東南大學碩士學位論文摘要摘要RF功放的線性化是設計WCDMA等第三代移動通信系統(tǒng)的關鍵技術之一。目前，相對于前饋和反饋等線性化技術，基帶數(shù)字預失真技術是性價比較好的解決方案。在考慮記憶效應的神經(jīng)網(wǎng)絡基帶預失真器的設計過程中，功放系統(tǒng)的建模是其關鍵技術。由于功放系統(tǒng)是一個復雜的帶記憶效應的非線性時變系統(tǒng)，為了能夠?qū)崿F(xiàn)實時校正，采用級連相關算法進行在線神經(jīng)網(wǎng)絡建模。首先選用殘差相關性判別方法來確定神經(jīng)網(wǎng)絡功放模型的結構和初始參數(shù)，然后使用帶遺忘因子的遞推最小二乘法對神經(jīng)網(wǎng)絡模型參數(shù)進行在線自適應調(diào)整。對實測數(shù)據(jù)的驗證表明，建立的神經(jīng)網(wǎng)絡模型完全能達到給定的性能指標要求。本文首先介紹項目的背景和幾種功放線性化方法，然后介紹了系統(tǒng)辨識和神經(jīng)網(wǎng)絡的相關知識，接著具體闡述本課題核心部分RF功放系統(tǒng)的神經(jīng)網(wǎng)絡建模以及相關DSP系統(tǒng)的硬件實現(xiàn)，最后對項目進行總結和展望。關鍵詞功率放大器，神經(jīng)網(wǎng)絡，系統(tǒng)辨識，級連相關算法，DSP論文類型應用研究東南大學碩士學位論文ABSTRACTABSTRACTPOWERAMPLIFIERSPALINEARIZATIONISONEOFTHEKEYTECHNOLOGIESFORWIDERBANDWIDTHAPPLICATIONSSUEHWIDEBANDCODEDIVISIONMULTIPLEACCESSWCDMAATPRESE吐INCONTRASTWITHFEODBACKANDFEEDFORWARD,DIGITALBASEBALLDPREDISTORTIONISAHIGHLYCOSTEFFECTIVEWAYTOIMPROVEPOWERAMPLIFIERSNONLINEARCHARACTERISTICMODELINGPOWERAMPLIFIERISONEOFTHEKEYTECHNOLOGIESWHENWEDESIGNTHEPREDISTORTERTHEPASYSTEMISCOMPLEX,USUALLYNONLINEAR,TIMEVARYING，ANDHASMEMORYEFFECTTOREALIZEREALTIMEPREDISTORTERTHATPERFORMSWELL，CASCEDECORRELATIONALGORITHMISUSEDFORONLINEMODELINGTHENONLINEARCHARACTERISTICOFPAFIRST,RESIDUALCORRELATIONMETHODISUSEDTODETERMINETHESTRUCTUREANDINITIALPARAMETERSOFTHENEURALNETWORKMODELFORPOWERAMPLIFIERSYSTEM,THEN”MODELPARAMETERSAREONLINEEDJUSTEDWITHFORGETTINGFACTORRECURSIVELEASTSQUAREALGORITHMSFFLSAPPLICATIONSHOWSTHATTHENEURALNETWORKMODELREACHESTHEPERFORMANCEINDEXSATISFACTORILYFIRSTLYTHEDEVELOPMENTBACKGROUNDOFTHEPROJECTISINTRODUCEDANDSEVERALMEANSOFPOWERAMPLIFIERSIINEARIZATIONAREDISCUSSED,THELLTHEMLATODINFORMATIONOFSYSTEMIDENTIFICATIONANDNCORALNETWORKISINTRODUCED，ANDTHENMODELINGRFPAWHICHISTHEKEYPARTOFTHISPAPERISDISCUSSED，THENHARDWAREIMPLEMENTATIONOFSYSTEMWITHDSPISINTRODUCEDATLASTTHESUMMARYOFALLTHEWORKISGIVEN,ANDBESIDES，SOMEBENEFICIALEDVICESALEDISCUSSEDKEYWORDSPOWERAMPLIFIER,NEURALNETWORK,SYSTEMIDENTIFICATION，CASCADECORRELATION,DSPTYPEOFTHESISAPPLICATIONREARCHIL東南大學學位論文獨創(chuàng)性聲明本人聲明所呈交的學位論文是我個人在導師指導下進行的研究工作及取得的研究成果。盡我所知，除了文中特別加以標注和致謝的地方外，論文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果，也不包含為獲得東南大學或其它教育機構的學位或證書而使用過的材料。與我一同工作的同志對本研究所做的任何貢獻均己在論文中作了明確的說明并表示了謝意。研究生簽名蓬疊室，日期J劍東南大學學位論文使用授權聲明東南大學、中國科學技術信息研究所、國家圖書館有權保留本人所送交學位論文的復印件和電子文檔，可以采用影印、縮印或其他復制手段保存論文。本人電子文檔的內(nèi)容和紙質(zhì)論文的內(nèi)容相一致。除在保密期內(nèi)的保密論文外，允許論文被查閱和借閱，可以公布包括刊登論文的全部或部分內(nèi)容。論文的公布包括刊登授權東南大學研究生院辦理。緣上虹日期Z一；東南大學碩士學位論文第一章緒論11課題的研究背景及意義第一章緒論弟一早珀下匕自從1897年意大利科學家馬可尼用無線電波成功實現(xiàn)信息的傳輸，人們就開始了對移動通信孜孜不倦的探索【1J。實現(xiàn)個人終端用戶能夠在全球范圍內(nèi)的任何時間、任何地點，與任何人、用任意方式高質(zhì)量地實現(xiàn)任何信息的移動通信與傳輸也就成為人們不斷追求的目標口J。在此過程當中，移動通信經(jīng)歷了從單基站大功率系統(tǒng)到多基站小功率蜂窩系統(tǒng)的演變，才從真正意義上走向商用化，給人們生產(chǎn)和生活帶來了極大的方便。在短暫經(jīng)歷了以FDMAFREQUENCYDIVISIONMULTIPLEADDRESS模擬制式為特征的第一代蜂窩移動通信系統(tǒng)后，目前，國內(nèi)大量使用的是以TDMATIMEDIVISIONMULTIPLEADDRESS為主的數(shù)字式第二代移動通信系統(tǒng)，主要提供語音和低速率的數(shù)據(jù)通訊業(yè)務。隨著社會信息化的不斷深入，圖像、語音和數(shù)據(jù)相結合的多媒體業(yè)務和高速率的數(shù)據(jù)業(yè)務將會大大增加，人們對通訊業(yè)務多樣化的要求以及個人通訊用戶量都在與日俱增。