.png){kind=icon}
返回
A Genetic Algorithm–Sparse Bayesian Joint Optimization Modeling Approach for Efficient Predistortion
.png){kind=icon}
PRE
AI
DOI：10.1109/LMWT.2025.3596000.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由Volterra级数表示的预失真模型能够有效补偿功率放大器(PAs)的非线性。传统模型需要大量样本求解多项式系数，这使得难以满足绿色通信的需求。因此，本文提出一种改进的遗传算法(GA)来选择能保留模型特征的最小训练样本子集。然而，由于基函数的非正交性，在少样本学习(FSL)过程中可能产生病态矩阵问题。为解决此问题，在样本选择前应用贝叶斯学习以稀疏化基函数。这不仅能进一步降低多项式的维度，还能加速GA适应度函数的更新过程。实验结果表明，该联合优化策略的收敛速度比传统GA快66%，即使训练数据减少80.5%，仍能达到与全样本拟合相当精度。
Keyword:
Digital predistortion (DPD)
genetic algorithm (GA)
nonlinearity
power amplifiers (PAs)
sparse Bayesian learning (SBL)
