記憶功率放大器預失真技術研究.pdf

1、本文研究了通信系統(tǒng)中記憶非線性功率放大器的預失真線性化技術。采用神經(jīng)網(wǎng)絡和支持向量機對預失真器進行黑箱建模，實現(xiàn)對記憶非線性功率放大器的線性化。 首先綜述了現(xiàn)代通信的發(fā)展趨勢，闡明以記憶非線性為特點的功率放大器線性化技術研究既是現(xiàn)實的需求，又符合現(xiàn)代通信發(fā)展的方向。 針對Wiener型結(jié)構的記憶非線性功率放大器，提出了分離預失真方法，分別對放大器的動態(tài)模塊和非線性模塊求逆，然后構成Hammerstein預失真器，實現(xiàn)對放

2、大器的線性化。該方法由于將復雜系統(tǒng)的辨識問題轉(zhuǎn)化為簡單系統(tǒng)的辨識問題，有利于提高算法的速度和精度。若充分利用已有的簡單系統(tǒng)的高效辨識算法，還可進一步提高分離方法的性能。 采用直接學習結(jié)構對神經(jīng)網(wǎng)絡進行訓練，較之傳統(tǒng)的非直接學習結(jié)構，該方法中用于訓練的輸入樣本統(tǒng)計特性更接近實際應用的輸入信號，因而訓練得到的神經(jīng)網(wǎng)絡預失真器在推廣能力上更有優(yōu)勢，仿真結(jié)果驗證了這一點。 首次將支持向量機用于對預失真器進行“黑箱”建模。分析了局

3、部核函數(shù)、全局核函數(shù)和組合核函數(shù)的特點，仿真比較了選取不同核函數(shù)情況下，支持向量機預失真器的性能，結(jié)果顯示兼具內(nèi)插和外推能力的組合核函數(shù)更適用于對預失真器建模，同神經(jīng)網(wǎng)絡預失真器的仿真對比顯示，支持向量機預失真器的性能更優(yōu)。 Keerthi的改進SMO回歸算法的偏置是由上、下閾值取中得到，因此偏置的準確程度取決于優(yōu)化結(jié)束后的上、下閾值是否滿足優(yōu)化條件。分析了上、下閾值可能不滿足優(yōu)化條件的原因，從回歸問題的原問題出發(fā)，導出了求取偏

4、置的優(yōu)化問題，通過分析偏置的變化范圍，證明了該優(yōu)化問題為一個一維凸函數(shù)的優(yōu)化問題，采用黃金分割算法來解該優(yōu)化問題，使支持向量機預失真器的性能更優(yōu)。 針對回歸問題，提出了SVM的管道壓縮的模型，首先利用大ε不敏感函數(shù)下的回歸函數(shù)來預測小ε不敏感函數(shù)下的支持向量，然后再采用同支持向量相對應的樣本作為訓練樣本，使得問題的規(guī)模降低，達到提高支持向量機預失真器建模速度的目的。 文章的最后，概括了我們對于記憶非線性功率放大器的預失真