功放数字基带预失真理论分析和仿真实现

为了消除功放非线性带来的失真,满足制定的功率谱密度要求,自适应数字基带预失真技术以其良好的线性度、宽带宽、高效率和全自适应性等优点而成为消除功放失真的首选.从几种线性化技术的比较开始,介绍了两种数字预失真结构,给出了数字基带预失真的工作原理,构建了数字基带预失真电路并在ADS环境下实现了系统级仿真.仿真结果表明构建的数字基带预失真系统能够获得好的预失真效果,功率谱密度的最大改善能够达到30dBm.创建的系统级仿真电路对实际的数字预失真系统设计起着重要的指导作用.     

基于正交模型辨识辅助的欠采样数字预失真方法

针对数字预失真技术在宽带通信系统中的具体实现受到模数转换器采样率制约的问题,提出一种新的欠采样数字预失真方法。首先在欠采样速率下对功放的正交模型进行离线辨识,接着根据一定的算法得到Nyquist采样率下的简化预失真器模型,并进行在线的自适应直接学习。该方法具有预失真器模型构造简单、欠采样实现高效的特点。理论分析和仿真结果表明,该方法有效降低了对模数转换器的采样率要求,优化了简化预失真器模型的线性化条件,更好地抑制了功放非线性引起的带内失真和频谱再生。     

基于HPA特性曲线拟合的自适应预失真技术

提出了一种用于正交频分复用(OFDM)系统中补偿由大功率放大器引起的非线性失真的基带自适应预失真方法。自适应预失真器是基于对大功率放大器的非线性特性进行分段估计,由曲线拟合逐段取逆变换来训练大功率放大器的预失真器的非线性参数,以达到预是真补偿的目的。计算机仿真结果表明,该方法具有收敛速度快、需要动态存储器(RAM)少、补偿效果好等特点。     

宽带正交频分复用系统的记忆型预失真器

提出了一种自适应预失真器及其迭代算法,可同时解决宽带OFDM发射机中功率放大器的非线性和记忆效应问题。该预失真器由均衡器和基于查询表(LUT)的无记忆预失真器串联组成,首先通过窄带训练序列,获得无记忆预失真器的参数,抵消功率放大器的非线性,然后通过迭代算法修改均衡器的参数,补偿功率放大器的记忆效应。与以往解决OFDM功率放大器记忆效应的预失真器相比,迭代算法简单,便于实现。仿真结果表明该预失真器可有效校正和抵消宽带OFDM系统中功率放大器的非线性和记忆效应。     

基于FPGA的高性能D类功放控制器#br# 设计与实现

针对高性能音频D类功放系统,基于现场可编程门阵列（field programmable gate array,FPGA）设计,实现了一个双声道均匀脉冲宽度调制（uniform pulse width modulation,UPWM）型D类功放控制器。该控制器使用由相同子滤波器抽头级联构成的半带滤波器并时分复用乘法器,以降低可配置插值滤波器的硬件资源消耗,利用sigma-delta调制器的高开环增益,通过构造一个基于查找表的误差校正模块,以较小的硬件代价来预校正控制器使用UPWM技术在信号带宽内所带来的非线性失真。测试结果表明该控制器输出信噪比可达114 dB,互调失真仅为-97 dB。     

弹载侧视SAR成像及几何校正研究

针对装载在导弹上的侧视合成孔径雷达(SAR)在导弹下降飞行过程中成像处理及图像的几何校正问题,根据导弹所要求的合成孔径雷达成像期间内的飞行特点,建立了SAR工作的空间几何模型。由于要求成像的过程中,弹体的高度在不断减小,SAR图像存在严重的几何失真。根据成像过程中的几何关系,提出了校正SAR图像几何失真的方法,通过成像处理仿真试验验证了所提出的几何失真校正方法的有效性。     

基于Hammerstein模型的非线性自适应预测函数控制

传统的预测函数控制对非线性和多变性的实际对象控制效果不佳.采用基于Hammerstein模型的预测函数控制(PFC)内部模型辨识方法来拟合实际对象的非线性.针对实际时象的多变性,不断辨识对象,校正内部模型参数,增强控制系统适应对象变化的能力.选取正弦多项式形式的基函数并介绍了滚动优化的办法.优化性能指标选取双值指标,计算量小,精度高.整个算法线性寻优,不需要非线性模型预测控制的非线性滚动优化,输出可以应用模型参数直接计算.实验表明该方法比PID控制效果更好而且对模型失配具有很好的自适应性能.     

