本文将神经网络应用于通信系统中,采用级联BP神经网络对功率放大器模型进行拟合。论文对传统级联BP神经网络结构进行了优化,对传统级联BP神经网络最速下降法进行了改进,有效解决了传统级联BP神经网络在预失真器设计中学习速度慢、拟合模型拟合精度低的问题,提高了级联BP神经网络的学习速度和模型拟合精度。针对级联BP神经网络在对功率放大器进行拟合的过程中遇到的相关问题,本文做出了如下解决方案和测试方法:1.针对级联BP神经网络学习效率低,无法满足部分预失真器设计实际应用需求的问题,本文引入拟牛顿法,在对功率放大器模型进行建模时,将迭代周期从538次,降低到50次以内。2.针对级联BP神经网络结构较为复杂,在实现中会消耗较多计算和存储资源的问题,本文对级联BP神经网络中不必要的结构进行了合理删除,优化了级联BP神经网络结构,将级联BP神经网络资源消耗降低了三分之一以上。3.在对改进后的级联BP神经网络进行验证时,采用级联BP神经网络对记忆多项式功放模型进行建模,并利用记忆多项式辨识出的实际功放模型进行仿真。在对带宽为5MHz的WCDMA信号进行处理时,能将其ACPR由-30dB降低到-57dB,并使其NMSE达到-50.31dB以下。4.在以E类功放为基础的测试平台上对级联BP神经网络进行实验时,将功放输出功率设置在32d Bm左右,输入信号的中心频率设置为1.7GHz、2.0GHz、2.2GHz,宽带信号带宽设置为5MHz,实验结果表明,改进后的级联BP神经网络能将ACPR从-32.2dB降低到-47.4dB以下。