CN109683115A - 一种磁共振射频功率放大器装置及磁共振*** - Google Patents
一种磁共振射频功率放大器装置及磁共振*** Download PDFInfo
- Publication number
- CN109683115A CN109683115A CN201910111648.9A CN201910111648A CN109683115A CN 109683115 A CN109683115 A CN 109683115A CN 201910111648 A CN201910111648 A CN 201910111648A CN 109683115 A CN109683115 A CN 109683115A
- Authority
- CN
- China
- Prior art keywords
- power amplifier
- frequency power
- signal
- radio
- magnetic resonance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 claims abstract description 59
- 230000006870 function Effects 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims description 15
- 230000011664 signaling Effects 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 210000001367 artery Anatomy 0.000 claims 1
- 238000001914 filtration Methods 0.000 claims 1
- 210000003462 vein Anatomy 0.000 claims 1
- 230000003446 memory effect Effects 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 11
- 230000008447 perception Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000009022 nonlinear effect Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000002939 conjugate gradient method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/28—Details of apparatus provided for in groups G01R33/44 - G01R33/64
- G01R33/32—Excitation or detection systems, e.g. using radio frequency signals
- G01R33/36—Electrical details, e.g. matching or coupling of the coil to the receiver
- G01R33/3614—RF power amplifiers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/28—Details of apparatus provided for in groups G01R33/44 - G01R33/64
- G01R33/32—Excitation or detection systems, e.g. using radio frequency signals
- G01R33/36—Electrical details, e.g. matching or coupling of the coil to the receiver
- G01R33/3621—NMR receivers or demodulators, e.g. preamplifiers, means for frequency modulation of the MR signal using a digital down converter, means for analog to digital conversion [ADC] or for filtering or processing of the MR signal such as bandpass filtering, resampling, decimation or interpolation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
- G01R33/5659—Correction of image distortions, e.g. due to magnetic field inhomogeneities caused by a distortion of the RF magnetic field, e.g. spatial inhomogeneities of the RF magnetic field
Landscapes
- Physics & Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- High Energy & Nuclear Physics (AREA)
- Amplifiers (AREA)
Abstract
本公开提供了磁共振射频功率放大器装置及磁共振***。其中，磁共振射频功率放大器装置，包括第一巴伦，其被配置为接收前馈信号并经第一模数转换器传送至处理器；第二巴伦，其被配置为接收反馈信号并经第二模数转换器传送至处理器；处理器，其被配置为将接收的前馈信号和反馈信号均进行数字变频和信号同步处理，通过神经网络间接学习结构训练射频功率放大器逆函数估计器，并将射频功率放大器逆函数估计器的权重系数复制给预失真器；预失真器的输出信号依次经第三巴伦、数模转换器和模拟上变频模块进入射频功率放大器模块；射频功率放大器模块将接收的信号放大后分成两路。
Description
技术领域
