| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-18页 |
| 1.1 论文研究背景和意义 | 第12-15页 |
| 1.1.1 卫星通信理论基础 | 第12-14页 |
| 1.1.2 预失真技术的研究背景与意义 | 第14-15页 |
| 1.2 预失真技术的研究现状与发展趋势 | 第15-16页 |
| 1.2.1 预失真算法的现状 | 第15-16页 |
| 1.2.2 预失真算法的发展趋势 | 第16页 |
| 1.3 本文主要内容与安排 | 第16-18页 |
| 2 功率放大器的性能指标与线性化技术 | 第18-38页 |
| 2.1 功率放大器的非线性特性 | 第18-22页 |
| 2.1.1 谐波失真 | 第18-19页 |
| 2.1.2 AM-AM/AM-PM | 第19-20页 |
| 2.1.3 互调失真 | 第20-22页 |
| 2.2 功率放大器的性能指标 | 第22-26页 |
| 2.2.1 P1dB压缩点和3阶截点(IP3) | 第22-24页 |
| 2.2.2 邻信道功率比ACPR | 第24-25页 |
| 2.2.3 误差向量幅度EVM | 第25-26页 |
| 2.3 功率放大器相关的线性化技术 | 第26-31页 |
| 2.3.1 功率回退法 | 第26-27页 |
| 2.3.2 负反馈线性化法 | 第27页 |
| 2.3.3 前馈线性化法 | 第27-29页 |
| 2.3.4 包络分离与恢复法 | 第29页 |
| 2.3.5 预失真 | 第29-31页 |
| 2.4 数字预失真的学习结构 | 第31-33页 |
| 2.5 功率放大器的模型 | 第33-37页 |
| 2.5.1 功率放大器的无记忆模型 | 第33-34页 |
| 2.5.2 功率放大器的有记忆模型 | 第34-35页 |
| 2.5.3 神经网络模型 | 第35-37页 |
| 2.6 本章小结 | 第37-38页 |
| 3 基于高阶调制的预失真算法 | 第38-62页 |
| 3.1 低轨道卫星通信信号调制技术 | 第38-44页 |
| 3.1.1 多载波调制技术 | 第38-41页 |
| 3.1.2 高阶调制技术 | 第41-44页 |
| 3.2 自适应滤波器结构 | 第44-45页 |
| 3.3 常用自适应滤波算法 | 第45-50页 |
| 3.3.1 牛顿算法 | 第45-46页 |
| 3.3.2 最小均方误差LMS算法 | 第46-48页 |
| 3.3.3 递归最小二乘法RLS | 第48-50页 |
| 3.4 传统自适应算法的改进研究 | 第50-54页 |
| 3.4.1 变步长LMS算法的研究与改进 | 第50-53页 |
| 3.4.2 基于判断切换的改进预失真算法 | 第53-54页 |
| 3.5 实验仿真与结果分析 | 第54-60页 |
| 3.5.1 LMS算法与RLS算法的性能对比分析 | 第54-56页 |
| 3.5.2 提出的GN-LMS算法的性能分析与比较 | 第56-57页 |
| 3.5.3 基于判断切换预失真算法的仿真与分析 | 第57-60页 |
| 3.6 本章小结 | 第60-62页 |
| 4 复数域的预失真算法 | 第62-80页 |
| 4.1 CNGD自适应算法 | 第62-64页 |
| 4.2 复数域的实时递归学习CRTRL算法 | 第64-66页 |
| 4.3 基于PRNN对CRTRL预失真算法的改进 | 第66-72页 |
| 4.3.1 PRNN网络结构 | 第66-68页 |
| 4.3.2 自适应幅度的CRTRL算法 | 第68-69页 |
| 4.3.3 利用高斯-牛顿改进后的预失真算法 | 第69-72页 |
| 4.4 实验仿真与结果分析 | 第72-79页 |
| 4.4.1 PRNN结构参数的分析 | 第72-75页 |
| 4.4.2 基于PRNN的N-AACRTRL算法的预失真性能分析 | 第75-79页 |
| 4.5 本章小结 | 第79-80页 |
| 5 结论 | 第80-82页 |
| 5.1 总结 | 第80-81页 |
| 5.2 展望 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 作者简历 | 第86-90页 |
| 学位论文数据集 | 第90页 |