衛(wèi)星通信功率放大器的預(yù)失真模型研究.pdf

1、隨著通信行業(yè)的不斷發(fā)展，衛(wèi)星通信的重要性日益明顯，可靠性是其最顯著的特點。衛(wèi)星通信系統(tǒng)中的功率放大器對信號質(zhì)量有很大的影響，當(dāng)輸入信號功率過大時，會產(chǎn)生非線性失真，不僅效率低下還會影響相鄰頻域，因此功放的線性化技術(shù)勢在必行。
　　本文著重介紹了數(shù)字預(yù)失真技術(shù)對改善功放非線性失真的重要性，并對預(yù)失真模型進(jìn)行了深入的研究。本文的主要工作與創(chuàng)新點如下:
　　(1)以自適應(yīng)理論為基礎(chǔ)，建立Volterra級數(shù)預(yù)失真系統(tǒng)，使用最小均方

2、算法進(jìn)行參數(shù)提取，信號經(jīng)過預(yù)失真后的鄰道干擾有12dB左右的改善。建立記憶多項式預(yù)失真系統(tǒng)，使用遞歸最小二乘算法進(jìn)行參數(shù)提取，信號經(jīng)過預(yù)失真后的鄰道干擾改善約14dB。
　　(2)重點研究了人工神經(jīng)網(wǎng)絡(luò)類的BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)。建立RBF神經(jīng)網(wǎng)絡(luò)的信號預(yù)測模型，使用K-means聚類的方法得到徑向基中心，并利用LMS算法進(jìn)行權(quán)值的更新，實驗證明在對功放建模時，使用RBF神經(jīng)網(wǎng)絡(luò)比Volterra級數(shù)和記憶多項式具有更高的精

3、確度。通過分析復(fù)數(shù)域函數(shù)的特性，闡述了神經(jīng)網(wǎng)絡(luò)中激勵函數(shù)的局限性，提出了基于BP神經(jīng)網(wǎng)絡(luò)的DUAF結(jié)構(gòu)并建立預(yù)失真系統(tǒng)。仿真結(jié)果表明，信號經(jīng)過預(yù)失真后的鄰道干擾改善約7dB，其預(yù)失真效果驗證了DUAF結(jié)構(gòu)處理復(fù)數(shù)的局限性。
　　(3)重點研究復(fù)數(shù)域的神經(jīng)網(wǎng)絡(luò)模型。建立全連接遞歸神經(jīng)網(wǎng)絡(luò)（FCRNN）預(yù)失真系統(tǒng)，使用RTRL算法進(jìn)行參數(shù)提取。仿真結(jié)果表明，在處理復(fù)數(shù)信號時，F(xiàn)CRNN相比于DUAF結(jié)構(gòu)具有更高的精確度。
　　(

4、4)提出了改進(jìn)的短時記憶遞歸神經(jīng)網(wǎng)絡(luò)（STMRNN）。FCRNN模型的神經(jīng)元反饋信號采用全連接的方式，其模型復(fù)雜度較大，而STMRNN模型將FCRNN模型中的輸出層反饋信號改用短時記憶的方式，在保證精確度的同時能減少模型復(fù)雜度。
　　(5)提出了改進(jìn)的全反饋短時記憶遞歸神經(jīng)網(wǎng)絡(luò)(AFSMRNN)。AFSMRNN模型將STMRNN模型中的隱含層反饋信號改用短時記憶的方式，進(jìn)一步地降低了模型復(fù)雜度，并且能達(dá)到與記憶多項式相同的精確度。