一种低噪声放大器的自适应阻抗匹配网络模型的设计

为了解决微弱信号检测过程中的输入噪声匹配问题,文章根据低噪声放大器的噪声匹配特点设计了一种自适应阻抗匹配网络模型;该模型通过实时测算信号源阻抗和低噪声放大器最佳源阻抗的变化自动调整匹配网络的相关参数,从而达到输入阻抗匹配的目的;仿真实验结果表明,此模型在一定程度上能较为准确地实现低噪声放大器的噪声匹配,稳定性较好,解决了微弱信号检测中因源阻抗的变化引起的放大器噪声系数恶化、检测灵敏度下降等问题,具有一定的工程应用意义。

适用于天线失配修正的自适应匹配网络(英文)

在无线信号传输链路中,功率放大器是最耗能的器件之一,无论是在正常工作模式下还是在天线失配的情况下,功率放大器的效率一直是设计的重要考量.特别在天线失配的情况下,呈现在功率放大器输出端不断变化的失配天线负载情况将会使功率放大器的效率严重恶化.对适用于天线失配修正的基于可变电容构建的自适应匹配网络进行了可行性分析,重点对基于LC谐振腔所设计的Π型匹配网络从功率增益、史密斯圆图覆盖率和可变电容有效调谐范围几个方面进行了性能优化.分析表明,在自适应匹配网络的帮助下,全角度变化VSWR=10表征的天线失配情况可以被修正到所需的理想负载匹配情况(ΓLstage=0),以保证功率放大器工作在高效模式下,由此功率放大器获得了明显的效率提升和线性度改善.

基于遗传算法的SFAM训练样本序列的确定

训练样本集输入序列的确定直接关系到简单自适应谐振匹配网络(SFAM)作为分类器的执行性能,已有确定算法包括随机序列仿真算法、投票决策算法和最大-最小序列算法。基于遗传算法作为一种全局搜索算法的特点,本文提出用遗传算法实现SFAM训练样本集最优输入序列确定的方法,并以加州大学Irvine分校机器学习数据库作为实验样本库,实验结果表明,该算法比投票决策算法和最大-最小序列算法对提升SFAM网络分类器的分类精度和降低训练时间更为有效。