| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 研究背景、目的与意义 | 第7-9页 |
| 1.2 预失真技术的发展与研究现状 | 第9-11页 |
| 1.3 本文创新点及篇章结构 | 第11-13页 |
| 第二章 功放模型和预失真技术基础研究 | 第13-33页 |
| 2.1 无记忆功放模型 | 第13-15页 |
| 2.2 有记忆功放模型 | 第15-19页 |
| 2.2.1 Volterra级数模型 | 第15-16页 |
| 2.2.2 Wiener模型 | 第16-17页 |
| 2.2.3 Hammerstein模型 | 第17页 |
| 2.2.4 Wiener-Hammerstein模型 | 第17-18页 |
| 2.2.5 记忆多项式模型 | 第18-19页 |
| 2.3 基带数字预失真技术的基本构架 | 第19-21页 |
| 2.3.1 直接学习结构 | 第19-20页 |
| 2.3.2 间接学习结构 | 第20-21页 |
| 2.4 几种典型的自适应预失真参数辨识算法 | 第21-33页 |
| 2.4.1 最小二乘(LS)算法 | 第21-24页 |
| 2.4.2 最小均方误差(LMS)算法 | 第24-26页 |
| 2.4.3 递归最小二乘(RLS)算法 | 第26-33页 |
| 第三章 高宽带非平稳信号的非线性辨识算法 | 第33-51页 |
| 3.1 归一化最小均方误差辨识算法 | 第33-37页 |
| 3.2 广义归一化梯度下降辨识算法 | 第37-41页 |
| 3.3 新提出的自适应可变步长LMS辨识算法 | 第41-47页 |
| 3.3.1 基本算法描述 | 第41-43页 |
| 3.3.2 算法稳定性分析 | 第43-44页 |
| 3.3.3 权值向量收敛性分析 | 第44-46页 |
| 3.3.4 均方收敛性分析 | 第46-47页 |
| 3.4 算法仿真及分析 | 第47-51页 |
| 第四章 抑制量化噪声的自适应预失真构架方案 | 第51-63页 |
| 4.1 量化噪声对非线性模型辨识性能影响的理论分析 | 第51-52页 |
| 4.2 基于间接学习方法的自适应预失真辨识结构 | 第52-56页 |
| 4.3 基于直接学习算法的新型自适应预失真器 | 第56-58页 |
| 4.4 本文提出的自适应预失真方案 | 第58-60页 |
| 4.5 仿真及结果分析 | 第60-63页 |
| 第五章 结束语 | 第63-65页 |
| 5.1 全文工作总结 | 第63-64页 |
| 5.2 下一步研究内容展望 | 第64-65页 |
| 攻读硕士学位期间的研究成果 | 第65-67页 |
| 致谢 | 第67-69页 |
| 参考文献 | 第69-74页 |