【正文】 [1] 王旭 王宏 王文輝. 人工神經(jīng)元網(wǎng)絡(luò)原理與應(yīng)用[M]. 第二版. 東北大學(xué)出版社, 2022 年.[2] 孫鑫. VC++深入詳解[M]. 電子工業(yè)出版社, 2022.[3] 馬銳. 人工神經(jīng)網(wǎng)絡(luò)原理[M]. 第一版. 機(jī)械工業(yè)出版社 , 2022 年 9 月.[4] 沈晶. Visual C++數(shù)字圖像處理典型案例詳解[M]. 機(jī)械工業(yè)出版社, 2022.[5] 曾志軍, 孫國(guó)強(qiáng). 基于改進(jìn)的 BP 網(wǎng)絡(luò)數(shù)字字符識(shí)別[J].上課理工大學(xué)學(xué)報(bào), 2022, 32(1)5153. .[6] 趙輝 葉子青. Visual C++系統(tǒng)開(kāi)發(fā)實(shí)例精粹[M]. 人民郵電出版社.[7] 張世輝, 孔令富. 漢字識(shí)別及現(xiàn)狀分析[J]. 燕山大學(xué)學(xué)報(bào) , 2022,04(3)8085..[8] 李連勝. 基于神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識(shí)別技術(shù)研究[D]. 中南大學(xué), 2022.[9] 趙蓉. 基于神經(jīng)網(wǎng)絡(luò)的聯(lián)機(jī)手寫識(shí)別系統(tǒng)研究與實(shí)現(xiàn)[D]. 西安電子科技大學(xué), 2022.[10] 趙輝, 葉子青. Visual C++系統(tǒng)開(kāi)發(fā)實(shí)例精粹[M]. 人民郵電出版社.[11] 黃襄念, 程萍著. 文字識(shí)別原理與策略[M]. 第一版. 西南交通大學(xué)出版社, 2022.[12] 韓力群. 人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[M]. 第二版 . 化學(xué)工業(yè)出版社, 2022.[13] 韓力群. 人工神經(jīng)網(wǎng)絡(luò)教程[M]. 北京郵電大學(xué)出版社 , 2022.[14] 張宏林 蔡銳. Visual C++數(shù)字圖像模式識(shí)別技術(shù)及工程實(shí)踐[M]. 北京:人民郵電出版社, 2022.[15] . Pattern Recognition and Neural Networks[M]. 11. 人民郵電出版社, 2022 年.[16] Kumar S. Neural Networks[M]. 11. McGrawHill, 2022 年 8 月.[17] Ma Y, Zhan K, Wang Z. Applications of PulseCoupled Neural Networks[M]. 高等教育出版社.[18] Haykin, S. Neural Networks and Leaning Machines[M]. 11. 機(jī)械工業(yè)出版社, 2022 年.[19] (美)李普曼 拉茹瓦. C++ Primer Plus[M]. 第六版. 人民郵電出版社, 2022 年.1外文資料2341中文譯文基于 BP 改進(jìn)算法的射頻功率放大器行為模型研究摘要：如何準(zhǔn)確模仿功率放大器行為是系統(tǒng)級(jí)仿真的關(guān)鍵。BP 神經(jīng)網(wǎng)絡(luò)可以用來(lái)模擬隨機(jī)非線性系統(tǒng)，但它很容易陷入局部極小點(diǎn)，并沒(méi)有足夠的精度。因此，本文提出了兩種基于 BP 神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)模型，一個(gè)是級(jí)聯(lián) BPRBF 模型，另一種是 PSO BP 神經(jīng)網(wǎng)絡(luò)。