射频功率放大器本质上是非线性器件,当应用于宽带通信系统中时,还会显示出明显的记忆效应,功率放大器的记忆非线性效应致使发射信号发生失真,降低通信系统的通信质量,同时所引发的频谱扩展现象还会对邻近信道造成干扰。为了定量地分析、评估以及降低功率放大器的记忆非线性效应对通信系统造成影响,功率放大器的行为建模和数字预失真成为当前无线通信领域中的一个重要的研究课题。近些年来,国内外学者对记忆非线性功率放大器的行为建模开展了大量研究,并取得了丰硕的成果,提出了各种各样的行为模型及相关算法,对解决无线通信系统当中的一些关键性问题,推动无线通信系统的快速发展发挥了很大作用。然而通信技术正在以惊人的速度不断发展着,使得功率放大器自身结构和外部工作环境都变得越来越复杂,对功率放大器记忆非线性特性的精确建模也变得越来越困难,面对新的应用环境,已有的模型或算法大都存在不同程度的局限,还有进一步改善的空间和必要。功率放大器行为建模和数字预失真的研究重点主要集中于模型构造和算法设计两方面,本文将对此展开进一步的研究工作,主要研究内容如下。1.提出了一种改进的记忆多项式模型及其相应的辨识算法。记忆多项式是一种简化的Volterra级数模型,只包含Volterra级数当中的对角项,对功率放大器记忆效应的建模能力比较有限,为了改善记忆多项式的记忆结构,提升其建模能力,提出了一种新的建模方法,该方法利用遗传算法从Volterra级数当中搜索一组最优的交叉项组合到记忆多项式模型当中,同时为了降低遗传算法迭代过程中对模型参数辨识的计算量,将模型的构造过程分成两个阶段,第二阶段的参数辨识过程建立在第一阶段辨识的基础上,避免了对较大规模矩阵的求逆问题。实验与仿真结果表明,在组合了一组交叉项后,记忆多项式的建模性能得到显著改善。2.针对基于多项式的功率放大器及其数字预失真行为模型存在的数值不稳定问题,提出了一个稳健的多项式模型的参数辨识算法,该算法基于Tikhonov正则化和矩阵的QR分解,不仅能够改善参数辨识中的数值稳定性问题,而且还能有效抑制预失真后信号的峰均比扩张现象,防止产生过高的瞬时信号峰值功率对功率放大器造成损害,因而利用该算法构造的数字预失真模型具有稳健的特性。3.提出了一种正交归一化Hermite多项式基神经网络模型用于功率放大器的建模和数字预失真。该模型以具有优良逼近性能的正交归一化Hermite多项式基函数作为神经网络隐层神经元的激励函数,从而比常规前馈神经网络具有更优良的逼近能力；接下来在进一步地探讨了功率放大器对不同幅度输入信号造成失真的不同机理的基础上,应用两组动态模糊权值把这一失真机理结合到所提出的神经网络模型当中,获取了更为优良的功率放大器和数字预失真建模性能。4.提出了基于局部模型网络的功率放大器行为建模和数字预失真方法。该建模方法具有形式简单、自适应强、应用灵活等特点,适用于各种复杂的建模问题。针对加权最小二乘辨识算法无法得到最优模型参数的问题,结合了全局参数的更新策略,明显地提升了模型的建模精确度；在不同的输入条件下,根据局部模型对输出贡献度的大小,对模型做了进一步的简化,在不会对模型精确度造成明显影响的前提下进一步地降低了模型的计算复杂度。在该部分研究当中还提出了功率放大器及其数字预失真行为模型的记忆深度的定性确定方法,利用该方法仅仅需要做出功率放大器当前输出和一系列延时输入的二维图,即可从中获知记忆深度的大概取值,避免了反复尝试的繁琐工作。