记忆非线性功率放大器的神经网络预失真

数字预失真是克服高功率放大器(HPA)非线性失真最有前途的一项技术。早期对预失真技术的研究大多局限于无记忆非线性,但对于宽带应用,放大器的记忆特性明显。该文提出了一种新的有记忆非线性功率放大器的神经网络预失真技术,预失真器利用输入信号的同向和正交分量作为输入,采用带抽头延时的双入双出两层前向神经网络结构,根据非直接学习结构和反向传播算法实现自适应,可同时补偿放大器的记忆失真和非线性失真。仿真结果表明,建议的方案能有效抑制带外谱扩散,降低误码率,实现有记忆非线性HPA的自适应预失真。     

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。     

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。     

可见光通信中LED的非线性后失真补偿技术研究

在可见光通信系统中,发光二极管(Light Emitting Diode,LED)的非线性特性是可见光通信系统存在非线性失真的主要原因。针对可见光通信的LED非线性失真的补偿技术的研究主要分为预失真补偿和后失真补偿技术。由于预失真方法需要在发送端增加一个物理反馈回路,因此这种方法的性价比并不高。与预失真方法相比,后失真方法从接收端对信号进行补偿,不需要额外的反馈回路。现有的后失真方法,如Volterra判决反馈均衡方法、自适应后失真补偿方法以及从频域均衡的角度对系统进行补偿的方法,都在很大程度上减轻了LED的非线性失真问题对可见光通信系统造成的影响。机器学习作为智能化的核心,将其与后失真技术相结合,同样可以在很大程度上减轻LED的非线性失真带来的影响。     

Ku波段星载行波管混合型预失真线性化器的研究

提出了一种改善行波管放大器非线性特性的预失真新方法,采用载波复幂级数法分析了星载行波管的非线性传输特性,提出一种反向复幂级数的预失真线性技术。所提出的预失真器非线性特性由混合型结构实现,包括肖特基二级管、砷化镓场效应管,改善了行波管在Ku波段的幅度-幅度失真特性,线性增益最大增加30dB,对行波管线性化器的后续研究有一定参考和实用价值。     

基于并行演化计算的记忆非线性功率放大器数字预失真研究

自适应数字预失真是克服高功率放大器非线性失真最有前途的一项技术。为提高预失真的效率和效果,引入并行计算平台下的演化计算技术,提出了基于PSO算法预训练神经网络的方法,给出了算法软件实现的基本流程。在所述基础上,采用带抽头延时的双入双出三层前向神经网络结构,根据非直接学习结构和反向传播算法实现自适应,可同时补偿放大器的记忆失真和非线性失真的预失真技术。仿真实验表明,通过与无PSO预训练算法的相比,基于PSO预训练的神经网络训练算法有更好的性能。     

简化的滤波器查找表与神经网络联合预失真方法

针对功率放大器的记忆非线性特性给通信系统带来的失真问题,提出一种改进的滤波器查找表(FLUT)预失真方法.在FLUT方法的基础上,改进FLUT预失真结构及简化自适应更新部分.采用传输窄带序列训练神经网络模型弥补功率放大器的非线性特性,利用二维滤波器码表补偿功放的记忆效应.通过将功率放大器的非线性特性和记忆效应分开处理,降低神经网络模型的计算复杂度.仿真结果表明,改进方法能有效降低系统误码率,抑制带外频谱扩展,减少带内失真,与原FLUT方法相比,对记忆功率放大器有更好的线性化效果.     

一种基于正交多项式的自适应预失真方法

宽带信号未经补偿而通过高功率放大器,会产生有记忆的非线性失真。为了补偿这些失真,介绍了一种基于正交多项式的自适应预失真方法。基于正交化准则,提出正交多项式组的推导方法,并使用该方法得到循环对称复高斯分布下的正交多项式组。采用间接学习结构和递归最小二乘方法对这种基于正交多项式的预失真器系数进行求解,并给出递归最小二乘的迭代公式。最后介绍仿真所采用的两种功放模型,并使用所述的预失真方法对基于OFDM(Orthogonal Frequency Division Multiplexing)系统的预失真性能做了仿真。结果表明,该预失真方法能有效地补偿高功率放大器失真。     

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.     

