射频发射机是移动通信系统中的核心组件,对通信质量有着举足轻重的影响。如今迈入5G通信时代,为了满足日益增长的通信期望,需要使用各类高效频谱调制技术,这使得射频发射机系统的设计面临巨大的挑战。双输入Doherty发射机是近年来各类效率增强技术中的一位新星,得益于其带宽大、效率高、电路复杂度低等优势,有望成为高效率、高性能的射频发射机架构。然而该发射机系统的输出线性度很差,阻碍了其在通信系统中的发展与应用。数字预失真作为实现简单、性能高效的线性化技术,有望成为双输入Doherty发射机的线性化解决方案。本文主要针对双输入Doherty发射机非线性特性,探究其数字预失真实现方案。本文的主要工作内容与创新点包括以下几个方面:1、对双输入Doherty功放的非线性特性进行分析,讨论了几种有记忆的功放行为模型的优缺点,指出传统记忆多项式模型在针对较强非线性建模时的局限性,采用人工神经网络模型作为双输入Doherty功放的预失真模型。2、完成了BP神经网络的数字预失真实现,其中选择两层隐藏层的结构,在保证模型精度的同时尽可能减少参数个数。训练过程中使用列文伯格-马夸特算法可以加速网络的收敛,节约时间成本。实验结果显示,经过BP神经网络预失真后,双输入Doherty功放输出信号的NMSE与ACPR分别降低了13d B和10d B,相比传统的记忆多项式模型,预失真性能提升了5～7d B。3、基于深度学习理论提出使用LSTM神经网络作为功放强记忆效应下的预失真模型,并在输入样本中插入超前量来模拟信号在电路传输过程中的延时。引入基于梯度下降的Adam求解算法对网络参数进行辨识,可以极大地提升模型的精度。同时,在网络中添加基于dropout思想的丢弃层结构来增加网络的稀疏性,提升网络对新样本的适应能力。4、搭建双输入Doherty功放的预失真验证平台,分别使用BP神经网络与LSTM神经网络作为功放的预失真模型。实验结果表明,对于总带宽20MHz的调制信号,经BP模型与LSTM模型补偿后,功放输出信号的NMSE分别为-42d B、-46d B,ACPR分别为-51d Bc、-55d Bc。而对于总带宽40MHz的调制信号,经BP模型与LSTM模型预失真的输出信号NMSE分别为-34d B、-38d B,而ACPR分别为-40d Bc、-45d Bc。