论文的方向和内容了主要是考虑多个模型和算法的比较.docx
《论文的方向和内容了主要是考虑多个模型和算法的比较.docx》由会员分享，可在线阅读，更多相关《论文的方向和内容了主要是考虑多个模型和算法的比较.docx（19页珍藏版）》请在冰点文库上搜索。
论文的方向和内容了主要是考虑多个模型和算法的比较
由于和老板沟通了一下，那么就可以确定下面论文的方向和内容了。
主要是考虑多个模型和算法的比较，和采用不同的模型进行预失真的比较，并总结这些方法的共性和个性。
文档的后面是论文前的一些研究工作：
、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、
、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、
实测的B3G功放数据AMAMAMPM特性
Matlab程序
%-----FortheAMAMandAMPM-----
loadCdmatimeV2.mat
figure;
scatter（abs（in）,abs（out）,'r.'）;
gridon
title（'theAM/AMCharacteristic'）;
xlabel（'theNormalizedInputPower'）;
ylabel（'theNormalizedOutputPower'）;
figure;
phase=-angle（in）*180/pi+angle（out）*180/pi;
scatter（abs（in）,phase,'r.'）
gridon
title（'theAM/PMCharacteristic'）;
xlabel（'theNormalizedInputPower'）;
ylabel（'theOutputPhaseShift'）;
实测功放数据的频谱特性
Matlab程序：
Fs=1e7;
h=spectrum.periodogram（'gauss'）;
Hpsd=psd（h,in（1:
8000）,'Fs',Fs,'SpectrumType','twosided','NFFT',2048,'Centerdc',true）;
Hpsd1=psd（h,out（1:
8000）,'Fs',Fs,'SpectrumType','twosided','NFFT',2048,'Centerdc',true）;
plot（Hpsd）
holdon
plot（Hpsd1）
gridoff
、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、
、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、
Saleh建模：
Matlab程序：
%-----Salehmodelestimated-----
%usecftooltoanalysisthecurvefit.
%It'sveryconvinient.
%Generalmodel:
Amplitude
%f（x）=a*x/（1+b*x*x）
%Coefficients（with95%confidencebounds）:
%a=1.105（1.102,1.108）
%b=0.4286（0.4232,0.434）
%SSE:
1.107
%R-square:
0.9951
%AdjustedR-square:
0.9951
%RMSE:
0.01646
%alpha=1.105;beta=0.4286;
%x=0:
1/2000:
1;
%f=alpha*x./（1+beta*x.*x）;
%figure
%plot（x,f）;
%Generalmodel:
phase
%f（x）=a*x*x/（1+b*x）+c
%Coefficients（with95%confidencebounds）:
%a=2.334（2.287,2.38）
%b=-0.6716（-0.6818,-0.6615）
%c=14.53（14.52,14.54）
%Goodnessoffit:
%SSE:
62.23
%R-square:
0.986
%AdjustedR-square:
0.986
%RMSE:
0.142
%alpha=2.334;beta=-0.6716;c=14.53;
%x=0:
1/2000:
1;
%f=alpha*x.*x./（1+beta*x.*x）+c;
%figure
%plot（x,f）;
用信号激励Saleh模型
Matlab程序：
%-----simulateSalehModel-----
t=（1:
length（in））/1e7;
yabs=abs（in）;
phi0=angle（in）;
alpha=1.105;beta=0.4286;
yamp=alpha*yabs./（1+beta*yabs.*yabs）;
alpha=2.334;beta=-0.6716;c=14.53;
yphi=alpha*yabs.*yabs./（1+beta*yabs.*yabs）+c;
yest=yamp.*exp（j*（-yphi*pi/180+phi0））;
figure;
plot（t,abs（yest）,'-ro','Markersize',3,'MarkerFaceColor','r'）
holdon
plot（t,abs（out）,'g'）
gridon
title（'theestimateandrealtimedomainsignal'）
holdoff
legend（'estm','real'）
xlabel（'Time'）;
ylabel（'theNormalizedOutputSignalAmplitude'）;
Fs=1e7;
h=spectrum.periodogram（'gauss'）;
Hpsd=psd（h,out（1:
8000）,'Fs',Fs,'SpectrumType','twosided','NFFT',2048,'Centerdc',true）;
Hpsd1=psd（h,yest（1:
8000）,'Fs',Fs,'SpectrumType','twosided','NFFT',2048,'Centerdc',true）;
plot（Hpsd）
holdon
%figure;
plot（Hpsd1）
gridoff
legend（'real','est'）
Saleh建模的误差：
Matlab程序：
figure;
plot（t,（abs（yest）-abs（out））,'r'）
gridon
title（'theAmplitudeerrorofsignals'）
figure;
plot（t,（angle（yest）-angle（out））,'r'）
gridon
title（'theerrorofPhase'）
计算误差：
err=sum（abs（yest-out））/19996
err=0.0212
、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、
记忆多项式模型
建模：
Matlab程序：
function[output]=vecout（input,n）
invec=input（n:
-1:
n-2）;
