【摘 要】
：
随着通信技术的发展,数据传输速率的需求日益增长,无线通信系统中往往采用更加复杂的调制方式,因此信号通常具有较大的峰均比,这通常要求功率放大器（功放）工作在输出功率回退区域。许多具有高回退效率的功放架构被提了出来,其中负载调制类功放（包括Doherty功放和有源负载调制平衡式功放（LMBA）等架构）被研究人员大量关注。另一方面,由于发射机对带宽和输出功率的需求持续增长,其增益平坦度通常呈现“多峰值”
论文部分内容阅读
随着通信技术的发展,数据传输速率的需求日益增长,无线通信系统中往往采用更加复杂的调制方式,因此信号通常具有较大的峰均比,这通常要求功率放大器（功放）工作在输出功率回退区域。许多具有高回退效率的功放架构被提了出来,其中负载调制类功放（包括Doherty功放和有源负载调制平衡式功放（LMBA）等架构）被研究人员大量关注。另一方面,由于发射机对带宽和输出功率的需求持续增长,其增益平坦度通常呈现“多峰值”的特点。所以设计一款能解决发射机多峰值增益平坦度的均衡器也迫在眉睫。针对功放宽带高效率以及发射机增益平坦度的需求,本文主要的研究内容和创新点如下:1.提出了一种双负载调制Doherty功放的设计方法。本文从理论的角度揭示了传统Doherty功放在峰值功放刚开启时的回退区域内出现效率下降,形成效率“凹坑”的原因。为了提升Doherty功放在回退区的效率,提出了一种双负载调制Doherty功放的设计方法:除了峰值功放对载波功放的负载调制外,通过增加载波功放对峰值功放的阻抗调制（即双负载调制）,使峰值功放在回退区的效率得到提升,从而提高了Doherty功放在整个回退区的效率且极具宽带拓展的潜力。基于所提出的设计思路,设计了一款工作在2 GHz的双负载调制Doherty功放。测试结果显示其饱和输出功率为43.7 d Bm,饱和功率增益为9.7 d B,饱和漏极效率为76.0%,6 d B输出功率回退效率为59.2%,极大的改善了传统Doherty功放的效率“凹坑”。2.提出了一种SLMBA中耦合器-功放的联合设计方法。本文介绍并推导了SLMBA的基础理论,分析了其幅度调制和相位调制机制的原理。通过预设的10 d B回退量确定了两路功放最大输出功率比,并通过负载调制阻抗的轨迹确定了相位补偿线的长度。区别于传统的耦合器设计思路,本文分别针对SLMBA的回退点和饱和点,将耦合器与功放进行联合设计,提高了SLMBA在回退点和饱和点的性能。最后设计了一款工作在1.5-2.7 GHz（57%的相对带宽）的SLMBA,版图仿真结果显示,其饱和输出功率达到了40.7-43.7 d Bm,小信号增益为9.7-12.4 d B,饱和漏极效率为52.7-73.7%,10 d B输出功率回退效率为44.9-59.2%。3.提出了一种新的RLC宽带无源均衡器。本文分析了宽带发射机的多峰值增益平坦度的问题。而报道过的均衡器往往采用简单的R-L或R-C结构,其S21仅呈现单调递增的曲线,并不能用来处理多峰值的均衡曲线。本文提出了一种新的RLC宽带无源均衡器,在不同的实际情况下推导出了该均衡器的设计方法,分析了均衡器对于微带线的灵敏度并比较了两种均衡器结构的优劣势。最后设计并测试了两款工作在0.5-2 GHz的均衡器。测试结果显示提出的宽带均衡器能够很好的改善发射机的多峰值增益平坦度。
其他文献
近年来,全球车辆用户数量已超过十亿和涌现出各类车载服务,例如道路预警,自动驾驶和智能停车等,为车联网中计算存储资源提出了极为严苛的要求。为保证车联网中用户服务质量,将移动边缘计算引入传统车联网,即车联网边缘计算。然而,车联网边缘计算存在资源受限和硬件部署开销大的问题。为此,有学者提出将具有计算能力的停泊车辆作为边缘计算节点,辅助边缘服务器提供计算服务,从而构成一种新型网络范式—停泊车辆辅助边缘计算
