非线性系统失真校正方法、装置、电子设备和存储介质与流程

1.本技术实施例涉及通信领域，特别涉及一种非线性系统失真校正方法、装置、电子设备和存储介质。


背景技术：

2.在移动通信系统中，使用功率放大器等器件或系统对信号进行处理，这些器件或系统大多具有非线性效应和记忆效应，是非线性系统，它们在对信号进行处理的同时，也会给信号带来非线性失真。目前多采用数字预失真技术对非线性系统进行校正，保证系统的线性度。
3.在第五代移动通信(5g)和未来的移动通信系统中，业务信号是灵活多变的，例如信号的功率、带宽、频点等特征是动态变化的。然而，非线性系统在不同的信号带宽、功率、频点等场景下具有不同的失真特性，在不同的温度、湿度等环境下也具有不同的失真特性，且不同类型的非线性器件也具有不同的失真特性。传统的数字预失真模型缺乏对多种类型和动态变化的场景的适应性，将传统的数字预失真模型用于动态变化的场景，将会存在训练过程复杂或硬件资源开销大等问题。


技术实现要素：

4.本技术实施例的主要目的在于提出一种非线性系统失真校正方法、装置、电子设备和存储介质，具有对多种类型和动态变化场景的适应性。
5.为实现上述目的，本技术实施例提供了一种非线性系统失真校正方法，包括：获取所述非线性系统中链路上的目标信号和所述目标信号的特征向量；根据预设的包含校正参数的预失真模型对所述目标信号和所述目标信号的特征向量作预失真处理，得到预失真的目标信号；其中，所述预失真模型包括预设的神经网络模型和预设的多项式模型，所述预设的神经网络模型包含所述校正参数中的权值系数和所述校正参数中的偏置系数，所述预设的多项式模型包含所述校正参数中的查找表系数。
6.为实现上述目的，本技术实施例还提出了一种非线性系统失真校正装置，包括：
7.获取模块，用于获取所述非线性系统中链路上的目标信号和所述目标信号的特征向量；
8.校正模块，用于根据预设的包含校正参数的预失真模型对所述目标信号和所述目标信号的特征向量作预失真处理，得到预失真的目标信号；其中，所述预失真模型包括预设的神经网络模型和预设的多项式模型，所述预设的神经网络模型包含所述校正参数中的权值系数和所述校正参数中的偏置系数，所述预设的多项式模型包含所述校正参数中的查找表系数。
9.为实现上述目的，本技术实施例还提出了一种电子设备，包括：
10.至少一个处理器；以及，
11.与所述至少一个处理器通信连接的存储器；其中，
12.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述实施例所述的非线性系统失真校正方法。
13.为实现上述目的，本技术实施例还提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例所述的非线性系统失真校正方法。
14.本技术提出的一种非线性系统失真校正方法、装置、电子设备和存储介质，通过神经网络模型、多项式模型、神经网络模型中包含的偏置系数和权值系数、多项式模型中包含的查找表系数共同对目标信号进行失真校正，整个预失真模型规模小，训练速度快，且能智能地适应动态变化的不同场景。另外，预失真模型可以应用于多通道链路的非线性系统，对多个发射通道协同地进行非线性失真校正，从而可以有效地降低失真校正的资源开销、抵消多个通道之间的相互耦合带来的失真。
附图说明
15.一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定。
16.图1是本技术的实施例提供的非线性系统失真校正方法的流程图一；
17.图2是本技术的实施例提供的多通道链路非线性系统的预失真模型结构示意图；
18.图3是本技术的实施例提供的非线性系统失真校正方法的流程图二；
19.图4是本技术的实施例提供的非线性系统失真校正装置的结构示意图；
20.图5是本技术的实施方式提供的电子设备的结构示意图。
具体实施方式
