一种优化的神经网络数字预失真方法.rar_预失真_DPD_数学计算

<html xmlns="http://www.w3.org/1999/xhtml"> <head> <meta charset="utf-8"> <meta name="generator" content="pdf2htmlEX"> <meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1"> <link rel="stylesheet" href="https://static.pudn.com/base/css/base.min.css"> <link rel="stylesheet" href="https://static.pudn.com/base/css/fancy.min.css"> <link rel="stylesheet" href="https://static.pudn.com/prod/directory_preview_static/625445b447503a0a93a416e4/raw.css"> <script src="https://static.pudn.com/base/js/compatibility.min.js"></script> <script src="https://static.pudn.com/base/js/pdf2htmlEX.min.js"></script> <script> try{ pdf2htmlEX.defaultViewer = new pdf2htmlEX.Viewer({}); }catch(e){} </script> <title></title> </head> <body> <div id="sidebar" style="display: none"> <div id="outline"> </div> </div> <div id="pf1" class="pf w0 h0" data-page-no="1"><div class="pc pc1 w0 h0"><img class="bi x0 y0 w1 h1" alt="" src="https://static.pudn.com/prod/directory_preview_static/625445b447503a0a93a416e4/bg1.jpg"><div class="t m0 x1 h2 y1 ff1 fs0 fc0 sc0 ls0 ws0"> 年  月</div><div class="t m0 x2 h2 y2 ff2 fs0 fc0 sc0 ls0 ws0">第  卷第  期</div><div class="t m0 x3 h3 y1 ff2 fs0 fc0 sc0 ls0 ws0">西 北 工 业 大 学 学 报</div><div class="t m0 x4 h4 y2 ff3 fs0 fc0 sc0 ls0 ws0">Ｊｏｕｒｎａｌ ｏｆ Ｎｏｒｔｈｗｅｓｔｅｒｎ Ｐｏｌｙｔｅｃｈｎｉｃａｌ Ｕｎｉｖｅｒｓｉｔｙ</div><div class="t m0 x5 h2 y1 ff3 fs0 fc0 sc0 ls0 ws0">Ｄｅｃ</div><div class="t m0 x6 h2 y2 ff3 fs0 fc0 sc0 ls0 ws0">Ｖｏｌ</div><div class="t m0 x7 h2 y1 ff1 fs0 fc0 sc0 ls0 ws0"></div><div class="t m0 x7 h2 y2 ff3 fs0 fc0 sc0 ls0 ws0">Ｎｏ</div><div class="t m0 x2 h2 y3 ff4 fs0 fc0 sc0 ls0 ws0">收稿日期</div><div class="t m0 x2 h2 y4 ff4 fs0 fc0 sc0 ls0 ws0">作者简介张 烈西北工业大学博士研究生主要从事射频功率放大器行为建模与数字预失真研究</div><div class="t m0 x8 h5 y5 ff4 fs1 fc0 sc0 ls0 ws0">一 种 优 化 的 神 经 网 络 数 字 预 失 真 方 法</div><div class="t m0 x9 h6 y6 ff5 fs2 fc0 sc0 ls0 ws0">张烈 冯燕</div><div class="t m0 xa h2 y7 ff1 fs0 fc0 sc0 ls0 ws0">西北工业大学 电子信息学院 陕西 西安</div><div class="t m0 xb h7 y8 ff4 fs3 fc0 sc0 ls0 ws0">摘要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</div><div class="t m0 xb h7 y9 ff5 fs3 fc0 sc0 ls0 ws0">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</div><div class="t m0 xb h7 ya ff5 fs3 fc0 sc0 ls0 ws0">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 </div><div class="t m0 xb h7 yb ff3 fs3 fc0 sc0 ls0 ws0">ＭＨｚ 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</div><div