利用飛思卡爾半導(dǎo)體芯片 MRF6S21140 來(lái)設(shè)計(jì)放大器電路 ADS2022，然后提取電壓數(shù)據(jù)作為模擬數(shù)據(jù)。對(duì) BP，BPRBF 以及PSO_BP 的電壓均方根誤差（均方根） ，時(shí)代和收斂時(shí)間進(jìn)行 MATLAB 擬合模擬對(duì)比。最終，結(jié)果表明，改進(jìn)算法的 BPRBF，PSO_BP 模型比 BP 神經(jīng)網(wǎng)絡(luò)模型有更好的擬合函數(shù)，并能準(zhǔn)確適應(yīng)功率放大器的特點(diǎn)，具有重要的應(yīng)用價(jià)值及構(gòu)建系統(tǒng)仿真功能。關(guān)鍵字：BP 神經(jīng)網(wǎng)絡(luò)。 BPRBF 神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò) PSO_BP。功率放大器。擬合模擬一、 引言隨著通信和計(jì)算機(jī)技術(shù)的快速發(fā)展，在最近幾年，通信系統(tǒng)工作頻率增加[1]，RF 電路得到了更廣泛的應(yīng)用[2]，特別是 RF 電路的設(shè)計(jì)技術(shù)在通信技術(shù)的發(fā)展中起著重要的作用[3]，同時(shí)放大電路也成為幾乎所有無(wú)線通信系統(tǒng)中必不可少的部分。所以，在帶寬有限的情況下，建立精確的功率放大器行為模型的實(shí)際設(shè)計(jì)系統(tǒng)級(jí)仿真，具有重要的借鑒意義。功率放大器行為模型一般可以分為兩大類[4]，一種是基于 Volterra 級(jí)數(shù)[5]，及其他基于神經(jīng)網(wǎng)絡(luò)的[6]。基于 Volterra 級(jí)數(shù)的行為模型在某些情況下不能同時(shí)滿足模型的性能和復(fù)雜度的要求，它僅適用于弱非線性功率放大器[7]，因此，這個(gè)應(yīng)用程序在一定程度上受到限制。神經(jīng)網(wǎng)絡(luò)對(duì)非線性函數(shù)關(guān)系具有良好的逼近能力，目前，BP 網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的形式中最實(shí)用的一種，因?yàn)樗梢杂成淙我鈴?fù)雜的非線性關(guān)系，此外，它擁有簡(jiǎn)單的學(xué)習(xí)規(guī)則，強(qiáng)大的內(nèi)存容量和強(qiáng)大的自學(xué)習(xí)能力，雖然它是計(jì)算機(jī)[8]，但集合所有的優(yōu)點(diǎn)，它能夠輕松實(shí)現(xiàn)很多功能，使得它成為到目前為止神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法中最有用且最具影響力的算法[910]。本文所設(shè)計(jì)的放大器電路 ADS2022，利用飛思卡爾半導(dǎo)體芯片 MRF6S21140模擬和優(yōu)化，最終電路最佳優(yōu)化時(shí)，抽取 200 組輸入/輸出電壓振幅值。進(jìn)行MATLAB 擬合模擬 BP，BPRBF 以及 PSO_BP。通過(guò)仿真結(jié)果的比較，結(jié)果表明：三種模型具有較低的建模誤差，并能更好地模擬放大器電路的性能。同時(shí)，我們注意到，改進(jìn)算法 BPRBF，PSO_BP 模型比 BP 模型有更好的擬合函數(shù)。他們對(duì)于射頻功率放大器的研究有重要意義。二、 三種模型的理論分析A. BP 網(wǎng)絡(luò)模型2BP 網(wǎng)絡(luò)是一種根據(jù)誤差反向傳播算法進(jìn)行訓(xùn)練的多層前饋網(wǎng)絡(luò)，一個(gè)三層的 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖 1 所示。