本发明属于无线通信系统数字信号处理技术领域，具体涉及一种基于复值神经网络功放建模的数字预失真方法。
背景技术：
现代通信系统中，由于受到高速率数据传输需求和有限频谱资源的双重压力，为了提高频谱利用率，调制方式如正交幅度调制(quadratureamplitudemodulation，qam)、正交相位键控(quadraturephaseshiftkeying，qpsk)、正交频分复用(orthogonalfrequrncydivisionmultiplexing，ofdm)等在通信系统中的应用逐渐广泛。但这类调制技术会增加射频功率放大器的设计难度，这类信号为包络调制信号，具有峰均比(peak-to-averagepowerradio，papr)较高的特点，必然会引入非线性失真，在相同平均功率水平下，papr越高的信号对功放非线性越敏感，导致非线性增加。而且通信系统中的许多器件具有固有非线性，当包络调制信号经过这些器件时，会产生谐波分量和交调失真，造成非线性，对相邻信道造成干扰，影响通信系统性能，所以对功率放大器进行线性化处理是当代通信面临的重大课题。常见的功放线性化技术是功率回退法(powerbackoff)，原理是让功放在工作时远离饱和区，通过回退工作在线性区，功率回退法虽然实现简单，但是工作效率太低，而在各种线性化技术中，数字预失真以其良好的线性度、带宽宽、高效率和全自适应性等优点而被业界视为最有前途的一种功放线性化技术。
近年来，由于神经网络的应用越来越广，以及其具有良好的非线性系统逼近能力、较强的学习能力、较好的鲁棒性和自适应能力，也吸引了功放建模领域的目光，将人工神经网络(artificialneuralnetwork,ann)被作为功率放大器和发射机的建模和预失真技术之一进行了研究，在功放建模方面的理论和实践也越来越多。神经网络技术与功率放大器预失真技术的融合，得益于神经网络在非线性系统建模上强大的逼近效果，基于复值的神经网络(complex-valuedneuralnetwork，cvnn)模型其应用领域也越来越广泛，但复值神经网络在功放行为模型建模和数字预失真技术上的应用仍然比较匮乏。
技术实现要素：
本发明解决的技术问题是：针对现有的基于神经网络的功放建模方法的模型预测准确度不够、计算复杂度高、预失真矫正能力不足等问题，在传统的实值神经网络模型和训练算法基础上，提出了一种复值全连接递归神经网络模型的功放数字预失真方法，可以较为精准的建立功率放大器行为模型，很好的拟合功放非线性曲线，即有很好的模型准确度，在较高的模型准确度的基础上，采用功放模型求逆的方法，可以得到预测效果好的预失真器。
本发明的技术解决方案是：一种复值全连接递归神经网络模型的功放数字预失真方法，包括如下步骤：
(1)向硬件通信系统发送信号数据x(n)，并通过硬件通信系统反馈通道获取射频功率放大器的输出信号y(n)；
(2)将y(n)与x(n)做自相关同步，对输入输出信号做同步对齐处理；
(3)对x(n)与y(n)进行归一化处理后，使用复值全连接递归神经网络模型进行初步的功放建模；
(4)对已经建立好的初步功放模型，使用递归学习训练算法进行参数更新，得到最终的功放模型；
(5)利用求逆的方法，将功放输出信号作为模型输入，功放输入信号作为参考信号进行建模，得到功放的逆模型，即为功放数字预失真器；
(6)输入信号x(n)，进入功放数字预失真器，得到输出序列信号z(n)，经功放模型处理，获得输出采样信号v(n)；
(7)根据e(n)＝x(n)-v(n)，获得绝对误差信号|e(n)|，根据|e(n)|大小判断预失真器效果。
所述的复值全连接递归神经网络模型中，输入、权值、输出均为复数，包括n个神经元、p个外部输入和n个反馈连接线，为两层结构，分别为外部输入反馈层和输出处理层；在网络中，第k个时刻的每个神经元的复值输出用yl(k)表示，l＝1,...n，外部输入用s(k)的p个延迟项表示，是一个(1×p)的向量，其中s(k)是输入样本序列，整个网络的总输入向量p(k)是由输出向量yl(k)、s(k)和一个偏置输入(1 j)串联组成，表示为：
式中，
每个神经元的输出定义为：yl(k)＝φ(netl(k))，φ表示神经元的复值非线性激活函数，netl(k)是k时刻激活函数的输入，即某个节点的所有输入作用上权重后的线性加和，表示为：
yl(k)＝φr(netl(k)) jφi(netl(k))＝ul(k) jvl(k)。
所述的激活函数为初等超越函数φ(z)＝tanh(z)。
所述的步骤(4)中，使用递归学习训练算法进行参数更新，具体为：
