一、基于Volterra级数及神经网络的非线性系统建模（论文文献综述）
刘欣雨[1]（2021）在《基于高阶调制格式的相干光通信系统中非线性均衡技术研究》文中研究说明云计算、人工智能、移动互联网等新兴技术的不断突破和发展,推动现代社会迈入了“万物互联”的“大数据时代”。超大数据存储、传送、共享等业务的需求日益增强,进一步推动了网络流量的爆炸性增长。因此,现代通信网络需要更高的传输速率、更大的传输容量以及更好的传输质量来保障日益增长的网络流量需求。以光纤作为传输媒介的光纤通信系统具有衰减小、抗干扰能力强、传输容量大等优点,经过几十年来研究学者们的不断探索与突破,光纤通信系统已经发展成为实现全球互联互通的基石和现代通信网络的支柱。结合了高阶调制格式、相干检测技术以及数字信号处理技术的相干光纤通信技术可以实现高频谱效率、长距离、大容量的信号传输,是应对现代通信网络流量危机的重要技术。然而,在目前的高速相干光通信系统中,非线性损伤是限制高阶调制格式光信号大容量长距离传输的最重要因素。因此,对基于高阶调制格式的相干光通信系统的非线性均衡技术进行探索和研究具有重要的意义。本论文以单载波偏振复用相干光通信系统为研究背景,重点研究适用于高阶调制格式信号的非线性均衡技术,改善信号质量,实现系统传输性能的提升。具体的研究内容包括:具有非线性容忍度的判决算法、基于神经网络的非线性均衡方案、基于微扰理论和回归算法相结合的非线性均衡方案。论文的创新点和主要研究成果如下:1.基于高斯混合聚类的M-QAM调制格式信号非线性判决算法针对传统的基于最大似然估计（MLE）的判决算法不能很好的对非线性失真信号进行有效的判决这一问题,将机器学习中的高斯混合（MoG）聚类算法引入到相干光通信系统数字信号处理的判决模块中,提出了基于高斯混合聚类的M-QAM调制格式信号非线性判决算法。同时,基于高斯混合聚类的优点,本文对直接判决-最小均方（DD-LMS）算法进行了优化和改进,在判决模块中将高斯混合聚类计算得到的均值向量代替标准星座点。经过单载波偏振复用16-QAM相干光通信系统实验验证,相比于传统的基于MLE的判决算法,基于高斯混合聚类的非线性判决算法对非线性损伤敏感度低,能够灵活地根据接收到的数据点的分布进行非线性判决区域划分,实现更准确的信号判决,提高相干光通信系统的非线性容限,提升系统的性能。2.基于特征工程-深度神经网络的非线性均衡方案在相干光通信系统中基于神经网络的非线性均衡技术的基础上,针对由于输入数据特征不丰富,导致神经网络非线性均衡性能受限的问题,提出了基于特征工程-深度神经网络的非线性均衡方案。该方案对接收到的方形M-QAM信号数据进行特征工程处理,丰富数据特征信息,以及在深度神经网络的训练阶段引入加权损失训练机制。经过单载波偏振复用64-QAM相干光通信系统实验验证,所提出的特征工程方案和引入的加权损失训练机制可以有效地提升深度神经网络的收敛速度和非线性均衡性能,在发射光功率为0 dBm时,可以实现1.07 dB的Q因子提升量。3.基于双向门控循环单元神经网络的非线性均衡方案针对相干光通信系统中,非线性效应与色散造成脉冲展宽从而引入符号间干扰的问题,提出了基于双向门控循环单元神经网络的非线性均衡方案,对接收到的高阶调制格式信号数据进行序列化处理。经过单载波偏振复用64-QAM相干光通信系统实验验证,在发射光功率为-3 dBm至3 dBm范围内,提出的非线性均衡方案实现了信号的Q因子超过8.53 dB硬判决前向纠错门限（对应于3.8×10-3的误码率）,最佳发射光功率提升了 2 dB。4.基于双向长短期记忆神经网络-条件随机场的非线性均衡方案在基于循环神经网络的非线性均衡方案的研究基础上,提出了基于双向长短期记忆神经网络-条件随机场的非线性均衡方案。经过单载波偏振复用64-QAM相干光通信系统实验验证,在发射光功率为-3 dBm至3 dBm范围内,提出的非线性均衡方案实现了信号的Q因子超过9.8dB前向纠错门限（对应于1.0×10-3的误码率）,最佳发射光功率由-1 dBm提升至1 dBm,提升了 2 dB。5.基于微扰理论和回归算法相结合的非线性均衡方案在相干光通信系统中基于微扰理论的非线性均衡技术的研究基础上,提出了基于微扰理论和回归算法相结合的非线性均衡方案。不依赖于传输信道的精确参数信息,仅根据接收到的信号序列,使用信道内四波混频和信道内交叉相位调制三重积项作为输入特征,通过回归模型预测出信号在传输过程中受到的非线性损伤,在接收到的符号数据中减去预测的非线性损伤,实现信号的非线性均衡。经过单载波偏振复用64-QAM相干光通信系统实验验证,基于支持向量回归模型的非线性均衡方案实现了当信号发射光功率为1 dBm时误码率低于1.0×10-3,最佳发射光功率提升了 2 dB。
吴骞[2]（2021）在《基于Volterra级数的分数阶忆阻器电路解析方法研究》文中指出忆阻器作为除了电阻、电容和电感以外的第四种基本电路元件,表征的是电路基本理论中二个基本量电荷和磁通之间的关系。忆阻器是一种具有记忆功能的非线性电阻,其独特的非线性特性使其在保密通信、神经网络等领域具有较大的应用价值。Volterra级数是一种描述非线性系统输入和输出之间关系的数学泛函,能表征非线性系统的本质特征,因此,使用Volterra级数研究分数阶忆阻器电路具有较大的研究意义。本文在详细分析了现有非线性电路解析方法的基础上,提出了一种基于Volterra级数的分数阶忆阻器电路的建模和解析方法。构建了含有分数阶忆阻器的电路,使用该解析方法得到了分数阶忆阻器电路在不同阶次下的解析解,借助Matlab软件对解析结果进行了数学仿真,验证了该方法的正确性。同时,分析了基于卷积运算的分数阶忆阻器电路解析方法,对比总结了二种方法在解析分数阶忆阻器电路上的优势与不足之处。本文还详细介绍了分数阶忆阻器的Spice模型,搭建了分数阶忆阻器Spice电路。通过Pspice软件仿真得到了不同分数阶阶次下分数阶忆阻器电路的输出电压、电流,研究了分数阶忆阻器的v-i特性曲线,并与Matlab软件进行数学仿真的结果进行了对比分析,实验结果表明二者的仿真结果相近,进一步验证了本文所提出方法的正确性。
李泓旻[3]（2021）在《波束成形系统线性化与基于神经网络的宽带数字预失真研究》文中进行了进一步梳理非线性是射频（Radio Frequency,RF）功率放大器（Power Amplifier,PA）的固有特性,其引起的失真是无线通信系统中影响最大的射频损伤。功放的非线性会导致信号的误码率提高和干扰邻近信道。数字预失真（Digital Predistortion）是修正功放非线性的主流手段,其以优秀的线性化性能、编程灵活、实现简单和低成本等优点成为了无线通信系统中的重要组成部分。随着日常生活和工业生产对无线通信高速率、大容量和低时延需求的日益提高,现代无线通信系统逐渐朝着高频段、大带宽的趋势发展,为了提高数据传输速率和系统容量,MIMO技术和波束成形技术也被引入到无线通信系统之中。由于大带宽信号带来的高峰均比,加剧了无线通信系统中功率放大器的非线性失真。另外,随着高频段例如毫米波频段的应用,现代基站呈现小型化甚至微型化的趋势,每一个基站的体积和功耗大大减少。因此,本文针对上述问题,就MIMO波束成形架构下的DPD、宽带功放的神经网络建模和低复杂度的DPD自适应算法这三个内容来进行研究。本文围绕MIMO波束成形架构的数字预失真技术,首先分析了单用户波束成形DPD的系统模型,引入基于用户或波束的DPD架构,该架构的反馈回路上设置逆波束成形模块用于近似远场的波束信号。