它由兩個(gè)過(guò)程組成，分別是之前計(jì)算數(shù)據(jù)流（正蔓延）和誤差信號(hào)的反向傳播。當(dāng)正向傳播時(shí)，傳播的方向是從輸入層，到隱含層，再到輸出層，每一層神經(jīng)元只影響下一層神經(jīng)元。如果在輸出層不能得到期望的輸出，它會(huì)轉(zhuǎn)向誤差信號(hào)的逆?zhèn)鞑ミ^(guò)程。通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和降到最低。通過(guò)這兩個(gè)過(guò)程的交替，動(dòng)態(tài)搜索一組權(quán)重向量，使網(wǎng)絡(luò)誤差函數(shù)達(dá)到最小值，從而完成信息的提取和存儲(chǔ)過(guò)程[10]。圖 1.　　三層 BP 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)在圖 1 中，假設(shè) BP 網(wǎng)絡(luò)輸入層有 n 個(gè)節(jié)點(diǎn)，隱層有 q 個(gè)節(jié)點(diǎn)，輸出層 m 個(gè)節(jié)點(diǎn)，輸入層與隱層之間的權(quán)值是 Vki，隱層和輸出層間的權(quán)值是 Wjk。隱層傳遞函數(shù)是 f1(),輸出層傳遞函數(shù)是 f2()，則隱層的節(jié)點(diǎn)輸出為： zk=f1( ) k=1,2……，q (1)??n0iikxv輸出層的節(jié)點(diǎn)輸出為： yj=f2( ) j=1,2……，m (2)?q0kkjizw到目前為止，BP 網(wǎng)絡(luò)完成的大致 n 維空間向量 m 維空間的映射。如果輸出層不能得到期望的輸出，它會(huì)轉(zhuǎn)向誤差信號(hào)的逆?zhèn)鞑ミ^(guò)程。輸出誤差將從隱藏層被傳播回到輸入層，分配誤差從而得到誤差信號(hào)的每一層單元的每個(gè)隱藏層和權(quán)值，同時(shí)，該誤差信號(hào)將作為校正單元權(quán)值的依據(jù)。權(quán)值的調(diào)整過(guò)程和 BP 網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程是一致的，直到網(wǎng)絡(luò)輸出精度符合要求才會(huì)停止。逆?zhèn)鞑サ倪^(guò)程是：首先定義誤差函數(shù)，調(diào)整輸出層與隱含層的權(quán)重，使權(quán)重是滿足合適的矩陣，并最終得到理想的輸出信號(hào)。B、BPRBF 網(wǎng)絡(luò)模型 眾所周知，BP 網(wǎng)絡(luò)模型具有許多特性，如簡(jiǎn)易，計(jì)算量小，并行性強(qiáng)，尤3其是具有多維的非線性映射能力，此外，與其它方法相結(jié)合，它可以克服易陷入局部極小點(diǎn)的缺陷。RBF 神經(jīng)網(wǎng)絡(luò)可以逼近任意非線性映射的功能，簡(jiǎn)單適用，最主要是速度訓(xùn)練快。所以，兩個(gè)模型結(jié)合起來(lái)，形成一種新的模式 RBFBP。它的結(jié)構(gòu)是主要的 的網(wǎng)絡(luò)的輸出作為 RBF 的輸入，然后通過(guò)網(wǎng)絡(luò)（BPRBF結(jié)構(gòu)隱含神經(jīng)元的數(shù)量等于原來(lái)的 BP 網(wǎng)絡(luò)結(jié)構(gòu)的數(shù)目）BPRBF 模型的輸出結(jié)合了二者的的優(yōu)勢(shì)，并削弱了各自的弊端，這將使仿真結(jié)果接近真是的數(shù)據(jù)。圖 2.　　BPRBF 模型結(jié)構(gòu)圖 神經(jīng)網(wǎng)絡(luò)模型為了避免大量的計(jì)算次數(shù)和抑制最優(yōu)解的問(wèn)題，PSOBP 神經(jīng)網(wǎng)絡(luò)模型在PSO 算法中尋求 BP 神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值。