射頻功放非線性建模分析與預失真算法研究

目 錄
第1章 研究現狀概述\t（1）
1．1 功放行為模型研究現狀及發(fā)展\t（2）
1．2 預失真技術的研究現狀及發(fā)展\t（7）
參考文獻\t（9）
第2章 功率放大器非線性特性\t（11）
2．1 功率放大器的非線性\t（11）
2．1．1 諧波失真\t（11）
2．1．2 互調失真\t（12）
2．1．3 AM/AM和AM/PM失真\t（13）
2．2 功率放大器的記憶效應\t（14）
2．2．1 記憶效應產生的原因\t（14）
2．2．2 消除記憶效應的方法\t（16）
2．3 功放非線性對通信系統(tǒng)的影響\t（16）
2．3．1 鄰信道功率比（ACPR）\t（16）
2．3．2 誤差矢量幅度（EVM）\t（17）
參考文獻\t（18）
第3章 功放行為模型與非線性分析基礎\t（19）
3．1 無記憶行為模型\t（19）
3．2 有記憶行為模型\t（20）
3．2．1 Volterra級數模型與記憶多項式模型\t（20）
3．2．2 Hammerstein模型與Wiener模型\t（23）
3．2．3 神經網絡模型\t（24）
3．2．4 非線性功放輸入輸出關系\t（30）
3．2．5 支持向量機模型\t（31）
3．2．6 X參數模型\t（34）
3．2．7 動態(tài)X參數理論\t（36）
3．3 非線性電路分析方法理論基礎\t（36）
3．3．1 諧波平衡法\t（36）
3．3．2 擬牛頓法\t（39）
3．3．3 蟻群算法\t（40）
3．3．4 蜂群算法\t（41）
參考文獻\t（42）
第4章 功放預失真概述\t（44）
4．1 預失真技術的原理與分類\t（44）
4．1．1 預失真技術的原理\t（44）
4．1．2 預失真技術的分類\t（45）
4．2 數字預失真主流技術\t（46）
4．2．1 查找表與多項式預失真\t（46）
4．2．2 自適應學習結構\t（47）
參考文獻\t（49）
第5章 Volterra級數功放建模\t（50）
5．1 記憶效應非線性功放擴展Volterra模型分析與構建\t（50）
5．1．1 Volterra-Chebyshev模型推導與分析\t（51）
5．1．2 Volterra-Laguerre模型分析與推導\t（53）
5．1．3 模型仿真實驗\t（55）
5．2 寬帶功率放大器的PGSC建模和數字預失真研究\t（56）
5．2．1 新型PGSC行為模型分析\t（57）
5．2．2 PGSC模型的辨識\t（59）
5．2．3 測試結果\t（59）
5．3 LMEC研究及預失真應用\t（63）
5．3．1 LMEC行為模型描述\t（64）
5．3．2 模型識別\t（66）
5．3．3 模型性能評估\t（67）
5．3．4 預失真應用\t（68）
5．4 改進的動態(tài)記憶多項式功放模型及預失真應用\t（69）
5．4．1 改進的多支路組合功放行為模型\t（70）
5．4．2 功放模型評估與驗證\t（71）
5．4．3 預失真應用\t（71）
5．5 分裂增強型Hammerstein模型的研究\t（74）
5．5．1 模型分析\t（75）
5．5．2 功放設計及參數提取\t（76）
5．5．3 模型仿真實驗\t（76）
5．6 新型Hammerstein動態(tài)非線性功放模型及預失真應用\t（79）
5．6．1 改進的Hammerstein模型\t（79）
5．6．2 模型仿真與驗證\t（81）
參考文獻\t（84）
第6章 神經網絡功放建模\t（87）
6．1 基于RBF神經網絡射頻功放行為模型研究\t（87）
6．1．1 RBF神經網絡結構和學習算法\t（87）
6．1．2 基于RBF神經網絡的功放建模\t（90）
6．2 基于BP-RBF神經網絡的射頻功放行為模型研究\t（93）
6．2．1 三種模型理論分析\t（93）
6．2．2 3G功放設計及數據提取\t（95）
6．2．3 三種模型仿真實驗\t（97）
6．3 改進的簡化粒子群算法優(yōu)化模糊神經網絡建模\t（99）
6．3．1 模糊神經網絡功放模型\t（100）
6．3．2 改進的粒子群算法\t（102）
6．3．3 功放建模仿真分析\t（105）
6．4 基于改進粒子群算法的模糊小波神經網絡建模\t（108）
6．4．1 自適應模糊小波神經網絡\t（108）
6．4．2 改進粒子群算法\t（110）
6．4．3 功放建模與仿真\t（111）
6．5 基于粗糙集理論的PSO-IOIF-Elman神經網絡建模\t（115）
6．5．1 OIF-Elman神經網絡模型\t（115）