步骤1、假定输出层中每个神经元的输出为yt(k),t＝1,...,n，输出误差为et(k)，误差由实部etr(k)和虚部eti(k)组成，表示成：et(k)＝d(k)-yt(k)＝etr(k) jeti(k)，etr(k)＝dr(k)-ut(k),eti(k)＝di(k)-vt(k)，d(k)＝dr(k) jdi(k)表示参考信号；
步骤2、将参考信号与神经元输出信号的差值作为代价函数，表示为
步骤3、将网络中的每一个权重wl,n∈w,l＝1,...,n,n＝1,...,p n 1的更新方程表示成
本发明与现有技术相比的优点在于：
(1)本发明方法应用fcrnn神经网络对功放进行建模，可快更好地表达功率放大器的非线性特性和记忆效应，对功放的逼近能力强；使用crtrl(complex-valuedrealtimerecurrentlearning)算法对模型进行训练学习，能够准确地对功放模型进行表征，从而对功率放大器进行线性矫正；同时crtrl算法能使得模型更快地收敛，从而减少了训练时间，降低了模型的计算复杂度；
(2)本发明方法相较于传统的功放数字预失真技术而言，由于考虑了复值信号的影响，因而具有更高的建模准确度；
(3)本发明方法由于能对功放更好的建模，且采用直接学习型结构，因而能更好的对功率放大器进行线性矫正与补偿。
(4)本发明方法不仅适用于f类功放预失真模型建立，同样适用于其他的一些功放种类。
附图说明
图1为本发明复值全连接递归神经网络结构原理图；
图2为本发明方法的实现原理图；
图3为本发明实施例中fcrnn模型建模效果图；
图4为本发明实施例中d-fcrnn建立的预失真器效果仿真图。
具体实施方式
本发明采用复值全连接递归神经网络(fullyconnectedrecurrentneuralnetwork，fcrnn)建立有效的功放模型，并使用复值实时递归学习(crtrl)算法对模型进行训练，通过对训练好的模型求逆得到预失真器模型，它具体包含以下步骤：
步骤a、向硬件通信系统发送信号数据x(n)，并通过硬件反馈通道获取射频功率放大器的输出信号y(n)，然后进入步骤b；
步骤b、根据采集回的输出信号y(n)与输入信号x(n)做自相关同步，将输入输出信号做同步对齐处理，然后进入步骤c；
步骤c、针对输入信号x(n)与采样回的输出信号y(n)，进行归一化处理后，使用复值全连接递归神经网络模型进行初步的功放建模。
本发明的全连接递归神经网络模型如图1所示，图1复值全连接递归神经网络的模型结构中，网络的输入、权值、输出均为复数，网络结构由实数域直接扩展到复数域。图1由n个神经元(图中圆圈所示)、p个外部输入和n个反馈连接线组成。该网络为两层结构，分别为外部输入反馈层和输出处理层。在网络中，第k个时刻的每个神经元的复值输出用yl(k)表示，l＝1,...n。外部输入用s(k)的p个延迟项表示，是一个(1×p)的向量，其中s(k)是输入样本序列。所以整个网络的总输入向量p(k)是由输出向量yl(k)、s(k)和一个偏置输入(1 j)串联组成的，偏置输入用于引入外部复值向量，其整体输入表达式可以描述如下：
式中，
对于第l个神经元，其权重是与输入向量维度相同的(p n 1)×1维的向量(可取小于1的随机值)，表示为：
每个神经元的输出定义为：yl(k)＝φ(netl(k))，φ表示神经元的复值非线性激活函数，为了实现复值梯度学习，激活函数选择初等超越函数φ(z)＝tanh(z)。netl(k)是k时刻激活函数的输入，即某个节点的所有输入作用上权重后的线性加和，表示为：
为简单起见，可以将yl(k)表示成：
yl(k)＝φr(netl(k)) jφi(netl(k))＝ul(k) jvl(k)
步骤d、对于已经建立好的初步功放模型，使用改进的rtrl训练算法(本发明中称之为crtrl)对已建立好的功放模型进行参数更新，得到最终的功放模型。
crtrl算法，具体构成如下：
步骤1、输出层中每个神经元的输出为yt(k),t＝1,...,n，输出误差为et(k)，误差由实部etr(k)和虚部eti(k)组成，表示成：et(k)＝d(k)-yt(k)＝etr(k) jeti(k)，etr(k)＝dr(k)-ut(k),eti(k)＝di(k)-vt(k)。
步骤2、步骤1中的ut(k)和vt(k)分别是输出的实部与虚部，d(k)＝dr(k) jdi(k)，表示学习信号，即参考信号。代价函数为参考信号与神经元输出信号的差值，表示为
步骤3、网络中的每一个权重wl,n∈w,l＝1,...,n,n＝1,...,p n 1的更新方程表示成
步骤4、分别对权重系数的实部和虚部求e(k)的偏导数求取梯度，即
步骤5、进行梯度计算，得到复权重的实部部分的偏导：
步骤6、将
步骤7、步骤6中的敏感度应满足柯西-黎曼方程的关系：
步骤8、将步骤5、步骤6和步骤7代入步骤4中得到
