一种基于神经网络的MIMO系统数字预失真补偿方法、装置、设备和存储介质

本发明涉及无线通信，具体涉及一种基于神经网络的mimo系统数字预失真补偿方法、装置、设备和存储介质。

背景技术：

1、对于mimo系统，频谱资源十分珍贵，为了达到更高的信号传输速率，常常采用ofdm多载波的调制方式。但是ofdm信号的papr较大，即信号包络波动较大，当工作在非线性饱和区域附近时，发送和接收端的性能对由功放引起的非线性失真非常敏感。因此mimo系统对于功放的线性化技术要求整体较高，许多现有技术已不能满足系统要求。

2、目前已有的非线性补偿方法包括功率回退法、数字预失真法、正负反馈线性化技术法等。工程上通常采用高输入功率回退法(ibo)以使信号保持在放大器的线性区域内，从而避免带内、带外失真以及频谱再生导致的幅/幅调制(am/am)和幅/相位调制(am/pm)的非线性失真。然而，过高的ibo会导致能量效率较低，并且超过一定范围后，该方法无法再对功放进行线性化。因此，如何在功放效率和放大器的线性度之间进行权衡是当前功放非线性领域迫切需要解决的问题。研究表明，数字预失真技术(dpd)能够通过应用低成本的pa在不牺牲线性度的前提下提高能源效率、有效补偿发射机端的非线性问题，具有准确性高、自适应度良好等优点。dpd的这些优点对于5g无线通信系统至关重要，因此该技术现已成为广泛使用的线性化技术。

3、预失真模型及非线性功放模型均为动态非线性系统。对于动态非线性系统来说，想要得到统一模型非常困难。常用的表示功放的非线性模型如伏特拉级数等大部分为低阶的，并且有些非线性模型在求逆的过程中不仅存在辨识精度不够的问题，还可能会有该模型的逆函数不存在的情况。因此，常用的传统机器学习算法有时不能满足预失真方法的应用。

4、mimo现阶段的多个挑战主要可以分为两大类。第一类主要包括一般收发机设计相关的问题，例如发射机线性度、接收机动态范围、混合器中的不平衡和泄漏等问题，这些并不是mimo系统所特有的。第二类是特定于mimo收发器的，即在同一芯片组上实现多个发送/接收路径。因此，mimo系统的主要问题是信号干扰，即n个传输路径之间的串扰。当不同传输路径之间的信号彼此接近或在同一芯片上使用时，信号之间会相互耦合。常见的数字预失真模型考虑了由放大器的非线性引起的码间串扰问题，但却没有考虑到不同通道间的非线性串扰问题。

5、神经网络由于能够很好地实现非线性拟合能力，从而引起了数字预失真(dpd)领域研究者的关注。多数基于神经网络预失真的方法会考虑在监督学习过程中使用深度学习加速器(dla)，如【文献1】，但基于dla的dpd的解不能以封闭的形式获得，因此需要不断迭代搜索，这将导致神经网络的性能下降和dpd发散。还有学者提出在监督学习的过程中使用集成逻辑分析器(ila)的dpd方案，如【文献2】，其主要思想是利用神经网络来识别预失真器的逆函数，但只考虑了传统的siso系统，不能补偿mimo发射机中的非线性串扰。因此，本发明针对mimo系统，提出了一种基于神经网络的mimo系统数字预失真补偿方法、装置、设备和存储介质，实现了同时补偿串扰与功率放大器的非线性特性，有利于提升模型精度。

6、【文献1】sunghoon jung,yeonghwan kim,youngyun woo,chungyong lee.a two-step approach for dla-based digital predistortion using an integrated neuralnetwork[j].signal processing,2020,177.

7、【文献2】hadi muhammad usman,awais muhammad,raza mohsin,khurshid kiran,jung hyun.neural network dpd for aggrandizing sm-vcsel-ssmf-based radio overfiber link performance[j].

