基于复值神经网络的功放数字预失真技术研究

摘要

在无线通信技术的发展过程中，功率放大器的线性化需求越来越高，针对功放的线性化技术层出不穷。数字预失真技术作为其中最有效的一种方法，可以较好地应对由功放的非线性特性和记忆效应带来的问题。本文基于数字预失真技术对功放线性化问题进行了研究。首先对功放的非线性特性和记忆效应进行了分析。功放的非线性主要体现在输出端会产生新的频谱分量，可以用邻信道功率比（Adjacent Channel Power Ratio，ACPR）表示其非线性程度。接着介绍了几种常用的功放行为模型及其优缺点，其中，广义记忆多项式（ General Memory Polynomial，GMP）模型由于其优良的性能，应用最为广泛。介绍了三种数字预失真结构，并基于其中的一种结构在第五章进行了数字预失真的验证。　　功放行为建模是数字预失真的基础，而神经网络由于其良好的逼近能力，逐渐成为一个越来越有吸引力的解决方案。论文以神经网络模型作为功放行为模型，在传统实值神经网络的基础上引入复值神经网络，首次将复值神经网络应用于功放数字预失真领域。采用的结构为全连接递归神经网络（ Fully connected recurrent neural network，FCRNN），并针对该复值神经网络的特点推导了复实时递归学习（Complex Real-time Recurrent Learning，CRTRL）算法。最后通过仿真与 GMP 模型和聚焦时延神经网络（ Focused Time-Delay Neural Network ， FTDNN）模型进行比较，证明了复值神经网络模型的可行性。　　接着在FCRNN模型的基础上进行改进，提出了复值流水线递归神经网络（Complex-Valued Pipelined Recurrent Neural Network，CPRNN）模型，并以此模型对功放进行建模，然后对CRTRL算法进行扩展，以适应CPRNN的模块化结构，并且为了提高学习性能，在学习算法中引入了可变的遗忘因子，最后通过仿真验证了该模型的效果，性能相对FCRNN模型有所提升。接着提出了一种增广型的CRTRL算法并加以验证其性能。　　最后在搭建的仪器实验平台上进行实际验证，利用两种复值神经网络模型作为预失真器，基于WCDMA信号，针对F类和Doherty功率放大器进行预失真矫正。实验结果中，功放的线性指标ACPR在预失真后得到显著降低，说明基于复值神经网络的数字预失真系统具有良好的线性化能力，进一步验证了所提模型的可行性。

目录

1 绪论

1.1 课题研究背景及意义

1.2 国内外发展现状与趋势

1.3 论文的主要工作与内容安排

2 功率放大器非线性特性及预失真技术研究

2.1 引言

2.2.1 功放的非线性效应

2.2.2 功率放大器记忆效应

2.3.1 1dB压缩点

2.3.2 邻信道功率比

2.3.3 误差矢量幅度

2.3.4 归一化均方误差

2.4 功率放大器行为模型

2.4.1 功率放大器无记忆行为模型

2.4.2 功率放大器有记忆行为模型

2.4.3 功率放大器行为模型提取

2.5.1 数字预失真基础

2.5.2 数字预失真估计结构

2.6 本章小结

3 基于复值全连接递归神经网络的功放建模研究

3.1 引言

3.2 神经网络基本理论

3.2.1 神经元模型

3.2.2 神经网络基本结构

3.2.3 神经网络学习方式

3.3 基于FTDNN的功放建模

3.4.1 FCRNN功放模型

3.4.2复值激活函数

3.4.3复实时递归学习算法

3.5 神经网络模型仿真与性能分析

3.5.1基于FTDNN功放模型的仿真

3.5.2基于FCRNN功放模型的仿真

3.5.3模型性能比较

3.6 本章小结

4 基于复值流水线递归神经网络的功放建模研究

4.1 引言

4.2.1 CPRNN功放模型

4.2.2 CPRNN权重更新方法

4.2.3 CPRNN的嵌套结构分析

4.2.4 遗忘因子对系统增益的影响

4.3 CPRNN模型仿真与性能分析

4.4.1 增广协方差矩阵

4.4.2 ACRTRL算法推导

4.5 本章小结

5 数字预失真模型验证

5.1 引言

5.2 基于预失真仪器的验证过程

5.3 GaN单管F类功率放大器预失真测试

5.3.1 基于FCRNN的功放矫正测试

5.3.2 基于CPRNN的功放矫正测试

5.3.3 模型矫正能力比较

5.4 GaN双管Doherty功率放大器预失真测试

5.4.1 基于FCRNN的功放矫正测试

5.4.2 基于CPRNN的功放矫正测试

5.4.3 模型矫正能力比较

5.5 本章小结

6 总结与展望

6.1 论文总结

6.2 展望

参考文献

附录

A. 作者在攻读学位期间发表的论文目录

B. 学位论文数据集

致谢