1、“.....目前小波分析在语音图像图形通信地震生物医学计算机视觉二〇五年五月十日星期分类号密级学位论文系统中基于小波网络的数字预失真技术研究作者姓名闫星星指导教师沙毅副教授东北大学信息科学与工程学院申请学位级别硕士学科类别工程学科专业名称电子与通信工程论文提交日期年月论文答辩日期年月学位授予日期答辩委员会主席评阅人东北大学年月二〇五年五月十日星期二〇五年五月十日星期独创性声明本人声明，所呈交的学位论文是在导师的指导下完成的。论文中取得的研究成果除加以标注和致谢的地方外，不包含其他人己经发表或撰写过的研究成果......”。

2、“.....与我同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。学位论文作者签名日期学位论文版权使用授权书本学位论文作者和指导教师完全了解东北大学有关保留使用学位论文的规定即学校有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人同意东北大学可以将学位论文的全部或部分内容编入有关数据库进行检索交流。作者和导师同意网上交流的时间为作者获得学位后半年年年半两年学位论文作者签名导师签名签字日期签字日期二〇五年五月十日星期系统中基于小波网络的数字预失真技术研究摘要在移动通信系统中，为了保证定范围的信号覆盖......”。

3、“.....为了保证效率，功率放大器通常工作在接近饱和点的非线性区，这会导致发射信,号出现严重的非线性失真，增大系统的误码率，并对邻近信道产生干扰，降低系统性能。在系统中采用这种恒包络的调制方式，信号对于功放的非线性不敏感而在系统中，为了高效的利用有限的频谱资源，采用了等高频谱利用率的调制方式和码分多址的传输方式，信号具有宽频带非恒包络高峰均比等特点，对于功放的非线性非常敏感，这就对发射端射频功率放大器的线性度提出了很高的要求，因此，对于功率放大器线性化技术的研究具有重要意义。在各种功放线性化技术中......”。

4、“.....因而被认为是最具前景的线性化技术，该技术的基本原理是在功放前端构造个与功放特性互逆的预失真器，以补偿由功放的非线性产生的失真，从而实现整个系统的线性化。因此预失真器可以看作是个非线性系统，实现输入到输出的非线性映射，而小波神经网络结合了小波变换良好的时频化特性和神经网络的自学习功能，具有较强的非线性逼近能力，所以本文提出将小波神经网络用于预失真器的建模中。考虑系统中的功放存在记忆效应，功放当前的输出不仅取决与当前的输入，还与其历史信号状态有关，因此本文设计了时延小波网络预失真模型。另外，针对传统的算法存在容易陷入局部极小收敛速度慢及容易产生振荡等缺点......”。

5、“.....为了验证本文所提出的算法的性能，本文将基于小波网络和基于网络的数字预失真算法进行了仿真对比。仿真结果表明，与无预失真的系统相比，基于小波网络的数字预失真系统邻道功率有大约的改善与基于网络的数字预失真系统相比，邻道功率有大约的改善，而且基于小波网络的预失真算法的逼近精度和收敛速度更高。关键词功率放大器线性化技术数字预失真小波网络二〇五年五月十日星期减少到可接受的程度或进行到预先设定的学习次数为止。由于误差逐层往回传递以修正层与层之间的权值和阈值，所以该算法称为反向传播，算法。以下采用算法推导图所示的三层网络中权值和阈值的修正公式......”。

6、“.....当用第个样本对网络进行训练时，网络的输出与期望输出的均方误差用表示，定义为将所有样本输出误差之和的平均值作为网络训练的误差准则函数将式所示的误差定义式展开至隐含层可得进步展开至输入层可得二〇五年五月十日星期由上式可以看出，网络输入误差是各层权值和阈值的函数，因此调整它们可以改变误差。按照梯度下降法调整网络权值和阈值，使其沿着误差函数的负梯度方向改变......”。

7、“.....式中，负号表示梯度下降方向，为学习速率，且。上式中和分别为输出层和隐含层的误差信号，可分别展开为对于输出层，由式可得对于隐含层，由式可得将式和式分别代入式和，并利用二〇五年五月十日星期和，采用函数作为转换函数的三层前馈神经网络，能够以任意精度逼近任复杂的非线性函数。因此般采用三层的网络......”。

8、“.....它与所要解决的问题的复杂度激活函数的形式以及样本数据的特性等因素都有密切关系，目前理论上还没有种科学而又普遍的确定方法，往往需要根据经验和多次实验来确定。为了尽可能避免训练时出现过拟合现象，保证网络的收敛速度和泛化能力，般确定隐含层节点数的基本原则是在满足精度要求的前提下取尽可能紧凑的结构，即取尽可能少的隐层节点数。文献中给出了几种确定隐含层神经元数目的估算公式，可以作为网络设计时的参考二〇五年五月十日星期式中，为样本个数，为隐含层神经元个数，为输入层神经元个数。当时，规定。式中，分别为输入层和输出层神经元个数，为之间的常数。式中......”。

9、“.....网络参数的初始化权值的初始化权值初始值的选取对于网络学习是否达到局部极小是否能够收敛以及收敛速度等都有直接影响。如果初始值偏差很大，使得加权后的输入落在激活函数的饱和区，导致其导数接近于，则权值修正值的公式计算结果也会趋近于，使得网络的修正过程几乎停止。因此般将权值的初始值设为,之间的随机数。学习速率的选取学习速率的选取决定了网络训练过程中所产生的权值变化量。大的学习速率可能会使网络权值每次的修正量过大，甚至会导致权值在修正过程中超出个误差的极小值而出现不规则跳跃，使得系统不稳定小的学习速率会导致学习时间较长，收敛速度慢......”。