一种低复杂度峰均比压缩与预失真联合优化方法与流程

本发明属于无线通信领域，具体是一种低复杂度峰均比压缩与预失真联合优化方法。

背景技术：

功率放大器(poweramplifier,pa)是无线通信系统中不可或缺的元器件，为传输信号提供充足的功率，以确保接收器可以收集具有相对较好的信噪比信号。然而，pa在工作点接近饱和时的非线性和记忆效应将导致发射信号的带内失真和频谱展宽，进而降低通信质量。为满足系统要求的线性度，传统的发射机系统需要进行一定量的功率回退。然而，功率回退将导致发射机能量使用效率的大幅度降低。为减少pa输入功率的回退量，数字预失真(digitalpredistortion,dpd)成为最有效的方法之一。

同时，由于高的频谱使用效率和在多径传播环境中的稳健性，正交频分复用(orthogonalfrequencydivisionmultiplexing,ofdm)调制被广泛应用于无线通信领域。然而，ofdm调制系统中多个相同幅度子载波分布在不同频率上且相互正交导致了高的峰值均值功率比(peak-to-averagepowerratio,papr)。当将ofdm技术作为发射信号调制方式时，高的papr将要求pa输出功率的回退量更高，从而显著降低pa的使用效率；因此，在发射信号输入pa之前进行papr压缩成为提高pa能效的一种有效方法。

考虑单一的数字预失真技术或者papr压缩技术都无法最大化的提高发射机的能效。因此，联合dpd技术和papr压缩技术成为提高发射机使用效率的最有效方法之一，传统的联合优化结构是将papr压缩和dpd分别使用，将经过papr压缩后的发射信号进行dpd处理。然而，由于papr压缩和dpd设计对papr具有相反的效果，papr压缩结构和dpd设计之间会相互影响，从而分别降低两个结构的效果。

目前也存在一些dpd和papr压缩联合优化的方法，可以一定程度上实现发射机的能效提高。然而，这些方法都是基于传统papr压缩和dpd技术之间多次迭代实现，没有实现同时隙和同步优化，无法获得最优的dpd和papr联合结构，发射机能效依然有进一步提升的空间。

技术实现要素：

本发明为解决：大带宽通信系统中功率放大器的非线性和高峰均比导致的发射机能效低下的问题，提出了一种低复杂度峰均比压缩与预失真联合优化方法，充分提高了发射机的使用效率。

所述的低复杂度峰均比压缩与预失真联合优化方法，具体步骤如下：

步骤一、正交相移键控(qpsk)或正交幅度调制(qam)产生调制数据符号x，通过离散傅里叶逆变换将数据符号x调制到具有k个子载波的ofdm系统上生成ofdm信号x(n)，经过功率放大器并进行采样，得到采样信号y(n)；

数据符号x＝[x0,x1,…,xk-1]；

ofdm信号表示为：

其中：l为过采样倍数；xk是qpsk或qam产生的第k个数据符号；

步骤二、利用ofdm信号x(n)和采样信号y(n)构建pa模型并进行训练；

pa模型包含输入层、全连接神经网络隐层和输出层。

全连接层的神经元个数为15个，激活函数使用’relu’激活函数。

输出层的神经元个数为2个，分别与pa模型输出信号的同相和正交分量相对应，激活函数为线性激活函数。

pa模型的输入表达公式为：

其中：|x(n)|表示功率放大器输入信号的幅度项，xi(n),xq(n),|x(n)|,|x(n)|²,|x(n)|³为pa模型输入信号x(n)的一组计算公式，后续为时延信号x(n-1)的一组相应分量，以此类推，中间是时延信号x(n-m)的一组相应分量，最后一组为时延信号x(n-m)的相应分量；m∈0,1,...,m。

