射頻功放非線性建模分析與預(yù)失真算法研究

目 錄
第1章 研究現(xiàn)狀概述\t（1）
1．1 功放行為模型研究現(xiàn)狀及發(fā)展\t（2）
1．2 預(yù)失真技術(shù)的研究現(xiàn)狀及發(fā)展\t（7）
參考文獻\t（9）
第2章 功率放大器非線性特性\t（11）
2．1 功率放大器的非線性\t（11）
2．1．1 諧波失真\t（11）
2．1．2 互調(diào)失真\t（12）
2．1．3 AM/AM和AM/PM失真\t（13）
2．2 功率放大器的記憶效應(yīng)\t（14）
2．2．1 記憶效應(yīng)產(chǎn)生的原因\t（14）
2．2．2 消除記憶效應(yīng)的方法\t（16）
2．3 功放非線性對通信系統(tǒng)的影響\t（16）
2．3．1 鄰信道功率比（ACPR）\t（16）
2．3．2 誤差矢量幅度（EVM）\t（17）
參考文獻\t（18）
第3章 功放行為模型與非線性分析基礎(chǔ)\t（19）
3．1 無記憶行為模型\t（19）
3．2 有記憶行為模型\t（20）
3．2．1 Volterra級數(shù)模型與記憶多項式模型\t（20）
3．2．2 Hammerstein模型與Wiener模型\t（23）
3．2．3 神經(jīng)網(wǎng)絡(luò)模型\t（24）
3．2．4 非線性功放輸入輸出關(guān)系\t（30）
3．2．5 支持向量機模型\t（31）
3．2．6 X參數(shù)模型\t（34）
3．2．7 動態(tài)X參數(shù)理論\t（36）
3．3 非線性電路分析方法理論基礎(chǔ)\t（36）
3．3．1 諧波平衡法\t（36）
3．3．2 擬牛頓法\t（39）
3．3．3 蟻群算法\t（40）
3．3．4 蜂群算法\t（41）
參考文獻\t（42）
第4章 功放預(yù)失真概述\t（44）
4．1 預(yù)失真技術(shù)的原理與分類\t（44）
4．1．1 預(yù)失真技術(shù)的原理\t（44）
4．1．2 預(yù)失真技術(shù)的分類\t（45）
4．2 數(shù)字預(yù)失真主流技術(shù)\t（46）
4．2．1 查找表與多項式預(yù)失真\t（46）
4．2．2 自適應(yīng)學習結(jié)構(gòu)\t（47）
參考文獻\t（49）
第5章 Volterra級數(shù)功放建模\t（50）
5．1 記憶效應(yīng)非線性功放擴展Volterra模型分析與構(gòu)建\t（50）
5．1．1 Volterra-Chebyshev模型推導與分析\t（51）
5．1．2 Volterra-Laguerre模型分析與推導\t（53）
5．1．3 模型仿真實驗\t（55）
5．2 寬帶功率放大器的PGSC建模和數(shù)字預(yù)失真研究\t（56）
5．2．1 新型PGSC行為模型分析\t（57）
5．2．2 PGSC模型的辨識\t（59）
5．2．3 測試結(jié)果\t（59）
5．3 LMEC研究及預(yù)失真應(yīng)用\t（63）
5．3．1 LMEC行為模型描述\t（64）
5．3．2 模型識別\t（66）
5．3．3 模型性能評估\t（67）
5．3．4 預(yù)失真應(yīng)用\t（68）
5．4 改進的動態(tài)記憶多項式功放模型及預(yù)失真應(yīng)用\t（69）
5．4．1 改進的多支路組合功放行為模型\t（70）
5．4．2 功放模型評估與驗證\t（71）
5．4．3 預(yù)失真應(yīng)用\t（71）
5．5 分裂增強型Hammerstein模型的研究\t（74）
5．5．1 模型分析\t（75）
5．5．2 功放設(shè)計及參數(shù)提取\t（76）
5．5．3 模型仿真實驗\t（76）
5．6 新型Hammerstein動態(tài)非線性功放模型及預(yù)失真應(yīng)用\t（79）
