一种高效的功放自适应预失真器设计

在对高功率放大器(HPA)进行自适应预失真过程中,为提高自适应算法运用的灵活性和自适应的收敛速率,解决幅度自适应预处理过程中对幅度过度压缩而影响功放输出功率和效率的问题,设计出一种高效的HPA自适应预失真器。该方案中幅度、相位预失真器相级联,对幅度预失真器采用间接自适应结构进行训练;相位预失真器直接对功放幅度-相位(AM-PM)特性进行辨识,然后取反得到,AM-PM特性辨识器同时又是相位预失真器,能够提高HPA自适应预失真过程中自适应算法运用的灵活性和自适应收敛速率;幅度预失真器基于正弦函数系模型,自适应预失真过程可以同时兼顾功放效率、输出功率和线性度3项重要指标。最后以M-QAM和双音信号为例进行仿真测试,验证了该方法的优势。     

OFDM系统非线性失真自适应补偿技术

提出了一种将部分传输序列与递归最小二乘法相结合的OFDM非线性失真自适应补偿技术。利用部分传输序列降低OFDM信号的峰均比;使用递归最小二乘法拟合高功率放大器的幅度/幅度和幅度/相位特性曲线,对OFDM信号进行预失真处理,以补偿系统的非线性失真。仿真结果表明,所提出的方法收敛速度快,能对高功率放大器引入的非线性失真进行有效的补偿。     

基于BP神经网络的透明转发卫星功放预失真

研究卫星通信功放性能优化问题,传统的预失真技术通常用来补偿地面功放的非线性失真或仅考虑卫星功放的失真补偿,线性化性能有限.为解决上述问题,提出了一种适合透明转发卫星的星地一体BP神经网络预失真算法.改进算法的学习结构同时考虑了卫星地球站固态功放和透明转发卫星功放的记忆非线性特性,利用带抽头延迟的BP神经网络作为预失真器,并结合收敛速度较快的Levenberg-Marquardt算法对其权值和阈值矢量进行自适应更新.仿真结果表明,经过神经网络预失真的星座图误差矢量幅度改善了84.67％,输出信号功率谱带外再生抑制提升近了13 dB,线性化效果十分显著.     

基于数字预失真技术的有记忆功放线性化研究

现代通信系统中,具有较大峰均比和带宽的线性调制信号经过大功率功放会产生非线性失真和记忆效应.针对高峰均比的宽带输入信号,提出一套联合峰均比抑制技术和基带自适应预失真技术来改善功放非线性失真的可行方案.并仿真了峰值抵消算法和自适应预失真算法,结果表明对于峰均比为7.6dB的输入信号,经过1dB的削峰处理后,预失真器改善带外频谱抑制25dB左右,有效的补偿了功放的非线性失真和记忆效应,提高了功放效率,对功放线性化技术有一定的实用价值.     

数字基带自适应预失真算法设计及仿真实现

从算法的递归方式、收敛速度和三阶互调失真改善效果方面考虑,对各种自适应算法做了详细的分析,完成了数字基带自适应预失真算法的设计。Matlab仿真结果表明,以自适应预失真算法为核心的数字基带预失真功放较线性化之前三阶互调失真改善12dB。     

基于自适应扩展卡尔曼滤波与神经网络的HPA预失真算法

针对强记忆功放的非线性问题,提出一种基于自适应扩展卡尔曼滤波与神经网络的高功放(High power amplifier, HPA)预失真算法.采用实数固定延时神经网络(Real-valued focused time-delay neural network, RVFTDNN)对间接学习结构预失真系统中的预失真器和逆估计器进行建模,扩展卡尔曼滤波(Extended Kalman filter, EKF)算法训练神经网络,从理论上指出Levenberg-Marquardt(LM)算法是EKF算法的特殊情况,并用李亚普诺夫稳定性理论分析EKF算法的稳定收敛条件,推导出测量误差矩阵的自适应迭代公式.结果表明:自适应EKF算法的训练误差和泛化误差均比LM算法更低,预失真后的邻道功率比(Adjacent channel power ratio, ACPR)比LM算法改善了2dB.     

自适应宽带数字预失真理论分析和仿真

研究优化宽带性能问题,在多载波调制系统中,具有较大峰均比的宽带线性调制信号经过射频功率放大器会产生非线性失真和记忆效应.为了消除功放非线性带来的影响,提出了宽带自适应数字预失真技术,采用间接学习结构设计预失真系统,记忆多项式模型进行功放辨识,并运用递推最小二乘算法更新预失真器参数.仿真结果表明,预失真器改善带外频谱抑制25dB左右,有效地补偿了功放的非线性失真和记忆效应,提高了功放效率,对通信传输质量有了提高,并为优化设计提供了参考.     

一种BP逆模型离线训练自适应预失真方法

为了进一步改善非线性功率放大器系统的线性度,提出了一种基于BP神经网络逆向建模的离线训练自适应预失真方法。利用BP神经网络对功放逆向建模,并将建立好的逆模型参数作为预失真器模型初值。为了提高在初始预失真系统中预失真器的线性化效果及系统自适应进程的速度,在建立自适应预失真系统之前,利用BP逆向模型对预失真器进行离线训练。最后采用直接结构和最小均方（LMS）算法调节神经网络预失真器的权值,以消除放大器非线性的扰动。仿真结果显示,此方案可使邻道互调功率降低约18 dB,而经典的直接—非直接结构只降低了8 dB,表明此预失真方案能够更好地改善功率放大器的线性度。     

基于凸优化的记忆多项式预失真技术

研究高功率放大器自适应预失真的过程中,为了提高自适应算法的收敛度和稳定度,在传统预失真技术的基础上,提出了一项凸优化算法的多项式预失真技术.利用内点算法来解决凸优化问题,避免了传统RLS算法中对自相关矩阵的求逆运算,提高了数值的稳定性,并且降低了运算的复杂性,提高了运算速度且具有良好的收敛精度.最后,以双音信号为例进行仿真,结果表明,改进算法对邻带交调(ACLR)的抑制至少有5dB的改善,证明改进算法的优越性.     

基于直接学习法的一种新预失真器

为了克服宽带信号经过记忆放大器的非线性失真,针对有记忆非线性功放的多项式模型,提出了一种新的基于直接学习法的自适应算法.该算法采用无记忆预失真器的级联扩展,具有横向滤波器结构,与记忆多项式有相似的线性化效果.并且针对信号噪声对自适应算法的扰动和收敛速度慢等缺点,采用归一化LMS算法加以改进.在非线性功放的记忆多项式模型下,通过宽带信号验证了基于直接学习法的记忆型预失真器算法的有效性.