射頻功率放大器非線性問題是現(xiàn)代通信系統(tǒng)的核心問題之一。由于新一代通信系統(tǒng)的信號具有調(diào)制方式復(fù)雜,峰均功率比高,帶寬大等特點,功放的非線性隨之加重,這進(jìn)一步影響了系統(tǒng)輸出信號的效率與質(zhì)量。與此同時,由于深度學(xué)習(xí)技術(shù)的日益成熟,能夠更加高效地應(yīng)對大規(guī)模的數(shù)據(jù),并有效提取數(shù)據(jù)的高維特征,深度學(xué)習(xí)技術(shù)在無線通信物理層的應(yīng)用受到了廣泛關(guān)注。因此,本文針對通信系統(tǒng)中具有強非線性的射頻功率放大器,提出了利用深度學(xué)習(xí)技術(shù)對射頻系統(tǒng)建模與線性化的方法。本文的主要目的是利用深度學(xué)習(xí)技術(shù)完成一個基于查找表的自適應(yīng)數(shù)字預(yù)失真方法。全文的基礎(chǔ)是獲取高精度的功放行為模型,因此本文首先研究了功率放大器的非線性特性,確定了功放的非線性對于輸出信號的影響,對強記憶效應(yīng)有針對性地進(jìn)行建模與參數(shù)提取。其次,為了減弱被測功放在信號傳輸過程中出現(xiàn)的相位模糊問題,本文提出了基于一維卷積神經(jīng)網(wǎng)絡(luò)的相位校正模塊,用于對數(shù)字預(yù)失真輸入數(shù)據(jù)的預(yù)處理。之后,根據(jù)功放與數(shù)字預(yù)失真行為模型在外部特性上的互逆性,在對數(shù)字預(yù)失真參數(shù)提取的過程中,與功率放大器共享了相同的模型結(jié)構(gòu)。最后,本文設(shè)計了以查找表方法為基礎(chǔ)的自適應(yīng)數(shù)字預(yù)失真方法。為了增加查... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

預(yù)失真原理簡圖

哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文-6-的需要，必須建立新的通信理論和方法。鑒于深度學(xué)習(xí)在面對結(jié)構(gòu)化信息和海量數(shù)據(jù)時的巨大好處，許多通信研究者也將注意力集中在深度學(xué)習(xí)上，因此，借助深度學(xué)習(xí)的通信技術(shù)在信號分類、信道估計、性能優(yōu)化等方面可能具有巨大的潛力[40,41]。1.2.3國內(nèi)外文獻(xiàn)綜述的簡析對功率放大器行為模型進(jìn)行建模的相關(guān)研究的研究方向可以總結(jié)為下圖1-2所示。根據(jù)建模方式可以分為以下三類，分別是：使用經(jīng)典的數(shù)學(xué)模型及其改進(jìn)模型的建模方法，使用傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)進(jìn)行建模的方法，以及使用循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行建模的方法等。圖1-2國內(nèi)外對于功放建模的研究方向總結(jié)其中，利用循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行建模的方法，由于該方法的建模過程相對簡單，并能夠通過優(yōu)化模型結(jié)構(gòu)從而有效應(yīng)對功放記憶效應(yīng)，成為本文中重點研究的建模方法。表1-1不同線性化技術(shù)性能對比性能指標(biāo)線性化能力功放使用效率結(jié)構(gòu)復(fù)雜度自適應(yīng)能力前饋強高高弱反饋弱較高低弱預(yù)失真強高較高強通過對三種線性化技術(shù)性能的對比（見表1-1）能夠得出這樣的結(jié)論：預(yù)失真技術(shù)是最具有發(fā)展前景的功放線性化技術(shù)。而相比于模擬預(yù)失真技術(shù)，數(shù)字預(yù)失真技術(shù)的性能優(yōu)勢十分明顯。對于數(shù)字預(yù)失真技術(shù)的研究，主要是以下兩個方向：對功放非線性行為模型進(jìn)行改進(jìn)，并以此為基礎(chǔ)提取預(yù)失真行為模型的參數(shù)，以及在傳統(tǒng)預(yù)失真方法中引入更有效的算法，提高原始方法的優(yōu)化性能。最后，深度學(xué)習(xí)技術(shù)在實現(xiàn)模型端到端性能最大化方面具有巨大優(yōu)勢，

哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文-8-圖1-3本文主要研究內(nèi)容本文的主要內(nèi)容章節(jié)安排如下：第1章介紹了課題的背景，研究目的和意義，之后分析了國內(nèi)外在功放非線性處理與數(shù)字預(yù)失真方面的研究現(xiàn)狀，最后確定了本文的主要研究內(nèi)容與章節(jié)安排。第2章從理論層面與數(shù)據(jù)層面詳細(xì)分析了功率放大器的非線性特性，介紹了數(shù)字預(yù)失真技術(shù)的相關(guān)理論，并詳細(xì)介紹了本文使用的傳統(tǒng)查找表預(yù)失真方法。第3章分別介紹了基于數(shù)學(xué)模型功放行為模型建模方法，與基于深度學(xué)習(xí)的建模方法，并通過實驗對多種模型橫向?qū)Ρ�，根�?jù)對模型精度與系統(tǒng)復(fù)雜度的需求，分析并選取了合適的建模方法。第4章建立了以一維卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的相位校正模型，用于對預(yù)失真模型建模的數(shù)據(jù)進(jìn)行預(yù)處理工作。之后，分析了通信系統(tǒng)中功率放大器與數(shù)字預(yù)失真器的級聯(lián)可交換性，獲取了滿足需求的數(shù)字預(yù)失真行為模型參數(shù)，并確定了模型之間的連接方式。第5章在查找表預(yù)失真方法的基礎(chǔ)上，設(shè)計了基于深度學(xué)習(xí)的自適應(yīng)數(shù)字預(yù)失真方法。通過仿真獲取了其他型號功放的外部特性信號，建立了對應(yīng)的數(shù)字預(yù)失真模型，并確定了線性化系統(tǒng)輸入信號與預(yù)失真模型的匹配方式。最終以深度學(xué)習(xí)技術(shù)為基礎(chǔ)，完成了基于查找表的自適應(yīng)數(shù)字預(yù)失真方法。


本文編號：3475091