本公开属于磁共振领域，尤其涉及一种磁共振射频功率放大器装置及磁共振***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
在磁共振***中，需要射频功率放大器将磁共振波谱仪发射的射频脉冲放大到几十到几百瓦，输出到发射线圈，以激发实验样本。因此射频功率放大器是磁共振***中不可缺少的一部分。但是如同一般的功率放大器，射频功率放大器具有非线性特性，当射频功率放大器工作在饱和区或截止区时，会引起脉冲信号非线性失真。输入信号的功率越大，射频功率放大器的失真越严重。这种失真包括频带内幅度和相位失真以及频带外频谱扩展，干扰相邻信道的信号传输，最终使得磁共振***成像出现伪影、畸变，画面质量降低，干扰疾病诊断和科学研究。因此，需要保证射频功率放大器工作效率的同时实现功率放大器的线性化。
解决射频功率放大器非线性的方法包括以下几种方法：
(1)最直接的方法是制造高精度高线性射频功率放大器。但是发明人发现其制造工艺复杂、价格昂贵，一般不适合用于高功率放大器。
(2)功率回退是提高功率放大器线性度最简单的一种方法，通过降低功率放大器的工作点，使得功率放大器工作在离饱和点回退10到15dB的地方。功率回退法实现简单，但发明人发现其缺点是会大大降低功率放大器的工作效率，进而增加***的维护成本。
(3)直接反馈法是利用输出信号直接抑制输入信号，发明人发现其缺点是难以估计输出信号对于输入信号的延时，使得***稳定性较差。因此在工程上更经常采用间接负反馈法，间接负反馈法是指输出和输入信号通过一种间接的连接方式进行比较。因此，间接负反馈法的优点在于精度高、技术成熟、价格低廉等。发明人发现其缺点在于反馈回路延时难以控制、***不够稳定、不适合用于频带较宽场合等。
(4)前馈法基本原理如下：利用抵消回路分离出干扰信号对经延时的功率放大器输出信号进行叠加抵消，进而实现功率放大器的线性化。此方法速度较快、线性化较好、使用带宽较宽，但是发明人发现其结构复杂、成本高、效率较低且自适应性较差。
(5)预失真技术的基本思想是在功率放大器前***一个曲线特性与功率放大器曲线特性互逆的预失真器，通过预失真器与功率放大器的联级使用进而实现功率放大器线性化。预失真技术的预失真器多用模拟电路的方式实现，其优点是成本低、电路结构简单、适应带宽宽，然而发明人发现其缺点是预失真效果很有限，尤其对高阶分量失真进行预失真较困难。
综上所述，发明人发现，目前射频功率放大器的工作效率均较低且非线性处理过程中的预失真效果差。
发明内容
为了解决上述问题，本公开的第一方面提供了一种磁共振射频功率放大器装置，其具有工作效率高且非线性处理过程中的预失真效果好的优点。
本公开的第一方面的一种磁共振射频功率放大器装置的技术方案为：
本公开的一种磁共振射频功率放大器装置，包括：
第一巴伦，其被配置为接收前馈信号并经第一模数转换器传送至处理器；
第二巴伦，其被配置为接收反馈信号并经第二模数转换器传送至处理器；
处理器，其被配置为将接收的前馈信号和反馈信号均进行数字变频和信号同步处理，然后通过神经网络间接学习结构训练射频功率放大器逆函数估计器，并将射频功率放大器逆函数估计器的权重系数复制给预失真器；所述射频功率放大器逆函数估计器和预失真器结构相同；
所述预失真器的输出信号依次经第三巴伦、数模转换器和模拟上变频模块进入射频功率放大器模块；
所述射频功率放大器模块被配置为将接收的信号放大后分成两路，其中一路发射出去，另一路依次经耦合模块和模拟下变频模块处理得到反馈信号。
进一步地，所述处理器将接收的前馈信号和反馈信号均进行数字变频的过程为：
将前馈信号数字下变频成基带信号，再将前馈信号数字上变频为中心频率符合处理器中心频率的信号；
将反馈信号数字下变频成基带信号，再将反馈信号数字上变频为中心频率符合处理器中心频率的信号。
上述方案的优点在于，通过将接收的前馈信号和反馈信号均进行数字变频，使得接收的前馈信号和反馈信号的中心频率均符合处理器的中心频率信号，这样能够提高处理器的工作效率，进而提高整个磁共振射频功率放大器装置工作的稳定性。
进一步地，所述预失真器由线性部和非线性部构成。
进一步地，所述线性部为FIR滤波器结构；所述非线性部为神经网络结构。
进一步地，神经网络结构为浅层学习神经网络或基于深度学习的神经网络。
其中，预失真器除了需要拟合射频功率放大器的非线性失真还需要拟合射频功率放大器记忆效应，此时神经网络预失真器也必须带记忆效应。
值得注意的是，这里的神经网络，可以是传统的浅层学习神经网络，如反向传播(BP)神经网络、多层感知神经网络等，也可以是基于深度学习的神经网络，如深度神经网络、递归神经网络、卷积神经网络。
神经网络采用的训练算法可以是梯度下降法、附加动量法、共轭梯度法、牛顿算法、Levenberg-Marquardt算法等。
进一步地，所述处理器通过神经网络间接学习结构训练射频功率放大器逆函数估计器的过程为：
根据预失真器和射频功率放大器逆函数估计器输出差值自适应计算更新射频功率放大器逆函数估计器的权重系数；
当预失真器和射频功率放大器逆函数估计器输出差值小于一定值时，将射频功率放大器逆函数估计器权重系数复制给预失真器。
上述方案的优点在于，这样预失真器在收敛时将射频功率放大器逆函数估计器权重系数复制给预失真器，能够提高整个磁共振射频功率放大器装置工作的稳定性。
进一步地，所述处理器，还被配置为：
根据射频功率放大器模块的变化，周期性更新预失真器的权重系数，实时监测跟踪射频功率放大器模块性能变化，实现射频功率放大器模块的自适应预失真。
进一步地，所述模拟上变频模块包括：第一数字控制振荡器、带通滤波器和第一混频器；第一数字控制振荡器用于产生正余弦两路正交信号，并通过第一混频器共同完成频谱的搬迁；带通滤波器用于滤除上变频混频时产生的多余频谱。
进一步地，所述模拟下变频模块包括：第二数字控制振荡器、数字有限滤波器和第二混频器；第二数字控制振荡器用于产生正余弦两路正交信号，并通过第二混频器共同完成频谱的搬迁；数字有限滤波器用于滤除下变频混频时产生的多余频谱。
进一步地，所述耦合模块包括：功率分配器和信号衰减器，所述功率分配器用于从射频功率放大器中提取出一部分射频信号，这部分射频信号再依次经过信号衰减器和模拟下变频模块处理，得到反馈信号。
为了解决上述问题，本公开的第二方面提供了一种磁共振***，其具有工作效率高且非线性处理过程中的预失真效果好的优点。
本公开的第二方面的一种磁共振***的技术方案为：
本公开的一种磁共振***，包括：
磁共振信号发生装置，其被配置为产生磁共振脉冲信号；
