TA的每日心情 | 奋斗 2024-7-1 22:21 |
|---|
签到天数: 2014 天 [LV.Master]伴坛终老
- 自我介绍
- 数学中国站长
 群组: 数学建模培训课堂1 群组: 数学中国美赛辅助报名 群组: Matlab讨论组 群组: 2013认证赛A题讨论群组 群组: 2013认证赛C题讨论群组 |
摘 要:% V8 h% r. y7 h8 C9 E4 [1 e+ x6 c/ O
随着现代微波电路仿真技术与数字预失真技术的发展,功率放大器行为模型的研究$ {- o# A& y" R' p" H
已经成为功率放大器研究领域的重要方向之一,而采用多项式结构描述放大器的特性是
/ ]% _- [: p n! E% h; ~ E行为模型研究中最主要的方法。本文主要研究了无记忆功率放大器和有记忆功率放大器) j3 b' N G& [! R' J( A
的多项式结构的系统建模,放大器的预失真处理技术,以及非线性放大器对输出信号频
% J5 J ?9 g# ~( E4 s谱的影响。, x4 i% @: W, Z6 W; y, B
本文的主要工作及创新可概括如下。5 L) j$ `5 d# H( F
1. 构建无记忆功率放大器基于一般多项式及和多项式的正交、非正交模型,利用
' m8 j2 ]3 R0 z* e8 Q* m9 S. Z最小二乘(LS)算法求解模型参数。通过数据仿真可知,和多项式及正交和多项
" D. f! X; `% ^* O: s- J0 \式模型优于一般多项式模型,当多项式为12 阶时,其归一化均方误差(NMSE)
3 y1 R5 d" F' }* |& S9 o' _达到-100dB;并且在阶数较大时,正交和多项式模型性能优于和多项式模型,
/ T4 G& N( W: o# P- |" \, E2 y: C具有更高的稳定性。! i. K$ u/ s2 w9 I6 w, T
2. 建立无记忆功率放大器的和多项式预失真模型,通过系统逆辨识获取预失真处5 v( F; E4 Y8 V1 z
理器输出端的理想信号,将整体系统简化为预失真模块处理过程。利用最小均% i6 ?. \1 b7 J; p7 _4 b4 m% P
方(LMS)和LS 算法求解预失真模型参数,并对预失真补偿效果进行评价。
3 d% v" H* C4 J3 l# c实验结果表明,本文构建的预失真模型能够使功放整体输出具有较好的线性特
( l! \2 t3 W% f. M% V0 Q7 t! p性,且逼近理想特性曲线。随着多项式阶数的增加,通过本文正交和多项式预
) P8 W, Y" W( M' q/ N失真模型处理后,功放输出的归一化均方误差(NMSE)和误差矢量幅度(EVM): V& Z* \- c, E! ?
2. z. I. G4 X+ n$ |% U h; G
逐渐减小, 当阶数大于 10 时,正交和多项式模型 NMSE NMSE小于 -61 dB ,EVM 低 于 0.1% 。
0 B/ X" A5 S3 V' g, {3. 构建有记忆功率放大器和多项式模型, 并利用 LS 算法 求解模型 参数。 仿真结 果表明,随着多项式阶数和系统记忆深度的增加模型精越高 果表明,随着多项式阶数和系统记忆深度的增加模型精越高 果表明,随着多项式阶数和系统记忆深度的增加模型精越高 果表明,随着多项式阶数和系统记忆深度的增加模型精越高 ;当多 项式 大于 5阶, 系统记忆深度 系统记忆深度 大于 5时,系统的 时,系统的 NMSE NMSE低于 -45dB 45dB,而传统多 ,而传统多 项式模型仅为 -34 dB 。
, P0 q2 [1 j; q% W+ x4. 建立有记忆功率放大器的预失真和多项式模型,根据线性约束、输出幅度限制 建立有记忆功率放大器的预失真和多项式模型,根据线性约束、输出幅度限制 建立有记忆功率放大器的预失真和多项式模型,根据线性约束、输出幅度限制 建立有记忆功率放大器的预失真和多项式模型,根据线性约束、输出幅度限制 和功率最大化约束,获取预失真处理器想输 出信号,通过 LS 算法解其参 数。通过 NMSE NMSE和 EVM 分析可知,当 给定 功率放大器的阶数为 5,记忆深度 为 5时,解算得预失真器的多项式阶数等于 时,解算得预失真器的多项式阶数等于 5,记忆深度等于 ,记忆深度等于 3时的系统最优 , 此时的 NMSE NMSE等于 -45dB 45dB ,EVM 为 0.3% 。为了使预失真系统能够应对实际运 。为了使预失真系统能够应对实际运 用中放大器特性随着环境变化导致的预失真效问题,本文提出一种基于功 用中放大器特性随着环境变化导致的预失真效问题,本文提出一种基于功 用中放大器特性随着环境变化导致的预失真效问题,本文提出一种基于功 用中放大器特性随着环境变化导致的预失真效问题,本文提出一种基于功 放逆辨识 的自适应预失真处理 模块 ,模 块求解 采用最小均方 算法 (LMS)(LMS)(LMS)(LMS)(LMS)。# S+ v3 w) R) p; p% V1 j2 ~; @- _
5. 通过周期图法估计信号的功率谱密度,算输入出相邻道比 通过周期图法估计信号的功率谱密度,算输入出相邻道比 (ACPR) (ACPR)(ACPR)(ACPR)(ACPR)。 输入信号的 输入信号的 输入信号的 输入信号的 输入信号的 ACPR ACPR等于 -78.4687 dB ,未经 预失真处理的 预失真处理的 预失真处理的 预失真处理的 预失真处理的 预失真处理的 功放系统 功放系统 功放系统 功放系统 输出信号的 输出信号的 输出信号的 输出信号的 输出信号的 ACPR ACPR等于 -37.2605 dB ,预失真处理后的 功放输出信号,预失真处理后的 功放输出信号ACPR ACPR等于 -51 .9625dB 。+ }3 B# i1 Y+ k! l# G% K" x6 Q
关键词 :正交多项式模型 , 系统逆辨识最小二乘 算法, 最小均方算法 ,自适应 预失真系统
* h* ?2 h# o$ ]. e! M& r. T3 S6 @4 ]/ w" ]7 V- ?9 W
|
zan
|