class="t m0 xb h7 yc ff5 fs3 fc0 sc0 ls0 ws0">同时在邻道功率泄露 ＡＣＬＲ 指标上有  ｄＢ 左右改善</div><div class="t m0 xb h7 yd ff4 fs3 fc0 sc0 ls0 ws0">关键词射频功率放大器数字预失真神经网络模型广义记忆多项式模型实值延时线神经</div><div class="t m0 xc h7 ye ff5 fs3 fc0 sc0 ls0 ws0">网络模型遗传算法</div><div class="t m0 xb h7 yf ff4 fs3 fc0 sc0 ls0 ws0">中图分类号ＴＮ文献标志码Ａ文章编号</div><div class="t m0 x2 h7 y10 ff1 fs3 fc0 sc0 ls0 ws0">射频功率放大器</div><div class="t m0 xd h8 y11 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 xe h9 y10 ff2 fs3 fc0 sc0 ls0 ws0">的数字预失真技术</div><div class="t m0 xf h8 y11 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x10 h9 y10 ff2 fs3 fc0 sc0 ls0 ws0">主要</div><div class="t m0 x2 h7 y12 ff2 fs3 fc0 sc0 ls0 ws0">使用的神经网络模型可以分为  类前馈多层感知</div><div class="t m0 x2 h7 y13 ff2 fs3 fc0 sc0 ls0 ws0">机神经网络模型径向基神经网络模型以及反馈回</div><div class="t m0 x2 h7 y14 ff2 fs3 fc0 sc0 ls0 ws0">归神经网络模型 文献 中利用后向传播学习方</div><div class="t m0 x2 h9 y15 ff2 fs3 fc0 sc0 ls0 ws0">法计算前馈多层感知机神经网络模型参数使模型非</div><div class="t m0 x2 h7 y16 ff2 fs3 fc0 sc0 ls0 ws0">常适合用于功放的非线性行为建模 由于发射机的</div><div class="t m0 x2 h7 y17 ff2 fs3 fc0 sc0 ls0 ws0">数字信号是复数的 Ｉ Ｑ 信号所以可以按照幅度与</div><div class="t m0 x2 h7 y18 ff2 fs3 fc0 sc0 ls0 ws0">相位分别进行建模补偿文献就是采用这种方</div><div class="t m0 x2 h7 y19 ff2 fs3 fc0 sc0 ls0 ws0">法处理 另一种方法在文献 中被采用它按照</div><div class="t m0 x2 h7 y1a ff2 fs3 fc0 sc0 ls0 ws0">实值 Ｉ 与 Ｑ 统一建模进行补偿 这  种方法在表达</div><div class="t m0 x2 h7 y1b ff2 fs3 fc0 sc0 ls0 ws0">记忆效应时都需要加入延迟线来完成但是后者是</div><div class="t m0 x2 h7 y1c ff2 fs3 fc0 sc0 ls0 ws0">统一建模只需要一次模型提取这对系统应用更加</div><div class="t m0 x2 h7 y1d ff2 fs3 fc0 sc0 ls0 ws0">有利 在文献 中采用径向基神经网络模型它</div><div class="t m0 x2 h7 y1e ff2 fs3 fc0 sc0 ls0 ws0">具有对动态非线性系统的建模能力 为了完成复数</div><div class="t m0 x2 h7 y1f ff2 fs3 fc0 sc0 ls0 ws0">形式的补偿径向基神经网络同样需要完成复数的</div><div class="t m0 x2 h7 y20 ff2 fs3 fc0 sc0 ls0 ws0">运算计算量不会降低 文献 中采用了反馈回</div><div class="t m0 x2 h7 y21 ff2 fs3 fc0 sc0 ls0 ws0">归神经网络模型它是在前馈网络的输出中加入反</div><div class="t m0 x2 h7 y22 ff2 fs3 fc0 sc0 ls0 ws0">馈回路来进一步增强非线性逼近性能由于反馈回</div><div class="t m0 x2 h7 y23 ff2 fs3 fc0 sc0 ls0 ws0">路的增加计算复杂度进一步增大 最近科研工作</div><div class="t m0 x2 h7 y24 ff2 fs3 fc0 sc0 ls0 ws0">者按照逼近性能收敛速度与泛化性能提出了动态</div><div class="t m0 x2 h9 y25 ff2 fs3 fc0 sc0 ls0 ws0">实值延时线神经网络模型</div><div class="t m0 x11 h8 y26 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x12 h7 y25 ff1 fs3 fc0 sc0 ls0 ws0">双隐层实值网络模</div><div class="t m0 x2 h9 y27 ff2 fs3 fc0 sc0 ls0 ws0">型</div><div