公开(公告)号：CN115378371A

公开(公告)日：2022-11-22

申请号：CN202110548367.7

申请日：2021-05-19

Applicant: 北京邮电大学

Inventor： 于翠屏 ,  唐珂 ,  刘元安 ,  黎淑兰 ,  苏明 ,  王为民 ,  吴永乐

IPC: H03F1/32

Abstract: 本发明实施例提供了一种用于带限预失真系统的信号处理方法及带限预失真系统，该方法包括：基于输入至数模转换与上变频模块的历史原始信号、模数转换与下变频模块输出的历史反馈信号、滤波器的基带响应、滤波器的总阶数及预设带限预失真系统模型，确定待建立的功率放大器模型的模型参数；基于模型参数建立功率放大器模型；并基于功率放大器模型和历史原始信号，确定预失真模型，使得历史原始信号通过预失真器和功率放大器后得到的信号与原始信号呈线性。由于在建立功率放大器模型时，考虑了滤波器对模型记忆深度的影响，因此得到的功率放大器模型更准确，进而使得使用该功率放大器模型和预失真模型对信号进行预失真和放大处理时，线性化效果更好。

公开(公告)号：CN110414565B

公开(公告)日：2021-06-08

申请号：CN201910582403.4

申请日：2019-06-28

Applicant: 北京邮电大学 ,  中国空间技术研究院

Inventor： 于翠屏 ,  唐珂 ,  刘元安 ,  黎淑兰 ,  苏明 ,  吴永乐 ,  王卫民 ,  唐碧华

IPC: G06K9/62 ,  G06N3/08

Abstract: 本发明公开了一种用于功率放大器的基于Group Lasso的神经网络裁剪方法，属于通信技术领域。首先对原始神经网络结构，将除了输出层以外的其余层中连接在同一个神经元的所有输出权重分为一组；分组后对每组权重分别执行L2范数约束；然后将原始神经网络结构中所有组的权重的L2范数之和作为Group Lasso罚项添加到原损失函数Loss1之后，得到新的损失函数Loss2；通过BP算法对Loss2进行极小化训练，寻找收敛接近于0的权重组，并去掉这些权重组连接的神经元，得到简化后的神经网络，采用BP算法对原始损失函数Loss1进行训练，得到训练完成的简化后的神经网络模型，在利用该模型对功率放大器进行建模或预失真。本发明可抑制训练过程中的过拟合，提高预失真效果，降低计算量，便于工程应用。

公开(公告)号：CN111884602B

公开(公告)日：2022-05-20

申请号：CN202010608963.5

申请日：2020-06-29

Applicant: 北京邮电大学

Inventor： 于翠屏 ,  唐珂 ,  刘元安 ,  黎淑兰 ,  吴永乐 ,  王卫民 ,  苏明

IPC: H03F1/32

Abstract: 本发明公开了一种基于单输出节点神经网络的功率放大器预失真方法，属于通信技术领域。与传统基于神经网络的预失真方法不同，所提出的方法仅需要拟合I或Q路中任意一路输入信号，另一路信号可通过改变神经网络输入向量的方法直接获得，无需再次进行学习。神经网络输出节点数量的减少可有效提高拟合的精度，减少计算量，节省硬件资源，相应的预失真线性化性能也有所增强。

公开(公告)号：CN111884602A

公开(公告)日：2020-11-03

申请号：CN202010608963.5

申请日：2020-06-29

Applicant: 北京邮电大学

Inventor： 于翠屏 ,  唐珂 ,  刘元安 ,  黎淑兰 ,  吴永乐 ,  王卫民 ,  苏明

IPC: H03F1/32

Abstract: 本发明公开了一种基于单输出节点神经网络的功率放大器预失真方法，属于通信技术领域。与传统基于神经网络的预失真方法不同，所提出的方法仅需要拟合I或Q路中任意一路输入信号，另一路信号可通过改变神经网络输入向量的方法直接获得，无需再次进行学习。神经网络输出节点数量的减少可有效提高拟合的精度，减少计算量，节省硬件资源，相应的预失真线性化性能也有所增强。

公开(公告)号：CN116054755A

公开(公告)日：2023-05-02

申请号：CN202211328385.5

申请日：2022-10-27

Applicant: 北京邮电大学

Inventor： 于翠屏 ,  唐珂 ,  黎淑兰 ,  刘元安

IPC: H03F1/32 ,  H03F3/195 ,  H03F3/213

Abstract: 本发明实施例提供了一种基于神经网络的双频带预失真线性化方法和系统，该方法包括：基于输入至第一/第二频带的数模转换与上变频模块的历史原始信号、模数转换与下变频模块输出的第一/第二频带历史反馈信号、预设神经网络预失真系统模型，预设神经网络算法超参数，确定预失真模型；并基于所获得的预失真模型，使得原始信号通过预失真器和功率放大器后得到的信号与原始信号呈线性。所提出的预失真模型具有紧凑简单的结构，此外能通过所设计的神经网络训练算法对模型进行了进一步的简化，因此最终模型不仅具有优秀的线性化性能，而且复杂度较低。同时由于对I/Q分量的分离处理，所提出的神经网络预失真系统具有矫正I/Q不平衡的能力。

公开(公告)号：CN110414565A

公开(公告)日：2019-11-05

申请号：CN201910582403.4

申请日：2019-06-28

Applicant: 北京邮电大学 ,  中国空间技术研究院

Inventor： 于翠屏 ,  唐珂 ,  刘元安 ,  黎淑兰 ,  苏明 ,  吴永乐 ,  王卫民 ,  唐碧华

IPC: G06K9/62 ,  G06N3/08

Abstract: 本发明公开了一种用于功率放大器的基于Group Lasso的神经网络裁剪方法，属于通信技术领域。首先对原始神经网络结构，将除了输出层以外的其余层中连接在同一个神经元的所有输出权重分为一组；分组后对每组权重分别执行L2范数约束；然后将原始神经网络结构中所有组的权重的L2范数之和作为Group Lasso罚项 添加到原损失函数Loss1之后，得到新的损失函数Loss2；通过BP算法对Loss2进行极小化训练，寻找收敛接近于0的权重组，并去掉这些权重组连接的神经元，得到简化后的神经网络，采用BP算法对原始损失函数Loss1进行训练，得到训练完成的简化后的神经网络模型，在利用该模型对功率放大器进行建模或预失真。本发明可抑制训练过程中的过拟合，提高预失真效果，降低计算量，便于工程应用。