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.     

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。     

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.     

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。     

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。     

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.     

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。     

宽带输入下功率放大器非线性特性及预失真建模

构造基于广义非线性自回归滑动平均(NARMA)模型结构预失真器,使用高斯-牛顿算法进行参数计算,构成自适应预失真系统。该系统对功放的记忆效应和非线性失真特性有很好的改善作用,对宽带通信信号的ACPR(相邻信道功率比)等性能指标也有较大改进。     

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.     

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。     

OFDM系统中基带预失真技术研究

本文针对无线OFDM系统中功放非线性的影响,提出了基于基带预失真技术的解决方案.通过计算机仿真考查其对不同功放特性的自适应有效性,结果表明该基带预失真技术对OFDM系统的功放非线性恶化改善明显.     

一种基于QRD—RLS分数倍时延估计的方法

数字预失真技术可以有效的增大功放线性工作区间来提高功放效率。数字预失真做为自适应系统,在直接学习和间接学习架构中都试图使得进入预失真器的信号与从功放耦合的反馈信号的差值趋于最小。因此输入信号和功放反馈信号在时域上必须要严格对齐,从保证预失真器的收敛。但是由于进入预失真器的信号经过处理后,再经由DAC、射频处理链路、反馈射频链路和反馈下变频得到对应的反馈信号,使得两者间存在一定时延差。常见的延时估计法有插值估计法和基于自适应算的估计算法,文章提出的基于QRD—RLS的延时估计方法具有实现简单以及适应性好的特点。     

OFDM系统中基带预失真技术研究

本文针对无线OFDM系统中功放非线性的影响,提出了基于基带预失真技术的解决方案。通过计算机仿真考查其对不同功放特性的自适应有效性,结果表明该基带预失真技术对OFDM系统的功放非线性恶化改善明显。     

宽带GaN功率放大器的建模与预失真

对正交频分复用传输系统中宽带GaN功率放大器的建模与预失真线性化方法进行研究。应用一个带有记忆的多项式模型来建模GaN功率放大器及其逆特性,并通过递推最小二乘法(RLS)辨识模型参数,然后利用预失真间接结构实现了GaN功率放大器的预失真器。最后,仿真验证预失真方法的有效性,结果表明记忆多项式模型可以对GaN功率放大器进行建模并实现线性化。     

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。     

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.     

An adaptive predistorter using modified neural networks combined with a fuzzy controller for nonlinear power amplifiers

In digital radio systems, high data transmission rates require the use of spectrally efficient linear modulation techniques; however, these techniques are generally sensitive to nonlinearity caused by the high-power amplifier (HPA) employed in transmitter systems. The nonlinearity of HPA is potentially responsible for spectral spreading, adjacent channel interference (ACI), and degradation of bit-error rates (BERs). This article proposes an adaptive predistortion scheme to compensate for the HPA's nonlinearity by combining adaptive structure-varying neural networks and a fuzzy controller. Simulations show that this predistortion scheme can very effectively prevent the warping of the signal constellations, thus reducing the system's BER and learning time. © 2003 Wiley Periodicals, Inc. Int J RF and Microwave CAE 14: 15–20, 2004.