宽带OFDM系统中的简化滤波查表预失真算法

为了解决宽带正交频分复用（orthogonal frequency division multiplexing, OFDM)系统中放大器有记忆非线性特性给系统带来的失真问题,提出了一种简化的滤波查表(simplified filter look up table, S FLUT)预失真方法。该方法由一个无记忆预失真器子系统串联一个自适应滤波器子系统构成,能有效解决放大器带来的失真问题,同时采用简化的自适应更新结构,可以弥补原滤波查表法反馈支路结构复杂、收敛精度低的缺点。     

超宽带正交解调接收机性能分析

由模拟器件构成的超宽带正交解调接收机不可避免地存在系统失真 ,这些失真的存在有时会严重影响系统的性能。仔细分析了幅度失真、相位失真、幅相不一致性等对接收机性能的影响 ,提出了数字域校正的方法。通过计算机仿真 ,表明了该方法的可行性。最后 ,对某超宽带正交解调接收机的实际测量结果的数字校正 ,验证了这种方法的有效性。     

8单元均匀圆阵天线互耦合校正方法

提出了一种8单元均匀圆阵天线互耦合校正方法。通过采用压缩感知方法,在互耦合效应存在的情况下估计校正信号源的到达角,并确定互耦合系数的迭代初始值,然后通过求解一个优化问题来得到互耦合系数。仿真实验与实测数据结果表明，所提的压缩感知方法能够精确估计校正信号源的到达角,所提方法计算得到的互耦合系数对8单元均匀圆阵天线的校正效果良好。     

基于速度线性化的变体飞行器鲁棒LPV控制

针对大包线下变体飞行器在翼型快速变化过程中的姿态控制问题,提出了一种基于速度线性化的鲁棒线性变参数(linear parameter varying, LPV)控制方法。所提方法将状态量的微分增广至状态方程,得到系统任意状态下的线性化模型,解除了传统小扰动线性化方法要求系统处于平衡点邻域的限制。建立了具有凸多胞形式的变体飞行器LPV模型,给出了参数依赖鲁棒H∞状态反馈控制器存在的充分条件,依据顶点控制器和变参数进行凸插值得到鲁棒LPV控制器。仿真结果表明,设计的控制器在飞行器快速变形和参数大范围快速变化的情况下仍具有良好的控制性能和鲁棒性。     

样条权函数神经网络的一种新型算法

针对前馈神经网络在数值插值领域的应用场合,提出了一种新型结构的神经网络及其训练算法。网络拓扑结构简单,网络训练所需的神经元个数与样本个数无关,可以简单地表示成输入、输出样本向量维数之积。算法只需训练1层权函数。训练后的权函数由三次样条函数构成,而不是传统方法(反向误差传播算法“BP”或径向基函数算法“RBF”)的常数。通过求解两组线性方程组,就可以确定具体三次样条权函数形式。不存在传统梯度下降类算法的局部极小、收敛速度慢、初值敏感性等问题。仿真实验说明此算法比传统算法(如BP、RBF)精度高、速度快。     

基于线性近似和神经网络逼近的模型预测控制

针对非线性系统的模型预测控制问题,提出了一种基于线性近似和神经网络逼近的控制算法。用Taylor级数展开法对非线性系统进行线性近似时,要求对象系统中的非线性函数必须连续可微。为了突破这一限制,引入了Stirling插值公式线性近似法,拓展了可处理的非线性系统范围。通过对线性化过程中产生的非线性高阶项进行径向基函数(radial basis function, RBF)神经网络逼近,显著提高了对象系统模型精确度。为了降低数值计算复杂度,将控制性能指标函数重构为易于处理的二次型最优化问题,通过对该二次型最优化问题的求解得到了最优控制序列。控制过程考虑了约束条件的影响以模拟真实的工业生产过程。仿真结果证明了所提出预测控制方案的有效性。     

基于Stirling插值滤波和扩展卡尔曼滤波的方位估计

插值间距的适当选择可以从某种程度上确保剩余项更接近于全Taylor级数的高阶项,因此,对大多非线性比较强的状态估计问题来说,基于Stirling插值原理的SIF要比EKF具有更大的优越性。估计方位时我们用仿真实验分别对SIF和EKF的特性进行了比较,用四元数而不用欧拉角来表示旋转量以消除方位估计的奇异性问题,状态向量包括四元数方位和旋转速度,以四元数作为测量输入,因此测量方程是线性,仿真实验结果表明:由于动态系统的准线性本质,估计四元数方位时EKF特性要比SIF好。     

