UFMC-MIMO系统中串扰和HPA非线性失真补偿方案

为实现通用多载波形(UFMC)和多输入多输出(MIMO)相结合的可靠的通信系统,需要一种能高效补偿由MIMO系统中非线性高功率放大器(HPA)引起的失真和非线性串扰带来的综合问题的技术。本文采用一种基于交叉神经网络(CONN)的非线性补偿器来修正非线性串扰和HPA的非线性失真,并且改进了神经网络的输入层,采用抽头延迟线技术进一步解决了记忆性非线性串扰的影响。补偿器利用反向传播的神经网络的拟合特性,采用Levenberg Marquardt(LM)训练算法训练拟合出受非线性串扰影响的HPA逆函数,将其置于HPA后以达到自适应补偿的作用。通过仿真试验证明了该补偿方案能很好地补偿串扰和非线性失真对系统性能的影响,且对于加入记忆性串扰的非线性失真具有良好的补偿特性。

UFMC系统中基于Volterra滤波器的非线性失真补偿方案

为实现通用滤波多载波(UFMC)通信系统高效、可靠的通信性能,需在最大程度上补偿由记忆型高功率放大器(HPA)引起的非线性失真.为解决HPA造成的失真问题,本文提出了一种基于Volterra滤波器的非线性失真补偿(V-NLDC)技术.该技术利用了Volterra级数的稀疏特性和能够模拟任意精度非线性系统的性质以逐次逼近的方式对信号进行预失真.将预失真后的信号传送至HPA,然后采用噪声消除器做进一步噪声消除处理,以达到更小失真度的目的.同时,本研究采用收敛速度快、性能稳定的自适应最小二乘法(RLS),可根据环境变化自适应地计算Volterra滤波器和噪声消除器的系数.通过大量蒙特卡罗仿真实验证实了所提出的非线性失真补偿技术可以很好的补偿由记忆型HPA非线性失真所造成的影响,从而优化系统性能.

OQAM-FBMC系统中HPA非线性失真的自适应补偿方案

针对高功率放大器(HPA)的非线性特性,提出了基于神经网络的非线性补偿方法.根据反向传播神经网络(BP NN)对于非线性函数的拟合性,利用间接学习方式和迭代算法拟合出HPA的逆函数,并将其与HPA串联,达到非线性补偿的作用.针对HPA参数固定及时变的两种情况,提出了固定非线性补偿方案和自适应非线性补偿方案.仿真结果表明两种方案均对系统中HPA引起的非线性失真具有较好的补偿效果,其中自适应非线性补偿方案性能更好,且对于HPA参数的时变性跟踪效果更佳.