記憶功率放大器預(yù)失真技術(shù)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(yù)失真線性化技術(shù)。采用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)對(duì)預(yù)失真器進(jìn)行黑箱建模，實(shí)現(xiàn)對(duì)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(shì)，闡明以記憶非線性為特點(diǎn)的功率放大器線性化技術(shù)研究既是現(xiàn)實(shí)的需求，又符合現(xiàn)代通信發(fā)展的方向。 針對(duì)Wiener型結(jié)構(gòu)的記憶非線性功率放大器，提出了分離預(yù)失真方法，分別對(duì)放大器的動(dòng)態(tài)模塊和非線性模塊求逆，然后構(gòu)成Hammerstein預(yù)失真器，實(shí)現(xiàn)對(duì)放

2、大器的線性化。該方法由于將復(fù)雜系統(tǒng)的辨識(shí)問(wèn)題轉(zhuǎn)化為簡(jiǎn)單系統(tǒng)的辨識(shí)問(wèn)題，有利于提高算法的速度和精度。若充分利用已有的簡(jiǎn)單系統(tǒng)的高效辨識(shí)算法，還可進(jìn)一步提高分離方法的性能。 采用直接學(xué)習(xí)結(jié)構(gòu)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，較之傳統(tǒng)的非直接學(xué)習(xí)結(jié)構(gòu)，該方法中用于訓(xùn)練的輸入樣本統(tǒng)計(jì)特性更接近實(shí)際應(yīng)用的輸入信號(hào)，因而訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)預(yù)失真器在推廣能力上更有優(yōu)勢(shì)，仿真結(jié)果驗(yàn)證了這一點(diǎn)。 首次將支持向量機(jī)用于對(duì)預(yù)失真器進(jìn)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(diǎn)，仿真比較了選取不同核函數(shù)情況下，支持向量機(jī)預(yù)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(duì)預(yù)失真器建模，同神經(jīng)網(wǎng)絡(luò)預(yù)失真器的仿真對(duì)比顯示，支持向量機(jī)預(yù)失真器的性能更優(yōu)。 Keerthi的改進(jìn)SMO回歸算法的偏置是由上、下閾值取中得到，因此偏置的準(zhǔn)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(wèn)題的原問(wèn)題出發(fā)，導(dǎo)出了求取偏

4、置的優(yōu)化問(wèn)題，通過(guò)分析偏置的變化范圍，證明了該優(yōu)化問(wèn)題為一個(gè)一維凸函數(shù)的優(yōu)化問(wèn)題，采用黃金分割算法來(lái)解該優(yōu)化問(wèn)題，使支持向量機(jī)預(yù)失真器的性能更優(yōu)。 針對(duì)回歸問(wèn)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(lái)預(yù)測(cè)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(duì)應(yīng)的樣本作為訓(xùn)練樣本，使得問(wèn)題的規(guī)模降低，達(dá)到提高支持向量機(jī)預(yù)失真器建模速度的目的。 文章的最后，概括了我們對(duì)于記憶非線性功率放大器的預(yù)失真