然后基于单用户波束成形系统模型,进一步推导了多用户波束成形系统的非线性模型。随后针对全功放反馈架构的高硬件复杂度的问题,提出一种基于单路功放反馈的多用户波束成形DPD方法,通过单路功放反馈进行前向建模,利用阵列中功放非线性特性近似的特点使用该功放模型近似整个阵列的功放模型,从而估计所有功放的输出进而估计远场的波束信号,并用于DPD参数的提取。该架构可以以较低的复杂度实现对多用户波束成形系统的线性化。进一步地,针对功放特性不一致的问题,结合预训练提出一种低复杂度的功放差异补偿方法,可以使基于单路功放反馈的多用户波束成形DPD方法可以应用在非理想的功放特性不一致的实际系统中。在基于功放差异补偿的DPD方法的基础上,根据功放的非线性特性,提出一种通过简单的功率补偿系数对功放差异系数进行修正的手段,来处理功率变化的情况,在避免过多的预训练的前提下,可以实现有效的DPD线性化。关于宽带功放的神经网络建模,本文主要研究了新型的基于矢量分解机制的循环神经网络。功放的非线性往往取决于信号的包络,其非线性项主要由基带信号的幅度决定,幅度非线性函数的输出通过相位进行加权得到功放的输出,这种机制即矢量分解机制。然而,传统的神经网络模型的非线性操作大部分均直接作用于I/Q输入,并不符合功放的非线性机制。且传统的基于多层感知机的DPD神经网络模型对记忆效应建模能力不足,无法应用于宽带功放建模中。因此本文利用循环神经网络优秀的记忆效应建模能力,并引入矢量分解机制,设计新型的基于矢量分解机制的LSTM模型——VDLSTM模型,该模型与传统模型相比,有着更好的宽带功放建模能力。进一步地,针对LSTM网络隐藏状态对应的传递矩阵系数过多的问题,基于功放的物理机制设计了维度更低的隐藏状态,并基于新的隐藏状态设计了新的网络单元,得到简化的VDLSTM模型——SVDLSTM模型。该模型可以有效降低VDLSTM网络模型系数的个数,并保持与VDLSTM模型相当的性能。低复杂度的数字预失真提参架构也是数字预失真的热点研究内容。数字预失真自适应过程中往往需要进行大量的乘法运算和加法运算。相比于加法运算,乘法运算往往计算周期较长、功耗较大,本文针对这一问题,设计了一种低复杂度的数字预失真自适应算法。该算法参考符号回归器最小均方算法,对基于直接学习结构的二阶高斯牛顿算法中的回归矩阵进行单比特量化或符号化,从而减少计算过程中大部分的乘法运算。针对数字预失真常用模型生成的回归矩阵经过单比特量化会存在相同的基函数这一问题,引入了基于主成分分析的正交变换,对正交变换后的回归矩阵进行单比特量化或符号化。该方法可以避免求解不稳定的问题。进一步地,将符号化的正交回归矩阵与正交回归矩阵的相关矩阵近似为一个对角阵,使基于符号正交回归器的自适应算法可以对每一个DPD参数进行独立提取。紧接着,本文将基函数降维和符号回归器算法相结合,从基函数个数和自适应过程的运算类型两个方面同时降低数字预失真自适应的计算复杂度。特别地,引入了 DOMP算法和符号正交回归器算法相结合。
李草禹[4]（2021）在《宽带通信系统中的线性化技术研究》文中研究指明无线通信系统的信道容量提升往往需要新技术的导入,能够直接提升系统信道容量的技术有多入多出技术,宽带高阶信号调制技术以及多带发射机技术等。这些新技术在带来更高信道容量的同时也会为线性化系统带来新挑战。多入多出系统需要集成大量的射频链路和天线,进一步提高天线的集成数量往往需要采用混合波束成形结构。混合波束成形结构中一条射频链路要驱动多个功放,使得数字预失真系统需要同时补偿多个功放的非线性失真,而功放之间的非线性一致性问题使得数字预失真难以同时补偿多个功放。宽带高阶调制的信号往往会带来更高的信号峰均比,这使得功率放大器需要工作在更高的回退区间。为了提高功率放大器的回退效率,当前商用基站多采用高回退效率的Doherty功放,而Doherty功放因为其特殊的电路结构表现出复杂的非线性特性。因此,针对采用Doherty的射频前端,需要针对Doherty功放的具体特性制定线性化方案。通常,频谱资源由国际电信联盟和各国政府机构统一管理和分配;面对日益紧缺的频谱资源,多带发射机前端成为无线运营商和设备供应商的解决方案之一。但是,多带发射机系统通常会因为功放的非线性而产生众多的互调失真分量,这些互调失真分量的频率分布与载波频率的选择直接相关。在无法避免互调失真分量出现在载波频率附近时,需要针对互调分量进行特定补偿抵消。针对以上问题,本文着重对多输入多输出系统,Doherty功放和多带通信系统的线性化技术展开研究。本文的主要工作和创新点总结如下:1.面对混合波束成形多入多出系统中的一对多线性化问题,提出了平均化群预失真解决方案。其中,利用模拟预失真器阵列调节功放静态非线性失真的一致性;在此基础上,数字预失真器同时校正多个功放的公共静态非线性失真和动态非线性失真。为了明确功放阵列的一致性,定义了互归一化均方误差作为衡量指标。通过调控模拟预失真器阵列的状态,取互归一化均方误差最小的状态为功放可得最佳一致性状态。不失一般性,基于平均化群预失真技术的一对二的功放线性化实验中,邻信道功率比（Adjacent Channel Power Ratio,ACPR）提高了20.5-22.0 dB,较传统的基于单一功放一对二线性化方案有7.1-8.8 dB的提升,显着改善了多入多出发射前端的线性度。而针对调控功放一致性耗时过长和难以直接迭代更新等问题,进一步提出了步进式优化的群预失真技术,在线性化性能不变的前提下,功放一致性调整需要的时间从跟随功放数量成指数增长降低为线性增长。而且,还可以根据功放非线性特性的变动进行持续迭代更新。2.宽带高阶调制技术显着提升了通信系统的信道容量,但使得功放80%的时间工作在5-15 dB的回退状态。这使得当前商业通信系统多采用高回退效率的Doherty架构,不可避免地引入了非线性时延差。针对上述现象,本文提出了记忆互调模型削弱非线性时延差引入的非线性状态。首先,根据带有非线性时延差的系统特性,推导出适用于这类非线性失真线性化的记忆互调模型。并给出了记忆互调模型的参数设置机制。同时,还进一步研究了记忆互调模型中基函数的简化策略。在非线性时延差系统的建模仿真中,相同参数规模下,记忆互调模型的建模精度比广义记忆多项式模型在归一化均方误差上有10 dB的提升。Doherty功放的线性化实验测试中,采用峰均比为7 dB,20 MHz带宽的长期演进（Long Term Evolution,LTE）信号激励下,记忆互调模型的ACPR改善了21 dB,较同规模广义记忆多项式ACPR仍有1.8-2.5 dB的提升。3.为了解决多带发射机中载波附近的互调失真问题,本文根据互调失真产生机理分别提出了多核补偿结构和联合补偿结构。考虑到多个频率进行补偿时预失真信号产生的互扰问题,提出了使用改进型直接学习结构的多核补偿预失真。仿真和实验均证明了这种补偿结构可以有效降低载波附近的互调失真。在双带预失真实验测试中,功率放大器出现互调失真的次邻信道的ACPR分别有16.1 dB和16.6dB的改善。而针对互调失真与载波信号出现频谱重叠现象时,多核补偿结构的非线性校正能力会出现一定程度的恶化。因此,本文进一步提出了联合补偿结构。对比于多核补偿结构,数字变频功能从采样过程移动至非线性基函数运算过程,可得到包含联合混叠互调失真的双带预失真模型。在互调失真混叠的双带线性化实验中,载波频率设置为0.7 GHz与1.375 GHz,出现二阶差频互调分量的频带一左邻信道的ACPR在经过联合补偿后提升了21.9 dB相比多核补偿提高4.2 dB。频带二载波在经过联合补偿后,出现二次谐波的右邻信道的ACPR提升了22.7 dB,比多核补偿提高了1.9 dB。
