本發(fā)明屬于衛(wèi)星通信傳輸中數(shù)字預(yù)失真。

背景技術(shù)：

1、衛(wèi)星通信具有覆蓋范圍廣、傳輸距離遠(yuǎn)、通信容量大、傳輸質(zhì)量好、組網(wǎng)靈活迅速和保密性高等眾多優(yōu)點(diǎn)，已成為當(dāng)今極具競爭力的通信手段。射頻功率放大器作為衛(wèi)星通信系統(tǒng)中的關(guān)鍵組件，其線性化技術(shù)對于提升衛(wèi)星通信質(zhì)量至關(guān)重要；而dpd（數(shù)字預(yù)失真技術(shù)）是射頻功率放大器線性化技術(shù)的重要手段，通過在信號輸入端引入相反的失真來補(bǔ)償射頻功率放大器輸出端的非線性失真，避免造成信號傳輸質(zhì)量下降，頻譜效率降低，相鄰信道干擾等問題。

2、例如，基于多項(xiàng)式模型的預(yù)失真算法，雖然能在一定程度上減少非線性失真，但在處理復(fù)雜非線性特性時(shí)存在局限，尤其是在多頻段、多信道的通信環(huán)境中，難以滿足現(xiàn)代通信系統(tǒng)的高精度需求。而神經(jīng)網(wǎng)絡(luò)因其靈活性和自適應(yīng)性，能更好地捕捉和補(bǔ)償復(fù)雜非線性失真，近年來被廣泛應(yīng)用于數(shù)字預(yù)失真領(lǐng)域。現(xiàn)有的神經(jīng)網(wǎng)絡(luò)數(shù)字預(yù)失真方法包括：

3、結(jié)合rnn（遞歸神經(jīng)網(wǎng)絡(luò)），利用rnn的記憶效應(yīng)進(jìn)行建模，提升了動(dòng)態(tài)環(huán)境中的預(yù)失真效果，但是在計(jì)算長序列特征的過程中由于梯度消失或梯度爆炸問題，很難捕捉到長距離的時(shí)間依賴關(guān)系，表現(xiàn)為對歷史輸入的記憶能力較弱，因此提出rnn的變體lstm模型，通過添加細(xì)胞記憶單元和門控機(jī)制選擇記憶或遺忘重要特征信息，能夠捕捉數(shù)字預(yù)失真技術(shù)中更長時(shí)域范圍內(nèi)的記憶效應(yīng)。然而，lstm模型缺乏對信號幅度、相位信息的利用。

4、進(jìn)一步的，通過構(gòu)建vdlstm（向量分解長短期記憶網(wǎng)絡(luò)）對信號幅度進(jìn)行非線性計(jì)算，之后通過線性加權(quán)的方式恢復(fù)相位，從而解決上述lstm模型缺乏對信號幅度、相位信息利用的這一技術(shù)問題。但是，vdlstm在計(jì)算中完全專注于幅度和相位信息，缺乏對信號正交、同相分路之間的隔離和交互作用的利用，影響非線性補(bǔ)償最終結(jié)果；同時(shí)采用線性加權(quán)求和的方式恢復(fù)相位，這忽略了相位的非線性和記憶性，造成相位偏移。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有數(shù)字預(yù)失真算法的局限性進(jìn)行改進(jìn)，缺乏對有效信息的利用以及相位偏移的技術(shù)問題，本發(fā)明提出一種“基于神經(jīng)網(wǎng)絡(luò)的數(shù)字預(yù)失真器模型設(shè)計(jì)方法”。

2、基于神經(jīng)網(wǎng)絡(luò)的數(shù)字預(yù)失真器模型設(shè)計(jì)方法，如圖1所示，預(yù)失真器模型包括幅度學(xué)習(xí)模塊、相位計(jì)算模塊、相位恢復(fù)模塊、向量拼接模塊、多專家網(wǎng)絡(luò)學(xué)習(xí)模塊和融合判決模塊；

3、輸入數(shù)據(jù)獲取后以幅度和相位分解失真信號，輸入到幅度學(xué)習(xí)模塊進(jìn)行幅度學(xué)習(xí)輸出幅度學(xué)習(xí)信號以及輸入到相位計(jì)算模塊通過使用正弦和余弦函數(shù)進(jìn)行處理，分別生成同相路和正交路的相位信息信號；將所述幅度學(xué)習(xí)信號和所述相位信息信號輸入至相位恢復(fù)模塊通過線性變換并和同相路、正交路相位信號相乘輸出相位恢復(fù)信號，所述相位恢復(fù)信號與失真信號輸入向量拼接模塊，在特征維度進(jìn)行拼接輸出拼接信號，所述拼接信號輸入到多專家網(wǎng)絡(luò)學(xué)習(xí)模塊，通過計(jì)算輸出多專家判決信號，所述多專家判決信號輸入至融合判決模塊，輸出最終判決信號；

4、所述幅度學(xué)習(xí)模塊包括門控機(jī)制和細(xì)胞記憶單元，分解后的失真信號經(jīng)過門控機(jī)制和循環(huán)計(jì)算更新細(xì)胞記憶單元和分解信號自身隱藏層狀態(tài)，當(dāng)循環(huán)計(jì)算結(jié)束后輸出幅度學(xué)習(xí)信號；所述門控機(jī)制包括輸入門、遺忘門以及輸出門，具體計(jì)算公式如下：

