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。     

预抽取支持向量机的支持向量

训练支持向量机,可以归结为求解二次规划问题,而求解二次规划时的复杂度随着样本数量的增加而显著增长,这样就大大延长了支持向量机的训练时间。为了提高支持向量机的训练速度,根据支持向量机的基本原理,该文提出了一种从给定训练样本中预抽取支持向量的新方法,即两凸包相对边界向量方法(FFEVM),此方法大幅度减小了训练支持向量机的训练样本的数量,从而大大提高了支持向量的训练速度,而支持向量机的分类能力不受任何影响。     

基于支持向量预选取的支持向量域故障预报

针对两种支持向量域模型分别分析了支持向量的分布特性,在此基础上从训练集中选取具有一定几何特征的向量构建预测模型.这些特征向量的预选取在不影响支持向量域的故障预报能力的前提下,大大减少了训练样本,提高了支持向量域的训练效率.仿真实验表明了该方法的有效性和可行性.     

基于改进支持向量机的货币识别研究

首先,预抽取支持向量以减少训练样本数量,大大缩减训练时间;然后,用缩减后的样本对改进后的分类支持向量机进行货币识别.改进后的支持向量机不仅把目标函数惩罚项模糊化,而且还对分类情况进行了加权补偿.实验仿真结果表明:此方法避免了神经网络的"过拟合"问题,而且比改进后BP、LVQ和GMM模型等方法的识别率都有所提高,当训练样本数达到100时,识别率高达99-06%.     

支持向量机研究进展

基于统计学习理论的支持向量机((Support vector machines, SVM)以其优秀的学习能力受到广泛的关注。但传统支持向量机在处理大规模二次规划问题时会出现训练时间长、效率低下等问题。对SVM训练算法的最新研究成果进行了综述,对主要算法进行了比较深入的分析和比较,指出了各自的优点及其存在的问题,并且着重介绍了目前研究的新进展—模糊SVM和粒度SVM。接着论述了SVM主要的两方面应用—分类和回归。最后给出了今后SVM研究方向的预见。     

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。     

粗糙支持向量机

支持向量机(SVM)是一种重要的数据机器学习工具,其有效性依赖于对数据信息获取的准确性.以往的支持向量机模型都没有考虑到数据等价类信息.为此,基于粗糙集理论和支持向量机思想,提出了一种新的支持向量机模型--粗糙支持向量机(RSVM).采用UCI机器学习数据库中的数据做对比实验,结果表明RSVM比传统支持向量机(SVM)和模糊支持向量机(FSVM)都有较高的测试精度.     

宽带RF功率放大器的预失真线性化技术综述

随着无线需求和无线业务的不断增加,传输信号必将不断向高速率宽带宽发展。在宽带应用中,由于传输信号带宽增加,RF功率放大器不同于窄带输入下的无记忆特性,将表现出与频率有关的记忆非线性特性。针对宽带功率放大器线性化的记忆预失真技术成为当前研究的一个热点,综述了宽带RF功率放大器的预失真线性化技术的研究进展,详细介绍和分析了目前最主要的几种记忆预失真器的模型和对应的自适应预失真方案,最后给出了今后的研究方向。     

模拟预失真射频功率放大器设计

本文介绍了一种WCDMA频段模拟预失真功率放大器的设计。在设计中采用预失真技术对幅度一幅度（AM—AM）和幅度一相位（AM—PM）曲线进行校正,以补偿功率放大器的非线性失真。实现了在输出功率为39dBm时信号带宽内偏离第一个5MHz信道的ACPR值优于-53dB。     

欠采样方法在预失真线性化技术中的应用

针对经功放输出后反馈回的信号频谱带宽较宽,对采样率要求较高的问题,提出一种基于欠采样方法的预失真线性化技术,使系统最低能以两倍输入信号带宽的采样率采样反馈信号,但却不影响对功放非线性参数的识别,且能达到与过采样方式相同的线性化性能,降低了数字基带预失真系统设计和实现的难度。仿真结果表明该方法是可行的,且能达到满意的线性化效果,该结论在工程实际应用中具有重要意义。     