上述所述的磁共振射频功率放大器装置，其被配置为将磁共振脉冲信号进行预失真放大并输出至磁共振信号发射装置；
所述磁共振信号发射装置，被配置为发射预失真放大的磁共振信号。
本公开的有益效果是：
(1)本公开采用神经网络拟合磁共振***射频功率放大器的非线性，对射频功率放大器进行预失真，提高了磁共振***射频功率放大器装置的工作效率以及非线性处理过程中的预失真效果。
(2)本公开利用滤波器部分拟合射频功率放大器记忆效应，利用神经网络部分拟合射频功率放大器的非线性失真，进而实现分离式拟合射频功率放大器的非线性和记忆效应。和传统的带记忆神经网络预失真器模型相比，不仅大大减少了原有网络参数和网络规模，而且大大减少了权重系数更新迭代过程的计算量。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开实施例提供的一种磁共振射频功率放大器装置结构示意图。
图2是本公开实施例提供的一种磁共振射频功率放大器装置的处理器结构示意图。
图3是本公开实施例提供的一种磁共振射频功率放大器装置原理图。
图4是本公开实施例提供的基于多层感知神经网络的间接学习结构原理图。
图5是本公开实施例提供的多层感知神经网络原理图。
图6是本公开实施例提供的预失真前的AM/AM特性曲线。
图7是本公开实施例提供的预失真后的AM/AM特性曲线。
图8是本公开实施例提供的预失真前的AM/PM特性曲线。
图9是本公开实施例提供的预失真后的AM/PM特性曲线。
图10是本公开实施例提供的原始信号和预失真前后信号的功率谱。
图11是本公开实施例提供的一种磁共振***结构示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步地说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例的一种磁共振射频功率放大器装置，包括：
第一巴伦，其被配置为接收前馈信号并经第一模数转换器传送至处理器；
第二巴伦，其被配置为接收反馈信号并经第二模数转换器传送至处理器；
处理器，其被配置为将接收的前馈信号和反馈信号均进行数字变频和信号同步处理，然后通过神经网络间接学习结构训练射频功率放大器逆函数估计器，并将射频功率放大器逆函数估计器的权重系数复制给预失真器；所述射频功率放大器逆函数估计器和预失真器结构相同；
所述预失真器的输出信号依次经第三巴伦、数模转换器和模拟上变频模块进入射频功率放大器模块；
所述射频功率放大器模块被配置为将接收的信号放大后分成两路，其中一路发射出去，另一路依次经耦合模块和模拟下变频模块处理得到反馈信号。
其中，巴伦：平衡不平衡转换器，负责在高频单端信号与差分信号之间相互转换。
模数转换器：有差分输入口，将模拟信号转变为数字信号。
处理器：可采用DSP或FPGA芯片来实现。
处理器主要实现数字上下变频预处理、信号同步和磁共振射频功率放大器数字预失真三个功能，如图2所示。
数模转换器：将数字信号转换为模拟信号，输出模拟信号。
模拟上变频模块：将数模转换器输出的中频信号上调至射频频段。
射频功率放大器模块：上变频的信号经过射频功率放大器放大后，再经过射频线圈发射出去。
耦合模块：相当于信号衰减器。
模拟下变频模块：将射频信号降频。
具体地，所述模拟上变频模块包括：第一数字控制振荡器、带通滤波器和第一混频器；第一数字控制振荡器用于产生正余弦两路正交信号，并通过第一混频器共同完成频谱的搬迁；带通滤波器用于滤除上变频混频时产生的多余频谱。
所述模拟下变频模块包括：第二数字控制振荡器、数字有限滤波器和第二混频器；第二数字控制振荡器用于产生正余弦两路正交信号，并通过第二混频器共同完成频谱的搬迁；数字有限滤波器用于滤除下变频混频时产生的多余频谱。
所述耦合模块包括：功率分配器和信号衰减器，所述功率分配器用于从射频功率放大器中提取出一部分射频信号，这部分射频信号再依次经过信号衰减器和模拟下变频模块处理，得到反馈信号。
在具体实施中，所述处理器将接收的前馈信号和反馈信号均进行数字变频的过程为：
将前馈信号数字下变频成基带信号，再将前馈信号数字上变频为中心频率符合处理器中心频率的信号；
将反馈信号数字下变频成基带信号，再将反馈信号数字上变频为中心频率符合处理器中心频率的信号。
上述方案的优点在于，通过将接收的前馈信号和反馈信号均进行数字变频，使得接收的前馈信号和反馈信号的中心频率均符合处理器的中心频率信号，这样能够提高处理器的工作效率，进而提高整个磁共振射频功率放大器装置工作的稳定性。
其中，神经网络间接学习结构也是在DSP或FPGA芯片上实现的，如图3所示，在该结构中，预失真器和射频功率放大器逆函数估计器的结构完全相同。所述预失真器由线性部和非线性部构成。
所述线性部为FIR滤波器结构；所述非线性部为神经网络结构。
神经网络结构为浅层学习神经网络或基于深度学习的神经网络。
其中，预失真器除了需要拟合射频功率放大器的非线性失真还需要拟合射频功率放大器记忆效应，此时神经网络预失真器也必须带记忆效应。
值得注意的是，这里的神经网络，可以是传统的浅层学习神经网络，如反向传播(BP)神经网络、多层感知神经网络等，也可以是基于深度学习的神经网络，如深度神经网络、递归神经网络、卷积神经网络。
神经网络采用的训练算法可以是梯度下降法、附加动量法、共轭梯度法、牛顿算法、Levenberg-Marquardt算法等。
进一步地，所述处理器通过神经网络间接学习结构训练射频功率放大器逆函数估计器的过程为：
根据预失真器和射频功率放大器逆函数估计器输出差值自适应计算更新射频功率放大器逆函数估计器的权重系数；
当预失真器和射频功率放大器逆函数估计器输出差值小于一定值时，将射频功率放大器逆函数估计器权重系数复制给预失真器。
上述方案的优点在于，这样预失真器在收敛时将射频功率放大器逆函数估计器权重系数复制给预失真器，能够提高整个磁共振射频功率放大器装置工作的稳定性。
在具体实施中，所述处理器，还被配置为：
根据射频功率放大器模块的变化，周期性更新预失真器的权重系数，实时监测跟踪射频功率放大器模块性性能变化，实现射频功率放大器模块的自适应预失真。
下面以基于多层感知神经网络的间接学习结构，如图4为例来详细说明：
预失真器就是一个由线性和非线性两个部分组成的预失真***。其中线性部为FIR滤波器，非线性部分是一个双入双出的3层普通多层感知神经网络。利用滤波器部分拟合射频功率放大器记忆效应，利用神经网络部分拟合射频功率放大器的非线性失真，进而实现分离式拟合射频功率放大器的非线性和记忆效应。