陶枝茂[5]（2021）在《基于自适应混合特征行星齿轮箱的故障诊断方法研究》文中研究指明行星齿轮箱是机械传动系统中的重要部件。因其长期在复杂恶劣的环境中运行,容易造成内部零件发生复合故障,同时运动中齿轮之间进行相互啮合,啮合面容易出现以裂纹为代表的微弱故障特征,因此,监测行星齿轮箱中多故障状态并及时进行诊断确保设备的安全运行,具有较为重要的意义。在工程实践中,单一故障会导致故障的并发性,故障之间互相影响,故障的形式也不一样,导致故障往往不是单一出现。当行星齿轮箱发生微弱复合故障时,其振动信号成分比较复杂,频率的非线性耦合程度较强等特征,造成诊断识别较为困难。本文针对行星齿轮箱出现微弱复合故障较难分析等问题,以行星齿轮箱为研究对象,通过传统动力学模型的分析,建立Volterra级数模型,联合模型和信号分析,提取混合特征,进行微弱复合故障诊断的研究。论文的主要研究工作有以下几个方面:（1）分析行星齿轮箱常见的故障模式和原因以及表现形式,建立了行星齿轮箱的动力学模型以及分析各部件的特征频率。通过仿真分析,发现单一的分析方法较难解决行星齿轮箱的微弱复合故障问题。（2）为了解决微弱复合故障信号中出现非线性耦合性较强,特征较难提取等问题,采用“黑箱”思想,利用系统的输入输出建立Volterra级数模型。通过搭建行星齿轮箱复合故障试验台进行数据的采集,根据系统的输入输出建立基于Volterra级数的行星齿轮箱模型,求解出核函数,分别绘制高阶谱图和切片谱图对比分析,初步验证了方法的有效性。（3）针对非线性模型出现计算量较大、在线实时诊断比较困难等不足之处,提出利用混合特征分类识别微弱复合故障。对时域特征、频域特征和非线性特征的计算公式以及物理意义进行叙述并进行提取。在训练样本有限的情况下,采取支持向量机对微弱复合故障进行分类识别,并对混合特征进行归一化处理。（4）利用支持向量机进行微弱复合故障分类识别中,对支持向量机中需人为设置的参数进行优化,选择遗传算法进行参数优化,构建GA-SVM的参数优化模型,相比传统的SVM模型,优化后的模型分析更加可靠。在针对混合特征可能会出现冗余特征,采用补偿距离评估对混合特征进行剔除挑选。（5）通过对理论研究,经实验表明,加入非线性特征比不加非线性特征的识别率更高,体现出非线性特征的必要性,并且说明非线性特征有利于微弱复合故障的辨识,可以更好地体现非线性的频率耦合特性,并且剔除过后的特征集识别效果更佳,证明了方法的实用性。
刘益宁[6]（2021）在《双输入Doherty发射机线性化技术研究》文中研究指明射频发射机是移动通信系统中的核心组件,对通信质量有着举足轻重的影响。如今迈入5G通信时代,为了满足日益增长的通信期望,需要使用各类高效频谱调制技术,这使得射频发射机系统的设计面临巨大的挑战。双输入Doherty发射机是近年来各类效率增强技术中的一位新星,得益于其带宽大、效率高、电路复杂度低等优势,有望成为高效率、高性能的射频发射机架构。然而该发射机系统的输出线性度很差,阻碍了其在通信系统中的发展与应用。数字预失真作为实现简单、性能高效的线性化技术,有望成为双输入Doherty发射机的线性化解决方案。本文主要针对双输入Doherty发射机非线性特性,探究其数字预失真实现方案。本文的主要工作内容与创新点包括以下几个方面:1、对双输入Doherty功放的非线性特性进行分析,讨论了几种有记忆的功放行为模型的优缺点,指出传统记忆多项式模型在针对较强非线性建模时的局限性,采用人工神经网络模型作为双输入Doherty功放的预失真模型。2、完成了BP神经网络的数字预失真实现,其中选择两层隐藏层的结构,在保证模型精度的同时尽可能减少参数个数。训练过程中使用列文伯格-马夸特算法可以加速网络的收敛,节约时间成本。实验结果显示,经过BP神经网络预失真后,双输入Doherty功放输出信号的NMSE与ACPR分别降低了13d B和10d B,相比传统的记忆多项式模型,预失真性能提升了5～7d B。3、基于深度学习理论提出使用LSTM神经网络作为功放强记忆效应下的预失真模型,并在输入样本中插入超前量来模拟信号在电路传输过程中的延时。引入基于梯度下降的Adam求解算法对网络参数进行辨识,可以极大地提升模型的精度。同时,在网络中添加基于dropout思想的丢弃层结构来增加网络的稀疏性,提升网络对新样本的适应能力。4、搭建双输入Doherty功放的预失真验证平台,分别使用BP神经网络与LSTM神经网络作为功放的预失真模型。实验结果表明,对于总带宽20MHz的调制信号,经BP模型与LSTM模型补偿后,功放输出信号的NMSE分别为-42d B、-46d B,ACPR分别为-51d Bc、-55d Bc。而对于总带宽40MHz的调制信号,经BP模型与LSTM模型预失真的输出信号NMSE分别为-34d B、-38d B,而ACPR分别为-40d Bc、-45d Bc。
李刚[7]（2020）在《数字预失真的I/Q非平衡补偿和新型门控神经网络建模》文中研究说明功率放大器（Power Amplifier,PA）是无线发射机前端主要的非线性器件。数字预失真（Digital PreDistortion,DPD）因其良好的线性化性能、编程灵活、低成本等优势成为目前功放线性化的主流技术。未来通信系统的发展趋势呈现大带宽、小型化,低成本的特点。这些特点对传统的DPD技术带来了新的挑战。大带宽和低成本的趋势使得I/Q非平衡的问题更加严重,并且大带宽高峰均比的信号激励使得功放呈现更强更复杂的非线性和记忆效应。针对这两个问题本文重点讨论研究了I/Q非平衡的补偿技术和低复杂度、高性能的神经网络模型的行为建模问题。传统的I/Q非平衡补偿模型中大多都是只考虑发射链路中的正交调制非平衡（quadrature modulators imperfections,QMI）,并没有考虑到反馈回路中存在的正交解调非平衡（quadrature demodulators imperfections,QDMI）。本文重点研究了反馈回路QDMI的补偿器模型,提出了一种迭代方法来精确求解DPD模型的参数。并且在此基础上推广应用到了大规模MIMO（Massive Multi-Input Multi-Output,Massive）架构下的场景中。考虑到多频带通信体制的发展,本文还提出了一种更加简单的联合补偿I/Q非平衡的双频模型,并给出了系统的实验验证。由于目前传统的数字预失真模型难以满足超宽带场景应用的需求。考虑到神经网络强大的非线性拟合能力,本文提出了基于递归神经网络（recurrent neu-ral network,RNN）模型的瞬时门控神经网络模型。考虑到传统基于多层感知机（multilayered perceptron,MLP）结构的神经网络模型性能受限于MLP结构本身对复杂记忆效应的拟合能力较弱这一缺陷,本文主要研究基于RNN结构的网络模型。文章分析了RNN结构的缺点,结合功放非线性产生的行为机制,把功放的非线性状态分为两部分:静态状态和记忆状态,进而引入两个状态控制单元,在RNN网络的基础上提出新型的瞬时门控递归神经网络结构。随后结合新结构的特点提出对应的行为模型。随后进行了一系列的优化设计,提出建模能力更强的增强型模型。由于本文提出的瞬时门控递归神经网络模型是基于功放非线性产生的行为机制提出,所以相比于传统的模型有更优的线性化性能,并且与其他基于RNN的变体模型结构更加简单并且模型性能相当,这些在实验中也得到了验证。本文回顾了现有的基于矢量分解的神经网络模型,分析了模型输入分解为I、Q两路输入时可能存在的一些问题。为避免这些问题,本文在现有的基于矢量分解的模型基础上结合本文提出的新网络模型提出了新的基于矢量分解的瞬时门控神经网络模型。这种基于矢量分解的神经网络模型从物理机制讲会更符合功放的物理特性,因此模型的总体参数个数会比I、Q两路输入的形式的神经网络模型参数个数更少,并且性能相当甚至更优。随后通过对传统单频模型和双频模型基函数的分析对比,通过构造双频的输入来构建出双频的神经网络行为模型。并且通过系统的实验对比,验证了提出的模型有良好的性能。
