随着时代的进步,互联网应用越来越融入到人民的日常生活中,伴随着网络视频、音频以及数字通信技术在通信传输速度的要求也越来越高。而无线通信系统技术同样的发生翻天覆地的变化。作为无线通信系统中必不可少的重要部件之一的射频功率放大器,当射频功率放大器工作在最大输出功率附近时,其会产生严重的非线性特性,非线性特性会影响到其输出功率和效率,同时还会表现出记忆效应。精确的对射频功率放大器行为建模对于它的非线性化和预失真的研究及其实现,对推动绿色通信理论的深入发展、对节能减排意义重大,是一项具有重大理论意义和极大实际应用价值的研究。目前一种称为生成对抗网络的数据建模方法,因其能从噪声中保留与训练数据相关的特征,通过训练网络的生成器和判别器后,可以生成与真实样本数据分布相近的数据样本,随着越来越多的生成对抗网络变体模型的提出,其在训练的稳定性、收敛速度以及生成数据的效果上都取得一个很好的效果,已应用到了多种领域建模中,但尚未被应用到射频功放建模中来。本文首先介绍射频功率放大器的非线性特性以及常用的建模方法,重点介绍几种常用的有记忆射频功放的行为模型,并分析了各种模型之间的优缺点,然后介绍了生成对抗网络的一个概念和设计思想,从原始GAN开始一直到GAN网络的变体介绍网络的数学模型以及算法流程。针对射频功率放大器的非线性特性,引出两种生成对抗网络(GAN)的建模方法,GAN网络中生成器采用循环神经网络(LSTM)结构,其网络的输出不仅与当前时刻的输入有关,还与过去时刻的网络输出有关,可以用来描述射频功率放大器的记忆效应。基于两个不同GAN网络变体WGAN-GP和SNGAN分别的对射频功率放大器行为建模,并对两个模型的实验结果进行分析,证实了文中所介绍的生成对抗神经网络对功法的建模的可行性。两种GAN变体的建模方法的实验结果显示,模型在精确度上面虽然比不上传统的功放模型,但有提升的空间,两个模型都能描述出功放的非线性特性以及记忆效应。SNGAN不管是在模型的精确度、训练的稳定性还是收敛速度上都优越于WGAN-GP。