和传统的带记忆神经网络预失真器模型相比，该基于多层感知神经网络的间接学习结构不仅大大减少了原有网络参数和网络规模，而且大大减少了权重系数更新迭代过程的计算量。
图5实施例中所述多层感知神经网络，前馈计算如下：
式(1)中，为多层感知神经网络第1层第j个神经元的输出，M为记忆深度，为第1层第j个神经元与输入层第i个输入的连接权重系数，x-i为神经网络第i个输入；
式(2)中，为第2层第j个神经元的输出，隐藏层激活函数为tanh函数，为第2层第j个神经元与第1层第i个神经元的连接权重系数，为第1层第j个神经元的输出，为第2层第j个神经元的偏置系数；
式(3)中，为第3层第k个神经元的输出，l1为隐藏层节点数，为第3层第k个神经元与第2层第j个神经元的连接权重系数，为第3层第k个神经元的偏置系数。选用f(x)＝x作为输出层神经元激活函数。
采用Bayesian-Levenberg-Marquardt优化算法作为神经网络的训练算法，目标函数表达式为：
F(X)＝αEW+βED(4)
式中其中N为神经网络权重更新迭代的回合数；s2为神经网络输出层节点数；q为每回合的训练样本个数，训练样本个数为q时神经网络预示真器与逆函数估计器的误差值平方；vj(x)为第j次迭代过程中预示真器与逆函数估计器的误差值平方；wj为网络权重系数；α，β为系数；m为网络中权重系数的总数，为大于或等于1的正整数。
可见，通过新的目标函数，网络在训练过程中能保证网络输出误差尽量小的同时保证网络具有较小的网络权重系数。Bayesian-Levenberg-Marquardt更新神经网络系数的迭代公式为：
Xk+1＝Xk-[αJTJ-(μ+β)I]-1JTe(5)
其中，μ和e均为常系数。
上式中，J为Jacobi矩阵，其表达式为
其中，X为网络的权系数向量。系数α和β值的最优化值分别为αMP和βMP，且由下式给出：
其中γ＝m-2αMP·tr(HMP)-1表示有效权系数个数，范围在0到m之间。m为网络中权重系数的总数，HMP为目标函数F(X)在其最小点XMP处的Hessian矩阵。在计算过程中需要计算该Hessian矩阵。利用高斯-牛顿逼近法简化Hessian矩阵，则：▽2F(XMP)≈βJTJ+αIm，其中J是ED在点XMP的Jacobi矩阵。
Bayesian-LM算法的操作步骤如下：
⑴初始化网络参数，并且初始化系数α＝0，β＝1。
⑵利用Levenberg-Marquardt算法最小化网络性能目标函数F(X)＝αEW+βED。
⑶利用高斯-牛顿逼近法求解H≈βJTJ+αIm，并求解有效参数个数γ。
⑷计算系数新的估计值
⑸重复步骤⑵到⑷，直到算法收敛。
预失真前射频功率放大器的AM/AM特性图，如图6所示。预试真后的AM/AM特性图，如图7所示。由图6和图7可知：预失真前射频功率放大器的AM/AM特性是一条带迟滞的非线性曲线。带预失真器的射频功率放大器的AM/AM特性几乎为一条斜率为1的直线且不带迟滞，说明幅度放大基本上达到线性化。
预失真前射频功率放大器的AM/PM特性图如图8所示。预试真后的AM/PM特性图如图9所示。由图8和图9可知：预失真前，当输入在0到1之间变化时，射频功率放大器的AM/PM特性图上相位存在不同程度的偏移，输入越小时相位的偏移量越大。预失真后AM/PM特性在输入幅度变化时，输出相位的偏移基本为0，说明相位预失真的目的基本上达到。
图10为预失真前后射频放大器的功率谱，预失真后带内信号变的平整，预失真器结构能有效的降低邻信道功率比30dB左右。
本实施例的磁共振射频功率放大器装置采用神经网络拟合磁共振***射频功率放大器的非线性，对射频功率放大器进行预失真，提高了磁共振***射频功率放大器装置的工作效率以及非线性处理过程中的预失真效果。
本实施例的磁共振射频功率放大器装置利用滤波器部分拟合射频功率放大器记忆效应，利用神经网络部分拟合射频功率放大器的非线性失真，进而实现分离式拟合射频功率放大器的非线性和记忆效应。和传统的带记忆神经网络预失真器模型相比，不仅大大减少了原有网络参数和网络规模，而且大大减少了权重系数更新迭代过程的计算量。
图11是本公开实施例提供的一种磁共振***结构示意图。
如图11所示，本实施例的一种磁共振***，包括：
磁共振信号发生装置，其被配置为产生磁共振脉冲信号；
如图1所示的磁共振射频功率放大器装置，其被配置为将磁共振脉冲信号进行预失真放大并输出至磁共振信号发射装置；
所述磁共振信号发射装置，被配置为发射预失真放大的磁共振信号。
具体地，磁共振信号发生装置可采用磁共振波谱仪来实现。
磁共振信号发射装置可采用磁共振***的射频线圈来实现。
本实施例的磁共振***采用神经网络拟合磁共振***射频功率放大器的非线性，对射频功率放大器进行预失真，提高了磁共振***射频功率放大器装置的工作效率以及非线性处理过程中的预失真效果。
本实施例的磁共振***利用滤波器部分拟合射频功率放大器记忆效应，利用神经网络部分拟合射频功率放大器的非线性失真，进而实现分离式拟合射频功率放大器的非线性和记忆效应。和传统的带记忆神经网络预失真器模型相比，不仅大大减少了原有网络参数和网络规模，而且大大减少了权重系数更新迭代过程的计算量。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种磁共振射频功率放大器装置，其特征在于，包括：
第一巴伦，其被配置为接收前馈信号并经第一模数转换器传送至处理器；
第二巴伦，其被配置为接收反馈信号并经第二模数转换器传送至处理器；
处理器，其被配置为将接收的前馈信号和反馈信号均进行数字变频和信号同步处理，然后通过神经网络间接学习结构训练射频功率放大器逆函数估计器，并将射频功率放大器逆函数估计器的权重系数复制给预失真器；所述射频功率放大器逆函数估计器和预失真器结构相同；
所述预失真器的输出信号依次经第三巴伦、数模转换器和模拟上变频模块进入射频功率放大器模块；
所述射频功率放大器模块被配置为将接收的信号放大后分成两路，其中一路发射出去，另一路依次经耦合模块和模拟下变频模块处理得到反馈信号。
2.如权利要求1所述的一种磁共振射频功率放大器装置，其特征在于，所述处理器将接收的前馈信号和反馈信号均进行数字变频的过程为：
将前馈信号数字下变频成基带信号，再将前馈信号数字上变频为中心频率符合处理器中心频率的信号；
将反馈信号数字下变频成基带信号，再将反馈信号数字上变频为中心频率符合处理器中心频率的信号。
3.如权利要求1所述的一种磁共振射频功率放大器装置，其特征在于，所述预失真器由线性部和非线性部构成。