class="t m0 x13 h8 y28 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x14 h7 y27 ff1 fs3 fc0 sc0 ls0 ws0">切比雪夫基模型</div><div class="t m0 xe h8 y28 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x15 h7 y27 ff1 fs3 fc0 sc0 ls0 ws0">Ｂ 样条基模型</div><div class="t m0 x16 h8 y28 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x17 h7 y27 ff1 fs3 fc0 sc0 ls0 ws0"> 层</div><div class="t m0 x2 h9 y29 ff2 fs3 fc0 sc0 ls0 ws0">记忆多项式基</div><div class="t m0 x18 h8 y2a ff1 fs4 fc0 sc0 ls0 ws0"> </div><div class="t m0 xc h7 y29 ff2 fs3 fc0 sc0 ls0 ws0">的改进方式 这些方法通过调整</div><div class="t m0 x19 h7 y10 ff2 fs3 fc0 sc0 ls0 ws0">神经网络的基函数来改善性能但是基函数调整后</div><div class="t m0 x19 h7 y2b ff2 fs3 fc0 sc0 ls0 ws0">计算复杂度随之增大降低了系统实时处理的时</div><div class="t m0 x19 h7 y2c ff2 fs3 fc0 sc0 ls0 ws0">效性</div><div class="t m0 x1a h9 y2d ff2 fs3 fc0 sc0 ls0 ws0">遗传算法是密执安大学教授 Ｈｏｌｌａｎｄ 及其学生</div><div class="t m0 x19 h7 y2e ff2 fs3 fc0 sc0 ls0 ws0">于  年创建</div><div class="t m0 x1b h8 y2f ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x1c h7 y2e ff1 fs3 fc0 sc0 ls0 ws0">是基于生物自然选择与遗传机</div><div class="t m0 x19 h7 y30 ff2 fs3 fc0 sc0 ls0 ws0">理的随机搜索与优化方法 ＲＳｐｅｒｌｉｃｈ 将其应用到</div><div class="t m0 x19 h9 y31 ff2 fs3 fc0 sc0 ls0 ws0">数字预失真的模型优化中</div><div class="t m0 x1d h8 y32 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x1e h9 y31 ff2 fs3 fc0 sc0 ls0 ws0">获得了参数优化的效</div><div class="t m0 x19 h7 y33 ff2 fs3 fc0 sc0 ls0 ws0">果 但 ＲＳｐｅｒｌｉｃｈ 并未采用神经网络模型 遗传算</div><div class="t m0 x19 h9 y34 ff2 fs3 fc0 sc0 ls0 ws0">法同样可用于优化神经网络的参数维度以及神经网</div><div class="t m0 x19 h7 y35 ff2 fs3 fc0 sc0 ls0 ws0">络的参数初值 经其优化后可以使神经网络的收敛</div><div class="t m0 x19 h7 y36 ff2 fs3 fc0 sc0 ls0 ws0">速度和收敛性能得到进一步提升 本文将把遗传算</div><div class="t m0 x19 h7 y37 ff2 fs3 fc0 sc0 ls0 ws0">法优化引入到神经网络的数字预失真模型当中</div><div class="t m0 x1a h7 y38 ff2 fs3 fc0 sc0 ls0 ws0">本文综合以上神经网络模型的优势从计算复</div><div class="t m0 x19 h7 y39 ff2 fs3 fc0 sc0 ls0 ws0">杂度收敛速度与线性化性能角度出发提出一种优</div><div class="t m0 x19 h7 y3a ff2 fs3 fc0 sc0 ls0 ws0">化的广义记忆多项式实值神经网络模型 该模型通</div><div class="t m0 x19 h9 y3b ff2 fs3 fc0 sc0 ls0 ws0">过遗传算法优化的低阶的广义记忆多项式模型来增</div><div class="t m0 x19 h7 y3c ff2 fs3 fc0 sc0 ls0 ws0">加模型与功放失真的匹配程度更加有效的补偿宽</div><div class="t m0 x19 h7 y3d ff2 fs3 fc0 sc0 ls0 ws0">带功放的记忆效应与非线性效应 优化后的参数计</div><div class="t m0 x19 h7 y3e ff2 fs3 fc0 sc0 ls0 ws0">算量可控制在合理范围且便于系统实现 神经网络</div><div class="t m0 x19 h7 y3f ff2 fs3 fc0 sc0 ls0 ws0">训 练 采 用 ＢＰＬＭ  