基于GHSOM神经网络模型的Doherty功率放大器非线性特性研究

Currently, nonlinear problems such as pyrometric effects and electrical effects of GaN Doherty power amplifiers and the construction of the corresponding network models are the research hotspots on the use of power amplifiers in wireless communication engineering. This project aims at exploring new ideas about analyzing the power amplifiers using growing hierarchical self-organizing neural network (GHSOM) method. We start by analyzing the growing cell structure of GHSOM model. Then, based on the modeling theory, implementation and robustness of GHSOM network, we establish an overall theoretical GHSOM network model. Through in-depth study of the temperature effects of the GaN material, memory effects and other nonlinear characteristics of the Doherty amplifiers, combined with the advantages of growth GHSOM unit structure that they can be layered and split, we construct an overall GHSOM network model that can represent the nonlinear characteristics of the GaN Doherty power amplifiers. The study will be a good theoretical guidance for high-performance and convenient complex nonlinear circuit model design and overall modeling of high-power microwave amplifiers. It also has important practical value on spreading the use of power amplifiers in the fields like future communication, phased array radar and aerospace.

目前，氮化镓基Doherty功率放大器的热效应、电效应等非线性问题以及构建相应的网络模型是功率放大器在无线通信工程中的研究热点。本项目探索研究动态增长型分层自组织神经网络（GHSOM）方法用于辅助分析功率放大器的相关机理，通过剖析GHSOM模型的成长型单元结构，研究GHSOM网络的建模理论、实现方法及鲁棒性，从理论上建立GHSOM整体网络模型；深入研究氮化镓材料的温度效应、Doherty放大器的记忆效应等非线性特性，结合GHSOM成长型单元结构可分层可分裂的优势，构建可表征氮化镓基Doherty功率放大器非线性特性多值函数的GHSOM整体网络模型。本研究将为高效便捷的复杂非线性电路模型设计以及微波大功率放大器的整体建模提供良好的理论指导，对促进功率放大器在未来通信、相控阵雷达以及航空航天等领域的应用具有重要的实际应用价值。

本项目设计了一款线性度比较稳定的包络跟踪Doherty功率放大器，通过研究包络跟踪Doherty功放（ET-DPA）的基本原理，并进行了实物的加工制作。出于成本预算方面的考虑，虽然使用了不同型号的功放管进行替代，然而还是能很好地验证基于包络跟踪的控制电路能提高Doherty功放的效率。电路调试是在原仿真设计的版图上进行的，对匹配电路的参数进行调整修改。鉴于实验条件制约，本项目测试了Doherty功放的效率与增益参数。因信号源中无合适的波形输出文件，所以对于代表功放线性的互调参数或ACPR未进行测试。线性度是功放的重要衡量指标。漏极电压的切换可能会造成线性度方面的恶化，本项目设计的结构，其栅极能够根据输入功率自适应偏置，漏极在两级电压间自主切换，以保证放大器工作的稳定性。为提高放大器的效果，本项目研究了神经网络算法在Doherty功率放大器的应用，提出基于自适应学习率附加动量项的算法。通过功率效率、输入功率与输出功率的关系两个方面来对Doherty功率放大器进行设计。针对传统神经网络模型把一组样本的输入/输出问题变为一个非线性优化问题，但是由于自身的缺陷，在功放设计应用中，网络输出的功率效率与输出功率无法达到实际功放的要求。本项目提出采用附加动量项与自适应学习率相结合的神经网络方法来完成功率放大器的非线性模型设计。为构建更为准确神经网络模型，需要对改进算法选择合适的参数，即要选择出合适的动量因子与学习率。学习率取值过大会引起网络震荡不稳定，取值过小虽然可以避免不稳定，但是增加了神经网络的训练时间。结果表明使用改进神经网络方法曲线拟合要比传统神经网络方法更为准确，可以得到更高精度的功放设计结果。