第二代移動通信系統(tǒng)已經(jīng)遠遠不能滿足人們的通訊需求，新一代的移動通信系統(tǒng)也就成為世界各國通訊領域的研究熟點。截止到1998年6月30日，提交到國際電信聯(lián)盟ITU的第三代移動通信無線傳輸技術共有LO種，其中國際上公認最具競爭力主要有兩種即日本和歐洲提出的WCDMA技術和北美提出的CDMA2000技術。另外，我國也提出了具有自己知識產(chǎn)權的TDSCDMA31技術，并成為LTLJ認可的第三代移動通信無線傳輸?shù)闹髁骷夹g之一。第三代移動通信系統(tǒng)簡稱3G。早在20世紀末，歐洲、北美以及日本等發(fā)達國家和地區(qū)，已經(jīng)在不斷的試運營和改進各自提出的3G標準和網(wǎng)絡系統(tǒng)。在我國，經(jīng)國務院批準，科技部和信產(chǎn)部聯(lián)合組織實施的中國第三代移動通信系統(tǒng)研究開發(fā)項目簡稱C3G也于1998年11月正式啟動。華為技術、中興通訊、大唐電信等著名通訊設備研制企業(yè)成為該項目的主要承擔者，C3G項目組對WCDMA、CDMA2000以及TDSCDMA三種系統(tǒng)均有研發(fā)，企業(yè)之間各有側重。無論采用哪種標準，均是以CDMACODEDIVISIONMULTIPLEADDRESS技術為主流，要求系統(tǒng)能夠處理圖像、音樂、視頻流等多種媒體形式，提供包括網(wǎng)頁瀏覽、電話會議、電子商務等多種信息服務，并能夠提供全球漫游。所以3G將是一種通訊容量更大、通訊質(zhì)量更好的移動通信系統(tǒng)。這是一種高頻譜利用率、多載波、寬頻帶的通訊體制，加之調(diào)制過程中融入了16QAM十六狀態(tài)正交調(diào)幅和QPSK等數(shù)字調(diào)制方式，由于這種數(shù)字調(diào)制產(chǎn)生的信號波形是非恒定包絡的調(diào)相信號，很容易導致信號在傳輸過程當中的失真和信道之間的相互干擾，因而對發(fā)射信號功率放大的線性程度要求很高。由于系統(tǒng)采用了帶寬受限的線性調(diào)制方式，鄰信道載波間的頻譜泄漏取決于功率放大器PA的線性，而實際的放大器總是非線性的，必須通過補償功率放大器或采用線性化方法來改善PA的非線性，以控制鄰信道的頻譜泄漏。本課題涉及的射頻RF功放就是為其中的WCDMA標準所設計。按照C3G的定義，WCDMA整個系統(tǒng)由3G交換機UMSC、基站控制器RNC、基站子系統(tǒng)NODEB和移動終端手機霄部分寶開成。RF功放象屬丁其中的基站子系統(tǒng)。RF功放的線性化川是設計WCDMA基站的芙鍵技術之一。如果射頻系統(tǒng)處于1R線性I什狀態(tài)，將使通信系統(tǒng)產(chǎn)生非線性失真，產(chǎn)生的帶內(nèi)失真信號干擾己調(diào)制矢量信號，導致己調(diào)制矢量信號幅度和相位的偏差誤差矢量幅度E，同時導致頻譜擴展，干擾鄰近信道的傳輸鄰帶功率比東南大學碩上學位論文第一章緒論ACPR，使整個系統(tǒng)的誤碼率惡化；另一方面多載波多信道同時工作，表現(xiàn)為多載波信號的相互交調(diào)產(chǎn)生的失真，這些失真信號分量主要有三階IMD3、五階IMD5以及更高階的分量，其中IMD3信號幅度大，且落在頻帶內(nèi)或鄰近信道，對系統(tǒng)造成干擾，將無法達到系統(tǒng)要求。本課題就是致力于解決一種基于神經(jīng)網(wǎng)絡的基帶數(shù)字預失真線性化方法的設計與實現(xiàn)問題，其中RF功放模型的神經(jīng)網(wǎng)絡系統(tǒng)辨識是本文的主要內(nèi)容。12線性化技術簡介提高系統(tǒng)的線性最傳統(tǒng)而且最方便的方法是采用大功率放大器進行功率回退BACKINGOFF，使放大器工作在低于飽和輸出狀態(tài)或線性放大區(qū)。但是，采用功率回退方法時，電源利用效率一般僅為15左右，而且大功率器件只能輸出很小的有效功率，其本身潛力不能充分發(fā)揮，因此損失了效率、功率輸出和信息量處理能力，同時使整機成本急劇提高。因此，要獲得效率高，線性度好的功率放大器，采用功率放大器的線性化技術無疑具有良好的前景。目前，主要線性化方法有反饋FEEDBACK、前饋FEEDFORWARD和預失真PREDISTORTION等技術。前饋法和反饋法，目前都已廣泛應用，但在成本和效率方面不如基帶數(shù)字預失真。因此數(shù)字預失真技術更有前景，已經(jīng)成為對射頻功放進行線性化的理想技術。121功率回退技術由于射頻功率放大器的本身特性，隨著輸入功率的增加，放大器輸出功率會進入飽和狀態(tài)，也即放大器輸出功率將不再隨著輸入信號功率的增加而增加，導致了非線性失真的產(chǎn)生。功率回退法簡單來講就是把功率放大器的輸入功率從LDB最,縮點向厲回退幾個分貝，讓放大器工作在遠小于LDB壓縮點的電平上，使功率放大器遠離飽和區(qū)，進入線性工作區(qū)，從而改善功率放大器的三階交調(diào)系數(shù)等非線性指標。為了方便起見，這里先引入輸入回退和輸出回退兩個參數(shù)，功率放大器的輸入回退定義為BO10109一。只一。11輸出回退定義為OBO10109P。,匕12其中只一。是功率放大器達到飽和時的輸入信號功率，R一。是輸入信號平均功率，JK是放大器最大輸出功率，匕是放大器的平均輸出功率，1BON0口0在一定程度上表征放火器的功率效率功率同遐法簡單且容易實現(xiàn)，就是通過增人IBO來提高線性度，是傳統(tǒng)的線性化方法，不需要增加任何附加設備，也是改善放人器線性度行之有效的方法，但其致命的缺點是功率放人器的效率人為降低，并且T一作帶寬較窄。它是以放大器功效的降低為代價來換取線性化的方法，采用功率回退法可能會使放火器在自分之幾的功效狀態(tài)H上作。另外，當功率同退到一定程度，即當IM3達劍2東南大學碩士學位論文第一章緒論40DB以下時，繼續(xù)回退將不再改善放大器的線性度。因此，在線性度要求較高的場合，完全靠功率回退是遠遠不夠的IS。122笛卡兒環(huán)路反饋技術反饋線性化方法是一種十分傳統(tǒng)而又實用的方法。由于引入了反饋，所以線性化的精度得以提高，人們很早就在這一方面做了大量的工作，許多低頻模擬電路的線性化問題也大都采用了這種方法，它也是高頻放大器線性化的重要手段之一。反饋方法可以分為直接反饋法和間接反饋法。由于直接反饋法是在反饋端讓輸入輸出信號直接相減，輸出信號對于輸入信號會有一定的延時，因此在信號頻率很高的情況下，這個延時的影響就比較大。此外直接反饋線性化法的穩(wěn)定性條件比較苛刻，所以在大多數(shù)的情況下采用的是間接反饋法。在間接反饋線性化方法中輸入輸出信號的比較不是直接比較的，而是通過間接手段進行的，笛卡兒CARTESIAN環(huán)路反饋法就是一種比較成熟的間接反饋控制方法。