基于并行演化计算的记忆非线性功率放大器数字预失真研究

J4 ›› 2014, Vol. 36 ›› Issue (09): 1637-1643.

基于并行演化计算的记忆非线性功率放大器数字预失真研究

刘钊，胡力

(1.武汉科技大学计算机科学与技术学院，湖北武汉 430065；2.智能信息处理与实时工业系统湖北省重点实验室，湖北武汉 430065)

收稿日期:2013-04-11 修回日期:2013-07-08 出版日期:2014-09-25 发布日期:2014-09-25
基金资助:
国家自然科学基金资助项目（51174151，61100133）

Research of digital predistortion in nonlinear power amplifier
with memory based on parallel evolutionary computation

LIU Zhao,HU Li

(1.College of Computer Science and Technology,Wuhan University of Science and Technology,Wuhan 430065;
2.Hubei Province Key Laboratory of Intelligent Information Processing and Realtime Industrial System,Wuhan 430065,China)

Received:2013-04-11 Revised:2013-07-08 Online:2014-09-25 Published:2014-09-25

摘要/Abstract

摘要：

自适应数字预失真是克服高功率放大器非线性失真最有前途的一项技术。为提高预失真的效率和效果，引入并行计算平台下的演化计算技术，提出了基于PSO算法预训练神经网络的方法，给出了算法软件实现的基本流程。在所述基础上，采用带抽头延时的双入双出三层前向神经网络结构，根据非直接学习结构和反向传播算法实现自适应，可同时补偿放大器的记忆失真和非线性失真的预失真技术。仿真实验表明，通过与无PSO预训练算法的相比，基于PSO预训练的神经网络训练算法有更好的性能。

关键词: 功率放大器, 记忆非线性, 预失真, PSO, 神经网络, 并行计算

Abstract:

Adaptive digital predistortion is the most promising technique to overcome the nonlinearity of High Power Amplifier (HPA). In order to improve the efficiency and effectiveness of the predistortion, the evolutionary computation techniques of the parallel computing platform are introduced, the method of training neural network in advance based on the PSO algorithm is proposed, and the basic process of the algorithm is given. Based on the above, a threelayer forward neural network predistorter with two inputs and two outputs is proposed for HPA with memory. The predistorter is realized using indirect learning architecture associated with the Backpropagation algorithm .This technique allows us to correct for general nonlinearities and memory effects simultaneously. Simulation results show that the new approach is more efficient than the conventional BP algorithm, without training in advance based on PSO.

Key words: power amplifier;memory nonlinear;predistortion;PSO;neural network;parallel computing

刘钊，胡力. 基于并行演化计算的记忆非线性功率放大器数字预失真研究[J]. J4, 2014, 36(09): 1637-1643.

LIU Zhao,HU Li. Research of digital predistortion in nonlinear power amplifier
with memory based on parallel evolutionary computation [J]. J4, 2014, 36(09): 1637-1643.

参考文献［13］

［1］	Zhao Hui,Xi Lanfen.Predistortion linearization on the work function of RF amplifier［J］.Radio Engineering of China,2001,31(12):5862.(in Chinese)
［2］	Wang Hongyuan,Shi Tunshu.Artificial neural network technology and its applications［M］.Beijing:China Petrochemical Press,2002.(in Chinese)
［3］	Yang Jiangang. Artificial neural network practical guide ［M］. Hangzhou:Zhejiang University Press,2001.(in Chinese)
［4］	Qian Yeqing,Yao Tianren.Neural network predistortion technique for nonlinear power amplifier with memory［J］.Computer Engineering and Applications,2004,20(21):100103.(in Chinese)
［5］	Kennedy J,Eberhart R C.Particle swarm optimization［C］∥Proc of IEEE International Conference on Neural Networks,1995:1.
［6］	Yang Wei,Li Qiqiang.Survey on particle swarm optimization algorithm［J］.Engineering Science,2004,6(5):8795.(in Chinese)
［7］	Qian Yeqing.Highefficient adaptive predistortion structure for RF power amplifier linearization［J］.Journal on Communications,2006,27(5):3540.(in Chinese)
［8］	Taher N,Babak A,Javad O.An efficient hybrid evolutionary optimization algorithm based on PSO and SA for clustering［J］.Journal of Zhejiang University,2009,10(4):512519.
［9］	Rawat M,Rawat K,Ghannouchi F M.Adaptive digital predistortion of wireless power amplifiers/transmitters using dynamic realvalued focused timedelay line neural networks［J］.IEEE Transactions on Microwave Theory and Techniques,2010,58(1):95104.
［10］	Hagan M T, Demuth H B, Beale M H.Neural network design ［M］.Boston,MA:PWS Puplishing Company,1996.
［11］	Chen S. An efficient predistorter design for compensating nonlinear memory high power amplifier［J］. IEEE Transactions on Broadcasting,2011, 57(4):856865.
［12］	Wan Danling.Parallel particle swarm optimization algorithm based on GPUaccelerated with its applications［D］.Dalian:Dalian University of Technology,2007.(in Chinese)
［13］	Zhang Lei.Research of pattern classification algorithm and its applications based on parallel PSO［D］.Jinan:Jinan University,2005.(in Chinese)
	附中文参考文献：
［1］	赵慧,漆兰芬.射频放大器的工作函数预失真线性化［J］.无线电工程，2001，31(12):5861.
［2］	王洪元,史囤梳.人工神经网络技术及其应用［M］.北京:中国石化出版社,2002.
［3］	杨建刚.人工神经网络实用教程［M］.杭州:浙江大学出版社,2001.
［4］	钱业青,姚天任.记忆非线性功率放大器的神经网络预失真［J］.计算机工程与应用,2004,40(21):100103.
［6］	杨维,李歧强.粒子群优化算法综述［J］.中国工程科学,2004,6(5):8795.
［7］	钱业青.一种高效的用于RF功率放大器线性化的自适应预失真结构［J］.通信学报,2006,27(5):3540.
［12］	万单领.基于GPU加速的并行粒子群算法及其应用［D］.大连:大连理工大学,2007.
［13］	张蕾.基于并行PSO的模式分类算法及其应用研究［D］.济南:济南大学,2005.

