神經(jīng)網(wǎng)絡(luò)及其算法在記憶非線性功率放大器數(shù)字預(yù)失真中的應(yīng)用研究.pdf

1、本文主要研究了神經(jīng)網(wǎng)絡(luò)及其算法在記憶非線性高功率放大器(HPA)自適應(yīng)基帶數(shù)字預(yù)失真技術(shù)中的應(yīng)用，所做的主要工作包括： 1.研究了記憶非線性HPA的失真特性。針對寬帶OFDM通信系統(tǒng)中的HPA出現(xiàn)記憶失真這-新特點(diǎn)，著重從數(shù)學(xué)本質(zhì)方面研究了記憶非線性HPA的結(jié)構(gòu)特點(diǎn)以及非線性特性和記憶效應(yīng)的根源、本質(zhì)及其對信號(hào)的影響。理論分析和仿真結(jié)果一致證明記憶效應(yīng)不容忽視，它使AM/AM和AM/PM特性響應(yīng)不再是一條曲線，而變?yōu)橐淮卮艤€

2、，并且加重了HPA的非線性失真。從而，為重點(diǎn)研究的記憶非線性HPA自適應(yīng)基帶預(yù)失真的實(shí)現(xiàn)提供理論依據(jù)和方法指導(dǎo)。 2.對HPA的失真特性建立了兩個(gè)模型。針對記憶非線性HPA的BP神經(jīng)網(wǎng)絡(luò)(BPNN)模型的精度不夠高、泛化能力欠佳的弊端，本文基于帶抽頭延時(shí)的BPNN，研究了HPA的BPNN模型精度和泛化能力與不同歸一化訓(xùn)練數(shù)據(jù)、訓(xùn)練樣本數(shù)目和隱層神經(jīng)元個(gè)數(shù)之間的關(guān)系，并基于此研究結(jié)果，成功地為記憶非線性HPA復(fù)雜的失真特性建立起了

3、帶抽頭延時(shí)的BPNN模型。仿真結(jié)果表明該HPA模型既有理想的精度又有很好的泛化能力，有效地提高了該模型的穩(wěn)定性和實(shí)用性，保證了它在預(yù)失真體系中能發(fā)揮理想作用。另外，無論在無記憶非線性HPA還是在記憶非線性HPA的失真特性中，AM/AM特性都是最主要的失真因素，因而也是HPA預(yù)失真的重中之重，所以本文重點(diǎn)研究了幅度失真特性的建模，并基于幅度失真的數(shù)學(xué)特性提出了一個(gè)有用的解析模型。與兩個(gè)經(jīng)典解析模型相比，該模型更簡單，能大大降低預(yù)失真實(shí)現(xiàn)的

4、復(fù)雜度。然后基于預(yù)失真器的性能指標(biāo)，對該模型進(jìn)行了性能評價(jià)。仿真結(jié)果表明該解析模型實(shí)用性很強(qiáng)，對于OFDM信號(hào)激勵(lì)下的TWT和SSP類HPA的幅度失真特性，它都能在擬合精度和實(shí)現(xiàn)復(fù)雜度之間做到很好的折衷。 3.提出了神經(jīng)網(wǎng)絡(luò)分離預(yù)失真方法，推導(dǎo)了分離預(yù)失真原理，給出了實(shí)現(xiàn)結(jié)構(gòu)和自適應(yīng)算法。針對OFDM系統(tǒng)中的記憶非線性HPA預(yù)失真困難以及預(yù)失真精度不高的問題，本文方法充分考慮了記憶非線性HPA的失真特性及其結(jié)構(gòu)特點(diǎn)，把記憶非線性

5、HPA的預(yù)失真分為三個(gè)模塊來實(shí)施，即抵消記憶效應(yīng)模塊、AM/AM失真矯正模塊和AM/PM失真矯正模塊，并基于神經(jīng)網(wǎng)絡(luò)預(yù)失真器非直接學(xué)習(xí)結(jié)構(gòu)，利用Levenberg-Marquardt BP算法確定各個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)失真器。從而，克服了以往方法中存在的各失真特性預(yù)失真過程之間相互影響，簡化了預(yù)失真器的網(wǎng)絡(luò)結(jié)構(gòu)和自適應(yīng)算法，大大降低了記憶非線性HPA的預(yù)失真難度。仿真結(jié)果表明了本文方法的有效性和優(yōu)越性，不僅成功地解決了復(fù)雜的記憶非線性HPA預(yù)失