4.如权利要求3所述的一种磁共振射频功率放大器装置，其特征在于，所述线性部为FIR滤波器结构；所述非线性部为神经网络结构。
5.如权利要求4所述的一种磁共振射频功率放大器装置，其特征在于，神经网络结构为浅层学习神经网络或基于深度学习的神经网络。
6.如权利要求1所述的一种磁共振射频功率放大器装置，其特征在于，所述处理器通过神经网络间接学习结构训练射频功率放大器逆函数估计器的过程为：
根据预失真器和射频功率放大器逆函数估计器输出差值自适应计算更新射频功率放大器逆函数估计器的权重系数；
当预失真器和射频功率放大器逆函数估计器输出差值小于一定值时，将射频功率放大器逆函数估计器权重系数复制给预失真器。
7.如权利要求1所述的一种磁共振射频功率放大器装置，其特征在于，所述处理器，还被配置为：
根据射频功率放大器模块的变化，周期性更新预失真器的权重系数，实时监测跟踪射频功率放大器模块性能变化，实现射频功率放大器模块的自适应预失真。
8.如权利要求1所述的一种磁共振射频功率放大器装置，其特征在于，所述模拟上变频模块包括：第一数字控制振荡器、带通滤波器和第一混频器；第一数字控制振荡器用于产生正余弦两路正交信号，并通过第一混频器共同完成频谱的搬迁；带通滤波器用于滤除上变频混频时产生的多余频谱；
或所述模拟下变频模块包括：第二数字控制振荡器、数字有限滤波器和第二混频器；第二数字控制振荡器用于产生正余弦两路正交信号，并通过第二混频器共同完成频谱的搬迁；数字有限滤波器用于滤除下变频混频时产生的多余频谱。
9.如权利要求1所述的一种磁共振射频功率放大器装置，其特征在于，所述耦合模块包括：功率分配器和信号衰减器，所述功率分配器用于从射频功率放大器中提取出一部分射频信号，这部分射频信号再依次经过信号衰减器和模拟下变频模块处理，得到反馈信号。
10.一种磁共振***，其特征在于，包括：
磁共振信号发生装置，其被配置为产生磁共振脉冲信号；
如权利要求1-9中任一项所述的磁共振射频功率放大器装置，其被配置为将磁共振脉冲信号进行预失真放大并输出至磁共振信号发射装置；
所述磁共振信号发射装置，被配置为发射预失真放大的磁共振信号。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910111648.9A CN109683115B (zh) | 2019-02-12 | 2019-02-12 | 一种磁共振射频功率放大器装置及磁共振*** |
| GB2112953.1A GB2595828B (en) | 2019-02-12 | 2020-02-06 | Magnetic resonance radio frequency power amplifier device and magnetic resonance system |
| PCT/CN2020/074422 WO2020164435A1 (zh) | 2019-02-12 | 2020-02-06 | 一种磁共振射频功率放大器装置及磁共振*** |
| ZA2021/06725A ZA202106725B (en) | 2019-02-12 | 2021-09-10 | Magnetic resonance radio frequency power amplifier apparatus and magnetic resonance system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910111648.9A CN109683115B (zh) | 2019-02-12 | 2019-02-12 | 一种磁共振射频功率放大器装置及磁共振*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109683115A true CN109683115A (zh) | 2019-04-26 |
| CN109683115B CN109683115B (zh) | 2024-05-03 |
Family
ID=66195803
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910111648.9A Active CN109683115B (zh) | 2019-02-12 | 2019-02-12 | 一种磁共振射频功率放大器装置及磁共振*** |
Country Status (4)
| Country | Link |
|---|---|
| CN (1) | CN109683115B (zh) |
| GB (1) | GB2595828B (zh) |
| WO (1) | WO2020164435A1 (zh) |
| ZA (1) | ZA202106725B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111324861A (zh) * | 2020-02-28 | 2020-06-23 | 厦门大学 | 一种基于矩阵分解的深度学习磁共振波谱重建方法 |
| WO2020164435A1 (zh) * | 2019-02-12 | 2020-08-20 | 山东第一医科大学(山东省医学科学院) | 一种磁共振射频功率放大器装置及磁共振*** |
| CN112763952A (zh) * | 2019-11-06 | 2021-05-07 | 西门子(深圳)磁共振有限公司 | 监控磁共振成像设备的射频发射电路的方法与装置 |
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5140268A (en) * | 1990-06-15 | 1992-08-18 | The Board Of Trustees Of The Leland Stanford Junior University | Method and means for correcting RF amplifier distortion in magnetic resonance imaging |
| US6239593B1 (en) * | 1998-09-21 | 2001-05-29 | Southwest Research Institute | Method and system for detecting and characterizing mechanical damage in pipelines using nonlinear harmonics techniques |