ｂａｃｋｐｒｏｐａｇａｔｉｏｎ ｌｅｖｅｎｂｅｒｇｍａｒ</div><div class="t m0 x19 h7 y40 ff3 fs3 fc0 sc0 ls0 ws0">ｑｕａｒｄｔ</div><div class="t m0 x1f h8 y41 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x20 h7 y40 ff2 fs3 fc0 sc0 ls0 ws0">方法 实验中采用 ＬＴＥ 的  ＭＨｚ 三载</div><div class="t m0 x19 h7 y42 ff2 fs3 fc0 sc0 ls0 ws0">波信号进行验证 实验结果表明采用该方法较实值</div><div class="t m0 x19 h7 y43 ff2 fs3 fc0 sc0 ls0 ws0">延时的神经网络模型在收敛速度上较文献节</div></div><div class="pi" data-data='{"ctm":[1.829951,0.000000,0.000000,1.829951,0.000000,0.000000]}'></div></div> </body> </html>

<div id="pf2" class="pf w0 h0" data-page-no="2"><div class="pc pc2 w0 h0"><img class="bi x0 y0 w1 h1" alt="" src="https://static.pudn.com/prod/directory_preview_static/625445b447503a0a93a416e4/bg2.jpg"><div class="t m0 x21 h2 y44 ff2 fs0 fc0 sc0 ls0 ws0">西北工业大学学报 第  卷</div><div class="t m0 x2 h7 y45 ff2 fs3 fc0 sc0 ls0 ws0">省  次迭代的时间同时在邻道功率泄露 ＡＣＬＲ</div><div class="t m0 x2 h7 y46 ff2 fs3 fc0 sc0 ls0 ws0">指标上较文献 有  ｄＢ 左右改善 理论分析与</div><div class="t m0 x2 h7 y47 ff2 fs3 fc0 sc0 ls0 ws0">实验分析将在本文中进行详细阐述</div><div class="t m0 x2 h6 y48 ff7 fs2 fc0 sc0 ls0 ws0">１数字预失真原理与神经网络模型</div><div class="t m0 x2 h7 y49 ff7 fs3 fc0 sc0 ls0 ws0">１１数字预失真模型</div><div class="t m0 xb h9 y4a ff2 fs3 fc0 sc0 ls0 ws0">数字预失真技术是一种功率放大器的线性化技</div><div class="t m0 x2 h7 y4b ff2 fs3 fc0 sc0 ls0 ws0">术它被广泛应用在无线收发机系统中 传统的数</div><div class="t m0 x2 h9 y4c ff2 fs3 fc0 sc0 ls0 ws0">字预失 真 模型采用广义记 忆 多 项 式 模 型</div><div class="t m0 x22 h8 y4d ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x23 h9 y4c ff2 fs3 fc0 sc0 ls0 ws0">如下</div><div class="t m0 x2 h9 y4e ff2 fs3 fc0 sc0 ls0 ws0">所示</div><div class="t m0 x24 h7 y4f ff1 fs3 fc0 sc0 ls0 ws0"></div><div class="t m0 x25 h7 y50 ff6 fs3 fc0 sc0 ls0 ws0">ｘｎ </div><div class="t m0 x26 ha y51 ff1 fs5 fc0 sc0 ls0 ws0"></div><div class="t m0 x27 hb y52 ff6 fs4 fc0 sc0 ls0 ws0">Ｋ</div><div class="t m0 x28 h8 y53 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x29 h8 y52 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x27 hb y54 ff6 fs4 fc0 sc0 ls0 ws0">ｋ</div><div class="t m0 x28 h8 y55 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x29 h8 y54 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x2a ha y51 ff1 fs5 fc0 sc0 ls0 ws0"></div><div class="t m0 x2b hb y52 ff6 fs4 fc0 sc0 ls0 ws0">Ｌ</div><div class="t m0 x2c h8 y53 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x2d h8 y52 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x2e