6、真問題，而且與文獻(xiàn)方法相比，明顯提高了HPA預(yù)失真精度，進(jìn)一步降低鄰信道互調(diào)功率約10dB，且與理想預(yù)失真效果相距甚小，大大改善了OFDM系統(tǒng)的通信性能，具有重要的理論意義和工程價(jià)值。 4.提出了兩種神經(jīng)網(wǎng)絡(luò)預(yù)失真器改進(jìn)學(xué)習(xí)方法。針對預(yù)失真器非直接學(xué)習(xí)方法中存在的預(yù)失真性能缺陷和直接學(xué)習(xí)方法中存在的龐大計(jì)算復(fù)雜度的弊端，本文提出了兩種改進(jìn)方案，并給出了這兩種神經(jīng)網(wǎng)絡(luò)預(yù)失真器改進(jìn)學(xué)習(xí)方法的結(jié)構(gòu)和自適應(yīng)算法。第一種改進(jìn)方法是基于神經(jīng)

7、網(wǎng)絡(luò)非直接學(xué)習(xí)方法與神經(jīng)網(wǎng)絡(luò)直接學(xué)習(xí)方法的結(jié)合。第二種改進(jìn)方法的核心是利用非線性逆算子的性質(zhì)推導(dǎo)出了神經(jīng)網(wǎng)絡(luò)預(yù)失真器的學(xué)習(xí)結(jié)構(gòu)，并采用一種近似方法簡化了神經(jīng)網(wǎng)絡(luò)預(yù)失真器的自適應(yīng)算法，使得該方法較直接學(xué)習(xí)方法大大降低了計(jì)算復(fù)雜度。仿真實(shí)驗(yàn)及分析一致證明了這兩種改進(jìn)方法的可行性和優(yōu)越性：與神經(jīng)網(wǎng)絡(luò)非直接學(xué)習(xí)方法相比，這兩種改進(jìn)方法都能夠有效地提高幅度預(yù)失真器的精度，進(jìn)一步降低鄰信道功率比約4dB，改善了預(yù)失真效果；與神經(jīng)網(wǎng)絡(luò)直接學(xué)習(xí)方法相比

8、，這兩種改進(jìn)方法都能夠有效地加快幅度預(yù)失真器的訓(xùn)練和收斂速度。且第二種改進(jìn)方法避免了第一種改進(jìn)方法在收斂過程中出現(xiàn)的振蕩現(xiàn)象，進(jìn)一步提高了幅度預(yù)失真器的精度，還大大簡化了幅度預(yù)失真器的自適應(yīng)算法。 5.研究了線性調(diào)頻信號(hào)（LFM)瞬時(shí)頻率估計(jì)問題，給出了利用小波分析理論對LFM信號(hào)進(jìn)行瞬時(shí)頻率估計(jì)時(shí)應(yīng)采用的最優(yōu)小波基，提出了基于Hilbert-Ituang變換(HHT)的LFM信號(hào)瞬時(shí)頻率估計(jì)方法。 首先，針對人們慣用M

9、orlet小波分析LFM信號(hào)這一現(xiàn)象，為了提高LFM信號(hào)瞬時(shí)頻率估計(jì)精度，本文基于對小波函數(shù)特性的分析，研究了基于小波分析的LFM信號(hào)瞬時(shí)頻率估計(jì)中所必須解決的小波基優(yōu)化選擇問題，并給出了最優(yōu)小波基。仿真結(jié)果表明了基于該最優(yōu)小波基估計(jì)出的瞬時(shí)頻率參數(shù)更加準(zhǔn)確，而基于Morlet小波基估計(jì)出的瞬時(shí)頻率參數(shù)誤差較大，為小波分析更有效地應(yīng)用于LFM信號(hào)以及為LFM信號(hào)構(gòu)造出合適的小波基指明了方向。 然后，基于HHT理論，并結(jié)合LFM信

10、號(hào)的瞬時(shí)頻率是關(guān)于時(shí)間的直線這一特點(diǎn)，針對單分量和平行多分量LFM信號(hào)分別提出了基于HHT的瞬時(shí)頻率估計(jì)方法，并采用低通濾波和改進(jìn)最小二乘直線擬合法來抑制HHT固有的邊界效應(yīng)。與以往抑制邊界效應(yīng)的方法相比，本方法選擇余地大、更加簡單易行，而且能更加有效地降低邊界效應(yīng)對LFM信號(hào)瞬時(shí)頻率估計(jì)的不利影響，直接得到更加準(zhǔn)確的瞬時(shí)頻率參數(shù)估計(jì)值。仿真結(jié)果表明了本方法的有效性和優(yōu)越性；利用本文提出的基于HHT的單分量LFM信號(hào)瞬時(shí)頻率估計(jì)方法比利