公开(公告)号：CN114565077B

公开(公告)日：2023-04-18

申请号：CN202210126012.3

申请日：2022-02-10

Applicant: 北京邮电大学

Inventor： 胡欣 ,  谢树宾 ,  刘志军 ,  冀昕 ,  常旭明 ,  邱翊 ,  王卫东

IPC: G06N3/0464 ,  G06N3/063 ,  G06N3/08

Abstract: 本发明提出一种面向功率放大器的深度神经网络泛化性建模方法，属于无线通信技术领域；首先，采集不同带宽和功率水平的数据，并调制到具有K个子载波的OFDM系统上生成OFDM信号，经过采样得到采样信号，并基于云边协同上传至云端；然后，对各OFDM信号的相应带宽和功率水平进行one‑hot编码，并通过全连接神经网络层，标记输出为各自的编码向量；基于此构建DNN模型；并利用采集的不同带宽和功率水平的数据，对DNN模型进行训练，实现基于多种状态数据的泛化性建模；本发明实现了对多组带宽、功率水平的功率放大器信号进行建模，避免了当存在不同带宽、功率条件的OFDM信号时需要针对性的逐一训练网络模型的问题，减少了需要建模的数量，大大提高了建模效率。

公开(公告)号：CN115278746B

公开(公告)日：2023-03-28

申请号：CN202210895077.4

申请日：2022-07-28

Applicant: 北京邮电大学

Inventor： 胡欣 ,  邱翊 ,  刘志军 ,  常旭明 ,  冀昕 ,  谢树宾 ,  王卫东

IPC: H04L25/03 ,  H04W24/06 ,  H04B1/04 ,  H04B1/40 ,  H04B17/336 ,  H04B17/391

Abstract: 本发明为一种面向5G宽带功放的自适应快速误差修正数字预失真方法，属于无线通信技术领域。本发明方法在求解功率放大器模型系数时，采用高斯分布随机选择主列的Householder QR最小二乘算法，联合3级BLAS内核进行阻塞算法加速，解决了高阶矩阵运算或求逆操作计算复杂度过高且学习过程难以实时更新的问题；并设置粗调链路和微调链路，单次计算粗调模型系数，引入并行的微调链路，比较反馈信号与源信号的差异，消除粗调产生的误差，能在毫秒内动态更新预失真参数，实现了对功放非线性的实时追踪与补偿，满足数字预失真系数更新时间要求。本发明方法具有参数灵活可调、可移植性和鲁棒性强的优点，适用于大带宽高速率信号系统。

公开(公告)号：CN115225041A

公开(公告)日：2022-10-21

申请号：CN202210872489.6

申请日：2022-07-20

Applicant: 北京邮电大学

Inventor： 胡欣 ,  常旭明 ,  刘志军 ,  冀昕 ,  邱翊 ,  谢树宾 ,  王卫东

IPC: H03F1/32 ,  H03F3/20

Abstract: 本发明提供了一种适用于5G信号的功率放大器的数字增强方法，属于无线通信技术领域。本发明方法设置了数字增强模块对生成OFDM序列源信号进行处理，对源信号时域剪裁以降低信号的峰均功率比；将Volterra模型和线性时不变系统LTI级联实现对PA建模；对非线性部分选择短记忆的GMP模型、LTI通过滤波器实现；构建低复杂度补偿模块，降低对角项的记忆效应，利用PA的输入信号和反馈信号计算GMP模型系数存入查找表；通过将输入信号与查找表对应系数相乘再求和得到最终的预失真信号。本发明可在硬件中实现多相分支基于查找表的动态配置补偿，降低宽带补偿复杂度的同时，极大提升了补偿的灵活性，具备切实可行的高效高精度。

公开(公告)号：CN115278746A

公开(公告)日：2022-11-01

申请号：CN202210895077.4

申请日：2022-07-28

Applicant: 北京邮电大学

Inventor： 胡欣 ,  邱翊 ,  刘志军 ,  常旭明 ,  冀昕 ,  谢树宾 ,  王卫东

IPC: H04W24/06 ,  H04B1/04 ,  H04B1/40 ,  H04B17/336 ,  H04B17/391

Abstract: 本发明为一种面向5G宽带功放的自适应快速误差修正数字预失真方法，属于无线通信技术领域。本发明方法在求解功率放大器模型系数时，采用高斯分布随机选择主列的Householder QR最小二乘算法，联合3级BLAS内核进行阻塞算法加速，解决了高阶矩阵运算或求逆操作计算复杂度过高且学习过程难以实时更新的问题；并设置粗调链路和微调链路，单次计算粗调模型系数，引入并行的微调链路，比较反馈信号与源信号的差异，消除粗调产生的误差，能在毫秒内动态更新预失真参数，实现了对功放非线性的实时追踪与补偿，满足数字预失真系数更新时间要求。本发明方法具有参数灵活可调、可移植性和鲁棒性强的优点，适用于大带宽高速率信号系统。

公开(公告)号：CN114565077A

公开(公告)日：2022-05-31

申请号：CN202210126012.3

申请日：2022-02-10

Applicant: 北京邮电大学

Inventor： 胡欣 ,  谢树宾 ,  刘志军 ,  冀昕 ,  常旭明 ,  邱翊 ,  王卫东

IPC: G06N3/04 ,  G06N3/063 ,  G06N3/08

Abstract: 本发明提出一种面向功率放大器的深度神经网络泛化性建模方法，属于无线通信技术领域；首先，采集不同带宽和功率水平的数据，并调制到具有K个子载波的OFDM系统上生成OFDM信号，经过采样得到采样信号，并基于云边协同上传至云端；然后，对各OFDM信号的相应带宽和功率水平进行one‑hot编码，并通过全连接神经网络层，标记输出为各自的编码向量；基于此构建DNN模型；并利用采集的不同带宽和功率水平的数据，对DNN模型进行训练，实现基于多种状态数据的泛化性建模；本发明实现了对多组带宽、功率水平的功率放大器信号进行建模，避免了当存在不同带宽、功率条件的OFDM信号时需要针对性的逐一训练网络模型的问题，减少了需要建模的数量，大大提高了建模效率。