基于偏最小二乘的支持向量机多分类方法

该文提出了一种基于偏最小二乘（PLS）的支持向量机（SVM）多分类方法,该算法利用偏最小二乘思想对样本进行预处理,消除了样本属性之间的相关性,而且得到的综合属性与类信息的相关程度达到最大。通过实验可以看出,该方法不仅可以减少用支持向量机进行分类过程中的支持向量数目,而且当样本属性较多时,可以提高一定的识别率。     

功率放大器记忆效应分析及有记忆预失真技术

功率放大器是无线通信系统的重要组成部分,然而功率放大器固有的非线性特性和记忆效应导致信号产生严重的失真。目前大多数文献都集中于无记忆功放线性化研究,随着OFDM等宽带无线通信技术的兴起,功放的记忆效应对信号的影响愈加显著。本文从功放记忆效应产生的原因入手,利用双音输入信号对其进行了理论推导和分析,阐述了记忆效应对功放输入信号的严重影响。基于此,本文重点探讨了功放的有记忆预失真技术,对国内外功放有记忆预失真技术进行了综述。     

基于动态有理函数的功放模型及预失真应用

针对现代无线通信系统中射频功率放大器的非线性与记忆效应,提出一种新的低复杂度的动态有理函数模型,该模型简化了有理函数模型,通过两个多项式的比进行建模,但分子是包络记忆多项式的形式,分母由无记忆多项式构成.通过模型仿真和预失真应用系统验证,结果表明:与记忆多项式模型相比,动态有理函数模型所需的系数要少30.6％,模型精度却与其相近,邻信道功率比(ACPR)改善约20 dB,而与有理函数模型相比,所需系数要少21.9％,模型精度改善2.4 dB,ACPR改善约15 dB.由此证明了该模型在复杂度和精确度上的优越性,对功放预失真的研究具有重要的参考价值.     

功率放大器非线性特性及预失真

建立了无记忆的功放的非线性模型,分析功率放大器的非线性特性、产生失真的情况及误差。设计无记忆的预失真系统,用于抵消因功放造成的非线性干扰,并实现从输入到输出的线性化。基于距离本抽样值较远的不同间隔的几个抽样值来收集功放记忆效应,建立具有稀疏延迟抽头的有记忆的功放非线性模型。改进Volterra级数预失真模型,辨识多项式、建立相应的辨识模型,采用间接地辨识方法进行预失真模型的设计,并通过MATLAB建模仿真,验证设计模型的有效性。     

基于模糊集和支持向量机的文本流派分类方法

针对目前流派分类技术分类性能不够好的问题,将支持向量机和模糊集理论的优点结合起来,提出了一种基于模糊集和支持向量机的文本流派分类方法。并以电影评论作为数据集,比较和分析了该方法在不同文本特征生成方法、不同特征数目下的分类效果,并与SVM方法进行了比较,实验结果表明其微平均查准率要优于SVM方法。理论和实验都证明了提出的方法可以取得较好的分类性能。     

基于模糊支持向量机的网络入侵检测

针对目前入侵检测算法存在的分类精度或者效率不高的问题,提出了改进的Relief特征提取算法和基于模糊支持向量机的入侵分类算法.通过对NSL_DATA数据集的预处理和主动学习模式,降低了最小二乘支持向量机的二次线性规划问题求解的复杂度.采用决策树的分类模式,提高了数据样本的检测效率和分类精度.     

Projection Support Vector Machine Generators

Large-scale Support Vector Machine (SVM) classification is a very active research line in data mining. In recent years, several efficient SVM generation algorithms based on quadratic problems have been proposed, including: Successive OverRelaxation (SOR), Active Support Vector Machines (ASVM) and Lagrangian Support Vector Machines (LSVM). These algorithms have been used to solve classification problems with millions of points. ASVM is perhaps the fastest among them. This paper compares a new projection-based SVM algorithm with ASVM on a selection of real and synthetic data sets. The new algorithm seems competitive in terms of speed and testing accuracy.