基于实复值混合时延神经网络的宽带功放的建模和线性化（英文）

摘要

提出了一种新型的实复值混合时延神经网络,用于建模和线性化宽带射频功放.该神经网络包含输入信号的广义记忆效应、复值输入信号和复值输入信号模值的分数阶次,因而其建模精度显著提高.对实复值混合时延神经网络在不同扩展常数、记忆深度、神经元数和阶数时的归一化均方误差(NMSE)进行了比较研究,以建立一个能够有效建模宽带功放强非线性的基带模型—最优时延神经网络(TDNN).采用51 dBm宽带功放和25 MHz带宽的混合测试信号用于模型的有效性验证.测试结果表明,实复值混合时延神经网络相比记忆多项式模型和实值时延神经网络具有更高的建模精度,NMSE提高5 dB.此外,实复值混合时延神经网络相比广义记忆多项式模型,NMSE提高0.6 dB,并具有更好的数值稳定性.相比实值时延神经网络和记忆多项式模型,所提出的时延神经网络能够更好地抑制带外的频谱再生.