5．6．1 改進的Hammerstein模型\t（79）
5．6．2 模型仿真與驗證\t（81）
參考文獻\t（84）
第6章 神經(jīng)網(wǎng)絡(luò)功放建模\t（87）
6．1 基于RBF神經(jīng)網(wǎng)絡(luò)射頻功放行為模型研究\t（87）
6．1．1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和學習算法\t（87）
6．1．2 基于RBF神經(jīng)網(wǎng)絡(luò)的功放建模\t（90）
6．2 基于BP-RBF神經(jīng)網(wǎng)絡(luò)的射頻功放行為模型研究\t（93）
6．2．1 三種模型理論分析\t（93）
6．2．2 3G功放設(shè)計及數(shù)據(jù)提取\t（95）
6．2．3 三種模型仿真實驗\t（97）
6．3 改進的簡化粒子群算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)建模\t（99）
6．3．1 模糊神經(jīng)網(wǎng)絡(luò)功放模型\t（100）
6．3．2 改進的粒子群算法\t（102）
6．3．3 功放建模仿真分析\t（105）
6．4 基于改進粒子群算法的模糊小波神經(jīng)網(wǎng)絡(luò)建模\t（108）
6．4．1 自適應(yīng)模糊小波神經(jīng)網(wǎng)絡(luò)\t（108）
6．4．2 改進粒子群算法\t（110）
6．4．3 功放建模與仿真\t（111）
6．5 基于粗糙集理論的PSO-IOIF-Elman神經(jīng)網(wǎng)絡(luò)建模\t（115）
6．5．1 OIF-Elman神經(jīng)網(wǎng)絡(luò)模型\t（115）
6．5．2 簡化PSO優(yōu)化OIF-Elman神經(jīng)網(wǎng)絡(luò)\t（117）
6．5．3 基于粗糙集理論的功放預(yù)測值修正\t（117）
6．5．4 功放建模仿真及結(jié)果\t（118）
6．6 神經(jīng)網(wǎng)絡(luò)逆建模方法及其應(yīng)用\t（121）
6．6．1 逆建模方法\t（123）
6．6．2 更新算法\t（124）
6．6．3 應(yīng)用實例及仿真分析\t（125）
參考文獻\t（129）
第7章 X參數(shù)功放建模\t（133）
7．1 基于X參數(shù)晶體管模型的寬帶功率放大器設(shè)計\t（133）
7．1．1 X參數(shù)的提取\t（134）
7．1．2 X參數(shù)模型描述\t（134）
7．1．3 與負載無關(guān)的X參數(shù)提取方法\t（135）
7．1．4 寬帶功率放大器設(shè)計\t（136）
7．1．5 仿真與測試\t（137）
7．2 基于功放記憶效應(yīng)的動態(tài)X參數(shù)模型的研究\t（138）
7．2．1 動態(tài)X參數(shù)理論\t（139）
7．2．2 改進的動態(tài)X參數(shù)模型\t（141）
7．2．3 新模型核函數(shù)的提取\t（142）
7．2．4 仿真和數(shù)據(jù)分析\t（143）
參考文獻\t（144）
第8章 其他功放建模\t（146）
8．1 基于動態(tài)有理函數(shù)的功放模型及預(yù)失真應(yīng)用\t（146）
8．1．1 模型分析\t（146）
8．1．2 模型確定與系數(shù)提取\t（148）
8．1．3 模型性能評估\t（149）
8．1．4 預(yù)失真應(yīng)用\t（152）
8．2 基于PSO_SVM的射頻功率放大器模型\t（153）
8．2．1 支持向量機（SVM）與粒子群算法（PSO）\t（153）
8．2．2 仿真實驗與結(jié)果分析\t（154）
參考文獻\t（156）
第9章　非線性電路分析方法\t（158）