李敏玥[8]（2020）在《基于多项式的接收机非线性行为建模方法研究》文中指出信息化快速发展的时代,电子信息设备种类逐渐繁多,并在同一时空密集连续的工作,使得电子信息设备所处的电磁环境日益恶化,电子信息系统的电磁环境效应已成为通信链路能否正常工作不可忽视的因素。接收机作为电子信息系统的核心设备,由于其内部存在非线性器件,当不期望的强电磁干扰信号的功率超出接收机敏感度门限时,其能量将从天线端口进入接收射频前端,产生如互调、增益压缩等非线性现象,进而直接影响到整个通信系统的通信质量。因此,为保障通信系统能够在复杂电磁环境下有效运行,就必须对接收机的非线性效应展开研究和评估,其关键技术之一就是建立接收机的行为模型。本文基于单次变频超外差式接收机的外部输入输出数据,针对其非线性效应提出了一种基于多项式的接收机行为建模方法,建立的行为模型可预测接收机的非线性响应,对复杂电磁环境下的接收机非线性效应评估有参考价值。论文主要研究工作如下:1.深入分析了超外差式接收机的基本结构和非线性效应。为了更准确地建立接收机的行为级模型,分析接收机产生非线性特性的根源,并对其中主要非线性器件的效应机理进行阐述。2.提出了一种针对超外差式接收机的行为模型结构和建模方法。分别采用Hammerstein模型的无记忆非线性模块和线性模块表征接收机的非线性特性及记忆效应,并在此结构基础上进行扩展改进。非线性单元在时域用瞬时传输函数组成的正交结构表示,线性单元用线性滤波器描述。采用一种两步辨识法,分别辨识非线性模块中的瞬时传输函数和线性模块中的未知参数。将单音激励驱动接收系统得到的输出非线性数据分别用三个非线性基函数:幂级数、Bessel函数、Chebyshev多项式所组成的高阶多项式去拟合,运用傅里叶级数的系数求解公式,分别推导出三个拟合多项式与瞬时传输函数的关系;通过记忆效应的定义运用最小二乘法获取线性模块的参数。3.通过MATLAB和ADS仿真相结合的方法,验证所提出的接收机非线性行为建模方法。AM-AM特性及时域频域的ADS仿真结果和行为模型编程计算结果吻合良好。行为模型编程计算结果表明,基于幂级数、Bessel函数、Chebyshev多项式的接收机行为模型可以有效的表征接收机的动态行为特性。时间效率上,基于Bessel函数的行为模型占据了一定的优势。
马义淮[9]（2020）在《基于非线性输出频率响应函数的机械系统故障识别及应用》文中进行了进一步梳理机械设备由于重载、高速等极端工况下极易造成金属构件的疲劳损伤、结构的应力微弱变形和磨损等故障,这些故障的产生给机械设备的安全运行带来隐患。因而,及时识别机械设备的运行状态,预防突发事故产生,对保障设备安全运行具有重大意义。现有的故障系统识别方法,大多数方法只是对线性系统进行分析且分析结果受运行工况、背景噪声等影响较大,因而,寻找新的故障辨识方法显得尤为重要。机械系统中的疲劳损伤等故障的产生使得系统的非线性特性增强。目前,国内外研究者对非线性系统辨识的研究,主要集中于系统建模上。针对线性系统模型不能有效逼近非线性系统的问题,发展了多种数学理论和方法来对非线性系统进行建模,其中基于Volterra级数模型的系统故障辨识方法,被广泛应用在各行各业中,并且取得了很好的效果。然而Volterra核函数的识别存在维数灾难。后来有研究者给出了非线性输出频率响应函数（Nonlinear Output Frequency Response Functions,NOFRFs）,对系统故障非线性特征进行识别。NOFRFs是频率的一维函数,可便于从系统输入、输出信号中辨识估计得到。因而,本文采用NOFRFs函数对非线性机械系统进行了辨识,提出了最小均方（Least Mean Square,LMS）方法来识别非线性系统特征,同时研究该方法对运行工况、背景噪声的敏感性。主要工作如下:（1）详细地介绍了 Volterra级数理论,以及在此基础上发展起来的广义频率响应函数和NOFRFs函数,并分析了它们的优缺点以及求解方法,在此基础上提出了一种基于LMS方法的NOFRFs核函数辨识方法。该方法只要一次激励就可辨识出系统各阶的核函数,可避免最小二乘法（Least Squares Method,LSM）辨识方法中的矩阵求逆。（2）提出了基于LMS的NOFRFs的疲劳裂纹识别方法,并研究了该方法的抗噪声能力。通过对无裂纹情况下以及不同裂纹长度下的系统各阶NOFRFs进行了对比研究,找出了金属构件疲劳微裂纹损伤与非线性特征向量之间的对应关系,从而实现了金属构件疲劳微裂纹大小的快速有效识别。同时研究了该方法的抗干扰能力,不同信噪比噪声分别加到输入和输出信号上,研究发现,信噪比大于5 dB时对研究结果不影响。信噪比越低,影响越明显;裂纹长度越长,噪声的影响就越明显。因此,噪声会在一定程度上影响检测结果,在利用该方法进行含背景噪声的系统故障辨识时,需要根据背景噪声的强弱对Fe指数进行修正。（3）旋转类机械在不同工况条件下进行生产,现有的故障诊断方法需要基准数据,且背景噪声对识别结果的干扰比较大,难以保证诊断的实时性,所以寻求新的故障诊断方法显得尤为重要。将（2）中所用的方法应用于齿轮箱及转子等旋转类机械故障识别。主要进行了不同转速和负载工况下,齿轮箱存在断齿故障和转子存在不平衡故障的状态识别。研究发现该方法对齿轮箱故障识别不适用,但能有效地辨识出平衡状态与不平衡状态,说明该方法适合噪声等干扰相对低,分析信号传输路径简单的场所。此外,还进行了不同转速条件下的研究,发现不同转速对辨识结果影响有一定的影响,但影响效果不明显。
赵膑[10]（2020）在《基于回声状态网络的卫星信道在线盲均衡算法研究》文中指出作为一种新型的递归神经网络,回声状态网络（Echo State Network,ESN）因其独特的动态储备池结构以及简单的训练方式被广泛应用于非线性动态系统建模、时间序列预测和信道均衡等领域。在卫星通信系统中,信道的非线性和群时延特性会使得发送信号在接收端产生严重的失真。盲均衡技术能够在信道先验信息未知的情况下,仅利用发送信号的统计信息近似无失真的恢复出原始发送信号,在充分利用卫星信道频带资源的同时,克服因信道非理想特性产生的信号畸变。本文主要针对卫星信道研究回声状态网络的在线盲均衡算法。主要贡献如下:（1）在深入研究回声状态网络的拓扑结构和训练算法的基础上,针对卫星信道盲均衡问题,提出了基于回声状态网络的递归最小二乘常模算法（ESN-RLS-CMA）。该算法以回声状态网络为基本框架,利用发送信号的先验统计信息构造盲均衡代价函数,采用递归最小二乘（Recursive Least Squares,RLS）算法在线迭代更新ESN的输出权值,以获得网络代价函数的最小值。