6．5．2 簡化PSO優(yōu)化OIF-Elman神經網絡\t（117）
6．5．3 基于粗糙集理論的功放預測值修正\t（117）
6．5．4 功放建模仿真及結果\t（118）
6．6 神經網絡逆建模方法及其應用\t（121）
6．6．1 逆建模方法\t（123）
6．6．2 更新算法\t（124）
6．6．3 應用實例及仿真分析\t（125）
參考文獻\t（129）
第7章 X參數功放建模\t（133）
7．1 基于X參數晶體管模型的寬帶功率放大器設計\t（133）
7．1．1 X參數的提取\t（134）
7．1．2 X參數模型描述\t（134）
7．1．3 與負載無關的X參數提取方法\t（135）
7．1．4 寬帶功率放大器設計\t（136）
7．1．5 仿真與測試\t（137）
7．2 基于功放記憶效應的動態(tài)X參數模型的研究\t（138）
7．2．1 動態(tài)X參數理論\t（139）
7．2．2 改進的動態(tài)X參數模型\t（141）
7．2．3 新模型核函數的提取\t（142）
7．2．4 仿真和數據分析\t（143）
參考文獻\t（144）
第8章 其他功放建模\t（146）
8．1 基于動態(tài)有理函數的功放模型及預失真應用\t（146）
8．1．1 模型分析\t（146）
8．1．2 模型確定與系數提取\t（148）
8．1．3 模型性能評估\t（149）
8．1．4 預失真應用\t（152）
8．2 基于PSO_SVM的射頻功率放大器模型\t（153）
8．2．1 支持向量機（SVM）與粒子群算法（PSO）\t（153）
8．2．2 仿真實驗與結果分析\t（154）
參考文獻\t（156）
第9章　非線性電路分析方法\t（158）
9．1 基于Volterra級數改進的混合遺傳算法在 諧波平衡中的應用\t（158）
9．1．1 諧波平衡理論\t（159）
9．1．2 改進的混合遺傳算法\t（160）
9．1．3 仿真與數據分析\t（164）
9．2 擬牛頓粒子群算法在非線性電路諧波 平衡方程中的應用\t（167）
9．2．1 諧波平衡分析\t（168）
9．2．2 擬牛頓粒子群算法\t（169）
9．2．3 實驗仿真分析\t（171）
9．3 混合蟻群算法在非線性諧波平衡分析中的應用\t（172）
9．3．1 諧波平衡的基本原理\t（173）
9．3．2 混合蟻群算法\t（174）
9．3．3 實驗仿真分析\t（176）
參考文獻\t（178）
第10章 預失真算法與應用\t（180）
10．1 功放數字基帶預失真理論分析和仿真實現\t（181）
10．1．1 數字基帶預失真結構\t（181）
10．1．2 數字預失真器傳輸函數理論推導\t（182）
10．1．3 數字基帶預失真的仿真實現\t（183）
10．2 雙環(huán)結構的數字預失真方法研究\t（185）
10．2．1 雙環(huán)結構的預失真結構\t（185）
10．2．2 實驗驗證及結果分析\t（187）
10．3 峰均比抑制與預失真在OFDM-ROF系統(tǒng)中的應用\t（189）
10．3．1 OFDM-ROF系統(tǒng)分析\t（189）
10．3．2 OFDM-ROF系統(tǒng)非線性失真分析\t（191）
10．3．3 聯合仿真系統(tǒng)搭建\t（192）
10．3．4 聯合仿真結果\t（193）
10．4 改進算法的峰均比抑制聯合預失真技術\t（195）
10．4．1 系統(tǒng)模型\t（196）
10．4．2 數字預失真系統(tǒng)\t（197）
10．4．3 預失真與峰均比抑制聯合\t（198）
10．4．4 實驗結果與分析\t（200）
10．5 稀疏的歸一化功放模型及預失真應用\t（203）
10．5．1 模型描述\t（204）
10．5．2 模型稀疏化及辨識\t（205）
10．5．3 模型性能驗證\t（207）
10．5．4 預失真應用\t（208）
10．6 簡化濾波器查找表與神經網絡聯合預失真方法\t（210）
10．6．1 濾波器查找表預失真\t（210）
10．6．2 改進的濾波器查找表與神經網絡聯合預失真\t（211）
10．6．3 實驗結果與分析\t（214）
10．7 BP逆模型離線訓練自適應預失真方法\t（216）
10．7．1 基于BP神經網絡離線訓練自適應預失真方法\t（217）
10．7．2 實驗與比較分析\t（221）
10．8 基于自適應模糊神經網絡的功放預失真方法\t（224）
10．8．1 模糊神經網絡模型結構\t（224）
10．8．2 自適應預失真新方法\t（225）
10．8．3 實驗驗證分析\t（228）
參考文獻\t（230）