5、，

6、：遺忘門的激活值，定義1表示完全保留，0表示完全丟棄；

7、：sigmoid激活函數(shù)；

8、：遺忘門的權(quán)重和偏置；

9、：上一時(shí)刻的隱藏狀態(tài)；

10、：當(dāng)前時(shí)刻的輸入；

11、，

12、：輸入門的激活值；

13、：輸入門的權(quán)重和偏置；

14、，

15、：輸出門的激活值；

16、：輸出門的權(quán)重和偏置；

17、，

18、：當(dāng)前時(shí)刻細(xì)胞記憶單元狀態(tài)；

19、：上一時(shí)刻細(xì)胞記憶單元狀態(tài)；

20、：當(dāng)前時(shí)刻候選記憶；

21、，

22、（）為雙曲正切函數(shù)；

23、、：細(xì)胞記憶單元的權(quán)重和偏置；

24、，

25、：當(dāng)前時(shí)刻的隱藏狀態(tài)；

26、所述多專家網(wǎng)絡(luò)學(xué)習(xí)模塊接收所述拼接信號，通過各通道專家網(wǎng)絡(luò)分別專注學(xué)習(xí)正交分路、特征交互分路以及同相分路，對應(yīng)輸出正交分路信號、特征交互分路信號以及同相分路信號；

27、所述融合判決模塊通過接收正交分路信號、同相分路信號和特征交互分路信號，加權(quán)融合方式進(jìn)行特征融合，輸出最終判決信號；搭建預(yù)失真器模型后并進(jìn)行迭代訓(xùn)練得到最終的vdmoe（vector?decomposed?mixture?of?experts，向量分解混合專家網(wǎng)絡(luò)）模型。

28、技術(shù)效果：

29、本發(fā)明結(jié)合通信數(shù)據(jù)的幅度/相位和正交/同相分路的隔離和交互特征，在lstm模型的基礎(chǔ)上設(shè)計(jì)了一種集合向量分解和多專家判決的數(shù)字預(yù)失真器模型。

30、1、綜合考慮同相/正交分量和幅度/相位信息，避免出現(xiàn)輸入的有效特征信息丟失的問題；

31、2、通過向量拼接模塊將原始失真信號和相位恢復(fù)信號進(jìn)行跨層拼接，避免網(wǎng)絡(luò)學(xué)習(xí)過程中隨著學(xué)習(xí)深入而出現(xiàn)遺忘初始特征，解決了現(xiàn)有方法忽略相位的非線性和記憶性的技術(shù)問題，同時(shí)也避免由于某層非線性操作對特征的過度壓縮或拉伸以及梯度消失或梯度爆炸等問題，加快收斂速度。

32、3、通過多專家網(wǎng)絡(luò)學(xué)習(xí)模塊進(jìn)行了后續(xù)的非線性時(shí)間序列學(xué)習(xí)，學(xué)習(xí)不同特征之間的隔離和交互作用，進(jìn)一步增強(qiáng)了算法的適應(yīng)性，最終通過對各專家通道的判別結(jié)果加權(quán)求和，獲得最終判決信號，對相位的非線性學(xué)習(xí)也解決了相位偏移的技術(shù)問題。

33、為了說明本發(fā)明所用方法的優(yōu)異性能，使用本發(fā)明的vdmoe模型對測試數(shù)據(jù)進(jìn)行預(yù)測，同時(shí)與現(xiàn)有l(wèi)stm模型和vdlstm模型通過多種指標(biāo)對其性能進(jìn)行了評估，具體評估指標(biāo)包括功率譜密度圖、均方誤差值（mse）以及am-am和am-pm特性曲線，如圖3所示，功率譜密度圖展示了經(jīng)過預(yù)失真處理后信號的頻譜特性，添加預(yù)失真器后信號的失真有所改善，通過對比lstm模型和vdlstm模型對應(yīng)曲線的差異，可以發(fā)現(xiàn)本發(fā)明（綠線）更貼近原始信號。

34、均方誤差（mse）作為一種常用的誤差衡量指標(biāo)，可以量化預(yù)失真器輸出信號與理想信號之間的差異，反映出預(yù)失真器在信號恢復(fù)中的精度和可靠性，通過下表可以說明本發(fā)明搭建的模型具有最小的mse值，預(yù)測值最貼近理想信號。

35、 dpd mse（db） 不添加dpd -19.52 lstm -57.13 vdlstm -54.66 vdmoe -59.22

36、am-am和am-pm特性曲線能夠直觀地展現(xiàn)信號在不同輸入功率下的幅度和相位變化，如圖4所示，通過對比添加vdmoe模型前后信號的am-am圖，可以發(fā)現(xiàn)不經(jīng)過vdmoe模型時(shí)存在明顯的非線性失真，相比之下，vdmoe模型通過向量分解模塊對信號幅度進(jìn)行時(shí)序計(jì)算，并通過多專家網(wǎng)絡(luò)學(xué)習(xí)多維特征之間的隔離和交互，使其在am-am上非線性失真表現(xiàn)更好。如圖5所示，通過對比不同dpd模型前后信號的am-pm圖可以發(fā)現(xiàn)，dpd為vdlstm模型時(shí)相位失真比較嚴(yán)重，相比之下，本發(fā)明考慮到相位時(shí)序和記憶特性并通過多專家網(wǎng)絡(luò)學(xué)習(xí)模塊進(jìn)行后續(xù)非線性學(xué)習(xí)，所以相位失真較小。