hb y54 ff6 fs4 fc0 sc0 ls0 ws0">ｌ</div><div class="t m0 x2b hc y56 ff1 fs6 fc0 sc0 ls0 ws0"></div><div class="t m0 x2f h8 y55 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x30 h8 y54 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x8 ha y51 ff1 fs5 fc0 sc0 ls0 ws0"></div><div class="t m0 x31 hb y52 ff6 fs4 fc0 sc0 ls0 ws0">Ｌ</div><div class="t m0 x32 h8 y53 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x33 h8 y52 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x34 hb y54 ff6 fs4 fc0 sc0 ls0 ws0">ｌ</div><div class="t m0 x31 hc y56 ff1 fs6 fc0 sc0 ls0 ws0"></div><div class="t m0 x35 h8 y55 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x36 h8 y54 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x37 hd y50 ff6 fs3 fc0 sc0 ls0 ws0">ｂ</div><div class="t m0 xd h8 y57 ff6 fs4 fc0 sc0 ls0 ws0">ｋｌ</div><div class="t m0 x38 hc y58 ff1 fs6 fc0 sc0 ls0 ws0"></div><div class="t m0 x39 h8 y57 ff1 fs4 fc0 sc0 ls0 ws0">ｌ</div><div class="t m0 x3a hc y58 ff1 fs6 fc0 sc0 ls0 ws0"></div><div class="t m0 x3b h7 y50 ff6 fs3 fc0 sc0 ls0 ws0">ｘｎ</div><div class="t m0 x12 h7 y59 ff1 fs3 fc0 sc0 ls0 ws0"></div><div class="t m0 x3c hd y50 ff6 fs3 fc0 sc0 ls0 ws0">ｌ</div><div class="t m0 x3d h8 y57 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x3e h7 y50 ff1 fs3 fc0 sc0 ls0 ws0"> ｘｎ</div><div class="t m0 x3f h7 y59 ff1 fs3 fc0 sc0 ls0 ws0"></div><div class="t m0 x22 hd y50 ff6 fs3 fc0 sc0 ls0 ws0">ｌ</div><div class="t m0 x40 h8 y57 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x41 h7 y50 ff1 fs3 fc0 sc0 ls0 ws0"> </div><div class="t m0 x42 hb y5a ff6 fs4 fc0 sc0 ls0 ws0">ｋ</div><div class="t m0 x43 h7 y5b ff1 fs3 fc0 sc0 ls0 ws0"></div><div class="t m0 x2 h7 y5c ff2 fs3 fc0 sc0 ls0 ws0">式中 ｘ 表示预失真输入信号</div><div class="t m0 x44 h7 y5d ff1 fs3 fc0 sc0 ls0 ws0"></div><div class="t m0 xa h9 y5c ff6 fs3 fc0 sc0 ls0 ws0">ｘ 表示预失真输出信</div><div class="t m0 x2 h7 y5e ff2 fs3 fc0 sc0 ls0 ws0">号 ｌ</div><div class="t m0 x14 h8 y5f ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x45 h9 y5e ff2 fs3 fc0 sc0 ls0 ws0">与 ｌ</div><div class="t m0 x46 h8 y5f ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x29 h9 y5e ff2 fs3 fc0 sc0 ls0 ws0">分别表示信号记忆深度和信号功率记忆</div><div class="t m0 x2 h7 y60 ff2 fs3 fc0 sc0 ls0 ws0">深度 ｋ 表示多项式阶数</div><div class="t m0 xb h9 y61 ff2 fs3 fc0 sc0 ls0 ws0">令 ｕ</div><div class="t m0 x47 h8 y62 ff6 fs4 fc0 sc0 ls0 