仿真实验表明:在Volterra级数建模的卫星信道下,针对常模QPSK信号,相较于传统的在线算法,本文提出的ESN-RLS-CMA具有更快的收敛速度和更低的均方误差（Mean Square Error,MSE）值。（2）针对卫星信道下多模信号的盲均衡问题和ESN-RLS-CMA算法产生的相位旋转问题,本文借鉴多模算法（Multi-Modulus Algorithm,MMA）中分别最小化均衡器输出的实部和虚部的思想,构造盲均衡代价函数,采用递归最小二乘（RLS）在线更新ESN的输出权值,并采用双模式操作方案来防止算法发散,提出了基于回声状态网络的递归最小二乘多模算法（ESN-RLS-MMA）。仿真实验结果表明,提出的ESN-RLS-MMA能够有效实现卫星信道下16QAM信号的在线盲均衡,并解决了相位偏转问题。（3）为了充分利用网络储备池输出的高维统计量信息,进一步提升回声状态网络在线盲均衡算法在强非线性信道下的均衡性能,利用核技巧在再生核希尔伯特空间（Reproducing Kernel Hilbert Space,RKHS）中重构读出层,通过核递归最小二乘算法（Kernel Recursive Least Squares,KRLS）获得代价函数的最优解,提出了基于回声状态网络的核递归最小二乘多模算法（ESN-KRLS-MMA）。仿真实验结果表明,与传统的Volterra滤波算法和BP网络算法相比,该算法具有更好的均衡性能。
二、基于Volterra级数及神经网络的非线性系统建模（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于Volterra级数及神经网络的非线性系统建模（论文提纲范文）
（1）基于高阶调制格式的相干光通信系统中非线性均衡技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 论文研究背景和意义 |
| 1.2 非线性均衡技术的研究现状 |
| 1.2.1 相位共轭法 |
| 1.2.2 Volterra级数非线性均衡技术 |
| 1.2.3 数字后向传播算法 |
| 1.2.4 基于微扰理论的非线性均衡技术 |
| 1.2.5 基于机器学习的非线性均衡技术 |
| 1.3 论文的主要研究内容和创新点 |
| 1.4 论文的组织结构 |
| 第二章 相干光通信系统 |
| 2.1 引言 |
| 2.2 相干光通信系统的高阶调制 |
| 2.2.1 马赫增德尔调制器(MZM)及其工作原理 |
| 2.2.2 I/Q调制器的结构及其工作原理 |
| 2.2.3 高阶调制格式 |
| 2.3 相干光通信系统中的信号损伤 |
| 2.3.1 放大器自发辐射噪声 |
| 2.3.2 激光器引入的频差和相位噪声 |
| 2.3.3 光纤损耗 |
| 2.3.4 色度色散 |
| 2.3.5 偏振模色散 |
| 2.3.6 光纤非线性效应 |
| 2.4 相干检测技术 |
| 2.5 数字信号处理技术 |
| 2.5.1 IQ不平衡补偿和正交归一化 |
| 2.5.2 色散补偿 |
| 2.5.3 时钟恢复 |
| 2.5.4 偏振解复用和偏振模色散补偿 |
| 2.5.5 频偏估计 |
| 2.5.6 载波相位恢复 |
| 2.6 本章小结 |
| 第三章 相干光通信系统中非线性判决算法研究 |
| 3.1 引言 |
| 3.2 基于高斯混合聚类的非线性判决算法 |
| 3.2.1 高斯混合聚类的基本原理 |
| 3.2.2 基于高斯混合聚类的M-QAM信号非线性判决算法 |
| 3.2.3 高斯混合-最小均方算法(MoG-Least Mean Square) |
| 3.3 实验验证与结果分析 |
| 3.3.1 实验系统设置 |
| 3.3.2 实验结果分析 |
| 3.4 本章小结 |
| 第四章 相干光通信系统中基于神经网络的非线性均衡技术研究 |
| 4.1 引言 |
| 4.2 基于特征工程-深度神经网络(FE-DNN)的非线性均衡方案 |
| 4.2.1 神经网络基本原理 |
| 4.2.2 用于方形M-QAM信号的基于FE-DNN的非线性均衡方案 |
| 4.3 基于双向门控循环单元神经网络的非线性均衡方案 |
| 4.3.1 双向门控循环单元神经网络(Bi-GRU)架构 |
| 4.3.2 用于M-QAM信号的基于Bi-GRU的非线性均衡方案 |
| 4.3.3 复杂度分析 |
| 4.4 基于双向长短期记忆神经网络-条件随机场的非线性均衡方案 |
| 4.4.1 双向长短期记忆神经网络(Bi-LSTM)架构 |
| 4.4.2 条件随机场(CRF)基本原理 |
| 4.4.3 用于M-QAM信号的基于Bi-LSTM-CRF的非线性均衡方案 |
| 4.4.4 复杂度分析 |
| 4.5 实验验证与结果分析 |
| 4.5.1 实验系统设置 |
| 4.5.2 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 相干光通信系统中基于微扰理论和回归算法的非线性均衡技术研究 |
| 5.1 引言 |
| 5.2 基于微扰理论和回归算法相结合的非线性均衡方案 |
| 5.2.1 基于微扰理论的光纤传输模型 |
| 5.2.2 线性回归基本原理 |
| 5.2.3 支持向量回归(SVR)基本原理 |
| 5.2.4 用于M-QAM信号的基于回归算法的非线性均衡算法 |
| 5.3 实验验证与结果分析 |
| 5.3.1 实验系统设置 |
| 5.3.2 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 总结和展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 附录: 缩略词列表 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（2）基于Volterra级数的分数阶忆阻器电路解析方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的创新点和结构安排 |
| 第2章 分数阶忆阻器模型 |
| 2.1 忆阻器的基本理论 |
| 2.2 一种荷控忆阻器的分数阶模型 |
| 2.3 本章小结 |
| 第3章 Volterra级数理论 |
| 3.1 Volterra级数的时域表示 |
| 3.2 Volterra级数的频域表示 |
| 3.3 Volterra级数的性质 |
| 3.3.1 Volterra级数时域表示的性质 |
| 3.3.2 Volterra级数频域表示的性质 |
| 3.4 本章小结 |
| 第4章 分数阶忆阻器电路解析方法及验证 |
| 4.1 基于Volterra级数的解析方法及验证 |
| 4.1.1 分数阶忆阻器电路建模 |
| 4.1.2 基于Volterra级数的解析方法 |
| 4.1.3 基于Volterra级数解析方法的验证 |
| 4.2 基于卷积运算的解析方法及验证 |
| 4.2.1 分数阶拉普拉斯和卷积运算 |
| 4.2.2 基于卷积运算的解析方法 |
| 4.2.3 基于卷积运算解析方法的验证 |
| 4.3 二种解析方法的对比分析 |
| 4.4 本章小结 |
| 第5章 Spice电路仿真 |
| 5.1 分数阶忆阻器Spice模型 |