21.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本技术的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本技术各实施例中，为了使读者更好地理解本技术而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本技术所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本技术的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。
22.本技术的实施例涉及一种非线性系统失真校正方法，如图1所示，包括：
23.步骤101，获取非线性系统中链路上的目标信号和目标信号的特征向量。
24.本实施例中，非线性系统中链路上的目标信号可以是射频发射链路的发射信号，也可以是射频接收链路上的接收信号。具体地，获取非线性系统中链路上目标信号的特征向量，包括：获取所述目标信号的时域特征、频域特征、非线性系统的环境特征和非线性系统中非线性器件的类型特征；根据时域特征、频域特征、非线性系统的环境特征和非线性系统中非线性器件的类型特征生成特征向量。时域特征可以包括：目标信号的当前时刻项、延迟项、当前时刻项的幅值、当前时刻项的相位、延迟项的幅值、延迟项的相位、平均功率、包络特征等时域信息；频域特征可以包括：目标信号各子载波的中心频点位置、带宽、能量谱等；环境特征可以包括：非线性系统所处环境的温度、非线性系统所处环境的湿度等信息；
类型特征可以包括：非线性器件类型、非线性器件的型号等信息。
25.可以理解的是，信号在传输通道中传输是需要时间的，不同传输通道对信号的延迟作用是不一样的。而在射频系统中必须考虑射频链路对信号造成的延迟，即需要获取目标信号的延迟项，当然，具体获取延迟项的数量和时间可以根据对失真校正精度的要求和对处理速度的要求进行决定。
26.需要说明的是，在特征向量生成过程中包含目标信号的延迟项信息，使得本技术的失真校正方法考虑到了非线性系统的记忆效应，从而提高了对非线性系统失真校正的精度。
27.步骤102，根据预设的包含校正参数的预失真模型对目标信号和目标信号的特征向量作预失真处理，得到预失真的目标信号，其中，预失真模型包括预设的神经网络模型和预设的多项式模型，预设的神经网络模型包含校正参数中的权值系数和校正参数中的偏置系数，预设的多项式模型包含校正参数中的查找表系数。
28.本实施例中，神经网络模型可以是全连接的前馈神经网络、长短时记忆网络(long short term memory network,lstm)、门递归单元网络(gated recurrent unit,gru)、卷积神经网络等。具体地，神经网络由输入层、隐藏层和输出层组成，其可以有一个或多个隐藏层。另外，神经网络模型还可以包括后向输入层、后向输入层是最后一个隐藏层与输出层之间的权值系数，其取值随时间动态变化。
29.在一实施例中，神经网络模型为实系数神经网络模型或复系数神经网络模型。当神经网络模型为实系数神经网络模型时，输出层是i/q路分离的实信号，神经网络模型的权值系数和偏置系数为实数，非线性激活函数定义在实数域上。当神经网络模型为复系数神经网络模型时，输出层是复信号，神经网络的权值系数和偏置系数是复数，非线性激活函数定义在复数域上。
30.另外，本技术提出的非线性系统失真校正方法不仅可以应用于单通道链路的非线性系统，还可以应用于多通道链路的非线性系统。如图2所示，为多通道链路非线性系统的预失真模型结构示意图。
31.当非线性系统为单通道链路的非线性系统情况下，预失真模型包含一个神经网络模型和一个多项式模型；当非线性系统为多通道链路的非线性系统情况下，预失真模型包含一个神经网络模型和多个多项式模型。也就是说，多项式模型的数量与非线性系统中链路的通道数量相同。
32.需要说明的是，预失真模型可以对多个发射通道协同地进行非线性失真校正，从而可以有效地降低失真校正的资源开销、抵消多个通道之间的相互耦合带来的失真。
33.值得一提的是，当非线性系统中多通道链路上的非线性器件不同时，多个多项式模型也不相同，具体可以根据非线性器件的失真特性设置不同的多项式模型。
34.另外，在获取到预失真的目标信号后，将预失真的目标信号输入到非线性系统中得到非线性系统的输出信号。
35.本技术提出的一种非线性系统失真校正方法，通过神经网络模型、多项式模型、神经网络模型中包含的偏置系数和权值系数、多项式模型中包含的查找表系数共同对目标信号进行失真校正，整个预失真模型规模小，训练速度快，且对动态变化的不同应用场景适应性好。