笛卡兒環(huán)路反饋法原理如圖11所示。如果所要調(diào)制的信號處于基帶，那么根據(jù)數(shù)字通信的有關原理，我們可以把輸入信號分解為兩個正交信號分量I、Q，兩者相位相差90度。笛卡幾環(huán)路法的基本原理就是分別對I、Q兩路信號加以控制，以獲得更為優(yōu)良的線性度。圖11笛卡兒環(huán)路反饋線性化方法原理圖基帶信號1、Q輸入端的放大器為差分放大器，低通濾波器的作用主要是濾除高頻分量，當1、Q信號分別進入調(diào)制器以后，經(jīng)調(diào)制器產(chǎn)生了射頻信號ST，在這里SFTLTEOSOTQTSINCOT13其中緲為射頻載波頻率。SF進入射_兜放人器PA以后，由丁什線性將會產(chǎn)生畸變，畸變后的信號經(jīng)耦合器抽取了一部分，再經(jīng)衰減解調(diào)后，返閘到輸入端的差分放大器，這樣就使得反饋環(huán)能夠比較東南大學碩士學位論文第一章緒論精確的跟蹤輸出I、Q的失真變化。笛卡兒環(huán)的優(yōu)點之一就在于它把增益和帶寬在兩個正交的信道中分別處理加以平衡，這樣就避免引入相位偏移，但是，笛卡兒環(huán)路的增益及帶寬又取決于差分放大器的帶寬以及解調(diào)器的線性度。另外，回饋信號的遲延也嚴重的限制著該方法的系統(tǒng)帶寬，因此在要求更高帶寬的今天，該方法己逐漸不太適用PJJ。優(yōu)點良好的線性度提高性能，效率比較高。缺點較寬頻帶應用時穩(wěn)定性實現(xiàn)困難，信號遲延對性能影響很大，需要高線性度的混合器。123前饋線性化技術前饋線性化技術一般可分為固定前饋線性化技術和自適應前饋線性化技術。圖L2為一簡單的前饋線性化技術電路原理圖，如圖所示，前饋線性化電路系統(tǒng)一般有兩個環(huán)路組成，一個稱為輸入信號抵消回路，另一個稱為干擾信號抵消回路。在輸入信號抵消回路中，把非線性功率放大器輸出的信號取出一路，并經(jīng)適當?shù)乃p和調(diào)節(jié)，同時也在放大器的輸入端把輸入信號取出一條支路，并經(jīng)適當?shù)难訒r，用經(jīng)過衰減處理的功率放大器輸出信號減去延時過的輸入信號，把功率放大器產(chǎn)生的失真信號從放大器輸出端分離出來，得到的就是放大器產(chǎn)生的純干擾信號，并且另外一個輔助放大器放大該干擾信號，然后用此干擾信號來校正主放大器產(chǎn)生的有干擾存在的非線性輸出信號的相位、幅度，也即用第一個輸入信號抵消回路分離出的純干擾信號，在干擾信號抵消回路中對延時處理的主功率放大器的輸出信號進行疊加抵消，來實現(xiàn)失真的消除，從而達到整個系統(tǒng)輸出線性化的目的。圖12前饋法原理方框圖前饋線性化技術系統(tǒng)中，衰減器是可調(diào)的，可以進行相位偏移的調(diào)節(jié)以及衰減大小倍數(shù)的調(diào)節(jié)。前饋線性化系統(tǒng)性能上很大程度取決于兩個前饋環(huán)路中參與抵消的兩個信號的幅度和相位調(diào)整的精確度，用來抵消的信號幅度和相位的不正確調(diào)整會導致失真抵消性能急劇下降。而且由于信號幅度和相位會隨時間的推移而改變，因此，在性能指標要求比較高的場合的應用上，就要使用自適應機制對環(huán)路進行相應自適應的調(diào)整和控制。如果能夠把遲延誤差控制在相當載波信號一個波長的程度內(nèi)，單級前饋環(huán)路人約能迭F130DB的火寅抑制。如果使用多級結構，可以達劍更高線性度的要求，但是這樣義使得環(huán)路中的調(diào)仃控制變的更加復雜。這也十分符合實際情況，一個方面的獲得，總要在另一方面為此付出一定的代價。4東南大學碩士學位論文第一章緒論總的來說，前饋線性化技術是一種很實用的線性化技術，它還有線性化帶寬不太受前饋環(huán)路限制這一優(yōu)點，特別適合于寬帶應用和多載波應用，也是目前最成熟、應用最廣泛的技術，同時為了達到更高線性度的改善目的，它也易于擴展成多級結構，但此時其成本和系統(tǒng)復雜度就要比預失真線性化系統(tǒng)高很多。特點總結如下應用得當?shù)脑捒梢杂行齀MD達30DB以上，基本不受放大器記憶特性影響，適用帶寬比較寬。由于干擾信號抵消回路的信號峰平比很高，所以干擾信號抵消回路很關鍵，系統(tǒng)復雜，成本高PJ。124預失真技術預失真技術是目前最有前景的一種線性化方法，其基本原理如13所示。這種方法是在非線性功率放大器前端放置一個非線性單元特征酗數(shù)為F日5，1，特性曲線如圖中A，這樣只要這個非線性器件的特性曲線A與功率放大器特征函數(shù)為GB，1的特性曲線B互補，即，IJ加G1S，1K常數(shù)，就基本可以實現(xiàn)功放的線性化。其最初的基本思想來自于數(shù)學上的反函數(shù)思想，構造一個非線性器件，使該器件的傳輸特性剛好和非線性放大器的傳輸特性相反，信號預先經(jīng)過這樣的一個人為的非線性失真處理后，再經(jīng)非線性放大器進行放大。由于預先進行的人為失真是可以控制的，我們可以調(diào)節(jié)使之特性剛好與非線性放大器的特性相互補，達到線性化放大的最終目的。該方法的工作原理正如同該方法的名字一樣，對信號預先進行人為的失真處理來達到線性化的目的。輸圖13預失真原理示意圖一般來講，預失真技術分為RF預失真和數(shù)字基帶預失真兩種基本類型。RF預失真由于工作頻點高，般常采用模擬電路來實現(xiàn)，具有電路結構簡單、成本低、易于高頻、可寬帶應用等優(yōu)點，缺點是頻譜再生分量改善較少、高階頻譜分量抵消較困難?；鶐ьA失真由于工作頻率低，適合TLF；J數(shù)字電路實現(xiàn)，便于采_【LJ目前發(fā)展迅速的數(shù)字信號處理技術，適府性強，而且可以通過增加采樣率平增人茸化階數(shù)的辦法來抵消高階互調(diào)人真。但放人器對信號幅度壓縮和相位的偏移不僅僅是輸入信號功率的即時函數(shù)，還一定程度上取決丁上一個短暫的歷史包絡電平，所以存在著一定的記憶效應，這一點必須加以考慮。由于受DSP稈IAD轉換的限制，基帶預失真L作帶寬受劍一定限制，另外DSP和AD轉換器件會消耗更多的功率，以及系統(tǒng)成本比較東南大學碩士學位論文第一章緒論高等都是這種方法的不足之處。但是隨著數(shù)字信號處理技術的發(fā)展，這些問題會得到解狹，預失真仍然是一種很有發(fā)展前途的方法IL“J。預失真的特點概念原理清晰，廣泛采用數(shù)字信號處理技術，線性度的提高性能良好，較高功效，適合寬帶的應用，系統(tǒng)穩(wěn)定性好。但調(diào)整速度不夠快，存在記憶效應，需要良好的放大器模型。