记忆功率放大器预失真技术研究

论文摘要

本文研究了通信系统中记忆非线性功率放大器的预失真线性化技术。采用神经网络和支持向量机对预失真器进行黑箱建模,实现对记忆非线性功率放大器的线性化。首先综述了现代通信的发展趋势,阐明以记忆非线性为特点的功率放大器线性化技术研究既是现实的需求,又符合现代通信发展的方向。针对Wiener型结构的记忆非线性功率放大器,提出了分离预失真方法,分别对放大器的动态模块和非线性模块求逆,然后构成Hammerstein预失真器,实现对放大器的线性化。该方法由于将复杂系统的辨识问题转化为简单系统的辨识问题,有利于提高算法的速度和精度。若充分利用已有的简单系统的高效辨识算法,还可进一步提高分离方法的性能。采用直接学习结构对神经网络进行训练,较之传统的非直接学习结构,该方法中用于训练的输入样本统计特性更接近实际应用的输入信号,因而训练得到的神经网络预失真器在推广能力上更有优势,仿真结果验证了这一点。首次将支持向量机用于对预失真器进行“黑箱”建模。分析了局部核函数、全局核函数和组合核函数的特点,仿真比较了选取不同核函数情况下,支持向量机预失真器的性能,结果显示兼具内插和外推能力的组合核函数更适用于对预失真器建模,同神经网络预失真器的仿真对比显示,支持向量机预失真器的性能更优。Keerthi的改进SMO回归算法的偏置是由上、下阈值取中得到,因此偏置的准确程度取决于优化结束后的上、下阈值是否满足优化条件。分析了上、下阈值可能不满足优化条件的原因,从回归问题的原问题出发,导出了求取偏置的优化问题,通过分析偏置的变化范围,证明了该优化问题为一个一维凸函数的优化问题,采用黄金分割算法来解该优化问题,使支持向量机预失真器的性能更优。针对回归问题,提出了SVM的管道压缩的模型,首先利用大ε不敏感函数下的回归函数来预测小ε不敏感函数下的支持向量,然后再采用同支持向量相对应的样本作为训练样本,使得问题的规模降低,达到提高支持向量机预失真器建模速度的目的。文章的最后,概括了我们对于记忆非线性功率放大器的预失真技术所做的工作,并展望了下一步的研究方向和重点。

论文目录

• 摘要
• Abstract
• 第1章 引言
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.3 本文的研究内容和主要工作
• 第2章 功率放大器的记忆非线性及模型
• 2.1 功率放大器的非线性
• 2.2 功率放大器的记忆性
• 2.2.1 电子记忆效应
• 2.2.2 电热记忆效应
• 2.3 记忆非线性功率放大器带通模型
• 2.4 记忆非线性功率放大器基带模型
• 2.4.1 伏特拉级数模型
• 2.4.2 记忆多项式模型
• 2.4.3 稀疏延时的记忆多项式模型
• 2.4.4 非线性抽头延时模型
• 2.4.5 多盒模型
• 2.4.6 神经网络模型
• 2.5 小结
• 第3章 功率放大器的线性化技术
• 3.1 反馈法
• 3.1.1 笛卡尔调制反馈
• 3.1.2 极坐标调制反馈
• 3.2 前馈法
• 3.3 预失真法
• 3.3.1 基于查询表的基带预失真技术
• 3.3.2 基于特定非线性函数的基带预失真技术
• 3.3.3 基于神经网络的基带预失真技术
• 3.4 小结
• 第4章 Wiener结构功率放大器的分离预失真方法
• 4.1 Wiener系统及其预失真结构
• 4.2 分离原理
• 4.3 分离预失真方法
• 4.4 预失真器中各参数的最陡下降辩识算法
• 4.5 仿真
• 4.6 小结
• 第5章 基于神经网络的预失真方法
• 5.1 神经网络的基本原理
• 5.1.1 神经元模型
• 5.1.2 神经元学习规则
• 5.1.3 神经网络常见结构
• 5.1.4 BP网的误差反向传播算法
• 5.2 基于神经网络的预失真器建模
• 5.3 直接和非直接学习结构比较
• 5.3.1 训练样本质量对神经网络性能的影响
• 5.3.2 直接和非直接学习结构
• 5.3.3 两种结构下的训练样本质量分析
• 5.4 直接学习结构下反向传播算法的实现
• 5.5 仿真实例
• 5.5.1 训练误差相同时,测试误差比较
• 5.5.2 学习曲线比较
• 5.5.3 功率谱比较
• 5.6 小结
• 第6章 基于支持向量机的预失真方法
• 6.1 支持向量机概述
• 6.1.1 分类问题
• 6.1.2 用于回归函数估计的支持向量机
• 6.1.3 支持向量机的回归算法
• 6.2 支持向量机预失真器建模
• 6.2.1 记忆非线性放大器模型及参数
• 6.2.2 支持向量机预失真器建模
• 6.2.3 支持向量机预失真器的训练方法
• 6.3 核函数分类及特点
• 6.3.1 局部核函数和全局核函数
• 6.3.2 组合核函数及其归一化
• 6.3.3 径向基、多项式和组合核函数的性能比较
• 6.4 仿真实例
• 6.4.1 基于组合核函数的支持向量机预失真器性能
• 6.4.2 支持向量机预失真器与神经网络预失真器的EVM比较
• 6.5 小结
• 第7章 基于SMO算法偏置改进的预失真方法
• 7.1 一种快速的支持向量机算法——SMO
• 7.2 Keerthi的改进SMO算法
• 7.3 偏置计算的改进
• 7.3.1 Keerthi的SMO算法偏置计算中存在的问题
• 7.3.2 偏置优化的一维凸性证明
• 7.4 仿真算例
• 7.4.1 新算法正确性验证
• 7.4.2 新算法在预失真器建模中的应用
• 7.5 仿真实例
• 7.6 小结
• 第8章 基于支持向量机管道压缩模型的预失真方法
• 8.1 支持向量机快速算法的研究概况
• 8.2 管道压缩模型
• 8.2.1 样本提取的基本原理
• 8.2.2 管道压缩模型的提出及描述
• 8.2.3 改进算法
• 8.3 仿真算例
• 8.3.1 boston housing数据集
• 8.3.2 记忆功率放大器模型的预失真
• 8.4 仿真实例
• 8.5 小结
• 结论
• 1 本文的主要结论
• 2 今后工作的展望
• 致谢
• 参考文献
• 攻读博士学位期间发表的论文
• 攻读博士学位期间参与的科研项目