pa模型的输出表达式为：

其中：yi(n)表示pa模型输出信号的同相分量，yq(n)表示pa模型输出信号的正交分量；

代价函数采用均方误差函数，使用adam优化算法对构建的pa模型进行训练，并使用归一化均方误差测试模型。

步骤三、使用单隐层神经网络作为papr压缩模型，利用ofdm信号x(n)构建papr压缩模型表达式；

papr压缩模型包含输入层、全连接神经网络隐层和输出层。

全连接层的神经元个数为15个，激活函数使用’relu’激活函数。

输出层的神经元个数为2个，分别与papr压缩模型输出信号的同相和正交分量相对应，激活函数为线性激活函数。

papr压缩模型的输入矢量能被写为：

xi(n)表示输入ofdm信号的同相分量；xq(n)表示输入ofdm信号的正交分量；

全连接层对输入数据加权求和后经过非线性激活函数，获得输入数据中的隐藏信息；

papr压缩模型的全连接层输出能被表示为：

其中：表示papr压缩模型全连接层的权重系数；表示papr压缩模型全连接层的偏置系数。

输出层将全连接层的输出进行加权求和后，获得papr压缩模型的整体输出：

其中：ri(n)表示papr压缩模型输出信号的同相分量；rq(n)表示papr压缩模型输出信号的正交分量。表示papr压缩模型输出层的权重系数；表示papr压缩模型输出层的偏置系数；

步骤四、基于单隐层神经网络设计dpd模型，利用papr模型的输出信号r(n)构建dpd模型输出表达式；

dpd模型包含输入层、全连接神经网络隐层和输出层。

全连接层的神经元个数为17个，激活函数使用’relu’激活函数。

输出层的神经元个数为2个，分别与dpd模型输出信号的同相和正交分量相对应，激活函数为线性激活函数。

dpd模型的输入表达式为：

全连接层对输入的数据加权求和后经过relu激活函数，获得输入数据中的隐藏信息；全连接层输出能被表示为：

其中：表示dpd模型全连接层的权重系数；表示全连接层的偏置系数。

输出层将全连接层的输出结果进行加权求和后，获得dpd模型的整体输出：

其中：zi(n)表示dpd模型输出信号的同相分量，zq(n)表示dpd模型输出信号的正交分量；表示dpd模型输出层的权重系数，表示dpd模型输出层的偏置系数。

步骤五、dpd模型输出的信号z(n)经过训练好的pa模型后，获得近似的ofdm压缩信号r′(n)；

步骤六、使用单隐层神经网络作为解papr压缩模型，利用近似的ofdm压缩信号r′(n)构建解papr压缩模型的输出表达式；

解papr压缩模型包含输入层、全连接神经网络隐层和输出层。

全连接层的神经元个数为20个，激活函数使用’relu’激活函数。

输出层的神经元个数为2个，与解papr压缩模型输出信号的同相和正交分量相对应，激活函数为线性激活函数。

解papr压缩模型的输入矢量能被写为：

其中：r′i(n)表示近似的ofdm压缩信号r′(n)的同相分量；r′q(n)表示近似的ofdm压缩信号r′(n)的正交分量。

全连接层对输入数据加权求和后经过非线性激活函数，对输入数据中信息进行捕获；

解papr压缩模型的全连接层输出能被表示为：

其中：表示解papr压缩模型全连接层的权重系数。表示解papr压缩模型全连接层的偏置系数；

输出层将全连接层的输出进行加权求和后，获得解papr压缩模型的输出：

其中：x′i(n)表示解papr压缩模型输出信号的同相分量；x′q(n)表示解papr压缩模型输出信号的正交分量，相应于恢复的原ofdm信号的同相和正交分量。表示解papr压缩模型输出层的权重系数，表示解papr压缩模型输出层的偏置系数。

步骤七、定义训练损失函数f，使用adam优化算法对dpd模型、papr压缩模型和解papr压缩模型进行联合训练，分别得到各模型表达式中的最优参数。

损失函数定义如下：

f＝η1f1+η2f2+η3f3+η4f4+η5f5

其中，η1为第一损失函数的权重；η2为第二损失函数的权重；η3为第三损失函数的权重；η4为第四损失函数的权重；η5为第五损失函数的权重；

第一损失函数为：

max(·)表示取最大值，e(·)表示取平均值，n表示训练数据的长度，papra为papr压缩模型输出信号r(n)的需要达到的papr值。

f1定义的是papr压缩模型输出的papr值与需要达到的papr值papra之间的差距，这个目标最小化表示papr压缩模型的输出的papr值约等于需要达到的papr值papra。

