基于深度学习的射频非线性系统建模与模型结构优化

发布时间：2021-11-04 05:25

　　射频功率放大器非线性问题是现代通信系统的核心问题之一。由于新一代通信系统的信号具有调制方式复杂,峰均功率比高,带宽大等特点,功放的非线性随之加重,这进一步影响了系统输出信号的效率与质量。与此同时,由于深度学习技术的日益成熟,能够更加高效地应对大规模的数据,并有效提取数据的高维特征,深度学习技术在无线通信物理层的应用受到了广泛关注。因此,本文针对通信系统中具有强非线性的射频功率放大器,提出了利用深度学习技术对射频系统建模与线性化的方法。本文的主要目的是利用深度学习技术完成一个基于查找表的自适应数字预失真方法。全文的基础是获取高精度的功放行为模型,因此本文首先研究了功率放大器的非线性特性,确定了功放的非线性对于输出信号的影响,对强记忆效应有针对性地进行建模与参数提取。其次,为了减弱被测功放在信号传输过程中出现的相位模糊问题,本文提出了基于一维卷积神经网络的相位校正模块,用于对数字预失真输入数据的预处理。之后,根据功放与数字预失真行为模型在外部特性上的互逆性,在对数字预失真参数提取的过程中,与功率放大器共享了相同的模型结构。最后,本文设计了以查找表方法为基础的自适应数字预失真方法。为了增加查... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

预失真原理简图

哈尔滨工业大学工程硕士学位论文-6-的需要，必须建立新的通信理论和方法。鉴于深度学习在面对结构化信息和海量数据时的巨大好处，许多通信研究者也将注意力集中在深度学习上，因此，借助深度学习的通信技术在信号分类、信道估计、性能优化等方面可能具有巨大的潜力[40,41]。1.2.3国内外文献综述的简析对功率放大器行为模型进行建模的相关研究的研究方向可以总结为下图1-2所示。根据建模方式可以分为以下三类，分别是：使用经典的数学模型及其改进模型的建模方法，使用传统的前馈神经网络进行建模的方法，以及使用循环神经网络进行建模的方法等。图1-2国内外对于功放建模的研究方向总结其中，利用循环神经网络进行建模的方法，由于该方法的建模过程相对简单，并能够通过优化模型结构从而有效应对功放记忆效应，成为本文中重点研究的建模方法。表1-1不同线性化技术性能对比性能指标线性化能力功放使用效率结构复杂度自适应能力前馈强高高弱反馈弱较高低弱预失真强高较高强通过对三种线性化技术性能的对比（见表1-1）能够得出这样的结论：预失真技术是最具有发展前景的功放线性化技术。而相比于模拟预失真技术，数字预失真技术的性能优势十分明显。对于数字预失真技术的研究，主要是以下两个方向：对功放非线性行为模型进行改进，并以此为基础提取预失真行为模型的参数，以及在传统预失真方法中引入更有效的算法，提高原始方法的优化性能。最后，深度学习技术在实现模型端到端性能最大化方面具有巨大优势，

哈尔滨工业大学工程硕士学位论文-8-图1-3本文主要研究内容本文的主要内容章节安排如下：第1章介绍了课题的背景，研究目的和意义，之后分析了国内外在功放非线性处理与数字预失真方面的研究现状，最后确定了本文的主要研究内容与章节安排。第2章从理论层面与数据层面详细分析了功率放大器的非线性特性，介绍了数字预失真技术的相关理论，并详细介绍了本文使用的传统查找表预失真方法。第3章分别介绍了基于数学模型功放行为模型建模方法，与基于深度学习的建模方法，并通过实验对多种模型横向对比，根据对模型精度与系统复杂度的需求，分析并选取了合适的建模方法。第4章建立了以一维卷积神经网络为基础的相位校正模型，用于对预失真模型建模的数据进行预处理工作。之后，分析了通信系统中功率放大器与数字预失真器的级联可交换性，获取了满足需求的数字预失真行为模型参数，并确定了模型之间的连接方式。第5章在查找表预失真方法的基础上，设计了基于深度学习的自适应数字预失真方法。通过仿真获取了其他型号功放的外部特性信号，建立了对应的数字预失真模型，并确定了线性化系统输入信号与预失真模型的匹配方式。最终以深度学习技术为基础，完成了基于查找表的自适应数字预失真方法。


本文编号：3475091