PSO 算法模仿老化的鳥(niǎo)群通過(guò)合作對(duì)方的方式進(jìn)行飛行的行為來(lái)搜索優(yōu)化值[1112]。假設(shè)在一個(gè)多維搜索空間中有m 個(gè)粒子數(shù)，第 i 個(gè)粒子的位置矢量是什么 Xi=(Xi1,Xi2,……，X iN)，i=1,2,……，m,速度矢量是 Vi=(Vi1,Vi2,……，V iN)，基于以下表達(dá)式更新粒子的速度和位置。Vi(t+1)=ω（t）*V i(t)+C1*Rand1*(PXi(t))+C2*Rand2*(GXi(t)) (3)Xi(t+1)=Xi(t)+Vi(t) (4)其中，t 是迭代時(shí)間，Rand1 和 Rand2 都是 0 和 1 之間的隨機(jī)數(shù)。在每一維中，粒子的最大速度為 Vmax（最大速度 0） ，如果一個(gè)反向的速度 V 設(shè)置的比 Vmax 還要大，則通過(guò)使用神經(jīng)網(wǎng)絡(luò)的均方誤差作為適應(yīng)度函數(shù)，將速度限制到 Vmax 值，并且計(jì)算每個(gè)粒子的個(gè)體極值（P） ，選擇最佳的個(gè)體極值為全局極值（G） ，加速的因素是：= , =?2cmaxt自適應(yīng)慣性系數(shù)是：ω（t）=ω max(ω maxω min)ePSO_BP 網(wǎng)絡(luò)隱層單元個(gè)數(shù)可以參考公式 P= +a,其中 m 是輸入層1max?tn?神經(jīng)元的個(gè)數(shù)，n 是輸出層神經(jīng)元的個(gè)數(shù)，a 是 01 間的任意常量。通過(guò)訓(xùn)練樣本的經(jīng)驗(yàn)，選擇隱層神經(jīng)元個(gè)數(shù) P=10。 ［ω min,ω max］=［,］,Vmax=, 4最大迭代數(shù)是 100。三、基于三種模型的仿真實(shí)驗(yàn)A、3G 功率放大器電路設(shè)計(jì)和數(shù)據(jù)提取為了通過(guò)三種模型模擬功率放大器，必須提取功率放大器的輸入/輸出數(shù)據(jù)。本文選取電路設(shè)計(jì) MRF6S21140，采用負(fù)載牽引的方法來(lái)設(shè)計(jì)匹配電路，最終的電路原理圖如圖 3 所示。在功率放大電路的設(shè)計(jì)的基礎(chǔ)上，使用 CDMA2022源包絡(luò)仿真，輸入/輸出電壓振幅如仿真波形圖 4 所示。圖 3.　　基于晶體管 MRF6S21140 的放大器電路原理圖圖 4.　　基于 MRF6S21140 放大器電路的輸入和輸出電壓由于功率放大器的固有非線性，輸出信號(hào)的振幅產(chǎn)生較之于輸入信號(hào)產(chǎn)生某種程度的失真。在接下來(lái)的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，使用放大器的輸入電壓的幅度作為神經(jīng)網(wǎng)絡(luò)的輸入，放大器的輸出振幅為神經(jīng)網(wǎng)絡(luò)期望的輸出值。B、仿真結(jié)果在這一部分，我們提取 200 組 3G 功率放大器電路的輸入/輸出電壓振幅值，通過(guò) BP、BPRBF 和根據(jù) PSO_BP 模型三種網(wǎng)絡(luò)來(lái)模擬功率放大器。分析仿真結(jié)果，并比較輸入/輸出電壓振幅的擬合程度，擬合仿真結(jié)果分別如在圖 5，圖 65和圖 7 所示。具體的模擬數(shù)據(jù)如表 1 所示。圖 5.　　MRF6S21140 基于 BP 神經(jīng)網(wǎng)絡(luò)模型的擬合結(jié)果電壓范圍圖 6.　　MRF6S21140 基于 BPRBF 模型的擬合結(jié)果電壓范圍6圖 7.　　MRF6S21140 基于 PSOBP 模型的擬合結(jié)果電壓范圍表 1.　　