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。     

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。     

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.     

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。     

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。     

基于BP神经网络的透明转发卫星功放预失真

研究卫星通信功放性能优化问题,传统的预失真技术通常用来补偿地面功放的非线性失真或仅考虑卫星功放的失真补偿,线性化性能有限.为解决上述问题,提出了一种适合透明转发卫星的星地一体BP神经网络预失真算法.改进算法的学习结构同时考虑了卫星地球站固态功放和透明转发卫星功放的记忆非线性特性,利用带抽头延迟的BP神经网络作为预失真器,并结合收敛速度较快的Levenberg-Marquardt算法对其权值和阈值矢量进行自适应更新.仿真结果表明,经过神经网络预失真的星座图误差矢量幅度改善了84.67％,输出信号功率谱带外再生抑制提升近了13 dB,线性化效果十分显著.     

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。     

基于面向对象自适应粒子群算法的神经网络训练*

针对传统的神经网络训练算法收敛速度慢和泛化性能低的缺陷,提出一种新的基于面向对象的自适应粒子群优化算法(OAPSO)用于神经网络的训练。该算法通过改进PSO的编码方式和自适应搜索策略以提高网络的训练速度与泛化性能,并结合Iris和Ionosphere分类数据集进行测试。实验结果表明：基于OAPSO算法训练的神经网络在分类准确率上明显优于BP算法及标准PSO算法,极大地提高了网络泛化能力和优化效果,具有快速全局收敛的性能。     

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.     

带记忆效应的射频功放数字基带预失真

在无线通信系统中，射频大功率器是产生非线性失真的主要器件，预失真技术因其成本低廉、自适应能力强、效率高等优势成为最有发展潜力的线性化技术。本文介绍了射频功放的记忆效应及用于识别HPA记忆效应的数字预失真器的结构和特点,提出了基于Wiener模型预失真器的相关算法。通过计算机仿真验证了该算法的有效性以及基于Wiener模型的数字预失真技术能够有效改善记忆功放的线性化，从而提高发射机的整体性能。     

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。     

模块化模型功率放大器的自适应预失真

为补偿正交频分复用（OFDM）通信系统中由记忆高功率放大器（HPA）引起的失真,提出了一种自适应数字预失真方法。对Wiener、Hammerstein和Wiener-Hammerstein模块化模型的HPA各自构成了一个有记忆自适应预失真器。仿真结果表明,利用模块化模型能快速、简便地实现记忆放大器的线性化,而且具有满意的性能。     

基于Spark框架和PSO优化算法的电力通信网络安全态势预测

随着电力通信网络规模的不断扩大,电力通信网络不间断地产生海量通信数据。同时,对通信网络的攻击手段也在不断进化,给电力通信网络的安全造成极大威胁。针对以上问题,结合Spark大数据计算框架和PSO优化神经网络算法的优点,提出基于Spark内存计算框架的并行PSO优化神经网络算法对电力通信网络的安全态势进行预测。本研究首先引入Spark计算框架,Spark框架具有内存计算以及准实时处理的特点,符合电力通信大数据处理的要求。然后提出PSO优化算法对神经网络的权值进行修正,以增加神经网络的学习效率和准确性。之后结合RDD的并行特点,提出了一种并行PSO优化神经网络算法。最后通过实验比较可以看出,基于Spark框架的PSO优化神经网络算法的准确度高,且相较于传统基于Hadoop的预测方法在处理速度上有显著提高。     

二阶微粒群优化神经网络的混沌系统辨识方法

针对BP神经网络在学习算法中的不足,将BP神经网络的权值和阀值训练问题转换为优化问题,提出一种利用二阶微粒群算法优化的神经网络的算法。其次,运用基于二阶微粒群算法训练的神经网络模型对混沌系统进行辨识,并与传统的BP神经网络、RBF网络对同一混沌系统辨识的结果进行比较。实验表明,利用二阶微粒群优化算法训练神经网络进行混沌系统辨识,辨识的效果优于其它几种神经网络模型,可有效用于混沌系统的辨识。     

粒子群优化神经网络在动态手势识别中的应用

为了提高动态手势学习训练速度和识别准确率,本文提出一种基于粒子群优化BP神经网络的动态手势识别方法。首先基于自然人机交互需要,定义一套基于机器视觉的动态手势模型;在获取指尖运动轨迹的基础上,提取动态手势的特征向量作为神经网络的输入;利用改进的PSO算法训练BP神经网络,得到神经网络的权值和阈值;最后利用训练过的神经网络识别基于机器视觉的动态手势。测试结果表明:改进的PSO算法能够提高神经网络训练速度和精度,进而提高动态手势识别准确率。     

一种改进PSO优化RBF神经网络的新方法

为了克服神经网络模型结构和参数难以设置的缺点,提出了一种改进粒子群优化的径向基函数(RBF)神经网络的新方法.首先将最近邻聚类用于RBF神经网络隐层中心向量的确定,同时对引入适应度值择优选取的原则对基本粒子群算法进行改进,采用改进粒子群(IMPSO)算法对最近邻聚类的聚类半径进行优化,合理的确定了RBF神经网络的隐层结构.将改进PSO优化的RBF神经网络应用于非线性函数逼近和混沌时间序列预测,经实验仿真验证.与基本粒子群(PSO)算法,收缩因子粒子群(CFA PSO)算法优化的RBF神经网络相比较,其在识别精度和收敛速度上都有了显著的提高.