自適應數(shù)字預校正數(shù)字預校正技術有很多不同的方法，但其基本原理都是一樣的，如上文所述，均是在非線性功放發(fā)射器前放置一個非線性單元，這樣只要這個非線性器件的特性曲線與功率放大器的特性曲線互補，就基本可以實現(xiàn)功放的線性化。但由于放大器的特性會隨著時間、溫度、環(huán)境、以及信號本身的變化發(fā)生一定的變化，如果我們再從放大器的輸出端把待發(fā)射的射頻信號提取一部分反饋回來，再經(jīng)下變頻、正交解調(diào)，然后AD變換成數(shù)字基帶信號，并與經(jīng)過一定延遲的原輸入信號進行比較，采用自適應算法來調(diào)整預失真器的參數(shù)，使得預失真器能夠?qū)崟r的自適應跟蹤放大器特性的變化。這樣就能夠很好的克服放大器特性變化這一問題，提高校正的精度，使放大器有更好的線性輸出。這也恰恰是自適應數(shù)字預校正技術優(yōu)于其他線性化方法的一個重要方面。自適應基帶數(shù)字預校正方法的原理方框圖如圖14所示圖14自適應基帶數(shù)字預校正的原理框圖特點對放大器適應性強，自適應學習能力強，性能好，較復雜、帶寬仍受限等。數(shù)字預失真技術可以有非記憶效應1121和記憶效應【13，”1兩種實現(xiàn)方式。雖然非記憶效應預失真技術相對簡單，實現(xiàn)也比較方便，但是，由于沒有考慮射頻系統(tǒng)的記憶效應，使得帶寬和改善效果都受到了影響。記憶效應一般有以下來源。首先，功放本身肯定會有熱記憶效應和電記憶效應；其次，由于預失真電路位于基站的中頻部分，通常位于下行通道的成形濾波器和上行通道的匹配濾波器之間，而這些濾波器都是有記憶效應的。事實上，在我們對基站數(shù)據(jù)的分析也發(fā)現(xiàn)，上行的I和Q信號不僅受當前時刻F行的IIIQ信號的影響，而且受以前時刻的F_L和O掣號的影響也很大，這說明射頻系統(tǒng)的記憶效麻是很明顯的。岡此設計數(shù)字預失真器時如果不考慮記憶效麻，不管采塒何種逼近方案多項式、神經(jīng)網(wǎng)絡、有表法等，效果都將不能令人滿意。6東南大學碩士學位論文第一章緒論125小結功率放大器線性化幾種主要方法的比較列于表1，它們有各自的特點，適用于不同的情況，當然還有許多其他未列出的方法，如非線性器件線性化技術、模擬閉環(huán)通用調(diào)制器CALLUM技術、極化環(huán)技術等等方法。在這些方法中應用比較多的還是反饋、前饋和預失真等三種方法，其中閉環(huán)系統(tǒng)更適用于單一信道、窄帶通信的情況；至于前饋線性化方法，有時候為了更高的性能要求，要采用多級結構，這樣網(wǎng)絡的構成就比較復雜和龐大化，以至效率變得低下。而數(shù)字預失真技術則是能夠完全適應IMT2000第三代移動通信系統(tǒng)的高精度、高頻率以及較高帶寬的要求，是移動通信基站的發(fā)射接收系統(tǒng)以及手持移動便攜設備發(fā)射接收系統(tǒng)中放大器線性化的重要手段。這種方法也正是本文所要研究和仿真的線性化技術。表1各種線性化方法性能特點一覽表方法優(yōu)點缺點使用情況各注功率回退技術實現(xiàn)簡單效率極差較早應用逐漸破淘汰笛卡兒環(huán)路反精度高，價格便有時不穩(wěn)定，適窄帶通信、無線應用較多饋技術宜用帶寬受限移動通信前饋線性化技穩(wěn)定性好，適用結構復雜，效率寬帶無線通信，較成熟、目前廣術帶寬很寬，線性不夠高，自適應衛(wèi)星通信等為應用度好，速度快差，成本高數(shù)字預失真方無穩(wěn)定性問題速度有時較慢，寬帶數(shù)字通信目前已有應用、法適用帶寬寬受到放大器記憶前景晟看好精度比較高特性影響13課題來源本文結合項目組所承擔的華為技術有限公司應用技術預研項目基于神經(jīng)網(wǎng)絡逆模型控制的RF功放自適應預失真器，在對RF功放系統(tǒng)菲線性充分認識的基礎上，采用帶記憶效應的預失真技術來實現(xiàn)基站系統(tǒng)的線性化，主要對RF功放正模型的建立進行研究、設計與實現(xiàn)。14論文的主要研究內(nèi)容在設計預失真器過程中，對射頻功放的模型辨識是非常重要，也是非常復雜的一項工作，我們必須根據(jù)相關的數(shù)據(jù)，辨識山功放的LL模掣，然后才可以根據(jù)一定的原理年|I方法，得劍功放的逆模犁，便丁實現(xiàn)預失裒器。另外由于沒有實際的被控對象，對設計的預失吏器性能進行測試時，擬采用圖15的方法。其中的功放模犁即為神經(jīng)網(wǎng)絡功放正模型，用于代替實際的射頻系統(tǒng)。所以本文的主要內(nèi)容是RF功放止模型的辨識。7東南大學碩士學位論文第一章緒論圖15性能測試原理圖其實，對于射頻系統(tǒng)這類帶記憶效應系統(tǒng)的建模和逆模型控制，傳統(tǒng)的神經(jīng)網(wǎng)絡非線性系統(tǒng)辨識和基于逆模型的神經(jīng)網(wǎng)絡直接控制提供了極好的解決方案。從控制系統(tǒng)的角度看，整個預失真系統(tǒng)就是一個典型的2輸入2輸出隨動控制系統(tǒng)，其中RF功放就是一個被控對象，預失真器就是控制器。從這個意義上說，許多基于模型的控制器，如神經(jīng)網(wǎng)絡逆模型控制器、日?？刂破鞯龋勺鳛轭A失真器。這些方法能成功應用的前提就是建立準確的功放模型。而由于基站I諍功放系統(tǒng)是一個復雜的時變系統(tǒng)，為了滿足性能要求必須進行在線建模。由于BP神經(jīng)網(wǎng)絡在實現(xiàn)函數(shù)逼近方面存在收斂速度慢，易于陷入局部極小等缺點，相反CC算法由于具有“凍結”輸入權值的優(yōu)點，使得隱節(jié)點增加時，不必再重新計算輸入權值，所以其學習速度很快，完全能夠滿足本文功放系統(tǒng)建模的性能要求。于是我們選用CC算法神經(jīng)網(wǎng)絡來完成系統(tǒng)建模。由于在軟件仿真建模過程中，復雜的算法運行需要耗費很多的時間，使得其實時性受到一定的影響。為了使本文所提出的建模方法具有一定的通用性，所以在完成軟件仿真建模的基礎上，決定采用DSP技術來完成其硬件實現(xiàn)，以便預失真器設計工作的順利進行，并提高其實時性及通用性。本文的第1章是緒論部分，主要介紹課題的背景及意義、幾種功放線性化技術以及本論文的任務闡述；第2章主要介紹了神經(jīng)網(wǎng)絡和系統(tǒng)辨識的相關知識；第3章闡述本課題核心部分RF功放系統(tǒng)的神經(jīng)網(wǎng)絡建模；第4章介紹相關DSP系統(tǒng)的硬件實現(xiàn)；第5章是項目總結及其展望；最后是致謝和參考文獻。東南大學碩士學位論文第二章基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識第二章基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識21神經(jīng)網(wǎng)絡概述隨著80年代神經(jīng)網(wǎng)絡理論突破性進展，神經(jīng)網(wǎng)絡控制引起了控制界的廣泛關注。