基于无线移动衰落信道下的多天线系统(Multiple Input Multiple Output,MIMO)传输模型和信号周期平稳特性理论,研究了基于垂直分层空时码(Vertical Bell Laboratories Layered Space Time,V-BLAST)技术的MIMO信号的周期平稳特性。理论...基于无线移动衰落信道下的多天线系统(Multiple Input Multiple Output,MIMO)传输模型和信号周期平稳特性理论,研究了基于垂直分层空时码(Vertical Bell Laboratories Layered Space Time,V-BLAST)技术的MIMO信号的周期平稳特性。理论分析和仿真结果显示:衰落信道下的MIMO系统接收信号具有周期平稳特性,如果对接收信号进行过抽样,则可以获得具有周期平稳特性的接收序列,从而可以利用周期平稳特性理论进行数字化的信号处理。展开更多
针对强记忆功放的非线性问题,提出一种基于自适应扩展卡尔曼滤波与神经网络的高功放(High power amplifier,HPA)预失真算法.采用实数固定延时神经网络(Real-valued focused time-delay neural network,RVFTDNN)对间接学习结构预失真系...针对强记忆功放的非线性问题,提出一种基于自适应扩展卡尔曼滤波与神经网络的高功放(High power amplifier,HPA)预失真算法.采用实数固定延时神经网络(Real-valued focused time-delay neural network,RVFTDNN)对间接学习结构预失真系统中的预失真器和逆估计器进行建模,扩展卡尔曼滤波(Extended Kalman filter,EKF)算法训练神经网络,从理论上指出Levenberg-Marquardt(LM)算法是EKF算法的特殊情况,并用李亚普诺夫稳定性理论分析EKF算法的稳定收敛条件,推导出测量误差矩阵的自适应迭代公式.结果表明:自适应EKF算法的训练误差和泛化误差均比LM算法更低,预失真后的邻道功率比(Adjacent channel power ratio,ACPR)比LM算法改善了2 d B.展开更多
为克服现有神经网络预失真方法复杂度高、易陷入局域最小等缺陷,提出一种正交差分进化磷虾群(ODEKH)与neuron-by-neuron(NBN)算法联合优化实数固定延时全连接级联神经网络(RVFTDFCCNN)的高功率放大器预失真方法。采用RVFTDFCCNN对预失...为克服现有神经网络预失真方法复杂度高、易陷入局域最小等缺陷,提出一种正交差分进化磷虾群(ODEKH)与neuron-by-neuron(NBN)算法联合优化实数固定延时全连接级联神经网络(RVFTDFCCNN)的高功率放大器预失真方法。采用RVFTDFCCNN对预失真系统中的预失真器和逆估计器进行建模,通过ODEKH算法进行全局搜索获得RVFTDFCCNN的初始化参数,再用NBN算法对RVFTDFCCNN进行训练,同时根据复合函数求偏导数的链式规则,从2个层次对NBN算法中的Jacobian矩阵元素计算进行优化。采用宽带DTMB信号作为输入信号,对预失真系统进行仿真。结果表明:当训练误差和泛化误差均在同一数量级时,RVFTDFCCNN的NBN算法计算量比单隐层(SHL)神经网络明显降低;ODEKH算法比传统磷虾群算法具有更快的收敛速度,ODEKH-NBN联合算法的训练精度比Levenberg-Marquardt(LM)算法提高一个数量级,预失真后的邻道功率比(ACPR)比LM算法改善了2 d B。说明本文的预失真方法具有较低的复杂度和良好的预失真性能。展开更多
文摘基于无线移动衰落信道下的多天线系统(Multiple Input Multiple Output,MIMO)传输模型和信号周期平稳特性理论,研究了基于垂直分层空时码(Vertical Bell Laboratories Layered Space Time,V-BLAST)技术的MIMO信号的周期平稳特性。理论分析和仿真结果显示:衰落信道下的MIMO系统接收信号具有周期平稳特性,如果对接收信号进行过抽样,则可以获得具有周期平稳特性的接收序列,从而可以利用周期平稳特性理论进行数字化的信号处理。
文摘针对强记忆功放的非线性问题,提出一种基于自适应扩展卡尔曼滤波与神经网络的高功放(High power amplifier,HPA)预失真算法.采用实数固定延时神经网络(Real-valued focused time-delay neural network,RVFTDNN)对间接学习结构预失真系统中的预失真器和逆估计器进行建模,扩展卡尔曼滤波(Extended Kalman filter,EKF)算法训练神经网络,从理论上指出Levenberg-Marquardt(LM)算法是EKF算法的特殊情况,并用李亚普诺夫稳定性理论分析EKF算法的稳定收敛条件,推导出测量误差矩阵的自适应迭代公式.结果表明:自适应EKF算法的训练误差和泛化误差均比LM算法更低,预失真后的邻道功率比(Adjacent channel power ratio,ACPR)比LM算法改善了2 d B.
文摘为克服现有神经网络预失真方法复杂度高、易陷入局域最小等缺陷,提出一种正交差分进化磷虾群(ODEKH)与neuron-by-neuron(NBN)算法联合优化实数固定延时全连接级联神经网络(RVFTDFCCNN)的高功率放大器预失真方法。采用RVFTDFCCNN对预失真系统中的预失真器和逆估计器进行建模,通过ODEKH算法进行全局搜索获得RVFTDFCCNN的初始化参数,再用NBN算法对RVFTDFCCNN进行训练,同时根据复合函数求偏导数的链式规则,从2个层次对NBN算法中的Jacobian矩阵元素计算进行优化。采用宽带DTMB信号作为输入信号,对预失真系统进行仿真。结果表明:当训练误差和泛化误差均在同一数量级时,RVFTDFCCNN的NBN算法计算量比单隐层(SHL)神经网络明显降低;ODEKH算法比传统磷虾群算法具有更快的收敛速度,ODEKH-NBN联合算法的训练精度比Levenberg-Marquardt(LM)算法提高一个数量级,预失真后的邻道功率比(ACPR)比LM算法改善了2 d B。说明本文的预失真方法具有较低的复杂度和良好的预失真性能。