买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华中科技大学申请的专利一种深度学习驱动的功放预失真方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119853620B 。

龙图腾网通过国家知识产权局官网在2026-04-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411985427.1，技术领域涉及：H03F1/32；该发明授权一种深度学习驱动的功放预失真方法是由魏蛟龙;唐祖平;万星灿;李程鹏;周楚昂设计研发完成，并于2024-12-31向国家知识产权局提交的专利申请。

本一种深度学习驱动的功放预失真方法在说明书摘要公布了：本申请属于信号处理技术领域，具体公开了一种深度学习驱动的功放预失真方法，包括：构建目标信号序列的信号矩阵，目标信号序列通过对从信号源采集的原始时间信号序列进行预处理得到；将信号矩阵依次输入至PDTRANS预失真模型和功率放大器，获取功率放大器的输出信号序列；基于输出信号序列和目标信号序列确定损失函数值，基于损失函数值调整PDTRANS预失真模型的超参数；重复获取功率放大器的输出信号序列和调整PDTRANS预失真模型的超参数的步骤，直至损失函数最小化，得到与功率放大器匹配的训练好的PDTRANS预失真模型；基于训练好的PDTRANS预失真模型对功率放大器进行预失真补偿。本申请实现了功放的精准预失真建模。

本发明授权一种深度学习驱动的功放预失真方法在权利要求书中公布了：1.一种深度学习驱动的功放预失真方法，其特征在于，包括： 构建目标信号序列的信号矩阵，所述目标信号序列通过对从信号源采集的原始时间信号序列进行预处理得到； 所述构建目标信号序列的信号矩阵，包括： 提取所述目标信号序列中样本信号在不同时刻的IQ分量特征和幅度包络特征；以提取的特征数量和序列长度为维度，构建所述目标信号序列的信号矩阵； 将所述信号矩阵依次输入至PDTRANS预失真模型和功率放大器，获取所述功率放大器的输出信号序列，所述PDTRANS预失真模型包括输入模块、Transformer模块、特征降维模块和输出模块； 其中，所述输入模块包括卷积层；所述卷积层提取所述信号矩阵的局部时间序列特征，包括IQ分量特征和幅度包络特征； 所述Transformer模块包括改进归一化层、并行卷积层、自注意力层、短路投影层和输出投影层；所述改进归一化层对输入特征进行归一化处理；所述并行卷积层基于归一化后的输入特征分别生成键特征、查询特征和值特征；所述自注意力层基于键特征、查询特征和值特征确定自注意力结果；所述短路投影层提取所述值特征的深度特征，将深度特征和自注意力结果相加后进行卷积操作和归一化处理；所述输出投影层对所述短路投影层的输出特征和自注意力结果进行聚合操作，对聚合结果进行深层卷积后再次聚合输出综合特征； 所述特征降维模块包括全连接层，所述全连接层通过Tanh激活函数的非线性变换进行特征降维； 所述输出模块基于降维后的特征矩阵输出预失真信号； 基于所述输出信号序列和所述目标信号序列确定损失函数值，基于所述损失函数值调整所述PDTRANS预失真模型的超参数，所述超参数包括学习率、批大小和网络层数； 重复所述获取所述功率放大器的输出信号序列和所述调整所述PDTRANS预失真模型的超参数的步骤，直至损失函数最小化，得到与所述功率放大器匹配的训练好的PDTRANS预失真模型； 基于所述训练好的PDTRANS预失真模型对所述功率放大器进行预失真补偿； 其中，所述基于所述训练好的PDTRANS预失真模型对所述功率放大器进行预失真补偿，包括： 从信号源采集当前时刻及临近历史时刻的时序信号，预处理后构建输入矩阵；所述输入矩阵包括当前时刻及临近历史时刻的时序信号的IQ分量和幅度包络； 将所述输入矩阵输入至所述训练好的PDTRANS预失真模型，输出所述当前时刻的预失真信号； 将所述预失真信号输入至所述功率放大器进行当前时刻的信号线性化补偿。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华中科技大学，其通讯地址为：430074 湖北省武汉市洪山区珞喻路1037号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。