| CN1299532A (zh) * | 1998-04-30 | 2001-06-13 | 诺基亚网络有限公司 | 用于放大器的线性化方法与放大器设备 |
| CN1516493A (zh) * | 2003-01-10 | 2004-07-28 | 深圳市中兴通讯股份有限公司上海第二 | 一种功率放大器线性化方法和线性功率放大器装置 |
| CN1870614A (zh) * | 2005-05-27 | 2006-11-29 | 华为技术有限公司 | 对基带数字信号进行预失真处理的通用装置 |
| CN101072220A (zh) * | 2006-05-08 | 2007-11-14 | 中兴通讯股份有限公司 | 用于自适应功率放大器的径向基神经网络预失真方法 |
| CN101110571A (zh) * | 2007-08-30 | 2008-01-23 | 京信通信***（中国）有限公司 | 数字预失真功率放大器及其实现方法 |
| CN101320960A (zh) * | 2008-07-18 | 2008-12-10 | 东南大学 | 基于模糊神经网络的哈默斯坦模型的功放预失真方法 |
| US20100141257A1 (en) * | 2007-05-04 | 2010-06-10 | Koninklijke Philips Electronics N.V. | Rf transmitter with digital feedback for mri |
| CN102082751A (zh) * | 2009-11-27 | 2011-06-01 | 电子科技大学 | 基于改进mlbp的神经网络预失真方法 |
| US8179133B1 (en) * | 2008-08-18 | 2012-05-15 | Hypres, Inc. | High linearity superconducting radio frequency magnetic field detector |
| CN102804596A (zh) * | 2009-06-22 | 2012-11-28 | 高通股份有限公司 | 用于使用预失真和反馈来减缓电路的非线性的方法和设备 |
| CN103326973A (zh) * | 2013-07-03 | 2013-09-25 | 苏州工业园区昶辰通信科技有限公司 | 失真特性估算法预失真装置以及方法 |
| US20140118066A1 (en) * | 2012-10-31 | 2014-05-01 | Korea Advanced Institute Of Science And Technology | Low-cost digital predistortion apparatus and method using envelope detection feedback |
| US20140254716A1 (en) * | 2013-03-05 | 2014-09-11 | Qualcomm Incorporated | Power Amplifier System Including A Composite Digital Predistorter |
| CN104811149A (zh) * | 2014-01-28 | 2015-07-29 | 马克西姆综合产品公司 | 使用具有增强模数转换的集成信号分析器的rf功率放大器中的自适应控制的数字预失真 |
| CN105262447A (zh) * | 2015-11-26 | 2016-01-20 | 中国电子科技集团公司第三十研究所 | 一种功率放大器的预失真方法、装置及射频*** |
| CN105450184A (zh) * | 2014-08-08 | 2016-03-30 | 瑞昱半导体股份有限公司 | 数字预失真电路与方法以及数字预失真训练电路 |
| CN105897188A (zh) * | 2016-03-29 | 2016-08-24 | 上海联影医疗科技有限公司 | 功率放大器的非线性校正方法及*** |
| CN205958733U (zh) * | 2016-08-26 | 2017-02-15 | 西门子(深圳)磁共振有限公司 | 射频发射装置及磁共振成像*** |
| CN106603022A (zh) * | 2016-11-10 | 2017-04-26 | 电子科技大学 | 一种短波高线性平衡结构功率放大器 |
| CN209570689U (zh) * | 2019-02-12 | 2019-11-01 | 泰山医学院 | 一种磁共振射频功率放大器装置及磁共振*** |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2376581B (en) * | 2001-06-15 | 2005-03-09 | Wireless Systems Int Ltd | Control scheme for signal processing arrangement |
| US8023588B1 (en) * | 2008-04-08 | 2011-09-20 | Pmc-Sierra, Inc. | Adaptive predistortion of non-linear amplifiers with burst data |
| CN102613974B (zh) * | 2011-01-26 | 2014-08-20 | 成都芯通科技股份有限公司 | 一种数字化核磁共振射频放大器及其实现方法 |
| CN102281221B (zh) * | 2011-06-23 | 2017-03-15 | 中兴通讯股份有限公司 | 非线性***失真校正装置及方法 |
| CN102427336B (zh) * | 2011-11-30 | 2015-07-08 | 钱骅 | 一种实现自适应数字预失真线性化的射频功率放大*** |
| CN103378391B (zh) * | 2012-04-27 | 2016-08-31 | Ge医疗***环球技术有限公司 | 一种巴伦 |
| CN109683115B (zh) * | 2019-02-12 | 2024-05-03 | 泰山医学院 | 一种磁共振射频功率放大器装置及磁共振*** |
