基于压缩感知追踪算法的低计算量分组稀疏均衡方案

在广义频分复用(Generalized Frequency Division Multiplexing,GFDM)系统中,为了应对复杂的信道带来的符号间干扰,基于信道的稀疏特性,使用广义记忆多项式(Generalized Memory Polynomial,GMP)模型对均衡器输入信号进行非线性建模,进而提出了一种基于压缩感知追踪算法和分组数据模式的低计算量分组稀疏均衡方案。该方案中,为了适应复杂变化的信道,均衡过程中采用了分组数据模式,此外,利用分块矩阵求逆的原理,摒弃了复杂的矩阵求逆运算,在每步的循环中使用矩阵乘法进行迭代计算的方式对正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法及双正交匹配追踪(Double OMP,DOMP)算法进行了改进。仿真结果表明,此分组数据模式有效地改善了均衡效果,同时提出的改进算法在保证误符号率性能的前提下明显地降低了计算量,提升了运算速度。

一种简化Volterra级数的记忆功放行为模型

考虑强非线性和长记忆效应的功放行为模型,需要降低Volterra级数模型的辨识参数,提出了一种基于简化Volterra级数的功率放大器行为模型。通过对广义记忆多项式模型(GMP)中的交叉相乘项的记忆时间距离l进行有效控制,可以在满足系统误差要求的同时减少辨识参数的数量。仿真结果表明,简化的Volterra级数模型性能优于记忆多项式模型(MP),略低于GMP模型,模型辨识参数大大减少。

GFDM中基于高阶长短时记忆神经网络的自适应均衡器

在广义频分复用系统(GFDM)中,为解决5G网络下车载移动通信在Sub-6 GHz频段信道中信号严重失真的问题,提出一种基于高阶长短时记忆神经网络(HO-LSTM)结构的自适应均衡器。HO-LSTM自适应均衡器在传统高阶前馈神经网络(HO-FNN)的基础上,采用复杂度更低的广义记忆多项式模型(GMP)代替Volterra模型,并引入LSTM神经网络使其更适用于复杂非线性模型的预测。结果表明,相比于传统HO-FNN均衡器和LSTM均衡器,所提出的HO-LSTM均衡器的均衡效果显著提升,系统性能也得到进一步改善。

一种优化的神经网络数字预失真方法

提出一种基于遗传算法和低阶广义记忆多项式实值神经网络的射频功率放大器数字预失真方法。该方法将遗传算法优化的低阶广义记忆多项式模型与神经网络模型进行级联来增强校正模型与功放失真的匹配程度。它不仅可以提升模型的校正能力,同时可以加快网络的收敛速度。采用60MHz的三载波LTE信号进行实验,通过与实值延时线神经网络模型对比,在收敛速度上有显著提升,同时在邻道功率泄露ACLR指标上有6 d B左右改善。

基于分段线性函数的功放模型及数字预失真应用

为了克服通信系统中功率放大器的非线性和记忆效应,数字预失真技术成为研究的热点。提出一种基于分段线性函数的多项式模型,与广义记忆多项式模型相比,我们把多项式中的高阶项转换为分段求和项,消除了高阶相乘带来的不稳定性,同时由于分段阈值的存在,该模型的适用性和稳定性均有所提高。把功放模型应用于数字预失真结构中的实验结果表明:与广义记忆多项式模型相比,分段线性函数模型所需系数要少40%,邻信道功率比提高约1dB,归一化均方误差提高约8dB,因此该模型在数字预失真方面具有较好的效果。

变步长LMS算法及在数字预失真中的应用

为了解决共址平台上多条无线电链路之间的相互干扰问题,结合设备降功耗、重量和体积需求,使用数字预失真技术改善功放的带外非线性,降低对共址滤波器的抑制度要求,同时提升功放效率,简化散热设计。归一化LMS的收敛速度比LMS有了较大提升,但调整步长时仅考虑了输入信号,没有利用误差信号提供的信息,因此提出一种自适应变步长的LMS算法。该算法利用输入信号和误差信号提供的信息,实时调整迭代步长。实验表明,在相近的收敛时间下,稳态性能提升了5 dB。

5G宽带功率放大器行为模型重构算法仿真研究

构建精确的功率放大器行为模型有助于设计及优化强非线性射频功放系统,也能够为功放预失真器的设计提供模型依据。因此,为获取高效简洁的功放行为模型,提出一种基于Dice准则的最小二乘算法(Least Squares Algorithm),借助粒子群优化方法(Particle Swarm Optimization,PSO)进行模型参数优化,这种新的功放行为模型重构算法称为DLS-PSO算法,将DLS-PSO算法用于非线性广义记忆多项式功率放大器的系数裁剪,仿真结果表明,DLS-PSO算法的稀疏模型能够有效提高功放模型的建模精度及求解模型参数的收敛速度。