9．1 基于Volterra級數(shù)改進的混合遺傳算法在 諧波平衡中的應(yīng)用\t（158）
9．1．1 諧波平衡理論\t（159）
9．1．2 改進的混合遺傳算法\t（160）
9．1．3 仿真與數(shù)據(jù)分析\t（164）
9．2 擬牛頓粒子群算法在非線性電路諧波 平衡方程中的應(yīng)用\t（167）
9．2．1 諧波平衡分析\t（168）
9．2．2 擬牛頓粒子群算法\t（169）
9．2．3 實驗仿真分析\t（171）
9．3 混合蟻群算法在非線性諧波平衡分析中的應(yīng)用\t（172）
9．3．1 諧波平衡的基本原理\t（173）
9．3．2 混合蟻群算法\t（174）
9．3．3 實驗仿真分析\t（176）
參考文獻\t（178）
第10章 預(yù)失真算法與應(yīng)用\t（180）
10．1 功放數(shù)字基帶預(yù)失真理論分析和仿真實現(xiàn)\t（181）
10．1．1 數(shù)字基帶預(yù)失真結(jié)構(gòu)\t（181）
10．1．2 數(shù)字預(yù)失真器傳輸函數(shù)理論推導\t（182）
10．1．3 數(shù)字基帶預(yù)失真的仿真實現(xiàn)\t（183）
10．2 雙環(huán)結(jié)構(gòu)的數(shù)字預(yù)失真方法研究\t（185）
10．2．1 雙環(huán)結(jié)構(gòu)的預(yù)失真結(jié)構(gòu)\t（185）
10．2．2 實驗驗證及結(jié)果分析\t（187）
10．3 峰均比抑制與預(yù)失真在OFDM-ROF系統(tǒng)中的應(yīng)用\t（189）
10．3．1 OFDM-ROF系統(tǒng)分析\t（189）
10．3．2 OFDM-ROF系統(tǒng)非線性失真分析\t（191）
10．3．3 聯(lián)合仿真系統(tǒng)搭建\t（192）
10．3．4 聯(lián)合仿真結(jié)果\t（193）
10．4 改進算法的峰均比抑制聯(lián)合預(yù)失真技術(shù)\t（195）
10．4．1 系統(tǒng)模型\t（196）
10．4．2 數(shù)字預(yù)失真系統(tǒng)\t（197）
10．4．3 預(yù)失真與峰均比抑制聯(lián)合\t（198）
10．4．4 實驗結(jié)果與分析\t（200）
10．5 稀疏的歸一化功放模型及預(yù)失真應(yīng)用\t（203）
10．5．1 模型描述\t（204）
10．5．2 模型稀疏化及辨識\t（205）
10．5．3 模型性能驗證\t（207）
10．5．4 預(yù)失真應(yīng)用\t（208）
10．6 簡化濾波器查找表與神經(jīng)網(wǎng)絡(luò)聯(lián)合預(yù)失真方法\t（210）
10．6．1 濾波器查找表預(yù)失真\t（210）
10．6．2 改進的濾波器查找表與神經(jīng)網(wǎng)絡(luò)聯(lián)合預(yù)失真\t（211）
10．6．3 實驗結(jié)果與分析\t（214）
10．7 BP逆模型離線訓練自適應(yīng)預(yù)失真方法\t（216）
10．7．1 基于BP神經(jīng)網(wǎng)絡(luò)離線訓練自適應(yīng)預(yù)失真方法\t（217）
10．7．2 實驗與比較分析\t（221）
10．8 基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的功放預(yù)失真方法\t（224）
10．8．1 模糊神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)\t（224）
10．8．2 自適應(yīng)預(yù)失真新方法\t（225）
10．8．3 實驗驗證分析\t（228）
參考文獻\t（230）