ws0">ｋｌ</div><div class="t m0 x48 hc y63 ff1 fs6 fc0 sc0 ls0 ws0"></div><div class="t m0 x49 h8 y62 ff1 fs4 fc0 sc0 ls0 ws0">ｌ</div><div class="t m0 x4a hc y63 ff1 fs6 fc0 sc0 ls0 ws0"></div><div class="t m0 x2b h7 y61 ff2 fs3 fc0 sc0 ls0 ws0">是广义记忆多项式的复数核 则</div><div class="t m0 x4b hd y64 ff6 fs3 fc0 sc0 ls0 ws0">ｕ</div><div class="t m0 x4c h8 y65 ff6 fs4 fc0 sc0 ls0 ws0">ｋｌ</div><div class="t m0 x28 hc y66 ff1 fs6 fc0 sc0 ls0 ws0"></div><div class="t m0 x4d h8 y65 ff1 fs4 fc0 sc0 ls0 ws0">ｌ</div><div class="t m0 x4e hc y66 ff1 fs6 fc0 sc0 ls0 ws0"></div><div class="t m0 x2e h7 y64 ff1 fs3 fc0 sc0 ls0 ws0">ｎ ｘｎ</div><div class="t m0 x4f h7 y67 ff1 fs3 fc0 sc0 ls0 ws0"></div><div class="t m0 x50 hd y64 ff6 fs3 fc0 sc0 ls0 ws0">ｌ</div><div class="t m0 x15 h8 y65 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x51 h7 y64 ff1 fs3 fc0 sc0 ls0 ws0"> ｘｎ</div><div class="t m0 x52 h7 y67 ff1 fs3 fc0 sc0 ls0 ws0"></div><div class="t m0 x53 hd y64 ff6 fs3 fc0 sc0 ls0 ws0">ｌ</div><div class="t m0 x54 h8 y65 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x55 h7 y64 ff1 fs3 fc0 sc0 ls0 ws0"> </div><div class="t m0 x16 hb y68 ff6 fs4 fc0 sc0 ls0 ws0">ｋ</div><div class="t m0 x43 h7 y64 ff1 fs3 fc0 sc0 ls0 ws0"></div><div class="t m0 x2 h7 y69 ff2 fs3 fc0 sc0 ls0 ws0">则</div><div class="t m0 x56 h7 y6a ff1 fs3 fc0 sc0 ls0 ws0"></div><div class="t m0 x26 h7 y6b ff6 fs3 fc0 sc0 ls0 ws0">ｘｎ </div><div class="t m0 x57 ha y6c ff1 fs5 fc0 sc0 ls0 ws0"></div><div class="t m0 x58 hb y6d ff6 fs4 fc0 sc0 ls0 ws0">Ｋ</div><div class="t m0 x59 h8 y6e ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x5a h8 y6d ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x58 hb y6f ff6 fs4 fc0 sc0 ls0 ws0">ｋ</div><div class="t m0 x59 h8 y70 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x5a h8 y6f ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x5b ha y6c ff1 fs5 fc0 sc0 ls0 ws0"></div><div class="t m0 x5c hb y6d ff6 fs4 fc0 sc0 ls0 ws0">Ｌ</div><div class="t m0 x5d h8 y6e ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x5e h8 y6d ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x5f hb y6f ff6 fs4 fc0 sc0 ls0 ws0">ｌ</div><div class="t m0 x5c hc y71 ff1 fs6 fc0 sc0 ls0 ws0"></div><div class="t m0 x60 h8 y70 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x61 h8 y6f ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x4f ha y6c ff1 fs5 fc0 sc0 ls0 ws0"></div><div class="t