基于广义改进型RBF网络的射频功放非线性建模
2018-05-04江明玉刘太君叶焱许高明
江明玉,刘太君,叶焱,许高明
(宁波大学信息科学与工程学院,浙江 宁波 315211)
1 引言
为了高效利用频谱资源,现代通信多采用大带宽和多载波调制信号。这类信号经过射频功率放大器(RFPA, Radio Frequency Power Amplifier)时,会产生很严重的记忆非线性失真。对带有强记忆效应的射频功放进行准确的建模,是进行后续功放预失真线性化[1-2]工作的必要条件。
为了对带有强记忆效应的功放进行精确的非线性建模,学者和工程师们提出了多种方法,主要可以分为两类:基于Volterra级数的模型[3]和神经网络模型[4]。前一类模型包括记忆多项式(MP, Memory Polynomial)模型[5]、广义记忆多项式(GMP,Generalized Memory Polynomial)模型[6]等。这类模型能直观地刻画功放的各阶非线性失真和记忆效应强度,但当非线性阶数和记忆效应强度增大时,计算量急剧增加。神经网络能够以任意精度逼近任何非线性函数,应用比较多的有反向传播神经网络(BPNN, Back Propagation Neural Network)和径向基函数神经网络(RBFNN, Radial Basis Function Neural Network)。BP神经网络有实数时延神经网络(RVTDNN, Real-Valued Time-Delay Neural Network)模型和改进BP神经网络[7]等。RBF神经网络[8]与BP神经网络相比,收敛速度快,得到了更广泛的应用,其中包括实数时延径向基神经网络(RVTDRBFNN, Real-Valued Time-Delay Radial Basis Function Neural Network)模型和改进型径向基神经网络(MRBFNN, Modified Radial Basis Function Neural Network)模型[9]等。上述神经网络模型没有考虑功放的包络完整性,不包含超前项包络项和滞后包络项[10],建模精度有待进一步提高。
本文提出了广义改进型径向基函数神经网络(GIRBFNN, Generalized Improved Radial Basis Function Neural Networks)模型,该模型充分考虑了功放的线性记忆效应、非线性记忆效应和超前包络效应以及滞后包络效应,因此能更好地拟合功放的强记忆效应非线性失真。……
