基于神经网络的无线通信系统射频发射机失真补偿方案设计

钱兴新 石启航 宋蕊琳

【关键词】射频发射机;神经网络;失真补偿;功率放大器非线性

引言

无线通信技术的快速发展，对无线发射机线性化和效率等方面的要求变得越来越高，另一方面，无线通信技术的快速发展也推动了发射机线性化技术的发展。无线通信系统发射机需采用功率放大器，其输出失真特性十分复杂，非线性失真严重。同时，伴随着载波频率升高、射频模拟器件尺寸限制等特点，无线系统通信发射机中的I/Q不平衡问题也十分突出。为保证无线通信过程中发射机的输出信号质量，需要在发射机这一环节对出现的射频失真问题进行有效的补偿。神经网络可以适应发射机的任意非线性特性，因此采用神经网络可以针对无线发射机中的各种射频失真问题进行统一处理。

一、预失真模型

预失真线性化技术的优点，在于不存在一些稳定性问题，拥有更宽的信号频带，能处理包含多载波的信号，并且成本较低、工艺简单、便于生产、效率较高。

预失真技术即通过一个预失真元件（Predistorter）来和功放元件（PA）级联，其特性与放率放大器的失真数量相当，功能相反。将这两个非线性失真功能相结合，能做到线性放大无失真。

图1 预失真基本原理

二、神经网络

人工神经网络简称为神经网络，神经网络是一种以对人类大脑的认识为前提，从信息处理的角度出发，结合数学和物理方法，对人类大脑的生物神经网络系统进行抽象提取而建立起来的简化模型。它是对人类大脑神经系统的表征，一般为多个简单的处理单元彼此之间以某种方式进行衔接，从而形成的计算系统，这类系统的工作原理在于通过响应外部输入信息来进行工作[1]。人工神经网络在模式识别、人工智能、控制工程、优化计算和联想记忆及信号处理中都有很广泛的應用。

神经网络的基本机制是模仿大脑的。大脑由神经元的连接组成，相应的，神经网络由节点的连接构成;神经元的关联是大脑的重要机制，相应的，神经网络用节点之间的权重值模仿神经元的关联。即，大脑是神经元网络，神经网络是节点网络。常用的分层模型如图2所示。

深度神经网络包含多个隐层，每层都可以通过采用监督学习或非监督学习来进行非线性变换，以实现对上层的特征抽象。深度神经网络利用逐层特征组合，并配合海量的训练数据，学习更加有用的特征，从而提升分类或预测的准确性，即：大量训练数据+ 特征学习→数据推断[2]。

神经网络的拓扑结构主要有两种，即前馈型网络和反馈型网络。前馈型网络没有向上一次的反馈，其节点包括输入节点和计算节点。而反馈型网络的所有节点都是计算节点。

图2 神经网络的分层模型

三、反向传播网络（BP网络）

在神经网络结构中，最常用的是反向传播网络，即Back-Propagation神经网络，一种多层前馈型网络。BP神经网络的主要优点是：只要有足够多的隐层和隐节点，BP神经网络可以逼近任意的非线性映射关系;BP神经网络的学习算法属于全局逼近的方法，因而它具有较好的泛化能力。

BP算法的基本思想是：用输出层的误差调整输出层权矩阵，并用此误差估计输出层的直接前导层的误差，再用输出层前导层误差估计更前一层的误差。每一层都通过这样的递归得到误差估计值，并用这些估计实现对权矩阵的修改，形成将输出端表现出的误差沿着与输入信号相反的方向逐级向输入端传递的过程。