記憶非線(xiàn)性功率放大器行為建模及其數(shù)字預(yù)失真.pdf

1、射頻功率放大器本質(zhì)上是非線(xiàn)性器件，當(dāng)應(yīng)用于寬帶通信系統(tǒng)中時(shí)，還會(huì)顯示出明顯的記憶效應(yīng)，功率放大器的記憶非線(xiàn)性效應(yīng)致使發(fā)射信號(hào)發(fā)生失真，降低通信系統(tǒng)的通信質(zhì)量，同時(shí)所引發(fā)的頻譜擴(kuò)展現(xiàn)象還會(huì)對(duì)鄰近信道造成干擾。為了定量地分析、評(píng)估以及降低功率放大器的記憶非線(xiàn)性效應(yīng)對(duì)通信系統(tǒng)造成影響，功率放大器的行為建模和數(shù)字預(yù)失真成為當(dāng)前無(wú)線(xiàn)通信領(lǐng)域中的一個(gè)重要的研究課題。
　　近些年來(lái)，國(guó)內(nèi)外學(xué)者對(duì)記憶非線(xiàn)性功率放大器的行為建模開(kāi)展了大量研究，并取

2、得了豐碩的成果，提出了各種各樣的行為模型及相關(guān)算法，對(duì)解決無(wú)線(xiàn)通信系統(tǒng)當(dāng)中的一些關(guān)鍵性問(wèn)題，推動(dòng)無(wú)線(xiàn)通信系統(tǒng)的快速發(fā)展發(fā)揮了很大作用。然而通信技術(shù)正在以驚人的速度不斷發(fā)展著，使得功率放大器自身結(jié)構(gòu)和外部工作環(huán)境都變得越來(lái)越復(fù)雜，對(duì)功率放大器記憶非線(xiàn)性特性的精確建模也變得越來(lái)越困難，面對(duì)新的應(yīng)用環(huán)境，已有的模型或算法大都存在不同程度的局限，還有進(jìn)一步改善的空間和必要。
　　功率放大器行為建模和數(shù)字預(yù)失真的研究重點(diǎn)主要集中于模型構(gòu)造和

3、算法設(shè)計(jì)兩方面，本文將對(duì)此展開(kāi)進(jìn)一步的研究工作，主要研究?jī)?nèi)容如下。
　　1.提出了一種改進(jìn)的記憶多項(xiàng)式模型及其相應(yīng)的辨識(shí)算法。記憶多項(xiàng)式是一種簡(jiǎn)化的Volterra級(jí)數(shù)模型，只包含Volterra級(jí)數(shù)當(dāng)中的對(duì)角項(xiàng)，對(duì)功率放大器記憶效應(yīng)的建模能力比較有限，為了改善記憶多項(xiàng)式的記憶結(jié)構(gòu)，提升其建模能力，提出了一種新的建模方法，該方法利用遺傳算法從Volterra級(jí)數(shù)當(dāng)中搜索一組最優(yōu)的交叉項(xiàng)組合到記憶多項(xiàng)式模型當(dāng)中，同時(shí)為了降低遺傳算法

4、迭代過(guò)程中對(duì)模型參數(shù)辨識(shí)的計(jì)算量，將模型的構(gòu)造過(guò)程分成兩個(gè)階段，第二階段的參數(shù)辨識(shí)過(guò)程建立在第一階段辨識(shí)的基礎(chǔ)上，避免了對(duì)較大規(guī)模矩陣的求逆問(wèn)題。實(shí)驗(yàn)與仿真結(jié)果表明，在組合了一組交叉項(xiàng)后，記憶多項(xiàng)式的建模性能得到顯著改善。
　　2.針對(duì)基于多項(xiàng)式的功率放大器及其數(shù)字預(yù)失真行為模型存在的數(shù)值不穩(wěn)定問(wèn)題，提出了一個(gè)穩(wěn)健的多項(xiàng)式模型的參數(shù)辨識(shí)算法，該算法基于Tikhonov正則化和矩陣的QR分解，不僅能夠改善參數(shù)辨識(shí)中的數(shù)值穩(wěn)定性問(wèn)題，

5、而且還能有效抑制預(yù)失真后信號(hào)的峰均比擴(kuò)張現(xiàn)象，防止產(chǎn)生過(guò)高的瞬時(shí)信號(hào)峰值功率對(duì)功率放大器造成損害，因而利用該算法構(gòu)造的數(shù)字預(yù)失真模型具有穩(wěn)健的特性。
　　3.提出了一種正交歸一化Hermite多項(xiàng)式基神經(jīng)網(wǎng)絡(luò)模型用于功率放大器的建模和數(shù)字預(yù)失真。該模型以具有優(yōu)良逼近性能的正交歸一化Hermite多項(xiàng)式基函數(shù)作為神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元的激勵(lì)函數(shù)，從而比常規(guī)前饋神經(jīng)網(wǎng)絡(luò)具有更優(yōu)良的逼近能力;接下來(lái)在進(jìn)一步地探討了功率放大器對(duì)不同幅度輸入信

6、號(hào)造成失真的不同機(jī)理的基礎(chǔ)上，應(yīng)用兩組動(dòng)態(tài)模糊權(quán)值把這一失真機(jī)理結(jié)合到所提出的神經(jīng)網(wǎng)絡(luò)模型當(dāng)中，獲取了更為優(yōu)良的功率放大器和數(shù)字預(yù)失真建模性能。
　　4.提出了基于局部模型網(wǎng)絡(luò)的功率放大器行為建模和數(shù)字預(yù)失真方法。該建模方法具有形式簡(jiǎn)單、自適應(yīng)強(qiáng)、應(yīng)用靈活等特點(diǎn)，適用于各種復(fù)雜的建模問(wèn)題。針對(duì)加權(quán)最小二乘辨識(shí)算法無(wú)法得到最優(yōu)模型參數(shù)的問(wèn)題，結(jié)合了全局參數(shù)的更新策略，明顯地提升了模型的建模精確度;在不同的輸入條件下，根據(jù)局部模型對(duì)輸