| 摘要 | 第1-4页 |
| ABSTRACT | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 绪论 | 第7-13页 |
| ·问题的提出及其研究意义 | 第7-9页 |
| ·预失真技术的研究现状 | 第9-11页 |
| ·本文研究内容及篇章结构 | 第11-13页 |
| 第二章 功放特性与预失真非线性模型分析 | 第13-23页 |
| ·功率放大器的非线性效应 | 第13-14页 |
| ·无记忆功放模型 | 第14-16页 |
| ·Saleh 模型 | 第14-15页 |
| ·Rapp 模型 | 第15页 |
| ·无记忆多项式模型 | 第15-16页 |
| ·功率放大器的记忆效应 | 第16页 |
| ·有记忆功放模型 | 第16-21页 |
| ·Volterra 级数模型 | 第16-17页 |
| ·记忆多项式模型 | 第17-18页 |
| ·Wiener 模型 | 第18页 |
| ·Hammerstein 模型 | 第18-19页 |
| ·Wiener-Hammerstein 模型 | 第19-20页 |
| ·并行 Wiener(Parrallel-Wiener)模型 | 第20页 |
| ·并行 Hammerstein(Parrallel-Hammerstein)模型 | 第20-21页 |
| ·仿真与分析 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 预失真器的辨识结构及其辨识算法 | 第23-47页 |
| ·数字预失真原理及其辨识结构 | 第23-28页 |
| ·数字预失真原理 | 第23-24页 |
| ·数字预失真辨识结构 | 第24-25页 |
| ·仿真及分析 | 第25-28页 |
| ·自适应辨识算法比较 | 第28-42页 |
| ·最小二乘 LS 自适应算法 | 第28-30页 |
| ·最小均方 LMS 自适应算法 | 第30-32页 |
| ·递归最小二乘 RLS 自适应算法 | 第32-34页 |
| ·归一的最小均方误差 NLMS 自适应算法 | 第34-35页 |
| ·广义归一化梯度下降系数 GNGD 自适应算法 | 第35-37页 |
| ·自适应算法仿真及分析 | 第37-42页 |
| ·一种改进的间接学习结构 | 第42-46页 |
| ·基于间接学习结构的数字预失真 | 第42-43页 |
| ·含噪声的辨识结构算法 | 第43-45页 |
| ·算法仿真及分析 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第四章 基于正交多项式的预失真模型与辨识方法 | 第47-67页 |
| ·预失真器模型的通用性分析 | 第47-52页 |
| ·Volterra 级数模型分析及其简化模型 | 第47-49页 |
| ·预失真器模型通用性分析 | 第49-52页 |
| ·记忆多项式中不同项数对模型有效性影响分析 | 第52-59页 |
| ·模型奇偶项对模型有效性的影响 | 第52-54页 |
| ·模型的交调项对模型有效性的影响 | 第54-56页 |
| ·仿真及分析 | 第56-59页 |
| ·基于正交多项式的预失真器模型 | 第59-65页 |
| ·传统多项式模型的数值稳定性分析 | 第59-60页 |
| ·正交多形式模型 | 第60-62页 |
| ·仿真及分析 | 第62-65页 |
| ·本章小结 | 第65-67页 |
| 第五章 结束语 | 第67-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-76页 |