| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-25页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究进展 | 第13-22页 |
| 1.2.1 功率放大器行为建模的研究进展 | 第13-19页 |
| 1.2.2 数字预失真的研究进展 | 第19-22页 |
| 1.3 论文主要研究内容与创新 | 第22-23页 |
| 1.4 论文结构及章节安排 | 第23-25页 |
| 第2章 功率放大器行为建模及其数字预失真技术基础 | 第25-42页 |
| 2.1 引言 | 第25页 |
| 2.2 功率放大器的非线性和记忆效应 | 第25-33页 |
| 2.2.1 功率放大器的无记忆非线性特性 | 第25-29页 |
| 2.2.2 功率放大器的记忆效应 | 第29-32页 |
| 2.2.3 记忆非线性效应对通信信号的影响 | 第32-33页 |
| 2.3 数字预失真线性化技术 | 第33-37页 |
| 2.3.1 数字预失真原理和组成 | 第33-34页 |
| 2.3.2 数字预失真器参数辨识方法 | 第34-37页 |
| 2.4 功率放大器行为模型的建立及辨识过程 | 第37-39页 |
| 2.5 常见功率放大器及其数字预失真模型 | 第39-41页 |
| 2.6 本章小结 | 第41-42页 |
| 第3章 基于多项式的改进功率放大器模型和算法 | 第42-64页 |
| 3.1 引言 | 第42-43页 |
| 3.2 组合交叉项的记忆多项式功率放大器模型 | 第43-54页 |
| 3.2.1 遗传算法的基本原理和步骤 | 第44-46页 |
| 3.2.2 模型结构及其参数辨识算法 | 第46-50页 |
| 3.2.3 CMMB系统测试平台 | 第50-51页 |
| 3.2.4 实验与仿真结果 | 第51-54页 |
| 3.3 稳健的记忆多项式预失真器参数辨识算法 | 第54-63页 |
| 3.3.1 基于Tikhonov正则化和矩阵QR分解的参数辨识算法 | 第55-57页 |
| 3.3.2 数字预失真仿真结果 | 第57-63页 |
| 3.4 本章小结 | 第63-64页 |
| 第4章 正交归一化Hermite多项式基神经网络(OHPBNN)功率放大器模型 | 第64-82页 |
| 4.1 引言 | 第64-65页 |
| 4.2 基于神经网络的功率放大器行为模型分析 | 第65-68页 |
| 4.3 OHPBNN功率放大器模型 | 第68-76页 |
| 4.3.1 Hermite正交多项式理论基础 | 第68-71页 |
| 4.3.2 OHPBNN功率放大器模型 | 第71-73页 |
| 4.3.3 OHPBNN行为建模实验结果 | 第73-76页 |
| 4.4 动态模糊加权的OHPBNN功率放大器模型 | 第76-81页 |
| 4.4.1 DFW-OHPBNN模型的构建过程 | 第77-79页 |
| 4.4.2 DFW-OHPBNN行为建模和预失真实验结果 | 第79-81页 |
| 4.5 本章小结 | 第81-82页 |
| 第5章 基于局部建模方法的功率放大器模型 | 第82-98页 |
| 5.1 引言 | 第82-83页 |
| 5.2 记忆深度的定性确定 | 第83-87页 |
| 5.3 局部模型网络功率放大器模型 | 第87-97页 |
| 5.3.1 局部模型网络 | 第87-90页 |
| 5.3.2 局部模型网络功率放大器模型 | 第90-93页 |
| 5.3.3 功率放大器行为建模验证结果 | 第93-95页 |
| 5.3.4 局部模型网络预失真线性化结果 | 第95-97页 |
| 5.4 本章小结 | 第97-98页 |
| 结论与展望 | 第98-101页 |
| 总结 | 第98-99页 |
| 未来工作开展 | 第99-101页 |
| 致谢 | 第101-102页 |
| 参考文献 | 第102-118页 |
| 附录 | 第118-131页 |
| 附录Ⅰ 组合交叉项的记忆多项式模型构造算法部分代码 | 第118-123页 |
| 附录Ⅱ 正交归一化OHPBNN模型构造算法部分代码 | 第123-126页 |
| 附录Ⅲ 简化局部模型网络构造算法部分代码 | 第126-131页 |
| 攻读博士学位期间取得的学术成果 | 第131页 |