| 5.2 分数阶忆阻器电路Spice仿真 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士学位期间发表的论文 |
| 详细摘要 |
（3）波束成形系统线性化与基于神经网络的宽带数字预失真研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 数字预失真的基本原理和研究现状 |
| 1.2.1 数字预失真的基本原理 |
| 1.2.2 数字预失真的研究现状 |
| 1.3 本文研究思路和工作安排 |
| 第2章 射频功率放大器的建模与数字预失真原理 |
| 2.1 引言 |
| 2.2 射频功率放大器的非线性和表征方法 |
| 2.2.1 射频功放放大器的非线性特性 |
| 2.2.2 功放非线性的表征方法 |
| 2.3 功放的非线性行为建模 |
| 2.3.1 基于Volterra级数的多项式模型 |
| 2.3.2 基于分段线性函数的模型 |
| 2.3.3 神经网络模型 |
| 2.3.4 MIMO架构下的功放非线性行为模型 |
| 2.4 数字预失真的提参结构 |
| 2.4.1 间接学习结构 |
| 2.4.2 直接学习结构 |
| 2.4.3 迭代学习控制结构 |
| 2.4.4 不同学习结构的优缺点 |
| 2.5 本章小结与讨论 |
| 第3章 低复杂度的波束成形DPD架构 |
| 3.1 波束成形DPD的基本模型 |
| 3.1.1 单用户波束成形DPD |
| 3.1.2 多用户波束成形DPD |
| 3.2 基于单路功放反馈的波束成形DPD |
| 3.2.1 基本原理 |
| 3.2.2 功放特性不一致情况下的单路功放反馈DPD提取方法 |
| 3.2.3 功率变化情况下的单路功放反馈DPD提取方法 |
| 3.3 仿真对比验证 |
| 3.3.1 基于单路功放反馈的多用户波束成形DPD方法验证 |
| 3.3.2 基于功放差异补偿的单路功放反馈波束成形DPD |
| 3.3.3 基于功放差异补偿和功率调整的单路功放反馈波束成形DPD |
| 3.4 本章小结与讨论 |
| 第4章 基于矢量分解的循环神经网络DPD模型 |
| 4.1 引言 |
| 4.2 基于矢量分解的LSTM模型 |
| 4.2.1 矢量分解机制 |
| 4.2.2 长短期记忆网络 |
| 4.2.3 基于矢量分解机制的LSTM模型 |
| 4.2.4 实验验证 |
| 4.3 基于新型LSTM单元的简化VDLSTM模型 |
| 4.3.1 基本原理 |
| 4.3.2 VDLSTM模型和简化VDLSTM模型的复杂度比较 |
| 4.3.3 实验验证 |
| 4.4 本章小结与讨论 |
| 第5章 基于符号正交回归器的数字预失真 |
| 5.1 引言 |
| 5.2 基于符号正交回归器的数字预失真自适应算法 |
| 5.2.1 基本理论 |
| 5.2.2 符号正交回归器的引入 |
| 5.2.3 符号正交回归器算法和独立参数提取 |
| 5.2.4 复杂度分析 |
| 5.2.5 实验验证 |
| 5.3 符号正交回归器算法与基函数裁剪 |
| 5.3.1 基函数裁剪 |
| 5.3.2 仿真验证 |
| 5.4 本章小结与讨论 |
| 第6章 总结与展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（4）宽带通信系统中的线性化技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与挑战 |
| 1.2 宽带通信系统线性化技术理论基础与相关研究现状 |
| 1.2.1 功率放大器的非线性指标 |
| 1.2.2 数字预失真的常用结构 |
| 1.2.3 传统数字预失真的常见模型 |
| 1.2.4 多带系统中非线性互调失真的补偿技术的研究现状 |
| 1.2.5 面向Doherty功放的线性化技术研究现状 |
| 1.2.6 混合波束成形多入多出系统中的线性化问题与研究现状 |
| 1.3 本论文的主要贡献 |
| 1.4 本论文的主要研究内容与结构安排 |
| 第二章 面向混合波束成形多入多出系统的群线性化技术 |
| 2.1 一对多功放线性化问题 |
| 2.2 功率放大器的非线性特性 |
| 2.3 功率放大器的非线性一致性 |
| 2.4 平均化群预失真技术 |
| 2.4.1 连续可调的模拟预失真器的结构及功耗 |
| 2.4.2 可调节一致性的条件 |
| 2.4.3 平均数字预失真的处理 |
| 2.4.4 仿真分析与验证 |
| 2.4.5 双路群预失真实验验证 |
| 2.5 步进式优化群预失真技术 |
| 2.5.1 步进式优化群预失真的理论基础 |
| 2.5.2 时间消耗与可迭代性分析 |
| 2.5.3 步进式优化群预失真仿真验证 |
| 2.5.4 步进式优化群预失真实验结果 |
| 2.6 本章小结 |
| 第三章 Doherty功放的记忆互调模型研究 |
| 3.1 功率放大器的记忆效应 |
| 3.2 非线性时延差 |
| 3.3 记忆互调模型的原理推导 |
| 3.4 记忆互调模型结构与性能研究 |
| 3.4.1 非线性阶数的对模型性能的影响 |
| 3.4.2 记忆深度对模型性能的影响 |
| 3.4.3 时延差对模型性能的影响 |
| 3.4.4 参数对模型性能的影响总结 |
| 3.4.5 记忆互调模型中不同基函数对模型性能的影响 |
| 3.5 验证实验及测试结果 |
| 3.6 本章小结 |
| 第四章 多带系统中非线性互调失真的补偿技术 |
| 4.1 双带发射机的非线性失真分析 |
| 4.2 多带信号激励下非载波频率互调失真的非线性模型 |
| 4.3 双带发射机互调失真的多核补偿结构 |
| 4.3.1 互调失真的多核补偿结构与预失真算法 |
| 4.3.2 互调失真补偿时的互扰分析 |
| 4.3.3 互调失真的多核补偿性能验证 |
| 4.4 非载波频率互调失真的联合补偿结构 |
| 4.4.1 互调失真联合补偿结构 |
| 4.4.2 互调失真联合补偿结构的仿真 |
| 4.4.3 互调失真联合补偿结构实验验证 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来科研展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间的成果与荣誉 |
（5）基于自适应混合特征行星齿轮箱的故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断技术概述 |
| 1.2.2 行星齿轮箱故障诊断研究 |
| 1.3 本文的主要内容及组织结构 |
| 2 行星齿轮箱故障分析及常用诊断方法 |
| 2.1 引言 |
| 2.2 行星齿轮箱故障模式及其原因 |
| 2.2.1 主要故障模式 |
| 2.2.2 主要故障原因 |
| 2.3 行星齿轮箱动力学建模及特征频率 |
| 2.3.1 行星齿轮箱的动力学建模 |
| 2.3.2 各部件的特征频率 |
| 2.4 常用方法分析 |
| 2.4.1 小波分析 |
| 2.4.2 经验模态分解 |
| 2.5 仿真信号分析 |
| 2.6 本章小结 |
| 3 非线性建模理论分析 |
| 3.1 引言 |
| 3.2 非线性建模理论基础 |
