基于机器学习的宽带数字预失真技术研究.pdf

中文摘要 摘 要 第五代移动通信在速率、容量、时延上都提出新的要求，是未来无线通信行业的主 要方向。为此 5G 通信系统需要增加频谱利用率，扩展频谱带宽。影响无线通信系统通 信质量的因素有很多，功率放大器性能是最为关键的因素之一。受功率放大器非线性特 性的影响，宽带信号经功放放大后将产生严重的带内和带外失真，增大通信系统误码率， 并干扰邻近信道。功放预失真技术是解决这一矛盾的主流技术。然而传统的预失真方法 效果有限，本文主要从提升泛化能力、提高建模效果与建模速度等几个方面探究改进基 于机器学习支持向量回归的功放基带数字预失真线性化技术。 首先详细的介绍了功放的非线性失真特性以及相关的评价标准，然后研究了功率放 大器的常见非线性行为模型以及常用的数字预失真结构。将机器学习中的支持向量机 SVM （ ）算法引入到功率放大器的模型建立以及预失真器的研究。同时在传统时延结构 的基础上提出一种幅度、相位增强的时延功放模型建立方法，并进行相关实验验证，结 果表明该结构相比于传统时延结构具有更好的建模效果。分别将 SVR、LSSVR 、TSVR 算法结合所提建模结构应用到功率放大器模型建立，获得的逆模型即为预失真器。利用 上述算法建立功率放大器行为模型，以及预失真器的模拟仿真验证，与传统算法比较， 支持向量回归算法具有更高的建模准确度。 然后为解决普通支持向量机的求解复杂，支持向量多等缺点，提出一种简化的核矩 阵分解的最小二乘支持向量回归（CLSTSVR ）方法，直接在原空间对其求解，将大规模 训练样本通过矩阵 Cholesky 分解得到其近似矩阵并寻找基本集。该方法可以简化 LSTSVR 的计算复杂性、降低支持向量个数，解决了传统最小二乘方法的支持向量不稀 疏问题，同时可以使用大规模训练样本建模，极大地提高功放模型建模效果。 最后本文进一步验证所提方法的有效性，使用矢量信号发生器、矢量信号分析仪搭 GaN F PA Doherty 建数字预失真验证平台。分别选用单器件氮化镓（ ） 类 、双管氮化镓 PA 两种功率放大器验证所提算法的性能，使用 10M 带宽的 WCDMA 与 10M 带宽的 LTE 信号进行验证。实验结果表明，本文所提的建模方法相比于 GMP 算法具有更为准 确的建模能力，以及非常有效的非线性矫正能力。 关键词：射频功率放大器；数字预失真；支持向量回归；稀疏最小二乘孪生支持向量回 归 I 英文摘要 Abstract The future 5G communication will become the main direction of the wireless communication industry. New requirements in terms of speed, capacity and delay have been put forward in the fifth generation of mobile communication. Therefore, 5G communication system needs to increase spectrum efficiency and spread spectrum bandwidth. There are many factors that affect the communication quality of wireless communication systems, in which power amplifier performance is one of the most critical factors. Transmitting that kind of signals th