶段产生的网络权重值输出高精度的参考电压。

实施例四

本实施例主要针对如何获得神经网络模块所输出的参考电压V_ref和对数放大器所输出的对数放大电压V₁的差值电压进行说明；

可以通过人工计算获取得到差值电压，或也可以直接根据求和电路获得其差值电压，由于求和电路实现两个电压的差值输出属于本领域人员公知常识，所以本申请并未对求和电路进行展开说明。

本申请利用人工神经网络算法产生可变增益放大器VGA控制电压的参考电压V_ref，利用神经网络能以任意精度逼近非线性函数的特性，精确的产生参考电压来控制增益值。通常的增益控制有数字和模拟两种实现方法，数字自动增益控制增益不能连续变化，受制于可变增益放大器的最小可变精度，而模拟自动增益控制增益可以连续变化，但因为电路误差，温度变化等问题给控制增益带来偏差。本申请的神经网络的输入学习样本包括整个电路的输入电压V_in、峰值检测器RSSI的检测电压V_p和低通滤波器输出的第一控制电压V_c，更好地模拟了AGC内部各个模块的电路偏差或者温度变化带来的工作偏差，从而产生更加精确的参考电压更准确地控制了增益的大小，实现了高精度的增益控制。

本申请提到的神经网络模块包括电容和电感构成一阶多阶的卷积电路。

其中应当说明的是本申请的其他电压的网络权值也可以通过寄存器与二选一多路选择寄存器共同调节实现，如其他采用等效替换也应当属于本申请的保护范围之类。

其中应当说明的附图中的Vin与V_in属于同一电压的两种表示方法；其中同一电压的表示可能因为字体表示上存在细微的区别，但是根据本科领人员以及结合说明书都可以推断出其属于同一电压的表示方法；其中附图中的求和符号代表的是对输入的V_ref和V_p进行求差获得差值电压，而+V_ref和-V_p代表的是神经网络模块的V_ref减去对数放大器所输出的对数放大电压V₁，进而获得差值电压；其中附图5中的I代表的是神经网络的输入层，H代表的是神经网络的隐藏层，O代表的是神经网络的输出层；

其中AGC表示的是整个自动增益控制电路，ADC表示的是模数转换器，VGA可变增益放大器，RSSI表示峰值检测器，LPF代表低通滤波器。

任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。