output=[invec
（1）*abs（invec
（1））^0;invec
（1）*abs（invec
（1））^2;invec
（1）*abs（invec
（1））^4;
invec
（2）*abs（invec
（2））^0;invec
（2）*abs（invec
（2））^2;invec
（2）*abs（invec
（2））^4;
invec（3）*abs（invec（3））^0;invec（3）*abs（invec（3））^2;invec
（2）*abs（invec（3））^4];
利用RLS算法估计模型参数：
y=out;
%estimatethecoefficientsusingRLSmethod
Lambda=0.98;%Settheforgettingfactor
Delta=0.001;%RinitializedtoDelta*I
u=9;
Order=length（1:
u）;
P=Delta*eye（Order,Order）;
w=zeros（Order,1）;
%----------------------------------------------------
forn=3:
length（in）
u=vecout（in,n）;%onecolumn
pi_=P*u;%onecolumn
k=Lambda+u'*pi_;%onescalar
K=pi_/k;%onecolumn
y（n）=w'*u;
%yest=[yest,yest_n];
e（n）=out（n）-y（n）;%onescalar
%e=[e,e_n];
w=w+K*conj（e（n））;%onecolumn
PPrime=K*u'*P;
P=（P-PPrime）/Lambda;%onematrix
end
figure;
plot（（abs（e））,'b'）;
动态的模型误差：
Matlab程序：
%-----timedomainsignal-----
figure;
plot（abs（y）,'-ro','Markersize',3,'MarkerFaceColor','r'）
holdon
plot（abs（out）,'g'）
gridon
title（'theestimateandrealtimedomainsignal'）
holdoff
legend（'estm','real'）
xlabel（'Time'）;
ylabel（'theNormalizedOutputSignalAmplitude'）;
%-----frequencydomainsignal-----
Fs=1e7;
h=spectrum.periodogram（'gauss'）;
Hpsd=psd（h,out（1:
8000）,'Fs',Fs,'SpectrumType','twosided','NFFT',2048,'Centerdc',true）;
Hpsd1=psd（h,y（1:
8000）,'Fs',Fs,'SpectrumType','twosided','NFFT',2048,'Centerdc',true）;
plot（Hpsd）
holdon
%figure;
plot（Hpsd1）
gridoff
legend（'real','est'）
动态误差为：
err=sum（abs（y-out））/19996
err=0.0037
静态模型误差：
Matlab程序：
yout=in;
forn=3:
length（in）
u=vecout（in,n）;
yout（n）=w'*u;
end
%-----timedomainsignal-----
figure;
plot（abs（yout）,'-ro','Markersize',3,'MarkerFaceColor','r'）
holdon
plot（abs（out）,'g'）
gridon
title（'theestimateandrealtimedomainsignal'）
holdoff
legend（'estm','real'）
xlabel（'Time'）;
ylabel（'theNormalizedOutputSignalAmplitude'）;
%-----frequencydomainsignal-----
Fs=1e7;
h=spectrum.periodogram（'gauss'）;
Hpsd=psd（h,out（1:
8000）,'Fs',Fs,'SpectrumType','twosided','NFFT',2048,'Centerdc',true）;
Hpsd1=psd（h,yout（1:
8000）,'Fs',Fs,'SpectrumType','twosided','NFFT',2048,'Centerdc',true）;
plot（Hpsd）
holdon
%figure;
plot（Hpsd1）
gridoff
legend（'real','est'）
静态误差为：
err=sum（abs（yout-out））/19996
err=0.0045
、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、
、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、
Volterra模型三阶记忆长度为三，无二阶。
加入了交叉项。
建模：
%VolterraTable
function[y,v,r,y1,y2,y3]=vtab（L,x）
%L:
memorylength
switchL
case1
%-----memory1-----
n=1;
%order1
y1=x（n）;
%order2
y2=x（n）^2;
%order3;
y3=x（n）^3;
%output
y=[y1,y2,y3]';
v=[x（n）,x（n）^2,x（n）^3]';
r=[x（n）,x（n）^2,x（n）^3]';
case2
%-----memory2-----
n=2;
%order1
y1=[x（n）,x（n-1）];
%order2
y2=[x（n）^2,x（n-1）^2,x（n）*x（n-1）];
%order3
y3=[x（n）^3,x（n-1）^3,x（n）*x（n-1）^2,x（n）^2*x（n-1）];
%output
y=[y1,y2,y3]';
v=[x（n）,x（n）^2,x（n）*x（n-1）,x（n）^3,x（n）*x（n-1）^2,x（n）^2*x（n-1）]';
r=[x（n-1）,x（n-1）^2,x（n）*x（n-1）,x（n-1）^3,x（n）*x（n-1）^2,x（n）^2*x（n-1）]';
case3
%-----memory3-----
n=3;
%order1
y1=[x（n）,x（n-1）,x（n-2）];
%order2
y2=[x（n）^2,x（n-1）^2,x（n-2）^2,x（n）*x（n-1）,x（n-1）*x（n-2）,x（n）*x（n-2）];
%order3
y3=[x（n）^3,x（n-1）^3,x（n-2）^3,x（n）*x（n-1）^2,x（n-1）*x（n-2）^2,x（n）^2*x（n-1）,x（n-1）^2*x（n-2）,...