| 3.3 Volterra理论建模基础分析 |
| 3.3.1 Volterra级数 |
| 3.3.2 广义频率响应函数 |
| 3.4 Volterra级数模型的辨识以及核的求解 |
| 3.4.1 Volterra级数模型的辨识 |
| 3.4.2 Volterra核的求解 |
| 3.4.3 算例验证核的求解 |
| 3.4.4 记忆长度和阶数对系统辨识的影响 |
| 3.5 实验验证 |
| 3.5.1 实验平台的搭建 |
| 3.5.2 实验验证分析 |
| 3.6 本章小结 |
| 4 混合特征对行星齿轮箱的复合故障分析 |
| 4.1 引言 |
| 4.2 特征提取 |
| 4.3 基于多特征的复合故障诊断 |
| 4.3.1 分类识别方法 |
| 4.3.2 支持向量机原理 |
| 4.3.3 遗传算法 |
| 4.3.4 基于遗传算法的支持向量机 |
| 4.4 实验验证 |
| 4.5 降维下的多特征复合故障诊断 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录 攻读硕士学位期间取得的研究成果 |
| 致谢 |
（6）双输入Doherty发射机线性化技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 数字Doherty功放 |
| 1.2.2 基带数字预失真技术 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 发射机非线性特性与线性化方案 |
| 2.1 双输入Doherty发射机的架构 |
| 2.1.1 基本原理结构 |
| 2.1.2 设计思路 |
| 2.1.3 信号分离的实现流程 |
| 2.2 双输入Doherty发射机中的非线性特性 |
| 2.2.1 静态非线性 |
| 2.2.2 动态非线性 |
| 2.2.3 衡量非线性特性的指标 |
| 2.3 数字预失真方案研究 |
| 2.3.1 有记忆的功放行为模型 |
| 2.3.2 实验验证平台 |
| 2.4 本章小结 |
| 第三章 基于BP神经网络的数字预失真实现 |
| 3.1 BP网络的预失真训练结构 |
| 3.1.1 输入样本的组成 |
| 3.1.2 网络层次与神经元 |
| 3.2 参数识别算法 |
| 3.2.1 梯度下降法 |
| 3.2.2 牛顿法 |
| 3.2.3 共轭梯度法 |
| 3.2.4 列文伯格-马夸特算法 |
| 3.3 BP神经网络的建模仿真 |
| 3.3.1 不同算法下求解速度与训练效果的对比 |
| 3.3.2 不同的网络结构对建模性能的影响 |
| 3.4 BP网络的数字预失真实验结果 |
| 3.5 本章小结 |
| 第四章 宽带强记忆效应下的数字预失真实现 |
| 4.1 LSTM神经网络的预失真训练结构 |
| 4.1.1 长短期记忆的表征 |
| 4.1.2 网络结构与输入样本处理 |
| 4.2 基于梯度下降的改进求解算法 |
| 4.2.1 动量随机梯度下降 |
| 4.2.2 均方根传播 |
| 4.2.3 自适应矩估计 |
| 4.3 LSTM神经网络的建模仿真 |
| 4.3.1 不同求解算法的性能对比 |
| 4.3.2 输入样本及隐含单元个数对模型性能的影响 |
| 4.3.3 网络的稀疏化处理 |
| 4.4 LSTM网络的数字预失真实验结果 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 后续研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（7）数字预失真的I/Q非平衡补偿和新型门控神经网络建模（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 高速宽带移动通信技术快速发展 |
| 1.1.2 数字预失真的技术的原理及面临的挑战 |
| 1.1.3 国内外研究现状 |
| 1.2 本文主要工作及安排 |
| 第2章 功放的行为建模与数字预失真理论 |
| 2.1 发射机中的非线性失真 |
| 2.1.1 功放的失真特性 |
| 2.1.2 I/Q非平衡 |
| 2.2 功放的行为建模 |
| 2.2.1 Volterra级数模型 |
| 2.2.2 多盒模型 |
| 2.2.3 基于矢量分解旋转的分段函数模型 |
| 2.2.4 神经网络模型 |
| 2.3 数字预失真的学习结构 |
| 2.3.1 间接学习结构 |
| 2.3.2 直接学习结构 |
| 2.3.3 迭代学习控制结构 |
| 2.3.4 三种学习结构的对比 |
| 2.4 本章小结与讨论 |
| 第3章 IQ非平衡补偿 |
| 3.1 频率相关的正交调制非平衡的功放线性化技术 |
| 3.1.1 I/Q非平衡的等效基带模型 |
| 3.1.2 存在QDMI时DPD模型参数精确提取方法 |
| 3.1.3 QMI与QDMI并存时的数字预失真模型参数精确提取方法 |
| 3.1.4 MIMO系统中存在QMI与QDMI时DPD模型参数精确提取 |
| 3.1.5 实验验证及仿真验证 |
| 3.2 新型的联合补偿I/Q不平衡的并发双频预失真模型 |
| 3.2.1 理论推导 |
| 3.2.2 实验验证 |
| 3.3 本章小节与讨论 |
| 第4章 瞬时门控神经网络的DPD模型 |
| 4.1 引言 |
| 4.2 RNN模型分析 |
| 4.3 新型的瞬时门控神经网络 |
| 4.3.1 瞬时门控递归神经网络 |
| 4.3.2 瞬时门控隐式递归神经网络 |
| 4.3.3 基于IGRNN或IGIRNN的行为建模 |
| 4.3.4 计算复杂度的分析与比较 |
| 4.3.5 实验验证 |
| 4.4 增强型瞬时门控神经网络 |
| 4.4.1 模型设计 |
| 4.4.2 复杂度分析 |
| 4.4.3 实验验证 |
| 4.5 本章小结与讨论 |
| 第5章 基于矢量分解的神经网络DPD模型及双频扩展 |
| 5.1 基于矢量分解的神经网络DPD模型 |
| 5.1.1 理论分析 |
| 5.1.2 模型复杂度分析 |
| 5.1.3 实验验证 |
| 5.2 神经网络的双频DPD模型 |
| 5.2.1 回顾传统的双频DPD模型 |
| 5.2.2 双频神经网络DPD模型 |
| 5.2.3 实验验证 |
| 5.3 本章小结与讨论 |
| 第6章 总结与展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（8）基于多项式的接收机非线性行为建模方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容及章节安排 |
| 第二章 接收机非线性特性分析 |
| 2.1 接收机的基本结构 |
| 2.1.1 射频滤波器 |
| 2.1.2 高频放大器 |
| 2.1.3 混频器 |
| 2.1.4 中频滤波器 |
| 2.1.5 中频放大器 |
| 2.2 接收机的非线性特性分析 |
| 2.2.1 谐波失真 |
| 2.2.2 互调失真及三阶截点 |
| 2.2.3 AM-AM失真、AM-PM失真 |
| 2.2.4 增益压缩及1dB压缩点 |
| 2.2.5 减敏和阻塞 |
| 2.3 接收机的记忆效应 |
| 2.3.1 电记忆效应 |