[1]	余子丞, 凌捷. 基于Transformer和多特征融合的DGA域名检测方法[J]. 计算机工程与科学, 2023, 45(08): 1416-1423.
[2]	刘俊奇, 涂文轩, 祝恩. 图卷积神经网络综述[J]. 计算机工程与科学, 2023, 45(08): 1472-1481.
[3]	易啸, 马胜, 肖侬. 深度学习加速器在不同剪枝策略下的运行优化[J]. 计算机工程与科学, 2023, 45(07): 1141-1148.
[4]	刘屹成, 刘晓燕, 严馨. 并行平衡级联支持向量机[J]. 计算机工程与科学, 2023, 45(07): 1170-1177.
[5]	刘阳, 粟航, 何倩, 申普, 刘鹏. 基于云-边协同变分自编码神经网络的设备故障检测方法[J]. 计算机工程与科学, 2023, 45(07): 1188-1196.
[6]	崔克彬, 崔叶微. 基于卷积和Transformer的断路器动触头跟踪方法研究[J]. 计算机工程与科学, 2023, 45(07): 1236-1244.
[7]	王剑, 姜林, 王琳钦, 余正涛, 张松, 高盛祥, . 基于BiLSTM的低资源老挝语文本正则化任务[J]. 计算机工程与科学, 2023, 45(07): 1292-1299.
[8]	曹健, 陈怡梅, 李海生, 蔡强, . 基于图神经网络的行人轨迹预测研究综述[J]. 计算机工程与科学, 2023, 45(06): 1040-1053.
[9]	余泽鹏, 安业腾, 张烁, 杨自兴, 陆继翔, 曹蓉蓉, 陈轶洲, 李文中, 陆桑璐. 基于会话嵌入的应用程序使用预测[J]. 计算机工程与科学, 2023, 45(06): 1079-1086.
[10]	王扬, 陈智斌. 一种求解CVRP的动态图转换模型[J]. 计算机工程与科学, 2023, 45(05): 859-868.
[11]	排日旦·阿布都热依木, 吐尔地·托合提, 艾斯卡尔·艾木都拉, . 基于深度学习的实体关系抽取方法研究[J]. 计算机工程与科学, 2023, 45(05): 895-902.
[12]	董芃杉, 张晶, 金日泽. 基于双通道门控复合网络的中文产品评论情感分析[J]. 计算机工程与科学, 2023, 45(05): 911-919.
[13]	刘子建, 丁维龙, 邢梦达, 李寒, 黄晔. Conv-WGAIN：面向多元时序数据缺失的卷积生成对抗插补网络模型[J]. 计算机工程与科学, 2023, 45(05): 931-939.
[14]	王玉雷, 谢凯亮, 陈思贇, 胡杰, 常胜. 卷积神经网络硬件加速的通用性设计[J]. 计算机工程与科学, 2023, 45(04): 577-581.
[15]	史册, 南新元. 改进InceptionV3与迁移学习的太阳能电池板缺陷识别[J]. 计算机工程与科学, 2023, 45(04): 646-653.