第二损失函数为：

fft(·)表示傅里叶变换操作，flower_adj_channel表示信号频域的上邻信道，fupper_adj_channel表示信号频域的下邻信道。

f2定义的是papr压缩过程中产生的带外频谱扩展的大小，这个目标最小化表示papr压缩模型的输出信号没有产生非线性带外频谱扩展。

第三损失函数为：

f3定义的是dpd模型输入信号和pa模型输出信号之间的mse，这个目标函数最小化，表示pa模型输出与dpd模型的输入相等，表示dpd模型和pa模型是整体线性。

第四损失函数为：

f0表示pa模型接近饱和时的输出幅度。

f4定义的是pa模型输出与pa建模时的输出最大值之间的距离，这个目标函数最小化，表示pa模型输出接近饱和。

第五损失函数为：

f5定义的是papr压缩模型输入信号和papr解压缩模型输出信号之间的mse，这个目标函数最小化，表示ofdm信号经过这些模型后被还原，即系统的误码率最小化。

通过设定损失函数的阈值，当损失函数f的输出小于阈值时，表示网络收敛，结束训练；

步骤八、实时采集ofdm信号x(n)，依次输入训练好的papr压缩模型中，得到压缩后的ofdm信号r(n)后输入dpd模型中，得到输出的预失真信号z(n)；

步骤九、dpd模型输出的预失真信号z(n)经过数字模拟转换dac和上变频后被输入功率放大器发射，被接收机端经下变频和模拟数字转换adc后获得近似的ofdm压缩信号r′(n)，再利用解papr压缩模型解压获取原ofdm信号的恢复信号x′(n)，完成通信系统的闭环。

本发明的优点在于：

通过联合训练papr压缩和dpd线性化模型，折中考虑了papr压缩模型和dpd模型之间的互相影响，有效提高了发射机的能量使用效率。该结构为大带宽系统中的发射机能效提升提供了有效的方法。

附图说明

图1为本发明一种低复杂度峰均比压缩与预失真联合优化方法的流程示意图；

图2为本发明采用的功率放大器模型；

图3为本发明采用的papr压缩模型和解papr压缩模型结构；

图4为本发明采用的数字预失真器模型；

图5为本发明采用的dpd和papr压缩联合优化总体结构图；

图6为本发明在papa选择不同值时，各模型输出频谱图。

具体实施方式

下面结合附图对本发明进行详细说明。

本发明提出一种适用于宽带通信系统的低复杂度峰均比压缩与预失真联合优化方法(jointoptimizationmethodoflowcomplexitypaprcompressionandpredistortionforbroadbandcommunicationsystem)；通过联合优化峰均比压缩模型和数字预失真模型，获得低峰均比信号传输和功放线性化的折中，有效提升发射机的能效；在保证系统通信质量的同时，为降低功放输入功率回退，提高发射机功率使用效率方面提供了新的解决方案。

所述的低复杂度峰均比压缩与预失真联合优化方法，如图1所示，具体步骤如下：

步骤一、正交相移键控(qpsk)或正交幅度调制(qam)产生调制数据符号x，通过离散傅里叶逆变换将数据符号x调制到具有k个子载波的ofdm系统上生成ofdm信号x(n)，经过功率放大器并进行采样，得到采样信号y(n)；

数据符号x＝[x0,x1,…,xk-1]；

ofdm信号表示为：

其中：l为过采样倍数；xk是qpsk或qam产生的第k个数据符号；

步骤二、利用ofdm信号x(n)和采样信号y(n)，基于神经网络构(neuralnetwork,nn)建pa模型并进行训练；

如图2所示，pa模型包含输入层、全连接神经网络隐层和输出层。

全连接层的神经元个数为15个，激活函数使用’relu’激活函数。

输出层的神经元个数为2个，分别与pa模型输出信号的同相和正交分量相对应，激活函数为线性激活函数。

pa模型的输入矢量包括pa输入信号及其时延信号的同相、正交分量以及包络依赖项，其表达公式为：

其中：xi(n)表示输入ofdm信号的同相分量；xq(n)表示输入ofdm信号的正交分量，|x(n)|表示功率放大器输入信号的幅度项，xi(n),xq(n),|x(n)|,|x(n)|²,|x(n)|³为pa模型输入信号x(n)的一组计算公式，后续为时延信号x(n-1)的一组相应分量，以此类推，中间xi(n-m),xq(n-m),|x(n-m)|是时延信号x(n-m)的一组相应分量，最后一组为时延信号x(n-m)的相应分量；m∈0,1,...,m。

pa模型的标签数据为输出信号的同相和正交分量，其能被表达为：

其中：yi(n)表示pa模型输出信号的同相分量，yq(n)表示pa模型输出信号的正交分量；

对构建的pa模型进行训练：网络训练的成本函数为均方误差函数(meansquareerror,mse)，网络的优化算法为adam优化算法。为了防止过拟合，训练数据被按照3:1:1的比例分为训练集、验证集和测试集，分别被用于网络训练、网络结构调整和网络的最终测试。测试完成训练的模型，使用归一化均方误差(normalizedmeansquareerror,nmse)性能测试模型。