36.本技术的实施例涉及一种非线性系统失真校正方法，如图3所示，包括：
37.步骤201，获取非线性系统中链路上的目标信号和目标信号的特征向量。
38.本实施例中，步骤201的具体实施细节与步骤101的具体实施细节基本相同，在此不做赘述。
39.步骤202，获取非线性系统中链路上的第一训练信号，其中，第一训练信号为在预设的训练场景中的任一个训练场景下获取的。
40.步骤203，根据预设的多项式模型训练算法和第一训练信号对待训练的多项式模型进行训练，获取训练完成的多项式模型和查找表系数，其中，多项式模型训练算法包括以下之一或其任意组合：最小二乘算法、最小均方算法、递归最小二乘算法。
41.本实施例中，在获取训练信号前，先要确定训练场景，即确定带宽、功率、频率等信号特征、非线性系统的温度、湿度等环境特征、以及非线性器件的型号等类型特征。第一训练信号包括在该训练场景下非线性系统上链路的输入信号x、输入信号经过预失真模型作预失真处理后得到的预失真信号x1、预失真信号输入到非线性系统得到的输出信号y。
42.对多项式模型进行训练时，训练方式可以是直接迭代训练，也可以是间接迭代训练。在直接迭代训练方式中，以输入信号x作为多项式模型的输入，以预失真信号x1与输入信号x和输出信号y的误差之和，即x1+x-y作为多项式模型的期望输出；在间接迭代训练方式中，以所述输出信号y作为多项式模型的输入，以所述预失真信号x1作为多项式模型的期望输出。
43.需要说明的是，上述训练过程可以重复执行，即不断训练更新多项式模型的查找表系数直至输出信号y的线性度指标迭代收敛。另外，多项式模型由n个不同的记忆多项式组成，每一记忆多项式的函数关系用一张查找表表示。查找表中包含查找表系数，用来对训练信号进行失真校正。
44.步骤204，获取第二训练信号和第二训练信号的特征向量，其中，第二训练信号包括多个第二子训练信号，每一个第二子训练信号为在预设的训练场景中的任一个训练场景下获取的，第二训练信号的特征向量包含第二训练信号的时域特征、频域特征、非线性系统的环境特征和非线性系统中非线性器件的类型特征。
45.步骤205，将第二训练信号和特征向量输入到待训练的预失真模型中进行训练，获取训练完成的神经网络模型、权值系数和偏置系数。
46.需要说明的是，步骤203中的训练场景是单一场景，即确定某一个训练场景，获取该训练场景下的第一训练信号，而步骤204中的训练场景同时包含多个场景，即获取的第二训练信号包括了多个第二子训练信号，每一个子训练信号的训练场景都不同，类似地，特征向量也包含多个训练场景的特征向量。也就是说，步骤204和步骤205是在一次训练中包含多个场景的数据，使得最终得到的预失真模型可以智能地适应多种类型的场景。
47.本实施例对预失真模型进行训练时，训练方式可以是直接迭代训练，也可以是间接迭代训练。在每一次迭代中，使用反向传播算法训练得到神经网络模型的权值系数和偏置系数，并更新神经网络模型的权值系数和偏置系数。重复步骤204-步骤205，直至输出信号y的线性度指标迭代收敛。
48.也就是说，通过多项式模型来校正非线性系统的基础的失真特性，或者说在不同的信号特征、环境特征、类型特征等不同场景下的共性的失真特性，通过神经网络模型来校
正不同场景下的差异化的失真特性。如此，最终获取的包含神经网络模型和多项式模型的预失真模型，可以智能地适应多种类型、动态变化的场景下的非线性系统失真，且预失真模型规模小、训练速度快。进一步，可以理解为包括权值系数、偏置系数、查找表系数的校正参数和预失真模型共同作用为非线性系统的信号进行预失真处理。
49.需要注意的是，所有的训练过程均可以进行多次，且多次训练可以选择不同的应用场景，以使得整个预失真模型可以适应更多动态变化的场景。
50.另外，本实施例中，步骤202-步骤205也可以位于步骤201之前，本实施例仅是具体的一种情况，不对步骤执行顺序进行限定。
51.步骤206，根据预设的包含校正参数的预失真模型对目标信号和目标信号的特征向量作预失真处理，得到预失真的目标信号，其中，预失真模型包括预设的神经网络模型和预设的多项式模型，预设的神经网络模型包含校正参数中的权值系数和偏置系数，预设的多项式模型包含校正参数中的查找表系数。