8、photonics,2021,8(1).

技术实现思路

1、解决的技术问题

2、现有的功率放大器数字预失真补偿方法只考虑了传统的siso系统，不能补偿mimo发射机中的非线性串扰；并且对于mimo系统的发展迫切需要减少传统非线性预失真模型架构的复杂性，在补偿不同通道间串扰的同时补偿功率放大器的非线性特性。鉴于此，本发明提出了一种基于神经网络的mimo系统数字预失真补偿方法、装置、设备和存储介质，在现有的mimo系统的基础上针对通道间串扰效应在反馈链路上采用所提出的基于注意力机制的cnn-bilstm预失真算法进行参数估计，并将基于注意力机制的cnn-lstm混合算法应用于mimo系统中，实现了同时补偿串扰与功率放大器的非线性特性，提升了模型精度，更加利于实际应用。

3、(二)技术方案

4、本发明主要关注发射机的系统级线性化，因此将mimo发射机的pa视为一个多输入多输出的黑盒，将基于注意力机制的cnn-lstm混合算法应用于ofdm-mimo系统中。其中，整个ofdm-mimo发射机被认为是一个具有两输入两输出的非线性系统，具有非线性串扰效应的发射机的输出可以被建模为：具有非线性串扰效应的发射机的输出可以被建模为：

5、

6、上式中αij为j支路到i支路的串扰系数，xi为第i路功率放大器的输入，fi即为第i路功率放大器的非线性函数，yi为第i路输出，由于第j路输入信号泄漏到第i路功率放大器(pa)的输入，并在pa的输出出现干扰，因此在pa之前采用了预失真(dpd)以得到pa的线性化输出。

7、在mimo系统的dpd中，将预失真器的输入和输出表示为：

8、xi＝gi(z1,...,zn)

9、其中，zi＝[zi(1),…,zi(n)]，表示第i个分支上的需要经过预失真器的原始信号，gi(·)表示预失真器函数，每个预失真器的输入信号同时包含原始信号zi。

10、通常由于发射信号的工作频率相同，因此串扰系数的取值通常相同，将串扰系数设置为α1＝α2。因为不同的串扰系数对应的串扰功率大小不同，因此拟采用不同串扰功率表示串扰效果。串扰具体计算公式如下：

11、

12、在上面的式子中，pi表示加了串扰信号的功率，pd表示期望获得的信号的功率。对于硬件来说，众多结果证明，在不影响系统性能的情况下，mimo系统接收端可以补偿线性串扰。因此，本发明仅研究非线性串扰对系统产生的影响。后续如未提及，串扰仅代表不同通道间非线性串扰部分。

13、为实现补偿以上mimo发射机中的非线性串扰的目的，本发明提供如下技术方案：将cnn网络结构与bilstm以及注意力机制相结合，构建了一个基于attention机制的cnn-bilstm混合模型，从而补偿串扰和功率放大器的非线性特性、提高预测的准确性。所述混合模型是一个以多元时间序列数据为输入，以双向多步单时间序列数据为输出的预测模型，其处理过程为：

14、首先对多元时间序列的输入数据采用cnn进行特征提取，具体构造了一个一维卷积层和一个最大池化层；为了将数据处理成bilstm所需的格式连接一个平滑层,为了避免过拟合在平滑层后加入dropout层,其输出连接到bilstm层进行预测；

15、bilstm通过在神经网络中设计门单元和记忆细胞来处理在一段时间内重新收集数据的问题，本发明输入的数据为时序数据，因此结合功率放大器的记忆特性构建具有固定时序滞后项的输入，从而形成纵向时间序列；

16、bilstm网络中的存储单元具有存储最近经历的数据的单元状态的作用，每一时刻信息到达一个存储单元，就通过单元状态的组合来控制结果，然后刷新单元状态，获得最新输出，具体构建的网络输入矩阵形式如下：

