遗传算法优化的神经网络数字预失真技术

"一种优化的神经网络数字预失真方法，基于遗传算法和低阶广义记忆多项式实值神经网络，用于射频功率放大器的数字预失真，旨在提高模型校正能力和加速网络收敛速度。该方法通过级联遗传算法优化的低阶广义记忆多项式模型和神经网络模型，提升对功放失真的匹配程度。实验显示，相比于实值延时线神经网络模型，此方法在收敛速度上有所提升，并且在邻道功率泄露(ACLR)指标上改善约6dB。" 本文主要讨论的是射频功率放大器（RF Power Amplifier）中的数字预失真技术，这是一种用于校正放大器非线性失真的重要方法。数字预失真技术通常采用神经网络模型来实现，文中特别提到的是一种结合遗传算法和低阶广义记忆多项式实值神经网络的优化方法。遗传算法在这里的作用是优化模型参数，以更精确地匹配实际的功率放大器失真特性，而低阶广义记忆多项式模型则能有效地捕捉功率放大器的记忆效应。 神经网络模型在数字预失真领域有多种应用形式，包括前馈多层感知机神经网络、径向基神经网络和反馈回归神经网络。前馈多层感知机神经网络模型通过反向传播学习方法调整参数，适用于非线性行为建模；径向基神经网络则因其对动态非线性系统的建模能力而被采用，但复数运算增加了计算量；反馈回归神经网络通过增加反馈回路增强了非线性逼近性能，但计算复杂度也随之增加。 文献中提到的优化方法采用了实值I/Q统一建模，简化了模型提取过程，且通过遗传算法优化的低阶广义记忆多项式模型与神经网络级联，既提升了模型的校正精度，又加快了网络的收敛速率。在60MHz的三载波LTE信号实验中，这种方法相比于实值延时线神经网络模型，不仅在收敛速度上表现出显著优势，还在关键的邻道功率泄露（ACLR）指标上取得了大约6dB的改善。ACLR是衡量功率放大器输出信号对邻近频道干扰程度的重要指标，其改进意味着放大器的线性度得到提高，减少了对相邻通信频道的干扰。 总结来说，该研究通过集成遗传算法和低阶广义记忆多项式实值神经网络，提出了一种新的数字预失真技术，为射频功率放大器的线性化提供了有效且高效的解决方案，有助于提升无线通信系统的性能。