论文部分内容阅读
随着通信行业的不断发展,卫星通信的重要性日益明显,可靠性是其最显著的特点。卫星通信系统中的功率放大器对信号质量有很大的影响,当输入信号功率过大时,会产生非线性失真,不仅效率低下还会影响相邻频域,因此功放的线性化技术势在必行。本文着重介绍了数字预失真技术对改善功放非线性失真的重要性,并对预失真模型进行了深入的研究。本文的主要工作与创新点如下:(1)以自适应理论为基础,建立Volterra级数预失真系统,使用最小均方算法进行参数提取,信号经过预失真后的邻道干扰有12dB左右的改善。建立记忆多项式预失真系统,使用递归最小二乘算法进行参数提取,信号经过预失真后的邻道干扰改善约14dB。(2)重点研究了人工神经网络类的BP神经网络和RBF神经网络。建立RBF神经网络的信号预测模型,使用K-means聚类的方法得到径向基中心,并利用LMS算法进行权值的更新,实验证明在对功放建模时,使用RBF神经网络比Volterra级数和记忆多项式具有更高的精确度。通过分析复数域函数的特性,阐述了神经网络中激励函数的局限性,提出了基于BP神经网络的DUAF结构并建立预失真系统。仿真结果表明,信号经过预失真后的邻道干扰改善约7dB,其预失真效果验证了 DUAF结构处理复数的局限性。(3)重点研究复数域的神经网络模型。建立全连接递归神经网络(FCRNN)预失真系统,使用RTRL算法进行参数提取。仿真结果表明,在处理复数信号时,FCRNN相比于DUAF结构具有更高的精确度。(4)提出了改进的短时记忆递归神经网络(STMRNN)。FCRNN模型的神经元反馈信号采用全连接的方式,其模型复杂度较大,而STMRNN模型将FCRNN模型中的输出层反馈信号改用短时记忆的方式,在保证精确度的同时能减少模型复杂度。(5)提出了改进的全反馈短时记忆递归神经网络(AFSMRNN)。AFSMRNN模型将STMRNN模型中的隐含层反馈信号改用短时记忆的方式,进一步地降低了模型复杂度,并且能达到与记忆多项式相同的精确度。