步骤三、使用单隐层神经网络作为papr压缩模型，利用ofdm信号x(n)构建papr压缩模型表达式；

如图3所示，papr压缩模型包含输入层、全连接神经网络隐层和输出层。

全连接层的神经元个数为15个，激活函数使用’relu’激活函数。

输出层的神经元个数为2个，分别与papr压缩模型输出信号的同相和正交分量相对应，激活函数为线性激活函数。

papr压缩模型的输入为原ofdm信号的同相和正交分量，相应的输入矢量能被写为：

xi(n)表示输入ofdm信号的同相分量；xq(n)表示输入ofdm信号的正交分量；

全连接层对输入数据加权求和后经过非线性激活函数，获得输入数据中的隐藏信息；

papr压缩模型的全连接层输出能被表示为：

其中：表示papr压缩模型全连接层的权重系数；表示papr压缩模型全连接层的偏置系数。

输出层将全连接层的输出进行加权求和后，获得papr压缩模型的整体输出：

其中：ri(n)表示papr压缩模型输出信号的同相分量；rq(n)表示papr压缩模型输出信号的正交分量。表示papr压缩模型输出层的权重系数；表示papr压缩模型输出层的偏置系数；

步骤四、基于单隐层神经网络设计dpd模型，利用papr模型的输出信号r(n)构建dpd模型输出表达式；

如图4所示，dpd模型为pa模型的逆模型，同样使用nn模型，包含输入层、全连接神经网络隐层和输出层。

全连接层的神经元个数为17个，激活函数使用’relu’激活函数。

输出层的神经元个数为2个，分别与dpd模型输出信号的同相和正交分量相对应，激活函数为线性激活函数。

dpd模型的输入矢量包括输入信号及其时延信号的同相、正交分量以及包络依赖项；其输入表达式为：

全连接层对输入的数据加权求和后经过relu激活函数，获得输入数据中的隐藏信息；全连接层输出能被表示为：

其中：表示dpd模型全连接层的权重系数；表示全连接层的偏置系数。

输出层将全连接层的输出结果进行加权求和后，获得dpd模型的整体输出：

其中：zi(n)表示dpd模型输出信号的同相分量，zq(n)表示dpd模型输出信号的正交分量；表示dpd模型输出层的权重系数，表示dpd模型输出层的偏置系数。

步骤五、dpd模型输出的信号z(n)经过训练好的pa模型后，获得近似的ofdm压缩信号r′(n)；

步骤六、使用单隐层神经网络作为解papr压缩模型，利用近似的ofdm压缩信号r′(n)构建解papr压缩模型的输出表达式；

如图3所示，解papr压缩模型包含输入层、全连接神经网络隐层和输出层。

全连接层的神经元个数为20个，激活函数使用’relu’激活函数。

输出层的神经元个数为2个，与解papr压缩模型输出信号的同相和正交分量相对应，激活函数为线性激活函数。

解papr压缩模型的输入为信号r′(n)的同相和正交分量，相应的输入矢量能被写为：

其中：r′i(n)表示近似的ofdm压缩信号r′(n)的同相分量；r′q(n)表示近似的ofdm压缩信号r′(n)的正交分量。

全连接层对输入数据加权求和后经过非线性激活函数，对输入数据中信息进行捕获；

解papr压缩模型的全连接层输出能被表示为：

其中：表示解papr压缩模型全连接层的权重系数。表示解papr压缩模型全连接层的偏置系数；

输出层将全连接层的输出进行加权求和后，获得解papr压缩模型的输出：

其中：x′i(n)表示解papr压缩模型输出信号的同相分量；x′q(n)表示解papr压缩模型输出信号的正交分量，相应于恢复的原ofdm信号的同相和正交分量。表示解papr压缩模型输出层的权重系数，表示解papr压缩模型输出层的偏置系数。

步骤七、定义训练损失函数f，使用adam优化算法对dpd模型、papr压缩模型和解papr压缩模型进行联合训练，分别得到各模型表达式中的最优参数。

在该结构中，需要考虑papr压缩模型的papr压缩效果，也要考虑dpd模型的线性化效果。同时为保证接收端误码率不升高，解papr压缩模型需要可以完整恢复原始ofdm信号。为实现相应的目的，对网络的损失函数分别定义如下:

1.papr压缩的实现

为实现papr的压缩，设定需要达到的papr值papra。使papr压缩模型输出信号r(n)的papr接近于该值，因此损失函数可以写为：

其中：max(·)和e(·)分别表示取最大值和平均值，n表示训练数据的长度。

同时，为了防止papr压缩过程中产生频谱扩展，产生相邻信道干扰，需要要求压缩模型输出信号r(n)的相邻信道的频谱密度最小，因此损失函数可以写为：

其中：fft(·)表示进行傅里叶变换操作，flower_adj_channel和fupper_adj_channel分别表示信号频域的上邻信道和下邻信道。

2.dpd的实现

对dpd训练，本结构属于直接学习结构，要求dpd和pa整体使papr压缩后的信号线性通过。由于pa建模时的训练数据已经经过归一化，因此对dpd线性化训练的损失函数可以被定义为如下：

同时，为使得pa输出的功率最大，需要对pa输出的幅度进行约束。由于已经确定了压缩信号r(n)的最大幅值和平均幅值的比例(即papr值)，同时通过损失函数f3确保了y(n)和r(n)几乎相等，因此要使pa输出功率最大，只需要求pa输出的最大幅度接近于饱和点即可。

则损失函数可以定义为

其中：f0表示pa接近饱和时的输出幅度。

3.原ofdm信号的恢复

接收机端需要通过接收到的信号获得原ofdm信号的恢复。因此对解papr压缩模型的输出进行约束，定义损失函数：

因此为联合优化dpd和papr压缩，定义网络训练时的总体损失函数为：

f＝η1f1+η2f2+η3f3+η4f4+η5f5

其中：η1,η2,η3,η4,η5分别为各损失函数的权重。

根据定义的损失函数f，使用adam优化算法对网络进行训练。为了防止过拟合，建模数据被分为训练集、验证集和测试集，分别被用于网络训练、网络结构调整和网络的最终测试。通过设定损失函数的阈值，当损失函数f的输出小于阈值时，表示网络收敛，结束训练；

步骤八、实时采集ofdm信号x(n)，依次输入训练好的papr压缩模型中，得到压缩后的ofdm信号r(n)后输入dpd模型中，得到输出的预失真信号z(n)；

步骤九、dpd模型输出的预失真信号z(n)经过数字模拟转换(digitaltoanalogconverter，dac)和上变频后，被输入功率放大器经天线发射出去，接收机端通过天线对发射的信号进行接收，经下变频和模拟数字转换(analogtodigitalconverter,adc)后获得近似的ofdm压缩信号r′(n)，再利用解papr压缩模型解压获取原ofdm信号的恢复信号x′(n)，完成通信系统的闭环。

总体模型结构如图5所示，原ofdm信号x(n)经过papr压缩模型，获得的低papr信号r(n)输入dpd模型，dpd模型的输出信号z(n)后经dac和上变频模块后输入pa发射。接收端使用接收天线接收到pa输出信号，并经过下变频模块和adc获得接收信号r′(n)。解papr压缩模型利用该接收信号获取ofdm信号的恢复信号x′(n)。

本发明使用一个带宽为100mhz、papr为9.0db的ofdm信号作为测试信号进行了实验，ofdm信号通过dac模块和上变频模块将信号调制到2.14ghz的频率上，随后通过中心频率为2.14ghz的高非线性dohertypa进行发射。在反馈回路中，通过adc模块采样得到pa输出信号。根据ofdm信号和pa输出信号辨识pa模型，然后使用该模型联合训练papr压缩模型和dpd模型。

如图6所示，显示了设定的papr值为5和4时的各模型的输出频谱。从图6(a)可以发现，papr压缩模型输出的papr为5时，相应的acpr性能可以达到大约-55dbc，表示papr压缩过程中产生的带外频谱扩展可以被忽略。同时可以发现，pa输出频谱的acpr性能可以达到大约-50dbc，此时输出信号的幅度值约等于pa输出的饱和点，表示最大化发射机输出功率的同时dpd的线性化性能显著，可以满足通信系统对发射机线性度的要求。对于解papr压缩模型的输出，与原ofdm信号对比，nmse性能可以达到-38db，验证了所提出算法的可行性。图6(b)中在papr为4时，相应的性能显示了同样趋势。