移动群智感知（Mobile Crowd sensing,MCS）是近年来新兴的一种感知模式,利用智能设备内置的传感器采集大量的传感数据,感知平台实时处理以支持物联网的各类服务,其有效降低感知成本,扩大感知覆盖范围和提升感知质量,将推动物联网的发展。任务分配作为MCS的重要组成部分,合理高效的任务分配是群智感知系统能否大量应用的基石。然而,在智慧城市中,随着越来越多的应用场景需要多源异构的感知信息,
在第五代（5th Generation,5G）移动通信架构下,移动边缘计算（Mobile Edge Computing,MEC）直接从网络边缘为用户设备提供计算和存储功能,能有效降低用户设备处理任务的时延和能耗。在移动边缘计算的任务卸载过程中,由于通信资源受限以及移动设备间的干扰,导致通信开销增大;此外,卸载任务的分配不均衡会导致某些MEC服务器出现过载现象,从而影响任务执行效率。因此,对移动边缘
卷积神经网络是深度学习算法中一个重要的研究分支,已经在智慧医疗和智能门禁等应用中取得巨大成功。随着各行各业智能化革新的推进和深化,在智能安防、自动驾驶等高速AIo T应用的终端设备上实现端侧智能计算成为大势所趋。如何在成本和功耗受限的物端设备上实现高速卷积神经网络推理成为亟待解决的难题。研究卷积神经网络轻量化算法和设计突破冯式架构的卷积神经网络专用加速器是实现低成本高速卷积神经网络端侧计算的关键方
疲劳驾驶作为诱发交通事故的主要因素之一,其造成的交通事故占总交通事故的20%左右,占特大交通事故的40%以上,危害性极大。基于面部特征的疲劳检测方法无需与驾驶员进行接触,具有成本低、受限小且精度高等优点。如何通过面部特征快速、准确地检测驾驶员的疲劳状态具有重要的研究意义和应用价值。目前,基于面部特征的疲劳检测方法未能融合图像的多尺度特征及多层次信息,在复杂多变的驾驶环境下难以满足实时性和准确性两方
当今无线通信系统为了获得更快的信息传输速率,其调制信号的带宽与峰均功率比均不断增加,通信频带的分布也越来越碎片化,这对无线通信系统中的核心部件之一功率放大器的性能的要求越来越高。如何高效的放大宽带高峰均功率比信号一直是众多学者关心问题。本文针对宽带、大回退范围效率提升两个应用场景,分别对双模三路Doherty功率放大器以及负载调制平衡式功率放大器进行了研究。本文的主要内容与创新点如下:1、提出了一
交通运输现在已经成为国家经济发展中最重要的行业之一。为缓解交通运输安全和拥堵日益增长的压力,需要对车联网通信的可靠性和时延提出更高的要求,在长期演进的车对路基础设施（Long Term Evolution-Vehicle to Infrastructure,LTE-V2I）通信中,接收端的信号处理通过信道估计和均衡技术来提高通信性能。但信号在V2I场景下传播会受到噪声和衰落的影响,导致接收端不能正
近年来无线通信技术快速发展,静止场景下的无线通信需求得到了很好的满足。但高速移动场景中信号传播会经历时频双选择性衰落,导致通信系统性能恶化。目前广泛采用正交频分复用技术在快时变信道中需要大量的导频符号提高信道估计准确性,数据传输速率较低。正交时频空（Orthogonal Time Frequency Space,OTFS）调制是新一代的调制技术,通过辛傅里叶变换和逆辛傅里叶变换两个变换对,将时频域
在海量机器通信（massive machine type communications,m MTC）中,大量设备需要通过带宽受限的无线信道接入网络。海量设备接入网络会造成频繁信道争用;同时传统基于调度来获取信道资源的通信方式会带来巨大的信令开销。以上挑战给海量接入系统的性能提升带来了极大的困难。传统基于调度来获取信道资源的通信方式将迎来重大改变。在此基础上,免授权的海量接入技术通过避免终端与基站之
新兴的压缩感知（compressed sensing,CS）技术突破了奈奎斯特-香农采样定理的局限性,为同时采样与压缩提供了新的模式。根据CS理论,如果信号在某个变换域中具有稀疏性,则可以利用线性测量值高概率地恢复信号。CS以其新颖的性质引起了人们广泛关注,已被应用于磁共振成像、遥感成像和认知无线电通信等领域。然而,传统的CS方法往往性能较差,基于深度学习的CS方法需要大型训练数据,并且当应用场景