基于数字预失真技术的有记忆功放线性化研究

现代通信系统中,具有较大峰均比和带宽的线性调制信号经过大功率功放会产生非线性失真和记忆效应.针对高峰均比的宽带输入信号,提出一套联合峰均比抑制技术和基带自适应预失真技术来改善功放非线性失真的可行方案.并仿真了峰值抵消算法和自适应预失真算法,结果表明对于峰均比为7.6dB的输入信号,经过1dB的削峰处理后,预失真器改善带外频谱抑制25dB左右,有效的补偿了功放的非线性失真和记忆效应,提高了功放效率,对功放线性化技术有一定的实用价值.     

一种高效的功放自适应预失真器设计

在对高功率放大器(HPA)进行自适应预失真过程中,为提高自适应算法运用的灵活性和自适应的收敛速率,解决幅度自适应预处理过程中对幅度过度压缩而影响功放输出功率和效率的问题,设计出一种高效的HPA自适应预失真器。该方案中幅度、相位预失真器相级联,对幅度预失真器采用间接自适应结构进行训练;相位预失真器直接对功放幅度-相位(AM-PM)特性进行辨识,然后取反得到,AM-PM特性辨识器同时又是相位预失真器,能够提高HPA自适应预失真过程中自适应算法运用的灵活性和自适应收敛速率;幅度预失真器基于正弦函数系模型,自适应预失真过程可以同时兼顾功放效率、输出功率和线性度3项重要指标。最后以M-QAM和双音信号为例进行仿真测试,验证了该方法的优势。     

一种快速的自适应预失真算法

研究了一种快速有效的算法用来加快预失真算法的收敛速度,即线性迭代法。并通过计算机仿真来验证这种方法的有效性和可行性,通过计算机的仿真可以使三阶交调分量抑制大概15个dB。理论分析和仿真结果可以表明,该算法使功率放大器的线性化得到很好的改善。     

记忆非线性功率放大器的高效预失真

记忆非线性放大器的预失真问题一直是预失真技术的难点。通常采用Volterra级数、Hammerstein模型和神经网络等模型的记忆预失真都存在形式复杂、自适应困难的缺点。文章通过增加两个延时环节将基于多项式的无记忆放大器的高效预失真结构推广到有记忆放大器的预失真中,并联合一种简单的带抽头延时的非线性多项式模型作为记忆预失真器模型实现了记忆非线性放大器的快速、高效的线性化。仿真结果表明,利用所提出的预失真方案能快速实现记忆放大器的预失真,而且显著提高了线性化性能。     

一种具有普适性的功放线性化预失真方案

为解决功率放大器的非线性问题,提高功放效率,提出了一种能够应用于多种类型功放的间接结构多项式数字基带预失真方案。采取间接预失真结构规避了功放的辨识过程,选择记忆多项式模型作为预失真器能够线性化多种类型的功放,同时采用改进的抑制牛顿算法减少了参数的迭代次数和运算量。以64QAM信号作为输入,对几种典型的功放模型进行数字预失真处理,通过MATLAB仿真分析预失真前后信号的功率谱变化以及ACPR值的改变,表明该方案能够取得比较理想的预失真效果,同时证明了此预失真方案具有一定的普适性。     

一种改进的自适应预失真方法

在数字电视和移动通信直放站中,功率放大器的特性会随温度,供电电压等因素的变化而变化。为了保证预失真功率放大器稳定工作,预失真系统的自适应性能就显得非常重要。本文介绍一种基带自适应预失真系统,并在传统自适应算法的基础上,提出一种变步长LMS算法,并通过MATLAB构建一个基于该自适应算法的预失真系统。仿真结果表明该算法取得了良好的效果。     

一种宽带OFDM系统中记忆非线性功放的预失真方法*

针对宽带OFDM系统中功放的记忆非线性失真问题,提出一种新的频域预失真方案。该方案在频域建立具有自适应更新的幅度、相位预失真矩阵,对信号幅度和相位分别进行多次预失真处理。为提高自适应预失真收敛速度,提出一种新的预失真矩阵自适应更新算法,即Linear Convergence算法。仿真结果表明,发送信号频谱旁瓣较二维查表法压低6dB。误码率为时,该方法比二维查表法约有2dB的信噪比增益。此外,Linear Convergence更新算法收敛速度比二维查表法中的更新算法提高75%。本文提出的频域预失真方案能够有效提高收敛精度和收敛速度。     

数字基带自适应预失真算法设计及仿真实现

从算法的递归方式、收敛速度和三阶互调失真改善效果方面考虑,对各种自适应算法做了详细的分析,完成了数字基带自适应预失真算法的设计。Matlab仿真结果表明,以自适应预失真算法为核心的数字基带预失真功放较线性化之前三阶互调失真改善12dB。     

基于凸优化的记忆多项式预失真技术

研究高功率放大器自适应预失真的过程中,为了提高自适应算法的收敛度和稳定度,在传统预失真技术的基础上,提出了一项凸优化算法的多项式预失真技术.利用内点算法来解决凸优化问题,避免了传统RLS算法中对自相关矩阵的求逆运算,提高了数值的稳定性,并且降低了运算的复杂性,提高了运算速度且具有良好的收敛精度.最后,以双音信号为例进行仿真,结果表明,改进算法对邻带交调(ACLR)的抑制至少有5dB的改善,证明改进算法的优越性.     