由于系統(tǒng)的復雜性，存在多種不確定性及難以確切描述的非線性?，F(xiàn)代工業(yè)對過程控制不僅要求控制的精確性，還要求控制的魯棒性、實時性、容錯性及對控制參數(shù)的自適應和學習能力。傳統(tǒng)自適應控制存在局限性，未能從根本上解決控制問題，所以智能控制得到迅速發(fā)展。神經(jīng)網(wǎng)絡在系統(tǒng)辨識、控制系統(tǒng)、模式識別、故障診斷等方面得到了廣泛的應用。神經(jīng)網(wǎng)絡之所以能在控制中得到如此廣泛的應用，與自動控制理論的發(fā)展需要是密切相關的。自動控制理論從經(jīng)典控制理論到現(xiàn)代控制理論，已經(jīng)發(fā)展到對智能控制理論的產(chǎn)生提出了需求。傳統(tǒng)的基于串行計算機理的VONNEUMANN型計算機面對復雜的智能控制要求，在對環(huán)境變化的自適應特性和實時大規(guī)模計算等方面已顯示出根本性的缺陷，而人工神經(jīng)網(wǎng)絡所表現(xiàn)出的許多特點恰好預示著其在控制領域中的應用可能是使控制理論擺脫困境的一條有效途徑，神經(jīng)網(wǎng)絡用于復雜控制主要有以下幾個方面的優(yōu)勢1神經(jīng)網(wǎng)絡是本質(zhì)的非線性系統(tǒng)。理論分析表明，多層前饋神經(jīng)網(wǎng)絡能夠以任意精度逼近任意非線性映射，這種能力使非線性控制系統(tǒng)的描述有了統(tǒng)一的數(shù)學模型，給控制理論中面L性挑戰(zhàn)的非線性問題的解決帶來了新希望；2神經(jīng)網(wǎng)絡是本質(zhì)的并行結構，在快速實現(xiàn)大量復雜控制算法及處理實時性要求高的控制系統(tǒng)時極具潛力?？梢灶A料，只要并行機制的神經(jīng)計算機取得突破，目前遇到困難的航天、航空方面的許多實時控制問題，機器人的動力學實時控制問題都可迎刃而解3神經(jīng)網(wǎng)絡的固有學習能力使它可以處理那些難以用模型或規(guī)則描述的過程或系統(tǒng)，降低了系統(tǒng)的不確定性，帶來了適應環(huán)境變化的泛化能力；4神經(jīng)網(wǎng)絡具有分布式信息存儲與處理結構，可以從不完善的數(shù)據(jù)和圖形中進行聯(lián)想，從而在已存儲的信息中尋找與該輸入匹配最好的存儲信息為其解，這種能力使其用于控制系統(tǒng)中具有很強的魯棒性和容錯性；5神經(jīng)網(wǎng)絡具有很強的綜合推理能力，能夠同時融合定量與定性數(shù)據(jù)，能很好地解決輸入信息之間的互補性與冗余性問題，并能恰當?shù)貐f(xié)調(diào)互相矛盾的輸入信息。由于神經(jīng)網(wǎng)絡這種“集思廣益”的能力，使其在多變量、大系統(tǒng)與復雜系統(tǒng)的控制方案設計上的應用極具吸引力；6對多變量系統(tǒng)，神經(jīng)網(wǎng)絡可以很自然地處理多輸入多輸出變量問題?；谏鲜鰞?yōu)勢，可以肯定神經(jīng)網(wǎng)絡在解決高度非線性和嚴重不確定性復雜系統(tǒng)的控制方面具有巨大的潛力。將神經(jīng)網(wǎng)絡引入控制系統(tǒng)已成為控制學科的必然趨勢”。211神經(jīng)網(wǎng)絡簡介“神經(jīng)網(wǎng)絡”或“人神經(jīng)網(wǎng)絡”是指剛大量的簡單計算單元即神經(jīng)元構成的非線性系統(tǒng)，它在一定稃度和層次上模仿了人腦神經(jīng)系統(tǒng)的信息處理、存儲及檢索功能，因而具有學習、記憶和計9東南大學碩士學位論文第二章基于神經(jīng)兩絡的系統(tǒng)辨識算等智能處理功能。神經(jīng)網(wǎng)絡具有一些顯著的特點具有非線性映射能力；不需要精確的數(shù)學模型；擅長從輸入輸出數(shù)據(jù)中學習有用知識容易實現(xiàn)并行計算；由于神經(jīng)網(wǎng)絡由大量簡單計算單元組成，因而易于用軟硬件實現(xiàn)等等。正因為神經(jīng)網(wǎng)絡是一種模仿生物神經(jīng)系統(tǒng)構成的新的信息處理模型，并具有獨特的結構，所以人們期望它能解決一些用傳統(tǒng)方法難以解決的問題。212神經(jīng)網(wǎng)絡特點眾多的神經(jīng)元廣泛地連接就構成了神經(jīng)網(wǎng)絡，總結起來，神經(jīng)網(wǎng)絡系統(tǒng)具有以下基本特性A分布存貯彝容錯性。信息在神經(jīng)網(wǎng)絡內(nèi)豹存貯是按內(nèi)容分布于許多神經(jīng)元中進彳亍的，而且每個神經(jīng)元存貯多種信息的部分內(nèi)容。網(wǎng)絡的每部分對信息的存貯具有等勢作用，這類似于全息圖的信息存貯性質(zhì)，部分的信息丟失仍可以使完整的信息得到恢復，因而使網(wǎng)絡具有容錯性和聯(lián)想記憶特性。也正因為如此，人腦和數(shù)字計算機相比分別表現(xiàn)出明顯的健壯性ROBUST和脆弱性BRITTLENESS。B可塑性與白適應性和自組織性。神經(jīng)元之間的連接具有多樣性，各元間的連接強度具有可塑性，相當于突觸傳遞信息能力的變化。這使得網(wǎng)絡可以通過學習與訓練進行自組織，以適應不同信息處理的要求。C并行處理PARALLELPROCESSING性。網(wǎng)絡的各單元可以同時進行類似的處理過程，整個網(wǎng)絡的信息處理方式是大規(guī)模并行的。傳統(tǒng)數(shù)字計算機則是信息處理算法串行的。網(wǎng)絡的大規(guī)模并行處理能力，使它能神奇般地完成所謂“百步程序”決策，因為單個神經(jīng)元的信息傳遞速度是以毫秒計的，比普通計算機約104S要慢得多。但人通常能在LS內(nèi)即可做出對外界事物的判斷和決策，這正是傳統(tǒng)計算機所望塵莫及的。D層次性。神經(jīng)生理學研究表明，各種感覺信息進入大腦后，首先在相應初級皮層進行加工，然后轉到次級皮層和感覺聯(lián)合區(qū)，再于顱頂區(qū)皮層匯合，最后投射到大腦前額葉。這表明信息在大腦內(nèi)的傳遞過程，實際上是在不同層次的神經(jīng)回路中逐級地進行加工和處理過程。213神經(jīng)網(wǎng)絡學習方式通過向環(huán)境學習獲取知識并改進自身性能是神經(jīng)網(wǎng)絡的一個重要特點，在一般情況下，性能的改善是按某種預定的度量通過調(diào)節(jié)自身參數(shù)如權值隨時間推移逐步達到的，學習方式按環(huán)境所提供信息的多少分有三種1監(jiān)督學習有教師學習如圖21所示，這種學習方式需要外界存在一個“教師”，它可對一組給定輸入提供應有的輸出結果正確答案。