基于改进型径向基函数网络的功放非线性建模

针对功率放大器(PA)的非线性建模,提出了改进型径向基函数神经网络(RBFNN)模型。首先,在该模型的输入端加入延迟交叉项和输出反馈项,利用正交最小二乘法提取模型的权值以及隐含层的中心;然后,采用15MHz带宽的宽带码分多址（WCDMA）三载波信号对Doherty功放进行测试,其归一化均方误差(NMSE)可以达到-45dB;最后,通过逆F类功放对模型的普遍适用性进行验证。仿真结果表明,该模型能够更加真实地拟合功率放大器的特性。     

基于改进型径向基函数神经网络的功放线性化

提出了一种基于改进型径向基函数神经网络(MRBFNN)的数字预失真线性化模型,用于更为精确地矫正宽带射频功率放大器的动态非线性。该神经网络模型的输入层使用传统的延时抽头以补偿功放的线性记忆效应,同时对每个抽头进行级数展开用于补偿功放的非线性记忆效应,从而更好地抑制功放的动态非线性失真。文中使用WCDMA 三载波信号对一个460MHz 的Doherty 功率放大器进行数字预失真线性化实验。实验结果表明,与传统数字预失真线性化模型相比,基于改进型径向基神经网络的数字预失真线性化模型能更好地抑制宽带功放动态非线性引起的带外频谱再生,其三阶互调(IMD3)失真最多可以抑制23dB,大大提高了功放的线性度,验证了所提出的数字预失真线性化模型的有效性。