基于RBF神经网络的射频功放行为模型研究

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (8): 125-127.

• 数据库、信号与信息处理 • 上一篇下一篇

基于RBF神经网络的射频功放行为模型研究

南敬昌1，赵景梅1，袁杰2

1.辽宁工程技术大学电子与信息工程学院，辽宁葫芦岛 125105
2.中国人民解放军72241部队

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-03-11 发布日期:2011-03-11

Research on behavioral models for RF power amplifier based on RBF neural network

NAN Jingchang1，ZHAO Jingmei1，YUAN Jie2

1.School of Electrics and Information Engineering，Liaoning Technical University，Huludao，Liaoning 125105，China
2.Unit 72241 of PLA，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-03-11 Published:2011-03-11

摘要/Abstract

摘要： 为了设计和优化高线性功率放大器和通信子系统，在系统级仿真中，构建功率放大器精确的行为模型是极为重要的。应用实际功率放大器晶体管测试板，通过ADS（Advanced Design System）仿真得到大量功放输入输出数据，建立了一个基于RBF（Radial Basis Function）神经网络的行为模型，给出了RBF 神经网络的结构设计及K-均值聚类算法和共轭梯度优化算法，并进行了模型检验。结果表明，基于RBF神经网络的功放行为模型具有较高的精度，相对于BP 神经网络模型具有更高的逼近能力和速度。

关键词: 径向基函数（RBF）神经网络, 功率放大器, 行为模型

Abstract: In order to design and optimize high-linearity Power Amplifier（PA） and communication subsystem，it is very important to build correct PA behavioral model in system-level simulation.Applying actual transistor testing board of PA，a great amount of input-output data of PA are collected from ADS simulation，it constructs a behavioral model based on RBF（Radial Basis Function） neural network.The structure design and two kinds of learning algorithm of RBF network are presented，and the model is tested.Results show that the PA behavioral model based on RBF has efficient precision，it has better approach activity and speed compared with the BP neural network.

Key words: Radial Basis Function（RBF） neural network, power amplifier, behavioral model

南敬昌1，赵景梅1，袁杰2. 基于RBF神经网络的射频功放行为模型研究[J]. 计算机工程与应用, 2011, 47(8): 125-127.

NAN Jingchang1，ZHAO Jingmei1，YUAN Jie2. Research on behavioral models for RF power amplifier based on RBF neural network[J]. Computer Engineering and Applications, 2011, 47(8): 125-127.

[1]	周友行，赵晗妘，刘汉江，李昱泽，肖雨琴. 采用DDPG的双足机器人自学习步态规划方法[J]. 计算机工程与应用, 2021, 57(6): 254-259.
[2]	孙堂乐，李国辉. EEMD与RBF神经网络的太阳黑子月均值预测[J]. 计算机工程与应用, 2017, 53(24): 252-256.
[3]	陆亚男，南敬昌，高明明. 改进并行粒子群算法优化RBF神经网络建模[J]. 计算机工程与应用, 2017, 53(14): 45-50.
[4]	南敬昌，周丹，高明明. 基于自适应模糊神经网络的功放预失真新方法[J]. 计算机工程与应用, 2016, 52(7): 96-100.
[5]	南敬昌，李厚儒，方杨. 面向TD-LTE通信系统的功放新模型[J]. 计算机工程与应用, 2015, 51(5): 261-265.
[6]	张烈1，冯燕1，李琳2. 频域选择性压缩采样的数字预失真计算优化[J]. 计算机工程与应用, 2015, 51(20): 102-106.
[7]	李安平1，2，刘国荣1，2，杨小亮1，沈细群2. 一类非等阶分数阶非线性系统的神经网络控制[J]. 计算机工程与应用, 2015, 51(20): 240-245.
[8]	谭乾1，江弋1，林凡2. 基于AHP-RBF的Swift云存储负载预测[J]. 计算机工程与应用, 2014, 50(8): 35-39.
[9]	颜永红1，谌昊1，2，樊晓华2，刘昱2，曾云1. 多频段功率可控的CMOS开关类功率放大器设计[J]. 计算机工程与应用, 2014, 50(19): 42-46.
[10]	陈鸿星. 基于遗传优化神经网络的网络入侵特征检测[J]. 计算机工程与应用, 2014, 50(14): 78-81.
[11]	郭小燕1，张明2. 带权重的RBF神经网络银行个人信用评价方法[J]. 计算机工程与应用, 2013, 49(5): 258-262.
[12]	庞振，徐蔚鸿. 一种基于改进k-means的RBF神经网络学习方法[J]. 计算机工程与应用, 2012, 48(11): 161-163.
[13]	李慧，顾沈明. 基于RBF神经网络的赤潮预测方法[J]. 计算机工程与应用, 2012, 48(1): 228-230.
[14]	刘高辉，马晓波. 5.2 GHz CMOS功率放大器设计[J]. 计算机工程与应用, 2011, 47(35): 81-83.
[15]	文欣秀1，许光泞2. DNA免疫遗传算法及其应用[J]. 计算机工程与应用, 2011, 47(26): 55-57.

基于RBF神经网络的射频功放行为模型研究

Research on behavioral models for RF power amplifier based on RBF neural network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics