功放非线性特性及预失真模型研究

针对功率放大器的非线性特性问题进行研究,分别根据无记忆和有记忆两种类型的功放特性曲线用最小二乘法拟合出功放模型,根据线性化原则以及输出幅度限制和功率最大化约束,建立预失真模型.以误差函数和工程可实现性为评价指标,从不同模型中分别选出无记忆和有记忆最优模型.仿真测试表明被选取的多项式预失真模型能够有效的改善功率放大器的非线性具有较好的抗噪性,对工程实践中预失真器的设计具有一定的指导意义.     

自适应宽带数字预失真理论分析和仿真

研究优化宽带性能问题,在多载波调制系统中,具有较大峰均比的宽带线性调制信号经过射频功率放大器会产生非线性失真和记忆效应.为了消除功放非线性带来的影响,提出了宽带自适应数字预失真技术,采用间接学习结构设计预失真系统,记忆多项式模型进行功放辨识,并运用递推最小二乘算法更新预失真器参数.仿真结果表明,预失真器改善带外频谱抑制25dB左右,有效地补偿了功放的非线性失真和记忆效应,提高了功放效率,对通信传输质量有了提高,并为优化设计提供了参考.     

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.     

基于多项式模型的功率放大器非线性特性和预失真分析

信号在功放过程中,会产生非线性失真.因此对信号首先进行预失真处理是改善功放的非线性失真一种重要技术手段.对无记忆和有记忆的功放模型和预失真模型进行建模.利用多项式模型对功放模型进行建模,利用多项式模型和有约束优化问题来对预失真模型进行建模.对于无记忆信号,最终得到一个7次多项式的功放模型和7次多项式的预失真模型,线性化后最大可能的幅度放大倍数为1.83.对于有记忆信号,得到一个次数为5、记忆长度为3的多项式功放模型和次数为5、记忆长度为3的多项式预失真模型,线性化后最大可能的幅度放大倍数为9.48.     

基于直接学习法的一种新预失真器

为了克服宽带信号经过记忆放大器的非线性失真,针对有记忆非线性功放的多项式模型,提出了一种新的基于直接学习法的自适应算法.该算法采用无记忆预失真器的级联扩展,具有横向滤波器结构,与记忆多项式有相似的线性化效果.并且针对信号噪声对自适应算法的扰动和收敛速度慢等缺点,采用归一化LMS算法加以改进.在非线性功放的记忆多项式模型下,通过宽带信号验证了基于直接学习法的记忆型预失真器算法的有效性.     

基于自适应模糊神经网络的功放预失真新方法

针对无线通信系统中记忆非线性功率放大器预失真结构不足和精度不高等问题,提出了一种基于模糊神经网络模型识别的双环学习结构自适应预失真方法。该方法以实数延时模糊神经网络模型为基础,采用改进的简化粒子群优化（Simplified Particle Swarm Optimization,SPSO）算法进行间接学习结构离线训练模糊神经网络来确定模型参数,作为预失真器的初值,再利用最小均方（Least Mean Square,LMS）算法进行直接学习结构在线微调整预失真器参数,拟合功放的非线性和记忆效应。该方法结构简单,收敛速度快且精度高,避免了局部最优。实验结果表明,该方案邻信道功率比经典的双环结构预失真方法约改善7 dB,功放的线性化性能明显提高,由此验证了其可行性。     

功率放大器的线性化研究

在通信系统中,为了达到发射要求,信号要求具有较高的功率,需要通过高功率放大器对信号进行放大.功放非线性属于有源电子器件的固有特性,研究其机理并采取措施改善,具有重要意义.对功放的记忆效应和非线性特性进行分析研究,提出一种多项式预失真优化算法,利用和记忆多项式模型构建放大器的非线性模块,并在放大器模块前采用间接学习结构设计预失真器,利用最小二乘算法原理优化预失真器参数.仿真结果表明,预失真处理后输出信号的相邻信道功率比有较好的改善,接近理想功放线性化放大原则.改进算法使这两个模块的合成总效果可使整体输入-输出特性线性化,输出功率得到了充分利用.     

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BP逆模型离线训练自适应预失真方法

为了进一步改善非线性功率放大器系统的线性度,提出了一种基于BP神经网络逆向建模的离线训练自适应预失真方法。利用BP神经网络对功放逆向建模,并将建立好的逆模型参数作为预失真器模型初值。为了提高在初始预失真系统中预失真器的线性化效果及系统自适应进程的速度,在建立自适应预失真系统之前,利用BP逆向模型对预失真器进行离线训练。最后采用直接结构和最小均方（LMS）算法调节神经网络预失真器的权值,以消除放大器非线性的扰动。仿真结果显示,此方案可使邻道互调功率降低约18 dB,而经典的直接—非直接结构只降低了8 dB,表明此预失真方案能够更好地改善功率放大器的线性度。     

改进算法的峰均比抑制联合预失真技术

研究正交频分复用OFDM(orthogonal frequency division multiplexing)传输系统中高功率放大器HPA(High power amplifier)的自适应预失真方法。为了减少HPA非线性对OFDM传输系统的影响,通过改进的限幅法与自适应预失真技术相结合,降低OFDM信号的峰均比值,扩大HPA的线性化范围,从而补偿功放的非线性特性。提出一种基于变步长的最小均方LMS(Least meansquare)算法,并将其应用到基于记忆多项式模型的数字预失真系统中。仿真结果表明:结合峰均比抑制技术与自适应预失真技术,其性能优于单独使用自适应预失真技术,而且新的算法能有效地改善放大器的非线性特性,带外频谱抑制达到28dB。