一种基于遗传算法和稀疏贝叶斯联合优化建模的方法，用于高效实现预失真处理

功率放大器非线性补偿的Volterra级数模型采用改进遗传算法优化样本选择，结合贝叶斯学习解决基函数非正交性导致的病态矩阵问题，实验显示效率提升66%，样本量减少80.5%仍保持精度。

摘要：

由Volterra级数表示的预失真模型可以有效补偿功率放大器（PAs）的非线性。传统模型需要大量样本来求解多项式系数，这使得它们难以满足绿色通信的需求。因此，本文提出了一种改进的遗传算法（GA），用于选择能够保留模型特征的最小训练样本子集。然而，由于基函数的非正交性，在少量样本学习（FSL）过程中可能会出现病态矩阵问题。为了解决这个问题，在样本选择之前应用贝叶斯学习来稀疏基函数。这不仅进一步降低了多项式的维度，还加速了GA适应度函数的更新过程。实验结果表明，这种联合优化策略的收敛速度比传统GA快66％；即使训练数据减少了80.5％，其准确度仍可与全样本拟合相媲美。

引言

为了进一步实现通信系统中“用最少的资源获得最大效益”的绿色通信理念[1]，考虑到大规模微基站部署时严格的物理尺寸和成本限制，功率放大器（PAs）必须在优先考虑资源效率的同时解决其非线性问题[2]。因此，开发一个在性能和复杂性之间取得最佳平衡的数字预失真（DPD）模型已成为学术界的关键研究方向。