基于三種網(wǎng)絡(luò)模型的 Matlab 仿真結(jié)果的電壓幅值通過(guò)對(duì)比圖 5，圖 6 和圖 7 中，我們可以得出，BPRBF 和 PSOBP 模型比BP 模型具有較好的擬合效果，他們可以更準(zhǔn)確地模擬和建立功率放大器。BPRBF 網(wǎng)絡(luò)模型不僅克服了 BP 網(wǎng)絡(luò)模型效率低下的缺點(diǎn)，而且還充分利用了 RBF網(wǎng)絡(luò)高速的優(yōu)勢(shì)，使之不容易陷入局部極小點(diǎn)；PSO BP 模型通過(guò)全局 PSO 算法搜索和優(yōu)化 BP 神經(jīng)網(wǎng)絡(luò)的權(quán)，克服 BP 網(wǎng)絡(luò)中存在的訓(xùn)練的精度和速度的問(wèn)題。PSOBP 模型在三個(gè)模型中具有最好的準(zhǔn)確性，但也是耗時(shí)最久的；相比之下， PSO_BP 模型，BPRBF 模型精度較差，但消耗時(shí)間較少。從消耗時(shí)間來(lái)講，由于兩種改進(jìn)算法的 BP 網(wǎng)絡(luò)加入了其他的算法，導(dǎo)致訓(xùn)練頻率增加，因此仿真時(shí)間增加。換句話說(shuō)，也就是用增加的消耗時(shí)間來(lái)?yè)Q取準(zhǔn)確性以及模型的計(jì)算能力（預(yù)測(cè)的）的提高。本文主要比較電壓均方根誤差（均方根）與放大器輸出和神經(jīng)網(wǎng)絡(luò)模型輸出來(lái)驗(yàn)證模型的準(zhǔn)確性，除此之外，比較了時(shí)代和收斂時(shí)間來(lái)驗(yàn)證模型的訓(xùn)練速度。具體的仿真數(shù)據(jù)如表 1 所示。顯然，這種誤差可以保持在一個(gè)小的數(shù)值范圍內(nèi)；收斂時(shí)間也可以保持在很短的時(shí)間內(nèi)。四、結(jié)論精確地模擬功率放大器是系統(tǒng)級(jí)仿真的關(guān)鍵，這對(duì)實(shí)際的設(shè)計(jì)有重要的參考價(jià)值。這篇文章推薦了兩種基于 BP 神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)算法，一個(gè)是級(jí)聯(lián)BPRBF 模型，另一種是 PSO BP 神經(jīng)網(wǎng)絡(luò)。通過(guò)數(shù)據(jù)擬合的比較，兩種改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型性能更優(yōu)越，精度更高。它們適用于建立功率放大器行為模型和功率放大器線性系統(tǒng)，以達(dá)到提高工作效率的目標(biāo)，有效地利用頻譜資源，縮短開(kāi)發(fā)周期，提高通信質(zhì)量。致　　謝本次畢業(yè)設(shè)計(jì)是在我的導(dǎo)師扈書亮的親切關(guān)懷和悉心指導(dǎo)下完成的。他嚴(yán)肅的科學(xué)態(tài)度，嚴(yán)謹(jǐn)?shù)闹螌W(xué)精神，精益求精的工作作風(fēng)，深深地感染和激勵(lì)著我。從課題的選擇到項(xiàng)目的最終完成，扈老師都始終給予我細(xì)心的指導(dǎo)和不懈的支持。大學(xué)四年多來(lái)，扈老師不僅在學(xué)業(yè)上給我以精心指導(dǎo)，同時(shí)還在思想、生活上給我以無(wú)微不至的關(guān)懷，在此謹(jǐn)向扈老師致以誠(chéng)摯的謝意和崇高的敬意。　　在論文即將完成之際，我的心情無(wú)法平靜，從開(kāi)始進(jìn)入課題到論文的順利完成，有多少可敬的師長(zhǎng)、同學(xué)、朋友給了我無(wú)言的幫助，在這里請(qǐng)接受我誠(chéng)摯的謝意！最后我還要感謝培養(yǎng)我長(zhǎng)大含辛茹苦的父母，謝謝你們！　　愿把我的幸福和快樂(lè)都送給關(guān)心和支持過(guò)我的人，也愿他們一切如