17、

18、bilstm循环神经网络第一个时间节点的输入为[iin(t)，qin(t)],[iin(t-k)，qin(t-k)]表示过去k时刻的输入，[iin(t+k)，qin(t+k)]表示未来k时刻的输入；当前时刻的输出包括当前时刻的细胞状态以及特征提取量，通过射频功率放大器输入过去以及当前功率放大器的输入值及未来时刻功率放大器的输入值一起进行计算并连续循环，从而连续保存状态量并提取时间轴上的时间记忆特性；

19、除此之外，神经网络中的激活函数将非线性因素引入，提高了神经网络的表达能力，解决了线性模型无法求解的非线性问题。常用的激活函数有sigmoid函数、tanh函数(双曲正切函数)、relu函数(整流线性单元)等。relu函数可以解决梯度消失的问题，且其计算速度快，计算精度高，收敛速度比sigmoid函数和tanh函数快，因此在cnn结构中使用此激活函数，relu函数定义为：

20、relu(x)＝max(0,x)

21、将从bilstm网络中输出的信号通过attention层，注意力机制主要是通过特征向量来分配不同的注意权值，以区分特征的重要性，提高预测的精度，本发明采用了一种前馈注意模型,目标注意权重vt是由cnn-bilstm网络输出的隐藏状态ht计算出来的，具体公式为：

22、vt＝tanh(ht)

23、将生成的注意权重分配给相应的隐藏状态ht，从而使模型产生的注意权重发挥作用,t时刻的注意力用pt表示，注意机制的权重计算公式如下所示：

24、

25、

26、attention层在第t时刻的输出信号由st表示，将被分配了权重的信号通过一个全连接层，该层的权重矩阵为w，偏置为b，通过该层的输出为y，具体公式如下：

27、

28、b＝[b1...bn]

29、y＝hwt+b

30、该算法结合历史状态与当前输入预测输出，输出即为输入[iin(t),qin(t)]所对应的输出[iout(t),qout(t)]。将mimo发射机的pa视为一个多输入多输出的黑盒。在本发明的具体实施例中，将整个mimo发射机被认为是一个具有两个输入两输出的非线性系统，将经过放大器的非线性信号输入到算法模型中，因此基于注意力机制的cnn-bilstm模型有4个输入和4个输出，分别表示输入信号(y1，y2)和输出信号(x1，x2)的i路和q路信号分量。每个输入连接到第一层神经网络的所有神经元，从而匹配交叉项的结果。

31、本技术第二方面提供了一种通信辐射源识别装置，包括：

32、获取模块，用于获取mimo系统每路iq信号，并获取所述iq信号的多元时间序列数据；

33、第一处理模块，用于对多元时间序列的输入数据采用cnn进行特征提取，具体构造了一个一维卷积层和一个最大池化层，为了将数据处理成bilstm层所需的格式，连接一个平滑层，输出第一数据处理结果；

34、过拟合预测模块：用于避免在数据处理的过程中产生深度神经网络中的过拟合现象，在平滑层后加dropout层，其输出连接到第二处理模块中的bilstm层进行预测；

35、第二处理模块，用于使用来自当前时间框架的过去和未来的输入数据从而较好的处理时序问题，具体构造了双向长短期记忆(bilstm)神经网络，提取整个时间轴上的时间记忆特性hbilstm，输出第二数据预测结果；

36、第三处理模块，用于将第二数据预测结果中的信号通过attention层，通过模型的特征向量来分配不同的注意权重，突出关键影响因素以区分特征的重要性，提高预测的精度。

37、本技术第三方面提供了一种基于神经网络的mimo系统数字预失真补偿设备，包括：

38、存储器和处理器；

39、其中，所述存储器与所述处理器连接，用于存储程序；

40、所述处理器，用于通过运行所述存储器中的程序，实现上述神经网络训练和数字预失真补偿方法。

41、本技术第四方面提供了一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现上述神经网络训练和数字预失真补偿方法。