-
2019
- 2019-02-12 CN CN201910111648.9A patent/CN109683115B/zh active Active
-
2020
- 2020-02-06 GB GB2112953.1A patent/GB2595828B/en active Active
- 2020-02-06 WO PCT/CN2020/074422 patent/WO2020164435A1/zh active Application Filing
-
2021
- 2021-09-10 ZA ZA2021/06725A patent/ZA202106725B/en unknown
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5140268A (en) * | 1990-06-15 | 1992-08-18 | The Board Of Trustees Of The Leland Stanford Junior University | Method and means for correcting RF amplifier distortion in magnetic resonance imaging |
| CN1299532A (zh) * | 1998-04-30 | 2001-06-13 | 诺基亚网络有限公司 | 用于放大器的线性化方法与放大器设备 |
| US6239593B1 (en) * | 1998-09-21 | 2001-05-29 | Southwest Research Institute | Method and system for detecting and characterizing mechanical damage in pipelines using nonlinear harmonics techniques |
| CN1516493A (zh) * | 2003-01-10 | 2004-07-28 | 深圳市中兴通讯股份有限公司上海第二 | 一种功率放大器线性化方法和线性功率放大器装置 |
| CN1870614A (zh) * | 2005-05-27 | 2006-11-29 | 华为技术有限公司 | 对基带数字信号进行预失真处理的通用装置 |
| CN101072220A (zh) * | 2006-05-08 | 2007-11-14 | 中兴通讯股份有限公司 | 用于自适应功率放大器的径向基神经网络预失真方法 |
| US20100141257A1 (en) * | 2007-05-04 | 2010-06-10 | Koninklijke Philips Electronics N.V. | Rf transmitter with digital feedback for mri |
| CN101110571A (zh) * | 2007-08-30 | 2008-01-23 | 京信通信***（中国）有限公司 | 数字预失真功率放大器及其实现方法 |
| CN101320960A (zh) * | 2008-07-18 | 2008-12-10 | 东南大学 | 基于模糊神经网络的哈默斯坦模型的功放预失真方法 |
| US8179133B1 (en) * | 2008-08-18 | 2012-05-15 | Hypres, Inc. | High linearity superconducting radio frequency magnetic field detector |
| CN102804596A (zh) * | 2009-06-22 | 2012-11-28 | 高通股份有限公司 | 用于使用预失真和反馈来减缓电路的非线性的方法和设备 |
| CN102082751A (zh) * | 2009-11-27 | 2011-06-01 | 电子科技大学 | 基于改进mlbp的神经网络预失真方法 |
| US20140118066A1 (en) * | 2012-10-31 | 2014-05-01 | Korea Advanced Institute Of Science And Technology | Low-cost digital predistortion apparatus and method using envelope detection feedback |
| US20140254716A1 (en) * | 2013-03-05 | 2014-09-11 | Qualcomm Incorporated | Power Amplifier System Including A Composite Digital Predistorter |
| CN103326973A (zh) * | 2013-07-03 | 2013-09-25 | 苏州工业园区昶辰通信科技有限公司 | 失真特性估算法预失真装置以及方法 |
| CN104811149A (zh) * | 2014-01-28 | 2015-07-29 | 马克西姆综合产品公司 | 使用具有增强模数转换的集成信号分析器的rf功率放大器中的自适应控制的数字预失真 |
| CN105450184A (zh) * | 2014-08-08 | 2016-03-30 | 瑞昱半导体股份有限公司 | 数字预失真电路与方法以及数字预失真训练电路 |
| CN105262447A (zh) * | 2015-11-26 | 2016-01-20 | 中国电子科技集团公司第三十研究所 | 一种功率放大器的预失真方法、装置及射频*** |
| CN105897188A (zh) * | 2016-03-29 | 2016-08-24 | 上海联影医疗科技有限公司 | 功率放大器的非线性校正方法及*** |
| CN205958733U (zh) * | 2016-08-26 | 2017-02-15 | 西门子(深圳)磁共振有限公司 | 射频发射装置及磁共振成像*** |
| CN106603022A (zh) * | 2016-11-10 | 2017-04-26 | 电子科技大学 | 一种短波高线性平衡结构功率放大器 |
| CN209570689U (zh) * | 2019-02-12 | 2019-11-01 | 泰山医学院 | 一种磁共振射频功率放大器装置及磁共振*** |