52.在一实施例中，根据预设的包含校正参数的预失真模型对目标信号和目标信号的特征向量作预失真处理，包括：将目标信号的特征向量输入到神经网络模型中得到中间结果；将目标信号和中间结果共同输入到所述多项式模型中，得到预失真的目标信号。
53.本技术提出的一种非线性系统失真校正方法，通过神经网络模型、多项式模型、神经网络模型中包含的偏置系数和权值系数、多项式模型中包含的查找表系数共同对目标信号进行失真校正，整个预失真模型规模小，训练速度快，且对动态变化的不同应用场景适应性好。
54.此外，应当理解的是，上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其流程的核心设计都在该专利的保护范围内。
55.本技术的实施例涉及一种非线性系统失真校正装置，如图4所示，包括：
56.获取模块301，用于获取所述非线性系统中链路上的目标信号和所述目标信号的特征向量；
57.校正模块302，用于根据预设的包含校正参数的预失真模型对所述目标信号和所述目标信号的特征向量作预失真处理，得到预失真的目标信号；其中，所述预失真模型包括预设的神经网络模型和预设的多项式模型，所述预设的神经网络模型包含所述校正参数中的权值系数和所述校正参数中的偏置系数，所述预设的多项式模型包含所述校正参数中的查找表系数。
58.进一步地，装置还可以包括：训练模块。用于对预失真模型进行训练。
59.此外，所述装置还包括电源模块、存储模块、通信模块：所述电源模块用于为所述装置供电；所述存储模块用于存储计算机程序和指令；所述通信模块用于所述装置内部各模块之间的通信，或所述装置与外部设备之间的通信。
60.值得一提的是，本实施例中所涉及到的各模块均为逻辑模块，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施例中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施例中不存在其它的单元。
61.不难发现，本实施例为与非线性系统失真校正方法实施例相对应的装置实施例，本实施例可与上述实施例互相配合实施。上述实施例中提到的相关技术细节在本实施例中依然有效，为了减少重复，这里不再赘述。相应地，本实施例中提到的相关技术细节也可应用在上述方法实施例中。
62.本发明的实施方式涉及一种电子设备，如图5所示，包括：至少一个处理器401；以及，与所述至少一个处理器401通信连接的存储器402；其中，所述存储器402存储有可被所述至少一个处理器401执行的指令，所述指令被所述至少一个处理器401执行，以使所述至少一个处理器401能够执行上述实施方式的非线性系统失真校正方法。
63.其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。
64.处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
65.本发明另一实施方式涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施方式。
66.即，本领域技术人员可以理解，实现上述实施方式方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本技术各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
67.本领域的普通技术人员可以理解，上述各实施例是实现本技术的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本技术的精神和范围。

技术特征：