| 2.3.2 热记忆效应 |
| 2.4 本章小结 |
| 第三章 接收机非线性效应行为建模方法研究 |
| 3.1 行为模型构建思路 |
| 3.2 无记忆非线性行为模型 |
| 3.2.1 幂级数模型 |
| 3.2.2 Saleh模型 |
| 3.3 有记忆非线性行为模型 |
| 3.3.1 Volterra级数模型 |
| 3.3.2 Hammerstein模型及其扩展形式 |
| 3.3.3 Wiener模型 |
| 3.4 接收机行为模型结构选取 |
| 3.5 接收机行为模型构建 |
| 3.5.1 接收机非线性模块构建 |
| 3.5.2 接收机线性模块构建 |
| 3.6 本章小结 |
| 第四章 基于多项式的传输函数分析 |
| 4.1 非线性传输函数近似分析 |
| 4.2 基于幂级数的传输函数分析 |
| 4.2.1 幂级数定义 |
| 4.2.2 包络传输函数形式选取 |
| 4.2.3 瞬时非线性传输函数求解 |
| 4.3 基于贝塞尔函数的传输函数分析 |
| 4.3.1 贝塞尔函数定义 |
| 4.3.2 包络传输函数形式选取 |
| 4.3.3 瞬时非线性传输函数求解 |
| 4.4 基于切比雪夫多项式的传输函数分析 |
| 4.4.1 切比雪夫多项式定义 |
| 4.4.2 包络传输函数形式选取 |
| 4.4.3 瞬时非线性传输函数求解 |
| 4.5 本章小结 |
| 第五章 基于多项式的接收机行为建模方法验证 |
| 5.1 基于ADS的接收机仿真模型 |
| 5.1.1 模型搭建 |
| 5.1.2 ADS获取仿真数据 |
| 5.2 基于多项式的传输函数近似验证 |
| 5.3 行为模型精度验证 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）基于非线性输出频率响应函数的机械系统故障识别及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 系统辨识研究的发展现状 |
| 1.2.1 线性系统辨识 |
| 1.2.2 非线性系统辨识 |
| 1.3 本文研究工作 |
| 第二章 Volterra级数理论及求解方法 |
| 2.1 引言 |
| 2.2 Volterra级数理论 |
| 2.2.1 Volterra级数数学定义 |
| 2.2.2 Volterra时域核函数的研究 |
| 2.2.3 Volterra频域核函数的研究 |
| 2.3 广义频率响应函数(GFRF)的求解方法 |
| 2.3.1 谐波探测法 |
| 2.3.2 GFRF的递推算法 |
| 2.4 非线性输出频率响应函数(NOFRFs)的求解方法 |
| 2.4.1 谐波输入时NOFRFs的估计求解方法 |
| 2.4.2 估计算法 |
| 2.5 本章小结 |
| 第三章 基于NOFRFs金属构件疲劳微裂纹的识别 |
| 3.1 引言 |
| 3.2 方法 |
| 3.3 实验研究 |
| 3.3.1 实验 |
| 3.3.2 实验结果与讨论 |
| 3.4 本章小结 |
| 第四章 基于NOFRFs旋转类机械的故障识别 |
| 4.1 引言 |
| 4.2 齿轮箱故障的识别 |
| 4.2.1 LMS求解 |
| 4.2.2 实验 |
| 4.3 机械转子不平衡故障的识别 |
| 4.3.1 LMS求解 |
| 4.3.2 实验 |
| 4.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录A (攻读学位期间取得研究成果) |
| 附录B (攻读学位期间参与的课题项目) |
（10）基于回声状态网络的卫星信道在线盲均衡算法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容与结构安排 |
| 第二章 相关基础知识 |
| 2.1 盲均衡技术概述 |
| 2.1.1 盲均衡原理 |
| 2.1.2 Bussgang类盲均衡算法 |
| 2.1.3 CMA和MMA |
| 2.2 神经网络盲均衡 |
| 2.2.1 基于预测原理的神经网络盲均衡 |
| 2.2.2 基于传统代价函数的神经网络盲均衡 |
| 2.3 卫星信道模型 |
| 2.3.1 Saleh模型 |
| 2.3.2 Volterra级数模型 |
| 2.4 本章小结 |
| 第三章 回声状态网络 |
| 3.1 回声状态网络简介 |
| 3.1.1 回声状态网络的拓扑结构 |
| 3.1.2 回声状态网络的经典训练方法 |
| 3.2 回声状态网络的在线训练算法 |
| 3.2.1 基于最小均方误差(LMS)的在线训练算法 |
| 3.2.2 基于递归最小二乘(RLS)的在线训练算法 |
| 3.3 仿真实验 |
| 3.3.1 实验设计 |
| 3.3.2 实验结果分析 |
| 3.4 本章小结 |
| 第四章 基于RLS的回声状态网络在线盲均衡算法 |
| 4.1 常模信号的在线盲均衡算法(ESN-RLS-CMA) |
| 4.2 多模信号的在线盲均衡算法(ESN-RLS-MMA) |
| 4.3 仿真实验 |
| 4.3.1 ESN参数设置对算法性能的影响 |
| 4.3.2 两种在线盲均衡算法的性能分析 |
| 4.3.3 两种在线算法与其它在线算法的性能对比 |
| 4.4 本章小结 |
| 第五章 基于KRLS的回声状态网络在线盲均衡算法 |
| 5.1 回声状态网络的非线性读出 |
| 5.2 算法原理 |
| 5.2.1 核方法和再生核希尔伯特空间 |
| 5.2.2 ESN-KRLS-MMA原理及算法实现 |
| 5.3 仿真实验 |
| 5.3.1 参数设置对ESN-KRLS-MMA性能的影响 |
| 5.3.2 非线性信道下ESN-KRLS-MMA的性能分析 |
| 5.3.3 卫星信道下ESN-KRLS-MMA的性能分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
四、基于Volterra级数及神经网络的非线性系统建模（论文参考文献）
- [1]基于高阶调制格式的相干光通信系统中非线性均衡技术研究[D]. 刘欣雨. 北京邮电大学, 2021(01)
- [2]基于Volterra级数的分数阶忆阻器电路解析方法研究[D]. 吴骞. 武汉科技大学, 2021(01)
- [3]波束成形系统线性化与基于神经网络的宽带数字预失真研究[D]. 李泓旻. 中国科学技术大学, 2021(09)
- [4]宽带通信系统中的线性化技术研究[D]. 李草禹. 电子科技大学, 2021(01)
- [5]基于自适应混合特征行星齿轮箱的故障诊断方法研究[D]. 陶枝茂. 西安建筑科技大学, 2021(01)
- [6]双输入Doherty发射机线性化技术研究[D]. 刘益宁. 电子科技大学, 2021(01)
- [7]数字预失真的I/Q非平衡补偿和新型门控神经网络建模[D]. 李刚. 中国科学技术大学, 2020(01)
- [8]基于多项式的接收机非线性行为建模方法研究[D]. 李敏玥. 西安电子科技大学, 2020(05)
- [9]基于非线性输出频率响应函数的机械系统故障识别及应用[D]. 马义淮. 长沙理工大学, 2020(07)
- [10]基于回声状态网络的卫星信道在线盲均衡算法研究[D]. 赵膑. 兰州大学, 2020(01)