m0 x3a hb y6d ff6 fs4 fc0 sc0 ls0 ws0">Ｌ</div><div class="t m0 x3b h8 y6e ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x50 h8 y6d ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x4f hb y6f ff6 fs4 fc0 sc0 ls0 ws0">ｌ</div><div class="t m0 x3a hc y71 ff1 fs6 fc0 sc0 ls0 ws0"></div><div class="t m0 x62 h8 y70 ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x63 h8 y6f ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x11 hd y6b ff6 fs3 fc0 sc0 ls0 ws0">ｂ</div><div class="t m0 x64 h8 y72 ff6 fs4 fc0 sc0 ls0 ws0">ｋｌ</div><div class="t m0 x65 hc y73 ff1 fs6 fc0 sc0 ls0 ws0"></div><div class="t m0 x66 h8 y72 ff1 fs4 fc0 sc0 ls0 ws0">ｌ</div><div class="t m0 x3c hc y73 ff1 fs6 fc0 sc0 ls0 ws0"></div><div class="t m0 x3d hd y6b ff6 fs3 fc0 sc0 ls0 ws0">ｕ</div><div class="t m0 x67 h8 y72 ff6 fs4 fc0 sc0 ls0 ws0">ｋｌ</div><div class="t m0 x68 hc y73 ff1 fs6 fc0 sc0 ls0 ws0"></div><div class="t m0 x69 h8 y72 ff1 fs4 fc0 sc0 ls0 ws0">ｌ</div><div class="t m0 x6a hc y73 ff1 fs6 fc0 sc0 ls0 ws0"></div><div class="t m0 x53 h7 y6b ff1 fs3 fc0 sc0 ls0 ws0">ｎ </div><div class="t m0 x2 h7 y74 ff7 fs3 fc0 sc0 ls0 ws0">１２自适应动态实值延迟线神经网络数字预失真</div><div class="t m0 xb h9 y75 ff2 fs3 fc0 sc0 ls0 ws0">人工神经网络</div><div class="t m0 x6b h8 y76 ff1 fs4 fc0 sc0 ls0 ws0"> </div><div class="t m0 x5e h7 y75 ff1 fs3 fc0 sc0 ls0 ws0"> ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ简</div><div class="t m0 x2 h7 y77 ff2 fs3 fc0 sc0 ls0 ws0">记 ＡＮＮ是对人类大脑系统的一种描述 它是一</div><div class="t m0 x2 h7 y78 ff2 fs3 fc0 sc0 ls0 ws0">种数学模型可以用电子线路来实现也可以用计算</div><div class="t m0 x2 h7 y79 ff2 fs3 fc0 sc0 ls0 ws0">机程序来模拟是人工智能研究的一种方法</div><div class="t m0 xb h7 y7a ff2 fs3 fc0 sc0 ls0 ws0">神经网络能够近似任意的非线性函数通常用</div><div class="t m0 x2 h7 y7b ff1 fs3 fc0 sc0 ls0 ws0"> 层前向神经网络就可逼近任意的非线性系统于</div><div class="t m0 x2 h7 y7c ff2 fs3 fc0 sc0 ls0 ws0">是人们提出将神经网络模型应用于数字预失真 其</div><div class="t m0 x2 h7 y7d ff2 fs3 fc0 sc0 ls0 ws0">中最具代表性方法是文献中提出的动态实值延</div><div class="t m0 x2 h7 y7e ff2 fs3 fc0 sc0 ls0 ws0">迟线神经网络模型 其模型示意图如图  所示</div><div class="t m0 x47 h2 y7f ff2 fs0 fc0 sc0 ls0 ws0">图 实值延时线神经网络预失真模型</div><div class="t m0 x1a h7 y45 ff2 fs3 fc0 sc0 ls0 ws0">该神经网络模型的输入和输出都是实数所以</div><div class="t m0 x19 h7 y46 ff2 fs3 fc0 sc0 ls0 ws0">是一个实值的神经网络模型 其中输入层由 Ｉ 路</div><div class="t m0 x19 h7 y80 ff2 fs3 fc0 sc0 ls0 ws0">和 Ｑ 路信号的 Ｌ 个延迟项组成有  个隐层且包含</div><div class="t m0 x19 h7 y81 ff2 fs3 fc0 sc0 ls0 ws0">了 Ｒ 个神经元 