一种宽带OFDM系统放大器的失真消除方法

放大器非线性、记忆性和饱和性失真导致宽带OFDM系统误码率性能和功率效率低.为解决上述问题,文中提出基于多个小动态范围放大器联合放大的放大器动态范围扩展方法,纠正放大器的饱和性失真;同时,提出一种简化滤波查表预失真方法,该方法由一个无记忆预失真器子系统串联一个自适应滤波器子系统构成,能有效的纠正放大器有记忆非线性失真.仿真表明,两种方法的联合使用可以有效的纠正放大器失真带来的影响,提高系统功率效率和误码率性能.     

一种新的双向联想记忆的学习算法

提出了一种新的用于双向联想记忆的学习算法，该算法利用了输入向量各元素之间的关联信息，在联想的过程中，动态地调整权值矩阵，增强了网络适应能力，利用了更多的已知信息，从而提高了网络的性能．     

一种基于自适应高斯过程的基线计算算法

基于自适应高斯过程技术,提出了一种计算网络主动监控中上下基线的新方法,即在满足大型服务器集群对 负载性能告警的设置与屏蔽需求下,利用样本噪音的统计特征,结合样本的数据分布,解决了样本数据的回归预测。 算法首先分析样本历史数据的噪音,通过结合蚁群算法,提出高斯过程的参数自适应机制,最后实现上下基线的计算。 实验结果表明,与其它基线计算算法相比,此算法可以在保证相同准确性的基础上,较大幅度地提高计算效率,保障网 络安全,提升网络性能和用户满意度。     

最大-乘积模糊联想记忆的神经网络学习算法

在模糊系统中,从某种意义上说,乘积关系编码可以比最小关系编码保留更多的信息。提出了最大乘积模糊联想记忆的一种新的神经网络学习算法,并给出了严格的理论证明。该算法能够将多个模糊模式对可靠地编码存储到尽可能少的连接权矩阵中,从而大大地减少存储空间,而且容易实现,并举例验证了它的有效性。     

基于机器学习的英语词汇自适应学习模型

研发一个实现机器学习算法的英语词汇自适应学习模型,该模型记录了学习者对学习内容自我选择的情况,进而反映出学习者的个性差异.同时,作为一种动态建模学习工具,其关键参数是条件概率,用于测量学习者某个认知特征对某种学习内容的适应性关系,因此将该参数称为适应度.学习者每次对一个单词完成学习内容的自我选择,适应度随之更新一次,视...     

前馈功放自适应控制算法性能研究

对应用于射频前馈功率放大器中两种自适应控制算法--功率最小算法与相关性最小算法进行了分析论证和仿真验证,结果表明两种算法是等价的,但前者所需付出的软硬件代价远低于后者,更有利于应用于实际工程中.仿真和实验研究表明,上述算法可使功放的ACPR指标改善15dB.     

基于强化学习的多移动Agent学习算法

结合强化学习技术讨论了单移动Agent学习的过程,然后扩展到多移动Agent学习领域,提出一个多移动Agent学习算法MMAL(MultiMobileAgentLearning)。算法充分考虑了移动Agent学习的特点,使得移动Agent能够在不确定和有冲突目标的上下文中进行决策,解决在学习过程中Agent对移动时机的选择,并且能够大大降低计算代价。目的是使Agent能在随机动态的环境中进行自主、协作的学习。最后,通过仿真试验表明这种学习算法是一种高效、快速的学习方法。     

基于爱因斯坦t-模的模糊联想记忆的学习算法

为神经网络提供有效学习算法是神经网络研究的关键问题。文章利用t-模的伴随蕴涵算子,为基于Max和Tes合成的模糊联想记忆网络Max-TesFAM提供了一种新的学习算法,此处Tes是由爱因斯坦提出的一种t-模算子。从理论上严格证明了,只要Max-TesFAM能完整可靠地存储所给的多个模式对,则该新的学习算法一定能找到使得网络能完整可靠存储这些模式对的所有连接权矩阵的最大者。最后,用实验说明了所提出的学习算法的有效性。     

基于Tri-training的主动学习算法

半监督学习和主动学习都是利用未标记数据,在少量标记数据代价下同时提高监督学习识别性能的有效方法。为此,结合主动学习方法与半监督学习的Tri-training算法,提出一种新的分类算法,通过熵优先采样算法选择主动学习的样本。针对UCI数据集和遥感数据,在不同标记训练样本比例下进行实验,结果表明,该算法在标记样本数较少的情况下能取得较好的效果。将主动学习与Tri-training算法相结合,是提高分类性能和泛化性的有效途径。     

基于PRank算法的主动排序学习算法

针对排序学习中如何选择最值得标注的样本和通过尽可能少的已标注样本训练出较好的排序模型的问题,将主动学习的思想引入排序学习中,提出一种基于排序感知机的主动排序学习算法——Active PRank。基于真实数据集的实验结果表明,该算法在保证排序模型性能的前提下,减少样本的标注量,在同等标注量的条件下,提高排序结果的正确率。     

基于非线性多项式的自适应重构算法

研究实现了一种基于非线性多项式的重构模型,并将该模型与递推最小二乘法(RLS)相结合,实现对跳频序列的动力学系统进行自适应重构。从仿真实验可以看出该重构算法对一般的跳频序列具有较高的重构精度和准确重构率。针对RLS算法复杂度较高的特点,提出了利用多项式参数的数学特性及采用稀疏自适应滤波算法来降低算法复杂度。通过选择适当的门限值,可以在不损失重构精度的前提下尽可能地降低算法复杂度。