步骤9、通过计算，得到敏感函数的更新方程为：
步骤10、将步骤8和9代回步骤3得到权重更新方程：
算法迭代结束后得到更新后的权重从而得到优化后的模型预测输出，根据模型预测输出与参考信号差值作为建模效果评估。
步骤e、利用求逆的方法，将功放输出信号作为模型输入，功放输入信号作为参考信号进行建模，得到功放的逆模型，即为功放数字预失真器，然后进入步骤f；
步骤f、输入信号x(n)，进入数字预失真器，得到输出序列信号z(n)，经功放模型处理，获得输出采样信号v(n)，并进入步骤g；
步骤g、根据e(n)＝x(n)-v(n)，获得绝对误差信号|e(n)|，根据|e(n)|大小判断预失真器效果，具体如图2所示。
预失真后信号再输入双频带功率放大器中，输出信号与功放输入信号呈现线性关系，功率放大器的非线性失真特性得到了很大的改善。对信号预失真处理后，其相位变化与预失真前相位变化规律相反，经过双频带功放放大后，输入输出信号相位差基本为0，证明功放的记忆效应也得到了改善。
作为本发明一较佳实施例，参照说明书附图3，本实施例展示了模型的记忆深度设为4，反馈神经元为5，训练算法采用crtrl算法，在训练数据8000，预测数据4000的情况下，对f类功率放大器的的建模效果，fcrnn模型预测输出与功放实际输出之间的误差很小，nmse为-46.51db，表明该模型可以很好的拟合功放的非线性特性。
作为本发明一较佳实施例，参照说明书附图4，本实施例展示了数字预失真前后功放输出功率谱密度。预失真处理前，功放的原始输出功率为-33.87db。数字预失真后功放输出信号的acpr为-51.53bc，达到了17.66db的矫正效果。因此可以证明在10m带宽的wcdma信号激励时，数字预失真技术有效的改善了功率放大器输出信号的频谱再生。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
1.一种复值全连接递归神经网络模型的功放数字预失真方法，其特征在于包括如下步骤：
(1)向硬件通信系统发送信号数据x(n)，并通过硬件通信系统反馈通道获取射频功率放大器的输出信号y(n)；
(2)将y(n)与x(n)做自相关同步，对输入输出信号做同步对齐处理；
(3)对x(n)与y(n)进行归一化处理后，使用复值全连接递归神经网络模型进行初步的功放建模；
(4)对已经建立好的初步功放模型，使用递归学习训练算法进行参数更新，得到最终的功放模型；
(5)利用求逆的方法，将功放输出信号作为模型输入，功放输入信号作为参考信号进行建模，得到功放的逆模型，即为功放数字预失真器；
(6)输入信号x(n)，进入功放数字预失真器，得到输出序列信号z(n)，经功放模型处理，获得输出采样信号v(n)；
(7)根据e(n)＝x(n)-v(n)，获得绝对误差信号|e(n)|，根据|e(n)|大小判断预失真器效果。
2.根据权利要求1所述的一种复值全连接递归神经网络模型的功放数字预失真方法，其特征在于：所述的复值全连接递归神经网络模型中，输入、权值、输出均为复数，包括n个神经元、p个外部输入和n个反馈连接线，为两层结构，分别为外部输入反馈层和输出处理层；在网络中，第k个时刻的每个神经元的复值输出用yl(k)表示，l＝1,...n，外部输入用s(k)的p个延迟项表示，是一个(1×p)的向量，其中s(k)是输入样本序列，整个网络的总输入向量p(k)是由输出向量yl(k)、s(k)和一个偏置输入(1 j)串联组成，表示为：
式中，
每个神经元的输出定义为：yl(k)＝φ(netl(k))，φ表示神经元的复值非线性激活函数，netl(k)是k时刻激活函数的输入，即某个节点的所有输入作用上权重后的线性加和，表示为：
yl(k)＝φr(netl(k)) jφi(netl(k))＝ul(k) jvl(k)。
3.根据权利要求2所述的一种复值全连接递归神经网络模型的功放数字预失真方法，其特征在于：所述的激活函数为初等超越函数φ(z)＝tanh(z)。
4.根据权利要求2所述的一种复值全连接递归神经网络模型的功放数字预失真方法，其特征在于：所述的步骤(4)中，使用递归学习训练算法进行参数更新，具体为：
步骤1、假定输出层中每个神经元的输出为yt(k),t＝1,...,n，输出误差为et(k)，误差由实部etr(k)和虚部eti(k)组成，表示成：et(k)＝d(k)-yt(k)＝etr(k) jeti(k)，etr(k)＝dr(k)-ut(k),eti(k)＝di(k)-vt(k)，d(k)＝dr(k) jdi(k)表示参考信号；
步骤2、将参考信号与神经元输出信号的差值作为代价函数，表示为
步骤3、将网络中的每一个权重wl,n∈w,l＝1,...,n,n＝1,...,p n 1的更新方程表示成
