面向多功率调制信号的LSTM-多项式混合整流器建模方法研究

《Journal of ICT Standardization》:Hybrid LSTM and Polynomial-Based Rectifier Modeling for Modulated Signals Under Varying Average Input Power Levels

【字体: 大 中 小 】 时间:2025年12月08日 来源:Journal of ICT Standardization CS3.8

编辑推荐:

  本刊推荐:为解决SWIPT系统中整流器在调制信号输入下因记忆效应和非线性饱和特性导致的建模精度不足问题,研究人员开展了结合LSTM神经网络与功率分级多项式的混合建模研究。结果表明,该模型通过NN捕捉跨功率级共性行为,辅以多项式补偿饱和区非线性差异,在10-27 dBm输入功率范围内NMSE显著优于纯神经网络模型,为非线性器件精准建模提供了新范式。

  
在万物互联的时代,如何为海量物联网设备持续供电成为技术瓶颈。同时无线信息与功率传输技术应运而生,它允许设备通过接收到的射频信号同时获取信息和能量。然而,这项技术的核心部件——整流器,却有一个“脾气”:当输入信号是承载信息的调制信号而非简单的连续波时,其输出会表现出复杂的记忆效应和非线性特性。这意味着整流器当前的输出不仅取决于当前的输入,还受到历史输入信号的影响。更棘手的是,当输入信号的平均功率变化时,整流器在饱和区的非线性行为也会发生显著改变。传统的基于连续波的整流器模型对此无能为力,而现有的调制信号建模方法又难以在多个功率级别上保持高精度。这就好比想要用一个万能钥匙打开所有不同规格的锁,显然困难重重。
为了解决这一难题,来自三菱电机信息技术研发中心和鹿儿岛大学的研究团队在《IEICE Communications Express》上发表了一项创新研究,提出了一种混合长短期记忆神经网络与多项式函数的整流器建模方法。该研究旨在建立能够准确预测整流器在多种平均输入功率水平下对调制信号响应的高精度模型,为SWIPT系统的优化设计提供可靠工具。
研究人员采用的核心技术方法主要包括:基于多功率级测量数据的LSTM神经网络训练、功率计算单元实时监测输入信号平均功率、以及针对每个功率级的多项式系数优化。通过测量设置获取2.45 GHz载波、5 Msps符号率的64QAM调制信号在10-27 dBm功率范围内的输入输出数据,采用5层LSTM网络结构配合Adam算法进行训练,最后利用Moore-Penrose伪逆矩阵求解各功率级对应的5次多项式系数。
模型构建流程
研究团队设计的三阶段建模流程首先通过跨功率级训练使LSTM网络学习整流器的通用记忆特性,随后计算中间输出值,最后为每个功率级定制多项式系数。这种分工策略使神经网络专注于刻画跨功率级的共同动态特性,而多项式则专门补偿各功率级特有的饱和非线性差异。
精度验证结果
通过系统对比四种不同训练数据顺序(降序、升序及两种随机序列)下的归一化均方误差,研究发现:首先,混合模型在所有功率级别的NMSE均显著优于纯神经网络模型;其次,训练数据顺序影响模型精度,最后训练的数据对应功率级精度最高;更重要的是,随机化训练顺序能有效降低不同功率级间的精度波动。在23 dBm输入功率下的时域波形对比进一步证实,混合模型在高压饱和区的拟合误差明显小于纯神经网络模型。
这项研究通过巧妙的模型结构设计,成功解决了整流器在多功率调制信号输入下的精准建模难题。LSTM神经网络与功率分级多项式的协同工作,既捕捉了器件的时间动态特性,又补偿了功率相关的非线性差异。该模型不仅为SWIPT系统设计提供了更可靠的仿真工具,其混合建模思路也为其他非线性器件建模提供了重要参考。特别是在训练策略上的发现,为如何优化多工况条件下的机器学习模型提供了实用指导。随着物联网技术的不断发展,这种高精度建模方法将在能量收集、信号处理等领域发挥越来越重要的作用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号