x（n）*x（n-2）^2,x（n）*x（n-1）*x（n-2）,x（n）^2*x（n-2）];
%output
y=[y1,y2,y3]';
v=[x（n）,x（n）^2,x（n）*x（n-1）,x（n）*x（n-2）,x（n）^3,x（n）*x（n-1）^2,x（n）^2*x（n-1）,x（n）*x（n-2）^2,...
x（n）*x（n-1）*x（n-2）,x（n）^2*x（n-2）]';
r=[x（n-2）,x（n-2）^2,x（n-1）*x（n-2）,x（n）*x（n-2）,x（n-2）^3,x（n-1）*x（n-2）^2,x（n-1）^2*x（n-2）,...
x（n）*x（n-2）^2,x（n）*x（n-1）*x（n-2）,x（n）^2*x（n-2）]';
otherwisedisp（'thisisnotallowed'）
end
动态误差：
使用lms算法：
scale=1;%signalscale
PA_in=in*scale;
PA_out=out*scale;
%%estimatethecoefficientsusinglmsmethod
mu=0.6;%Theadaptationstepsize
w=[0,0,0,...
0,0,0,...
0,0,0,...
0,0,0,0];
a=1e-10;
forn=3:
length（PA_in）
u=PA_in（n:
-1:
n-2）;
[u1,u2,u3,u4,u5,u6]=vtab（3,u）;
u=（[u4,u6]）.';%onecolumn
y（n）=conj（w）*u;%onescale
e（n）=PA_out（n）-y（n）;%onescale
w=w+mu*conj（e（n））*u.'/（（u'*u）+a）;%onerow
end
figure;
plot（abs（e）,'b'）;
figure;
plot（abs（e）,'b'）;
figure;
plot（abs（y）,'-ro','Markersize',3,'MarkerFaceColor','r'）
holdon
plot（abs（PA_out）,'g'）
gridon
title（'theestimateandrealtimedomainsignal'）
holdoff
legend（'estm','real'）
xlabel（'Time'）;
ylabel（'theNormalizedOutputSignalAmplitude'）;
Fs=1e7;
h=spectrum.periodogram（'gauss'）;
Hpsd=psd（h,out（1:
8000）,'Fs',Fs,'SpectrumType','twosided','NFFT',2048,'Centerdc',true）;
Hpsd1=psd（h,y（1:
8000）,'Fs',Fs,'SpectrumType','twosided','NFFT',2048,'Centerdc',true）;
plot（Hpsd）
holdon
%figure;
plot（Hpsd1）
gridoff
legend（'real','est'）
Volterra模型误差：
y=y.';
err=sum（abs（abs（y（1:
length（y）））-abs（PA_out（1:
length（y）））））/19996
err=0.0015;
静态误差：
Matlab程序：
yout=PA_out;
forn=3:
length（PA_in）
u=PA_in（n:
-1:
n-2）;
[u1,u2,u3,u4,u5,u6]=vtab（3,u）;
u=（[u4,u6]）.';
yout（n）=w*u;
end
%-----timedomainsignal-----
figure;
plot（abs（yout）,'-ro','Markersize',3,'MarkerFaceColor','r'）
holdon
plot（abs（PA_out）,'g'）
gridon
title（'theestimateandrealtimedomainsignal'）
holdoff
legend（'estm','real'）
xlabel（'Time'）;
ylabel（'theNormalizedOutputSignalAmplitude'）;
%-----frequencydomainsignal-----
figure;
Fs=1e7;
h=spectrum.periodogram（'gauss'）;
Hpsd=psd（h,PA_out（1:
8000）,'Fs',Fs,'SpectrumType','twosided','NFFT',2048,'Centerdc',true）;
Hpsd1=psd（h,yout（1:
8000）,'Fs',Fs,'SpectrumType','twosided','NFFT',2048,'Centerdc',true）;
plot（Hpsd）
holdon
plot（Hpsd1）
gridoff
legend（'real','est'）
err=sum（abs（abs（yout（1:
length（yout）））-abs（PA_out（1:
length（yout）））））/10000
误差：
err=sum（abs（yout-out））/19996
err=0.0072
从AMAMAMPM特性看静态Volterra模型很糟糕
用RLS算法计算的结果
误差为0.0115
升级会员 