這組已知的輸入一輸出數(shù)據(jù)稱為訓練樣本集。學習系統(tǒng)可根據(jù)己知輸出與實際輸出之間的差值誤差信號來調(diào)節(jié)系統(tǒng)參數(shù)。21R監(jiān)督學習無教師學習如幽22所示，1F監(jiān)督學習時不存在外部教師，學習系統(tǒng)完全按照環(huán)境所提供的數(shù)據(jù)的某些統(tǒng)計規(guī)律來調(diào)節(jié)自身參數(shù)或結構這是一種臼組織過程，以表示外部輸入的某種固定犄祉如聚類，或某種統(tǒng)計上的分布特征。IO東南丈學碩士學位論文第二章基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識3再勵學習或強化學習如圖23所示，這種學習介于上述兩種情況之間外部環(huán)境對系統(tǒng)輸出結果只給出評價獎或懲而不是給出正確答案。學習系統(tǒng)通過強化那些受獎勵的動作來改善自身性能。描述環(huán)境狀圖21監(jiān)督學習框圖圖22非監(jiān)督學習框圖22系統(tǒng)辨識概述圖23再勵學習框圖系統(tǒng)辨識是控制理論研究的一個重要分支，它是控制系統(tǒng)設計的基礎。隨著控制過程復雜性的提高，控制理論的應州日益J泛，但是，控制理論的實際麻川不能脫離破控對象的數(shù)學模刑。然而在多數(shù)悄況F，被控對象的數(shù)學模型是朱知的，并且住上常運行期間，模型的參數(shù)可能發(fā)生變化，囡此利璀控制理論去解決實際問題時，首先必須建立被控對象的數(shù)學模礎，這是控制理論能否成功應閣于實際的關鍵之一。目前對線性、非時變和具有不確定參數(shù)對象進行辨識和白適應控制研究東南大學碩士學位論文第二章基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識己取得了很大的進展，對于非線性系統(tǒng)的辨識和自適應控制問題，往往需要有關被辨識系統(tǒng)的結構形式等各種先驗知識和假設，因此，它們基本上是針對某些犄殊非線性系統(tǒng)而進行的。神經(jīng)網(wǎng)絡領域取得的研究成果，給非線性系統(tǒng)辨識帶來了新方法。因此，人們常依據(jù)試驗的方法，從試驗數(shù)據(jù)中建立能反映系統(tǒng)輸入一輸出關系的模型。用這種方法得到的模型，其參數(shù)可能不具有明確的物理意義然而這并不影響我們利用該模型進行控制系統(tǒng)的設計【17,|8,19。221系統(tǒng)辨識的基本理論和方法LAZADEN曾給辨識這樣定義“系統(tǒng)辨識是在輸入和輸出數(shù)據(jù)的基礎上，從一組給定的模型類中，確定一個與所測系統(tǒng)等價的模型?！边@個定義明確了辨識的三要素輸入輸出數(shù)據(jù)、模型類和等價準則。由于實際中不可能尋找到一個與實際系統(tǒng)完全等價的模型，因此從實際觀點看，辨識就是從一組模型中選擇一個模型，按照等價準則，使之最好地擬合所關心實際系統(tǒng)的動態(tài)和靜態(tài)特性。傳統(tǒng)的系統(tǒng)辨識結構如圖24所示，圖中偽干擾信號，系統(tǒng)辨識就是根據(jù)系統(tǒng)的輸入黼出數(shù)據(jù)對UY，利用數(shù)學方法提取系統(tǒng)P的數(shù)學模型P。，并且使式PITYYLIG成立，式中Y，Y分H別為辨識模型和系統(tǒng)對輸入U的輸出響應，F(xiàn)為預定的辨識精度。圖24傳統(tǒng)的系統(tǒng)辨識結構傳統(tǒng)辨識算法的基本原理是通過建立依賴于參數(shù)的模型，把辨識問題轉化成對模型參數(shù)的估計問題。這類傳統(tǒng)的辨識算法能較成功地應用于線性系統(tǒng)或可線性化的系統(tǒng)辨識中，按照其基本原理，主要有三種不同的方法第一種稱為最小二乘法。它利JJ最小二乘原理，通過極小化廣義誤差的二次方和函數(shù)來確定模型的參數(shù)。最小二乘法具有兩方面的缺陷1當模掣嵫聲是有色噪聲時，最小二乘估計不是無偏、一致估計。2隨著數(shù)據(jù)的增K，最小一乘法將山現(xiàn)所謂的嚙據(jù)飽霸|，現(xiàn)象。第一二種稱為梯度校正法。它利塒最速下降法原理，沿著誤差準則函數(shù)關丁模氆參數(shù)的負梯度方向，逐步修改模型的參數(shù)估計值，直到誤差準則函數(shù)返劍最小值標準。其缺點是在極小值附近，收12東南大學碩上學位論文第二章基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識斂速度很慢。第三種稱為極大似然法。它根據(jù)極大似然原理，通過極大化似然函數(shù)來確定模型的參數(shù)。這意味著模型輸出的概率分布將最大可能地逼近實際系統(tǒng)輸出的概率分布。為此，極大似然法通常要求具有能夠?qū)懗鲚敵隽康臈l件概率密度函數(shù)的先驗知識。另外系統(tǒng)模型結構的辨識，即模型階次的辨識也是系統(tǒng)辨識的一個重要方面。通常單輸入單輸出系統(tǒng)的模型結構辨識的方法有第一種為基于行列式比的方法，包括脈沖響應序列權序列的行列式比法，輸入、輸出數(shù)據(jù)的行列式比法；第二種為基于誤差性能準則函數(shù)損失函數(shù)的方法，即F檢驗法；第三種為基于信息準則判定模型階次的方法，即AIC定階法。多輸入多輸出系統(tǒng)的模型結構取決于一組KRONEEKER結構不變量，因IP2VIIMO系統(tǒng)的結構辨識問題比較復雜，需要確定一組結構不變量。但是就方法而論，MIMO系統(tǒng)的結構辨識類似于SISO系統(tǒng)的結構辨識。222誤差準則誤差準則也稱為等價準則，用以衡量模型接近實際系統(tǒng)的標準，記為，E去E2T21K0K0山式中，EK是定義在【0，L上的誤差函數(shù)，它可以廣義地理解為模型與系統(tǒng)的“誤差”，可以是輸出誤差、輸入誤差或者廣義誤差。223辨識精度基于輸入輸出數(shù)據(jù)，利用辨識方法得到的模型，仍有誤差，其原因是1假定的模型結構只是實際系統(tǒng)的一種近似；2數(shù)據(jù)受隨機噪聲污染；3數(shù)據(jù)長度有限。因此，需要對辨識結果的精度進行評價，若精度達不到要求，則應從改變模趔結構、采樣周期、辨識時間等方面考慮，再進行辨識。224辨識的主要步驟辨識的土要步驟如H1實驗設計實驗設計的目的。是使采集到的輸入輸出數(shù)據(jù)序列，盡可能多的包含系統(tǒng)特性的內(nèi)在信息。