1.一种非线性系统失真校正方法，其特征在于，包括：获取所述非线性系统中链路上的目标信号和所述目标信号的特征向量；根据预设的包含校正参数的预失真模型对所述目标信号和所述目标信号的特征向量作预失真处理，得到预失真的目标信号；其中，所述预失真模型包括预设的神经网络模型和预设的多项式模型，所述预设的神经网络模型包含所述校正参数中的权值系数和所述校正参数中的偏置系数，所述预设的多项式模型包含所述校正参数中的查找表系数。2.根据权利要求1所述的非线性系统失真校正方法，其特征在于，所述获取所述非线性系统中链路上的目标信号和所述目标信号的特征向量，包括：获取所述目标信号和所述目标信号的时域特征、频域特征、所述非线性系统的环境特征和所述非线性系统中非线性器件的类型特征；根据所述时域特征、所述频域特征、所述非线性系统的环境特征和所述非线性系统中非线性器件的类型特征生成所述目标信号的特征向量。3.根据权利要求1所述的非线性系统失真校正方法，其特征在于，所述根据预设的包含校正参数的预失真模型对所述目标信号和所述目标信号的特征向量作预失真处理，得到预失真的目标信号，包括：将所述目标信号的特征向量输入到所述神经网络模型中得到中间结果；将所述目标信号和所述中间结果共同输入到所述多项式模型中，得到预失真的目标信号。4.根据权利要求1至3中任一项所述的非线性系统失真校正方法，其特征在于，所述根据预设的包含校正参数的预失真模型对所述目标信号和所述目标信号的特征向量作预失真处理之前，还包括：获取所述非线性系统中链路上的第一训练信号，其中，所述第一训练信号为在预设的训练场景中的任一个训练场景下获取的；根据预设的多项式模型训练算法和所述第一训练信号对待训练的多项式模型进行训练，获取训练完成的多项式模型和查找表系数；其中，所述多项式模型训练算法包括以下之一或其任意组合：最小二乘算法、最小均方算法、递归最小二乘算法。5.根据权利要求4中所述的非线性系统失真校正方法，其特征在于，所述获取训练完成的多项式模型和查找表系数之后，还包括：获取第二训练信号和所述第二训练信号的特征向量，其中，所述第二训练信号包括多个第二子训练信号，每一个第二子训练信号为在预设的训练场景中的任一个训练场景下获取的，所述第二训练信号的特征向量包含所述第二训练信号的时域特征、频域特征、所述非线性系统的环境特征和所述非线性系统中非线性器件的类型特征；将所述第二训练信号和所述第二训练信号的特征向量输入到待训练的预失真模型中进行训练，获取训练完成的神经网络模型、权值系数和偏置系数。6.根据权利要求1所述的非线性系统失真校正方法，其特征在于，所述神经网络模型为实系数神经网络模型或复系数神经网络模型。7.根据权利要求1所述的非线性系统失真校正方法，其特征在于，
当所述非线性系统为单通道链路的非线性系统的情况下，所述预失真模型包含一个神经网络模型和一个多项式模型；当所述非线性系统为多通道链路的非线性系统的情况下，所述预失真模型包含一个神经网络模型和多个多项式模型。8.一种非线性系统失真校正装置，其特征在于，包括：获取模块，用于获取所述非线性系统中链路上的目标信号和所述目标信号的特征向量；校正模块，用于根据预设的包含校正参数的预失真模型对所述目标信号和所述目标信号的特征向量作预失真处理，得到预失真的目标信号；其中，所述预失真模型包括预设的神经网络模型和预设的多项式模型，所述预设的神经网络模型包含所述校正参数中的权值系数和所述校正参数中的偏置系数，所述预设的多项式模型包含所述校正参数中的查找表系数。9.一种电子设备，其特征在于，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的非线性系统失真校正方法。10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的非线性系统失真校正方法。

技术总结
本申请提出一种非线性系统失真校正方法、装置、电子设备和存储介质，涉及通信领域。非线性系统失真校正方法包括：获取所述非线性系统中链路上的目标信号和所述目标信号的特征向量；根据预设的包含校正参数的预失真模型对所述目标信号和所述目标信号的特征向量作预失真处理，得到预失真的目标信号；其中，所述预失真模型包括预设的神经网络模型和预设的多项式模型，所述预设的神经网络模型包含所述校正参数中的权值系数和所述校正参数中的偏置系数，所述预设的多项式模型包含所述校正参数中的查找表系数。的查找表系数。的查找表系数。


技术研发人员：方轶圣 杜文豪 宁东方 张作锋
受保护的技术使用者：中兴通讯股份有限公司
技术研发日：2021.12.28
技术公布日：2023/7/11