图(7)使用基于间接学习过程逆TDNN建模的数字预畸变方案原理图
图(8)建模和线性化过程流程图
图(9)下行链路 WCDMA (a) and CDMA 2000 (b) 信号的PSD
结论：
使用人工抽头延时神经网络对功率放大器进行性能建模能够在强记忆效应下有效地预测功率放大器复杂的非线性特性。使用这种性能模型和建模技术，开发了一种使用间接学习过程的数字预畸变线性化电路，并对其进行了测试，以对3GPP基站功率放大器线性化。整个建模和线性化过程进行了有效的组织和描述。给出了线性化的系统流图，包括性能建模，模型验证和使用间接学习过程检验模型并构建预畸变器。与使用传统神经网络的线性化电路相比，基于TDNN的线性化电路显示出更好的仿真结果，这是由于它能够处理记忆效应。当使用TDNN预畸变器时，下行链路WCDMA信号可以获得高于15dB的补偿。然而没有抽头延时的预畸变器，仅可以获得2到3dB的性能提升，这些表明对于3GPP系统的大功率放大器TDNN预畸变器有优秀的线性化性能，而记忆效应的补偿对功率放大器的建模和线性化非常重要。
上一篇：射频放大器进行建模和研究