Non-Patent Citations (4)
| Title |
|---|
| 李环;张羽;祝乐芳;: "一种改进的数字预失真迭代算法", 沈阳理工大学学报, no. 03 * |
| 杨文考, 周尚波, 朱维乐: "OFDM***中的一种自适应预失真器", 电波科学学报, no. 02 * |
| 袁子龙;张照喜;邱建峰;陈迢;刘涛;刘玉林;: "基于ACR体模的磁共振射频线圈性能的对比", 中国医疗设备, no. 01 * |
| 邓洪敏, 何松柏, 虞厥邦: "基于BP神经网络的功放自适应预失真", 通信学报, no. 11 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020164435A1 (zh) * | 2019-02-12 | 2020-08-20 | 山东第一医科大学(山东省医学科学院) | 一种磁共振射频功率放大器装置及磁共振*** |
| GB2595828A (en) * | 2019-02-12 | 2021-12-08 | Shandong First Medical Univ & Shandong Academy Of Medical Sciences | Magnetic resonance radio frequency power amplifier device and magnetic resonance system |
| GB2595828B (en) * | 2019-02-12 | 2023-02-15 | Shandong First Medical Univ & Shandong Academy Of Medical Sciences | Magnetic resonance radio frequency power amplifier device and magnetic resonance system |
| CN112763952A (zh) * | 2019-11-06 | 2021-05-07 | 西门子(深圳)磁共振有限公司 | 监控磁共振成像设备的射频发射电路的方法与装置 |
| CN112763952B (zh) * | 2019-11-06 | 2023-08-25 | 西门子(深圳)磁共振有限公司 | 监控磁共振成像设备的射频发射电路的方法与装置 |
| CN111324861A (zh) * | 2020-02-28 | 2020-06-23 | 厦门大学 | 一种基于矩阵分解的深度学习磁共振波谱重建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| GB2595828A (en) | 2021-12-08 |
| WO2020164435A1 (zh) | 2020-08-20 |
| CN109683115B (zh) | 2024-05-03 |
| GB202112953D0 (en) | 2021-10-27 |
| ZA202106725B (en) | 2021-10-27 |
| GB2595828B (en) | 2023-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109683115A (zh) | 一种磁共振射频功率放大器装置及磁共振*** | |
| FI107212B (fi) | I/Q-modulaattorin tasajännitesiirtymän korjaus | |
| CN109061581B (zh) | 一种线性调频信号的雷达目标距离精确模拟装置和方法 | |
| CN1076903C (zh) | 高效率线性功率放大 | |
| CN100594669C (zh) | 基于模糊神经网络的哈默斯坦模型的功放预失真方法 | |
| CN104486273B (zh) | 一种自适应直接正交变频调制误差校正方法 | |
| CN107395538B (zh) | 一种频率选择性谐波抑制的数字预失真***及方法 | |
| CN103685109B (zh) | 宽带数字预失真多载波功率放大***及其功放增益均衡装置与方法 | |
| CN206389365U (zh) | 一种多抽头非等功分全双工模拟自干扰消除装置 | |
| CN102437822A (zh) | 一种射频功率放大器自适应数字预失真线性化*** | |
| CN111064439A (zh) | 一种改善短波数字预失真性能的***及方法 | |
| Tripathi et al. | Swish activation based deep neural network predistorter for RF-PA | |
| CN106027073B (zh) | 用于处理依赖接收的射频信号的信号的装置和方法 | |
| CN201947295U (zh) | 基于多通道反馈的数字电视发射机基带线性化装置 | |
| CN114400979A (zh) | 一种改善短波互调和谐波失真的数字预失真的***及方法 | |
| CN114448454A (zh) | 一种可抑制谐波和互调失真的短波发射机 | |
| CN111010095B (zh) | 一种无线通信***的宽带功放线性化处理方法及*** | |
| CN109831231B (zh) | 一种蓝牙基带接收***及其实现方法 | |
| TW201021406A (en) | Distortion correction device and method for power amplifier | |
| CN104301269B (zh) | 等效采样预失真***及其方法 | |
| CN109120285A (zh) | 一种Tetra终端功放线性化的解决方法 | |
| CN104510471A (zh) | 信号处理方法、装置及磁共振*** | |
| CN102647378B (zh) | 预失真装置、预失真方法及发射机/接收机*** | |
| CN110266276A (zh) | 5g超宽带功率放大器低速数字预失真方法 | |
| CN115865124A (zh) | 一种全双工射频自干扰的消除方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |