在通信系统中,射频功率放大器是主要的非线性与能量消耗源头。因此作为通信系统中的必要部件,射频功率放大器的性能关系到通信系统的传输质量。由于功率放大器在保证高效率运行时,其输入输出信号非线性失真严重,因此需要采取数字预失真技术使功率放大器的输入输出信号线性化。本文对基于Volterra级数模型的直接学习结构和神经网络结构进行了深入研究,主要创新工作如下:1.对负反馈结构进行深入研究,提出了负反馈结构收敛的必要条件,通过这些条件可以保证稳定收敛得到理想的预失真信号。同时根据负反馈结构,提出自适应基直接学习结构,在对AB类和Doherty类功率放大器的测试中可以发现,自适应基直接学习结构比传统直接学习结构具有更稳定的收敛过程,可以更快速获得预失真器中的系数。同时,所提出得方法最终获得的模型内含有的系数比原模型更少,节省了硬件资源。2.将线性回归中的Group Lasso算法应用于神经网络预失真模型augmented real-valued tme-delay neural network(ARVTDNN)中,通过在原始ARVTDNN的损失函数中添加惩罚项来进行训练,使得神经元输出权重收敛至0,收敛至0的神经元便是可以被去除的神经元,通过这种方法可以很快的筛选出不必要的神经元。测试结果表明,所提出的Group Lasso算法在不降低性能的情况下,可以减少28%的神经元。通过这种方法,可以节省大量硬件资源,对于神经网络预失真的应用有着重要意义。3.通过深入分析ARVTDNN模型,提出了一种单输出节点的神经网络。与ARVTDNN需要对I/Q两路信号分别拟合的方式不同,这种单输出节点神经网络仅需要拟合原始神经网络的一路I/Q输出,就可以实现神经网络预失真器的建模。建立预失真器之后,通过调整输入向量,便可以获得模型的另一路输出。这种单输出节点神经网络避免了 ARVTDNN中存在的冗余计算和冗余存储,不仅提高了性能,而且由于只有一个拟合目标,极大的降低了复杂度。4.根据对ARVTDNN模型的分析,提出ARVTDNN与GMP模型的并联结构,这种并联结构继承了 GMP模型和ARVTDNN两种模型的优点,不仅具有优秀的预失真性能,而且还具有很强的I/Q矫正能力。