本文在抽头延时神经网络（TDNN）的基础上，提出了一种可用于高功率放大器的数据捕获、分析、建模和线性化的有效数字预畸变过程。利用基带信号分析，对大功率RF放大器的记忆效应进行了识别与建模。

本文在抽头延时神经网络（TDNN）的基础上，提出了一种可用于高功率放大器的数据捕获、分析、建模和线性化的有效数字预畸变过程。利用基带信号分析，对大功率RF放大器的记忆效应进行了识别与建模。     当前研究工作越来越多地关注大功率放大器线性化中的记忆效应，尤其是在蜂窝基站收发系统中的应用。尽管对功率放大器线性化已经进行了很多研究，具有恶化线性电路性能的长记忆强非线性系统的线性化，仍然存在许多具有挑战性的课题，这些问题是与记忆引起的复杂非线性畸变相关。     利用许多不同的函数或算法，已经开发出

本文在抽头延时神经网络(TDNN)的基础上，提出了一种可用于高功率放大器的数据捕获、分析、建模和线性化的有效数字预畸变过程。利用基带信号分析，对大功率RF放大器的记忆效应进行了识别与建模。

本文在抽头延时神经网络（TDNN）的基础上，提出了一种可用于高功率放大器的数据捕获、分析、建模和线性化的有效数字预畸变过程。利用基带信号分析，对大功率RF放大器的记忆效应进行了识别与建模。     当前研究工作越来越多地关注大功率放大器线性化中的记忆效应，尤其是在蜂窝基站收发系统中的应用。尽管对功率放大器线性化已经进行了很多研究，具有恶化线性电路性能的长记忆强非线性系统的线性化，仍然存在许多具有挑战性的课题，这些问题是与记忆引起的复杂非线性畸变相关。     利用许多不同的函数或算法，已经开发出