该神经网络模型的输出是关于输入</div><div class="t m0 x19 h7 y82 ff2 fs3 fc0 sc0 ls0 ws0">层各个节点的非线性函数</div><div class="t m0 x1a h7 y83 ff2 fs3 fc0 sc0 ls0 ws0">神经网络训练主要采用 ＢＰ ｂａｃｋｐｒｏｐａｇａｔｉｏｎ</div><div class="t m0 x19 h7 y84 ff2 fs3 fc0 sc0 ls0 ws0">反向传播算法 来迭代网络 收敛算法有很多种文</div><div class="t m0 x19 h7 y85 ff2 fs3 fc0 sc0 ls0 ws0">献比较了不同收敛算法对功放建模的收敛速</div><div class="t m0 x19 h7 y86 ff2 fs3 fc0 sc0 ls0 ws0">度与性能的影响最终 ＬｅｖｅｎｂｅｒｇＭａｒｑｕａｒｄｔ 算法作</div><div class="t m0 x19 h7 y87 ff2 fs3 fc0 sc0 ls0 ws0">为最佳方法被选择为网络系数提取的逼近算法</div><div class="t m0 x19 h7 y88 ff7 fs3 fc0 sc0 ls0 ws0">１３遗传算法原理</div><div class="t m0 x1a h9 y89 ff2 fs3 fc0 sc0 ls0 ws0">遗传算法是密执安大学教授 Ｈｏｌｌａｎｄ 及其学生</div><div class="t m0 x19 h7 y8a ff2 fs3 fc0 sc0 ls0 ws0">于  年创建</div><div class="t m0 x6c h8 y8b ff1 fs4 fc0 sc0 ls0 ws0"></div><div class="t m0 x6d h7 y8a ff1 fs3 fc0 sc0 ls0 ws0"> 遗传算法把问题的解表示成</div><div class="t m0 x19 h7 y8c ff1 fs3 fc0 sc0 ls0 ws0">染色体即二进制编码的串 在执行遗传算法之</div><div class="t m0 x19 h7 y8d ff2 fs3 fc0 sc0 ls0 ws0">前给出一群染色体即假设解 然后把这些假</div><div class="t m0 x19 h7 y8e ff2 fs3 fc0 sc0 ls0 ws0">设解置于问题的环境 中并按适者生存的原则</div><div class="t m0 x19 h7 y8f ff2 fs3 fc0 sc0 ls0 ws0">从中选择出较适应环境的染色体进行复制再通</div><div class="t m0 x19 h7 y90 ff2 fs3 fc0 sc0 ls0 ws0">过交叉变异过程产生更适应环境的新一代 染色</div><div class="t m0 x19 h7 y91 ff2 fs3 fc0 sc0 ls0 ws0">体群 这样一代接着一代地进化最后收敛到最</div><div class="t m0 x19 h7 y92 ff2 fs3 fc0 sc0 ls0 ws0">适应环境的一个 染色体 上其就是问题的最优</div><div class="t m0 x19 h7 y93 ff2 fs3 fc0 sc0 ls0 ws0">解 利用它的特性其可用于优化神经网络的参数</div><div class="t m0 x19 h7 y94 ff2 fs3 fc0 sc0 ls0 ws0">维度以及神经网络的参数初值</div><div class="t m0 x19 h6 y95 ff7 fs2 fc0 sc0 ls0 ws0">２提出的优化广义记忆多项式实值神</div><div class="t m0 x1a he y96 ff4 fs2 fc0 sc0 ls0 ws0">经网络预失真方法</div><div class="t m0 x19 h7 y97 ff7 fs3 fc0 sc0 ls0 ws0">２１基于广义记忆多项式的神经网络模型</div><div class="t m0 x1a h9 y98 ff2 fs3 fc0 sc0 ls0 ws0">广义记忆多项式模型从模型结构上体现出良好</div><div class="t m0 x19 h7 y99 ff2 fs3 fc0 sc0 ls0 ws0">的失真适配性对记忆效应与非线性效应的表达灵</div><div class="t m0 x19 h7 y9a ff2 fs3 fc0 sc0 ls0 ws0">活非常适合系统应用 本文通过低阶的广义记忆</div><div class="t m0 x19 h7 y1e ff2 fs3 fc0 sc0 ls0 ws0">多项式模型与实值神经网络模型级联  如图  所</div><div class="t m0 x19 h7 y9b ff2 fs3 fc0 sc0 ls0 ws0">示</div><div class="t m0 x6e h2 y9c ff2 fs0 fc0 sc0 ls0 ws0">图 广义记忆多项式的神经网络预失真模型</div><div class="t m0 x6f h2 y9d ff1 fs0 fc0 sc0 ls0 ws0"></div></div><div class="pi" data-data='{"ctm":[1.829951,0.000000,0.000000,1.829951,0.000000,0.000000]}'></div></div>