项目名称: 基于压缩感知的功放欠采样数字预失真理论及应用研究

项目编号: No.61471333

项目类型: 面上项目

立项/批准年度: 2015

项目学科: 无线电电子学、电信技术

项目作者: 刘发林

作者单位: 中国科学技术大学

项目金额: 80万元

中文摘要: 数字预失真(DPD)技术是目前射频前端的主流线性化技术。随着未来无线通信技术的发展,频谱资源的利用率越来越高,带宽也不断提高,这对功放线性化技术提出了更高的要求。传统的DPD技术受限于模数转换器即ADC采样速率及系统成本,用于宽带无线通信中将受到严重限制。因此,降低采样速率是宽带DPD急需解决的问题。压缩感知(CS)近年来发展十分迅速,已经在包括信号采集在内的众多领域中取得了突破性成果。本项目将压缩感知理论引入DPD研究中,从常用的宽带OFDM信号入手,分析信号本身特性、先验知识及其与DPD系统之间的内在联系,研究欠采样DPD系统结构的理论与技术。通过建立宽带自适应稀疏DPD模型,并设计出相应的CS算法,使得在欠采样下能直接或间接恢复出稀疏DPD模型系数,进而实现DPD。CS算法作为纽带,将宽带自适应稀疏DPD模型与欠采样DPD结构连接起来,构成一个完整的欠采样DPD系统。

中文关键词: 压缩感知;功放数字预失真;欠采样

英文摘要: Digital PreDistortion (DPD) is the most attractive linearization technique used in radio frequency front-ends. Along with the development of next generation wireless communication system, efficient use is made of the spectrum resource and of the wider bandwidth,which requires a more challenging linearization technique. Conventional DPD could be seriously limited in dealing with the wideband wireless communication systems, due to the high speed Analog-to-Digital converter requirements and the high system cost. Therefore, reducing the sampling rate for wideband DPD will be an urgent problem. Compressive Sensing (CS) has a rapid development recently, and significant breakthroughs have been made in many areas including signal acquisition. This proposal introduces CS theory to DPD. We will begin with the study of the priori knowledges of the commonly used wideband OFDM signals, then analyze the inherent relations between the signal and DPD system, and study the theory and techniques of the sub-sampling DPD structure and system. Then, we will develop a wideband adaptive sparse DPD model, and work out a corresponding CS algorithm so that the parameters of the sparse DPD model can be recovered from the sub-sampled signal directly or indirectly and that the DPD can be realized. The CS algorithm links the wideband adaptive sparse DPD model and the sub-sampling structure, and makes up a complete sub-sampling DPD system.

英文关键词: Compressive Sensing;Digital-PreDistortion for Power Amplifiers;Sub-sampling

成为VIP会员查看完整内容
0

相关内容

压缩感知是近年来极为热门的研究前沿,在若干应用领域中都引起瞩目。 compressive sensing(CS) 又称 compressived sensing ,compressived sample,大意是在采集信号的时候(模拟到数字),同时完成对信号压缩之意。 与稀疏表示不同,压缩感知关注的是如何利用信号本身所具有的稀疏性,从部分观测样本中恢复原信号。
数字全景白皮书:2022年企业数字化技术应用10大趋势
专知会员服务
39+阅读 · 2022年2月16日
【经典书】随机矩阵理论与无线网络,186和pdf
专知会员服务
49+阅读 · 2021年12月21日
【博士论文】基于冲量的加速优化算法
专知会员服务
25+阅读 · 2021年11月29日
【经典书】凸优化:算法与复杂度,130页pdf
专知会员服务
80+阅读 · 2021年11月16日
专知会员服务
21+阅读 · 2021年9月23日
专知会员服务
20+阅读 · 2021年8月1日
专知会员服务
36+阅读 · 2021年4月23日
专知会员服务
14+阅读 · 2021年3月26日
专知会员服务
61+阅读 · 2021年3月6日
专知会员服务
77+阅读 · 2020年12月6日
基于移动机器人的拣货系统研究进展
专知
0+阅读 · 2022年1月29日
联发科演示Wi-Fi 7 速度比Wi-Fi 6快2.4倍
威锋网
0+阅读 · 2022年1月25日
【经典书】凸优化:算法与复杂度,130页pdf
【学界】DeepMind论文:深度压缩感知,新框架提升GAN性能
GAN生成式对抗网络
14+阅读 · 2019年5月23日
【工业智能】风机齿轮箱故障诊断 — 基于振动信号
深度学习之视频图像压缩
论智
13+阅读 · 2018年6月15日
一文读懂图像压缩算法
七月在线实验室
16+阅读 · 2018年5月2日
如何设计基于深度学习的图像压缩算法
论智
41+阅读 · 2018年4月26日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Tikhonov Regularization of Circle-Valued Signals
Arxiv
1+阅读 · 2022年4月20日
Meta-Learning to Cluster
Arxiv
17+阅读 · 2019年10月30日
小贴士
相关VIP内容
数字全景白皮书:2022年企业数字化技术应用10大趋势
专知会员服务
39+阅读 · 2022年2月16日
【经典书】随机矩阵理论与无线网络,186和pdf
专知会员服务
49+阅读 · 2021年12月21日
【博士论文】基于冲量的加速优化算法
专知会员服务
25+阅读 · 2021年11月29日
【经典书】凸优化:算法与复杂度,130页pdf
专知会员服务
80+阅读 · 2021年11月16日
专知会员服务
21+阅读 · 2021年9月23日
专知会员服务
20+阅读 · 2021年8月1日
专知会员服务
36+阅读 · 2021年4月23日
专知会员服务
14+阅读 · 2021年3月26日
专知会员服务
61+阅读 · 2021年3月6日
专知会员服务
77+阅读 · 2020年12月6日
相关资讯
基于移动机器人的拣货系统研究进展
专知
0+阅读 · 2022年1月29日
联发科演示Wi-Fi 7 速度比Wi-Fi 6快2.4倍
威锋网
0+阅读 · 2022年1月25日
【经典书】凸优化:算法与复杂度,130页pdf
【学界】DeepMind论文:深度压缩感知,新框架提升GAN性能
GAN生成式对抗网络
14+阅读 · 2019年5月23日
【工业智能】风机齿轮箱故障诊断 — 基于振动信号
深度学习之视频图像压缩
论智
13+阅读 · 2018年6月15日
一文读懂图像压缩算法
七月在线实验室
16+阅读 · 2018年5月2日
如何设计基于深度学习的图像压缩算法
论智
41+阅读 · 2018年4月26日
相关基金
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员