1.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，其特征在于，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；
2.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的數(shù)字預(yù)失真器模型設(shè)計(jì)方法，其特征在于，所述輸入數(shù)據(jù)獲取具體為：信號源經(jīng)過二相移鍵控調(diào)制得到初始信號，對初始信號預(yù)處理后得到時(shí)間維度和特征維度的二維失真信號，對初始信號和失真信號進(jìn)行對齊并采集，并將失真信號輸入所搭建的預(yù)失真器模型。
3.根據(jù)權(quán)利要求2所述的基于神經(jīng)網(wǎng)絡(luò)的數(shù)字預(yù)失真器模型設(shè)計(jì)方法，其特征在于，所述初始信號預(yù)處理具體為：升頻操作后通過射頻功率放大器和衰減之后得到失真信號，所述射頻功率放大器工作于非線性工作區(qū)間。
4.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的數(shù)字預(yù)失真器模型設(shè)計(jì)方法，其特征在于，所述幅度學(xué)習(xí)模塊中激活函數(shù)具體為??，雙曲正切函數(shù)具體為?，
5.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的數(shù)字預(yù)失真器模型設(shè)計(jì)方法，其特征在于，所述向量拼接模塊具體計(jì)算公式如下：
6.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的數(shù)字預(yù)失真器模型設(shè)計(jì)方法，其特征在于，搭建預(yù)失真器模型后進(jìn)行迭代訓(xùn)練具體為：首先訓(xùn)練一個(gè)后逆模型，其權(quán)重作為預(yù)失真器模型的初始權(quán)重，后逆模型的輸入為衰減處理的失真信號，理想目標(biāo)為信號源直接輸出信號，后逆模型和功率放大器互補(bǔ)形成失真補(bǔ)償；之后，通過間接學(xué)習(xí)結(jié)構(gòu)對預(yù)失真器模型進(jìn)行進(jìn)一步微調(diào)，信號源輸出信號為，經(jīng)過線性放大且無失真的情況下理想增益信號為，對預(yù)失真器模型進(jìn)行誤差更新，設(shè)置。
7.根據(jù)權(quán)利要求6所述的基于神經(jīng)網(wǎng)絡(luò)的數(shù)字預(yù)失真器模型設(shè)計(jì)方法，其特征在于，迭代訓(xùn)練所使用的反向傳播算法為adamw，設(shè)置批處理量為256，網(wǎng)絡(luò)初始學(xué)習(xí)率設(shè)為0.0005，訓(xùn)練總迭代次數(shù)50次。