| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 引言 | 第12-18页 |
| ·研究背景及意义 | 第12-13页 |
| ·国内外研究现状 | 第13-16页 |
| ·本文的研究内容和主要工作 | 第16-18页 |
| 第2章 功率放大器的记忆非线性及模型 | 第18-33页 |
| ·功率放大器的非线性 | 第18-20页 |
| ·功率放大器的记忆性 | 第20-24页 |
| ·电子记忆效应 | 第21-23页 |
| ·电热记忆效应 | 第23-24页 |
| ·记忆非线性功率放大器带通模型 | 第24-25页 |
| ·记忆非线性功率放大器基带模型 | 第25-31页 |
| ·伏特拉级数模型 | 第25-27页 |
| ·记忆多项式模型 | 第27页 |
| ·稀疏延时的记忆多项式模型 | 第27-28页 |
| ·非线性抽头延时模型 | 第28-29页 |
| ·多盒模型 | 第29-31页 |
| ·神经网络模型 | 第31页 |
| ·小结 | 第31-33页 |
| 第3章 功率放大器的线性化技术 | 第33-42页 |
| ·反馈法 | 第33-35页 |
| ·笛卡尔调制反馈 | 第33-34页 |
| ·极坐标调制反馈 | 第34-35页 |
| ·前馈法 | 第35-36页 |
| ·预失真法 | 第36-41页 |
| ·基于查询表的基带预失真技术 | 第37-39页 |
| ·基于特定非线性函数的基带预失真技术 | 第39-40页 |
| ·基于神经网络的基带预失真技术 | 第40-41页 |
| ·小结 | 第41-42页 |
| 第4章 Wiener结构功率放大器的分离预失真方法 | 第42-50页 |
| ·Wiener系统及其预失真结构 | 第42-43页 |
| ·分离原理 | 第43-44页 |
| ·分离预失真方法 | 第44页 |
| ·预失真器中各参数的最陡下降辩识算法 | 第44-46页 |
| ·仿真 | 第46-49页 |
| ·小结 | 第49-50页 |
| 第5章 基于神经网络的预失真方法 | 第50-64页 |
| ·神经网络的基本原理 | 第51-54页 |
| ·神经元模型 | 第51-52页 |
| ·神经元学习规则 | 第52页 |
| ·神经网络常见结构 | 第52-53页 |
| ·BP网的误差反向传播算法 | 第53-54页 |
| ·基于神经网络的预失真器建模 | 第54-56页 |
| ·直接和非直接学习结构比较 | 第56-60页 |
| ·训练样本质量对神经网络性能的影响 | 第56-57页 |
| ·直接和非直接学习结构 | 第57-58页 |
| ·两种结构下的训练样本质量分析 | 第58-60页 |
| ·直接学习结构下反向传播算法的实现 | 第60页 |
| ·仿真实例 | 第60-63页 |
| ·训练误差相同时,测试误差比较 | 第61-62页 |
| ·学习曲线比较 | 第62-63页 |
| ·功率谱比较 | 第63页 |
| ·小结 | 第63-64页 |
| 第6章 基于支持向量机的预失真方法 | 第64-84页 |
| ·支持向量机概述 | 第64-67页 |
| ·分类问题 | 第65-66页 |
| ·用于回归函数估计的支持向量机 | 第66-67页 |
| ·支持向量机的回归算法 | 第67页 |
| ·支持向量机预失真器建模 | 第67-70页 |
| ·记忆非线性放大器模型及参数 | 第67-68页 |
| ·支持向量机预失真器建模 | 第68-69页 |
| ·支持向量机预失真器的训练方法 | 第69-70页 |
| ·核函数分类及特点 | 第70-75页 |
| ·局部核函数和全局核函数 | 第70-71页 |
| ·组合核函数及其归一化 | 第71-73页 |
| ·径向基、多项式和组合核函数的性能比较 | 第73-75页 |
| ·仿真实例 | 第75-82页 |
| ·基于组合核函数的支持向量机预失真器性能 | 第80-81页 |
| ·支持向量机预失真器与神经网络预失真器的EVM比较 | 第81-82页 |
| ·小结 | 第82-84页 |
| 第7章 基于SMO算法偏置改进的预失真方法 | 第84-98页 |
| ·一种快速的支持向量机算法——SMO | 第84-85页 |
| ·Keerthi的改进SMO算法 | 第85-88页 |
| ·偏置计算的改进 | 第88-92页 |
| ·Keerthi的SMO算法偏置计算中存在的问题 | 第88-90页 |
| ·偏置优化的一维凸性证明 | 第90-92页 |
| ·仿真算例 | 第92-95页 |
| ·新算法正确性验证 | 第92页 |
| ·新算法在预失真器建模中的应用 | 第92-95页 |
| ·仿真实例 | 第95-96页 |
| ·小结 | 第96-98页 |
| 第8章 基于支持向量机管道压缩模型的预失真方法 | 第98-109页 |
| ·支持向量机快速算法的研究概况 | 第98-99页 |
| ·管道压缩模型 | 第99-103页 |
| ·样本提取的基本原理 | 第99-100页 |
| ·管道压缩模型的提出及描述 | 第100-102页 |
| ·改进算法 | 第102-103页 |
| ·仿真算例 | 第103-106页 |
| ·boston housing数据集 | 第103-105页 |
| ·记忆功率放大器模型的预失真 | 第105-106页 |
| ·仿真实例 | 第106-108页 |
| ·小结 | 第108-109页 |
| 结论 | 第109-111页 |
| 1 本文的主要结论 | 第109-110页 |
| 2 今后工作的展望 | 第110-111页 |
| 致谢 | 第111-112页 |
| 参考文献 | 第112-122页 |
| 攻读博士学位期间发表的论文 | 第122-123页 |
| 攻读博士学位期间参与的科研项目 | 第123页 |