针对高功率放大器(High Power Amplifier,HPA)的神经网络(Neural Network,NN)预失真器非直接学习方法中存在的预失真性能缺陷和直接学习方法中存在的计算复杂的弊端,本文基于非直接方法得到了HPA后逆滤波器的精确辨识,利用非线性算子的运算性质及一种近似方法分别推导出了新的NN预失真器学习结构及其相应的自适应算法。该算法由HPA的后逆滤波器辅助,直接产生HPA的前逆滤波器的输出。与直接学习方法相比,它大大简化了计算复杂度。仿真结果表明,本文提出的NN预失真器学习方法可以有效地改善非直接学习方法的预失真效果,进一步降低邻信道功率比约5dB。
本文针对高功率放大器(HPA)的非线性失真导致OFDM(Orthogonal Frequency Division Multiplexing)系统传输性能下降问题,采用两个类似结构的单输入单输出BP神经网络串联后级联HPA实现其预失真,前一网络是HPA的AM-AM特性的逆模型,用来实现HPA的幅度预失真,后一网络是HPA的AM-PM特性模型,回避了其逆模型的建立,实现了HPA更高精度的相位预失真,提高了整体预失真效果。仿真结果显示了即使输入回退只有2.93dB,带外谱增长仍能降低约10dB,表明该方案能够方便高效地实现OFDM系统中HPA的自适应预失真,大大提高OFDM系统的传输性能。
