论文部分内容阅读
在新一代移动通信系统中,信号的峰均比高,这将对移动通信射频子系统,尤其是基站中射频功率放大器模块的带宽和线性度提出强有力的挑战。数字预失真方法可以很好地提高宽带功放的线性度,而其中的关键就是要建立一个合适的功放模型。本文主要研究使用改进的BP神经网络建立功放的模型。首先,本文研究了功率放大器的非线性特性以及其记忆效应,分析了功放非线性效应产生的原因,给定了衡量功率放大器线性度的指标,引入了功放记忆效应的定义并详细分析了射频功放产生记忆效应的原因以及减小记忆效应的一般方法。其次,阐述了神经网络的基本原理并探讨了功放的线性化技术。主要介绍了ANFIS神经网络和BP神经网络的网络结构、学习算法以及具体的学习过程,分析了两者之间的优缺点以及主要的应用领域。研究了功率放大器的各种模型,其中主要包括Saleh模型、无记忆多项式模型、Volterra级数模型、Wiener和Hammerstein模型以及神经网络模型。探讨了射频功放的几种线性化技术,主要包括负反馈线性化技术、前馈线性化技术、LINC线性化技术以及预失真技术,并对这几种不同的线性化技术做了详细的分析和比较,总结出了不同线性化技术的适用情况。然后,根据ANFIS神经网络和改进的BP神经网络对功放进行建模。分别给出了两种神经网络的具体建模步骤、模型中具体的参数设置、使用两种神经网络建模过程中的一些注意事项以及在建立模型过程中的主要代码。最后,根据建立的模型,在利用实验平台测得的数据训练两种模型之后,比较了两种神经网络模型的精度和收敛速度。结果表明改进的BP神经网络模型解决了传统BP神经网络收敛速度慢以及容易陷于局部最小值的缺点,在提高收敛速度的同时还比ANFIS模型具有更高的精度。最终,证明了该改进BP神经网络模型在准确性和收敛速度方面都得到了一定的提升。