一种最小二乘／奇异值分解算法

针对预失真技术中存在记忆非线性放大器预失真的问题,分析数字预失真器的结构和常用预失真器的识别算法,对经典最小二乘／奇异值分解（LS／SVD）算法进行改进,以较少资源获得较高性能。仿真结果表明,改进的LS／SVD算法能实现记忆非线性放大器的快速、高效线性化,提高记忆非线性放大器的性能。     

功率放大器非线性特性及预失真

建立了无记忆的功放的非线性模型,分析功率放大器的非线性特性、产生失真的情况及误差。设计无记忆的预失真系统,用于抵消因功放造成的非线性干扰,并实现从输入到输出的线性化。基于距离本抽样值较远的不同间隔的几个抽样值来收集功放记忆效应,建立具有稀疏延迟抽头的有记忆的功放非线性模型。改进Volterra级数预失真模型,辨识多项式、建立相应的辨识模型,采用间接地辨识方法进行预失真模型的设计,并通过MATLAB建模仿真,验证设计模型的有效性。     

一种记忆功率放大器自适应线性化仿真

为了更好地实现有记忆功率放大器高效率而又高线性的工作.对两种常用的描述功率放大器的记忆效应和非线性特征的模型--W-H模型和记忆多项式模型进行了自适应线性化仿真,采用AM/AM和AM/PM失真特性对由于功放特性不理想而引起的放大信号的振幅畸变及相位偏移进行描述,运用自适应预失真处理方法,进行记忆预失真的模拟,并用误差矢量值(EVM)衡量这种自适应预失真方法的效果.仿真结果表明,文中的自适应预失真方法对上述两种记忆功放模型具有较好的线性化效果.     

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.     

F-OFDM系统的功率放大器非线性失真优化设计

针对滤波正交频分复用技术(F-OFDM)中功率放大器的非线性失真问题,设计一种基于反馈项的数字预失真联合波峰因子降低技术的新结构对功率放大器的非线性特性进行补偿.波峰因子降低技术采用部分传输序列和压扩变换的融合算法,最大限度的降低输入信号的峰均比,使功放的工作区域无限接近于饱和区.为优化联合结构提出基于反馈项的短期输出信息的多项式模型应用至数字预失真间接学习结构中.仿真结果表明,新结构能够真实的捕捉到功放的非线性特性和记忆效应,有效地减少带外频谱扩展和非线性失真,缓解功率放大器的幅值和相位失真.     

F-OFDM系统的功率放大器非线性失真优化设计

针对滤波正交频分复用技术(F-OFDM)中功率放大器的非线性失真问题,设计一种基于反馈项的数字预失真联合波峰因子降低技术的新结构对功率放大器的非线性特性进行补偿.波峰因子降低技术采用部分传输序列和压扩变换的融合算法,最大限度的降低输入信号的峰均比,使功放的工作区域无限接近于饱和区.为优化联合结构提出基于反馈项的短期输出信息的多项式模型应用至数字预失真间接学习结构中.仿真结果表明,新结构能够真实的捕捉到功放的非线性特性和记忆效应,有效地减少带外频谱扩展和非线性失真,缓解功率放大器的幅值和相位失真.     

基于QR-RLS算法的预失真模型

讨论一种基于正交递归最小二乘法(QR-RLS)的功率放大器行为模型。该模型采用Gives旋转提高QR-RLS算法的运算效率,能够提升数字预失真模型的系数更新速度,更快地实现数字预失真模型的收敛。测试一个44 dBm的两载波WIMAX功率放大器,并基于测试数据建立动态数字预失真模型。分析结果表明,该模型能校正宽带功率放大器的非线性特性,并快速实时地获得模型参数。     

基于自适应扩展卡尔曼滤波与神经网络的HPA预失真算法

针对强记忆功放的非线性问题,提出一种基于自适应扩展卡尔曼滤波与神经网络的高功放(High power amplifier, HPA)预失真算法.采用实数固定延时神经网络(Real-valued focused time-delay neural network, RVFTDNN)对间接学习结构预失真系统中的预失真器和逆估计器进行建模,扩展卡尔曼滤波(Extended Kalman filter, EKF)算法训练神经网络,从理论上指出Levenberg-Marquardt(LM)算法是EKF算法的特殊情况,并用李亚普诺夫稳定性理论分析EKF算法的稳定收敛条件,推导出测量误差矩阵的自适应迭代公式.结果表明:自适应EKF算法的训练误差和泛化误差均比LM算法更低,预失真后的邻道功率比(Adjacent channel power ratio, ACPR)比LM算法改善了2dB.     

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。     

功放的数字基带预失真系统研究与仿真

为了克服功率放大器的非线性失真和满足制定的功率谱密度要求,数字基带预失真技术以其良好的线性度、宽带宽、高效率和全自适应性等优点成为解决功率放大器非线性失真的问题.文中在详细地分析数字基带预失真系统原理和单位延迟抽头多项式模型的基础上,提出了具有记忆效应的数字基带预失真电路,并在ADS环境中实现了系统级仿真.仿真结果表明,系统对功率谱密度的改善最大能达到30dBm,具有很好的预失真效果.故构建的系统级仿真电路对实际的数字预失真系统设计起着重要的指导作用.