MPSO-RBF优化策略在锅炉过热系统辨识中的仿真研究

提出了基于改进PSO算法的RBF神经网络混合优化（MPSO-RBF）方法，并将其应用到非线性系统的辨识中。该方法将改进PSO算法的全局搜索能力和RBF神经网络局部优化的高效性相融合，克服了普通PSO算法收敛的不稳定性和RBF网络易陷入局部极小值的缺点。经典型非线性系统仿真试验，并与GA-RBF和RBF辨识效果进行了对比，结果表明基于MPSO-RBF的混合优化方法较GA-RBF和RBF优化速度快、逼近性能好，可以达到更优的辨识精度。最后，通过对火电厂的过热汽温动态特性的辨识实例，同样证明了MPSO-RBF方法具有更好的性能指标。     

Forecasting China’s Foreign Trade Volume with a Kernel-Based Hybrid Econometric-Ai Ensemble Learning Approach

Due to the complexity of economic system and the interactive effects between all kinds of economic variables and foreign trade, it is not easy to predict foreign trade volume. However, the difficulty in predicting foreign trade volume is usually attributed to the limitation of many conventional forecasting models. To improve the prediction performance, the study proposes a novel kernel-based ensemble learning approach hybridizing econometric models and artificial intelligence （AI） models to predict China＇s foreign trade volume. In the proposed approach, an important econometric model, the co-integration-based error correction vector auto-regression （EC-VAR） model is first used to capture the impacts of all kinds of economic variables on Chinese foreign trade from a multivariate linear analysis perspective. Then an artificial neural network （ANN） based EC-VAR model is used to capture the nonlinear effects of economic variables on foreign trade from the nonlinear viewpoint. Subsequently, for incorporating the effects of irregular events on foreign trade, the text mining and expert＇s judgmental adjustments are also integrated into the nonlinear ANN-based EC-VAR model. Finally, all kinds of economic variables, the outputs of linear and nonlinear EC-VAR models and judgmental adjustment model are used as input variables of a typical kernel-based support vector regression （SVR） for ensemble prediction purpose. For illustration, the proposed kernel-based ensemble learning methodology hybridizing econometric techniques and AI methods is applied to China＇s foreign trade volume prediction problem. Experimental results reveal that the hybrid econometric-AI ensemble learning approach can significantly improve the prediction performance over other linear and nonlinear models listed in this study.     

具有二次函数的多准则层次分类方法

提出了一种集成函数是二次函数且有训练集的多准则层次分类决策方法。该方法利用决策者对训练集的分类结果(属于最高分类和不属于最高分类)构建非线性规划模型,然后采用一系列处理方法将非线性规划模型转换成线性规划模型,求解线性规划,得到训练集中各方案准则值的偏好值和相应参数,通过线性插值或样条插值得到方案在各准则下的偏好值,并计算方案集中方案的与该分类一致性指标值和与低于该分类一致性指标值的差,以确定方案是否属于该分类,然后对不属于最高分类的训练集中的方案进行分类,并构建模型。继续上述过程,直到方案集中所有方案均进行分类为止。最后实例说明该方法的有效性和可行性。     

基于ROSAR的高分辨波数域成像算法

旋转式合成孔径雷达(rotor synthetic aperture radar,ROSAR)是一种新型成像雷达,在高分辨条件下,距离徙动对ROSAR成像结果影响严重。波数域成像算法利用插值操作实现距离徙动的精确校正,但由于ROSAR复杂的斜距历程,导致传统波数处理获得的二维波数谱形式复杂,难以进行插值操作。针对这一问题,提出了一种改进ROSAR波数域成像算法。重新构建角度维波数,通过求解隐函数获得易于插值操作的信号二维波数域表达式,设计参考函数消除高频调制影响,最终通过Stolt插值实现宽波束大场景下距离徙动无近似校正与精确聚焦。仿真实验验证了算法的可行性与有效性。     

EMD新算法及其应用

经验模态分解（ENID）算法是Hilbert-Huang变换（HHT）的核心算法，它的分解效果依赖于包络线的生成算法和端点延拓算法。采用分段幂函数插值算法求包络成。结合一种改进的端点延拓算法。得到了一种新的EMD算法。分析了分段幂函数插值算法的收敛精度。从数学角度解释了选取该插值算法的原因．最后，结合一个股票模型的仿真结果说明新的EMD算法效果更好。