東南大學碩士學位論文第二章基于神經(jīng)喇絡的系統(tǒng)辨識實驗設計所需確定的問題是輸入信號幅度、頻帶等、采樣周期、辨識時間數(shù)據(jù)長度、開環(huán)或閉環(huán)、離線或在線等。其中輸入信號需滿足的條件為在辨識時間內(nèi)，系統(tǒng)的動態(tài)必須被充分地激勵，即輸入信號必須激勵系統(tǒng)的所有模態(tài)；激勵時間必須足夠長，否則，來不及達到基本的匹配；為保證辨識的精度輸入信號需有良好的質(zhì)量。常用的輸入信號有白噪聲序列，其中O。1均勻分布與正態(tài)分布的隨機數(shù)常用；二進制偽隨機碼序列M序列與逆M序列。2模型結構辨識模型結構辨識，就是確定模型類，是利用已有的知識，進行具體分析，確定模型的結構。應該用盡可能簡單的模型來描述待辨識系統(tǒng)。3模型參數(shù)估計在模型的結構確定后，其中未知的部分就需要通過實驗數(shù)據(jù)去“估計”。參數(shù)估計的要求就是辨識出來的模型與實際過程在某種意義上是最接近的?！敖咏笔怯靡粋€準則來衡量的，通常衡量在同樣輸入時模型輸出與實際過程輸出之間的誤差大小。4模型的檢驗一個模型被辨識出來之后，是否可靠，或者是否真實反映對象的特性，是需要檢驗的。如何檢驗一個已得到的模型，至今未有很好的解決辦法。應該說，模型好壞主要由實際應用效果來鑒定。為了得到可靠的數(shù)學模型，需要進行多次試驗。檢驗的方法可以利用在不同時間區(qū)段內(nèi)采集的數(shù)據(jù)，分別建立模型，如果模型的特性基本相符，則模型是可靠的。特別重要的是一套數(shù)據(jù)某工況下得到辨識出來的模型，需要用另一套數(shù)據(jù)另工況下得到來驗證或修改。如此交錯地核對，才可能使模型的質(zhì)量得到保證。傳統(tǒng)的系統(tǒng)辨識必須考慮模型選擇、輸入信號和誤差準則三方面的問題，而其中模型選擇比較復雜且無一般的選擇規(guī)律。目前的做法是依賴于模型的用途，兼顧其精確性和復雜性等問題權衡來選擇。傳統(tǒng)系統(tǒng)辨識算法的基本原理是通過建立依賴于參數(shù)的挨型，把辨識聞題轉化為對模型參數(shù)的估計問題，這類算法能較成功地應用于線性系統(tǒng)或可線性化系統(tǒng)的辨識。但是傳統(tǒng)的辨識方法對于一般非線性系統(tǒng)的辨識是很困難的，而神經(jīng)網(wǎng)絡則提供了一個有力的工具。神經(jīng)網(wǎng)絡系統(tǒng)辨識實質(zhì)上是選擇一個適當?shù)纳窠?jīng)網(wǎng)絡模型來逼近實際系統(tǒng)。由于神經(jīng)網(wǎng)絡對非線性函數(shù)具有任意逼近和自學習能力，所以神經(jīng)網(wǎng)絡系統(tǒng)辨識為菲線性系統(tǒng)的辨識提供了一種筠單麗有效的一般性方法。225系統(tǒng)辨識的主要應用系統(tǒng)辨識在工業(yè)領域有著廣泛的應用；1用丁二控制系統(tǒng)的設計和分析，利用辨識方法獲得被控過稃數(shù)學模犁之后，以此模型為基礎可以設計山比較合理的控制系統(tǒng)或川丁分析原有控制系統(tǒng)的性能，以便提出改進；2川丁在線控制，建立在線控制對象的數(shù)學模型，不斷調(diào)幫控制器的參數(shù)，可以獲得較好的控制斂果3用于天氣、水文、人口、能源、客流量等問題的預報預測。其基本思想是，在模型結構確J4東南大學碩士學位論文第二章基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識定的條件下，建立時變模型，并預測時變模型的參數(shù)。然后以此為基礎對過程的狀態(tài)進行預報；4用于監(jiān)視過程參數(shù)并實現(xiàn)故障診斷，許多生產(chǎn)過程希望經(jīng)常監(jiān)視和檢測可能出現(xiàn)的故障，以便及時排除。這意味著不斷地從過程中收集信息，推斷過程動態(tài)特性的變化情況，然后根據(jù)過程特性的變化情況判斷故障是否發(fā)生、何時發(fā)生、故障大小、故障位置等。23神經(jīng)網(wǎng)絡系統(tǒng)辨識隨著人類社會的發(fā)展和進步，越來越多的非線性現(xiàn)象和非線性系統(tǒng)己經(jīng)引起人們廣泛的重視。在社會科學和自然科學領域已投入相當多的人力和物力去觀察、研究有關的非線性問題。對于像基站子系統(tǒng)中RF功放這樣的本質(zhì)非線性系統(tǒng)，上述的傳統(tǒng)辨識算法難以付諸應用，因為這類系統(tǒng)對應的模型很難化為最小二乘格式即關于參數(shù)空聞的線性模型，而神經(jīng)網(wǎng)絡應用于系統(tǒng)辨識的一個優(yōu)點就是不需要預先建立實際系統(tǒng)的辨識格式，它對系統(tǒng)進行辨識是通過直接學習系統(tǒng)的輸入，輸出數(shù)據(jù)，以達到使所要求的誤差準則函數(shù)最小的目的，從而歸納出隱含在系統(tǒng)輸入，I出中的關系，這個關系即描述系統(tǒng)動態(tài)或靜態(tài)的算子P，P隱含在神經(jīng)網(wǎng)絡內(nèi)部，它究竟表現(xiàn)為什么樣的形式，對外界是不可知的，況且人們所關心的并不是神經(jīng)網(wǎng)絡以什么樣的形式去逼近實際系統(tǒng)，而是只要種經(jīng)網(wǎng)絡的輸出能夠逼近系統(tǒng)在同樣的輸入信號激勵下的輸出，則認為神經(jīng)網(wǎng)絡已充分體現(xiàn)出實際系統(tǒng)特性，從而完成了對原系統(tǒng)的辨識。神經(jīng)網(wǎng)絡用于系統(tǒng)辨識的實質(zhì)就是選擇一個適當?shù)纳窠?jīng)網(wǎng)絡模型來逼近實際系統(tǒng)。與傳統(tǒng)基于算法的系統(tǒng)辨識一樣，神經(jīng)網(wǎng)絡辨識同樣也需要首先考慮以下因素1模型的選擇模型只能是在某種意義下對實際系統(tǒng)的一種近似描述，它的確定要兼顧其精確性和復雜性。因為如果要求模型越精確，模型就會變的越復雜，相反如果適當降低模型的精度要求只考慮主要因素而忽略次要因素，模型就可以變得簡單些，所以在建立實際系統(tǒng)的模型時，存在精確性和復雜性這一對矛盾。在神經(jīng)網(wǎng)絡辨識這一問題上主要表現(xiàn)為網(wǎng)絡隱層數(shù)的選擇和隱節(jié)點數(shù)的選擇。由于神經(jīng)網(wǎng)絡隱節(jié)點的最佳選擇目前還缺乏理論上的指導，因此實現(xiàn)這一折中方案的唯一途徑是進行仿真實驗。2輸入信號的選擇為了能夠精確有效地對未知系統(tǒng)進行辨識，輸入信號必須滿足一定的條件。從時域上來看，要求系統(tǒng)的動態(tài)過程在辨識時間內(nèi)必須被輸入持續(xù)激勵，即輸入信號必須充分激勵系統(tǒng)的所有模態(tài)；從頻域來看，要求輸入信號的頻譜必須足以覆蓋系統(tǒng)的頻譜。通常在神經(jīng)網(wǎng)絡辨識中可選用白噪聲或偽隨機信號作為系統(tǒng)的輸入信號。3誤差準則的選擇誤差準則是用來衡量模型接近實際系統(tǒng)程度的標準，它通常用一個誤差泛函，記作EW以PT22下式中廠是誤著久草EK的函數(shù)，HJ得最多的是平方函數(shù)，即FIEK恢矧23這里的誤著PT指的是廣義誤差，既可表示為輸出誤差又可表示為輸入誤差甚至是兩種誤差函數(shù)的東南大學碩士學位論文第二章基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識合成。與傳統(tǒng)的基于算法辨識方法比較，神經(jīng)網(wǎng)絡系統(tǒng)辨識具有如下特點1不要求建立實際系統(tǒng)的辨識格式，即可省去系統(tǒng)結構建模這一步。因為神經(jīng)網(wǎng)絡本質(zhì)己作為一種辨識模型，其可調(diào)參數(shù)反映在網(wǎng)絡內(nèi)部的權值上；2可以對本質(zhì)非線性系統(tǒng)進行辨識。辨識是通過在網(wǎng)絡外部擬合系統(tǒng)的輸入輸出特性，在網(wǎng)絡的內(nèi)部，歸納隱含在系統(tǒng)輸入輸出數(shù)據(jù)中的系統(tǒng)特性來完成的。因此辨識是非算法式的，由神經(jīng)網(wǎng)絡本身體現(xiàn)；3辨識的收斂速度不依賴于待辨識系統(tǒng)的維數(shù)，只與神經(jīng)網(wǎng)絡本身及其所采用的學習算法有關，而傳統(tǒng)的辨識算法隨模型參數(shù)維數(shù)增大變得很復雜；4神經(jīng)網(wǎng)絡具有大量連接，其連接權的權值在辨識中對應于模型參數(shù)，通過調(diào)節(jié)這些參數(shù)可使網(wǎng)絡輸出逼近系統(tǒng)輸出5適于多變量系統(tǒng)，神經(jīng)網(wǎng)絡的輸入、輸出變量的數(shù)目是任意的，對單變量系統(tǒng)與多變量系統(tǒng)提供了一種通用的描述方式，不必再考慮各子系統(tǒng)間的解耦等問題。因此它應用起來更為方便；6神經(jīng)網(wǎng)絡作為實際系統(tǒng)的辨識模型，實際上也是系統(tǒng)的一個物理實現(xiàn)?？梢杂糜谠诰€控制。231常用于辨識的神經(jīng)網(wǎng)絡神經(jīng)網(wǎng)絡可以有多種分類方法，從網(wǎng)絡結構上一般分為前向神經(jīng)網(wǎng)絡和反饋神經(jīng)網(wǎng)絡【161。前向神經(jīng)網(wǎng)絡是一種靜態(tài)映射網(wǎng)絡，而反饋網(wǎng)絡是一種動態(tài)網(wǎng)絡。2311前向神經(jīng)網(wǎng)絡前向神經(jīng)網(wǎng)絡也稱多層前向網(wǎng)或簡稱前饋網(wǎng)絡，是指拓撲結構為有向無環(huán)圖的神經(jīng)網(wǎng)絡由一層或多層非線性處理單元組成，相鄰之間通過突觸權陣連接起來，網(wǎng)絡中前一層的輸出作為下一層的輸入沒有反饋。前向網(wǎng)絡可以看成是一種一組輸入模式到一組輸出模式的系統(tǒng)變換。這種變換通過對菜一給定的輸入樣本相應的輸出數(shù)據(jù)集的訓練得到。為了能夠?qū)崿F(xiàn)這一行為網(wǎng)絡的突觸權系數(shù)陣在某種學習規(guī)則的指導下進行自適應學習，通常情況下，前饋網(wǎng)絡的訓練需要一組輸入輸出樣本集，因此這種學習方法又稱為有導師指導學習。圖25至28所示為常見的前向神經(jīng)網(wǎng)絡。工L而幽25兩層感知器網(wǎng)絡圖25所示為兩層感知器網(wǎng)絡，該網(wǎng)絡只有輸入層和輸出層，其中輸出層神經(jīng)元為計算節(jié)點J6東南大學碩士學位論文第二章基于種經(jīng)網(wǎng)絡的系統(tǒng)辨識其基函數(shù)取線性函數(shù)，激活函數(shù)取硬極限函數(shù)。該網(wǎng)絡一般用于線性分類。五1而H圖26多層感知器網(wǎng)絡，LJRT，圖26所示為多層感知器MLP網(wǎng)絡，該網(wǎng)絡有一個輸入層、一個輸出層和多個隱層，其中隱層和輸山層神經(jīng)元為計算節(jié)點。多層感知器的基函數(shù)取線性函數(shù)，激活函數(shù)可以取多種形式。如果所有的計算節(jié)點都取硬極限函數(shù)，則網(wǎng)絡稱為多層離散感知器；如果所有的隱層節(jié)點都取SIGMOIDAL函數(shù)，則就是所謂的BP網(wǎng)，此時網(wǎng)絡權值和閡值可用誤差反向傳播學習算法即BP算法學習。BP網(wǎng)輸出節(jié)點的激活函數(shù)根據(jù)應用的不同而異如果BP網(wǎng)用于分類，則輸出層節(jié)點一般用SIGMOIDAL函數(shù)或硬極限函數(shù)；如果BP網(wǎng)用于函數(shù)逼近，則輸出層節(jié)點應該用線性函數(shù)。吒而X圖27徑向基函數(shù)神經(jīng)網(wǎng)絡圖27所示為徑向基函數(shù)RBF神經(jīng)網(wǎng)絡，該網(wǎng)絡有一個輸入層、一個隱層和一個輸出層，其中隱層和輸出層神經(jīng)元為計算節(jié)點。RBF網(wǎng)的隱層單元的基函數(shù)取距離函數(shù)，激活函數(shù)一般取高斯函數(shù)類似與多層感知器，如果RBF網(wǎng)用于分類，則輸出層節(jié)點一般用SIGMOIDAL函數(shù)或硬極限函數(shù)；如果多層感知器用于函數(shù)逼近，則輸出層節(jié)點應該_Q；|線性函數(shù)。東南大學碩十學位論文第二章基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識ZL而Z，、一廠心。JIII圖28級連相關神經(jīng)網(wǎng)絡圖28所示也是一種著名的前向神經(jīng)網(wǎng)絡，稱為級連相關神經(jīng)網(wǎng)絡，該網(wǎng)絡可以用級連相關算法實現(xiàn)快速訓練，關于CC算法的相關內(nèi)容，在以后章節(jié)中有詳細介紹。231,2反饋神經(jīng)網(wǎng)絡反饋神經(jīng)網(wǎng)絡是指拓撲結構中有環(huán)路的神經(jīng)網(wǎng)絡。最著名的反饋神經(jīng)網(wǎng)絡是HOPFIELD神經(jīng)網(wǎng)絡，如圖29所示。HOPFIELD網(wǎng)絡的基函數(shù)取線性函數(shù)，激活函數(shù)可以取SIGMOIDAL函數(shù)構成連續(xù)狀態(tài)HOPFIELD網(wǎng)絡或便極限函