功率放大器(簡稱功放)是通信發射系統中的核心部件之一，主要作用是將調制過的信號進行放大并傳輸給天線發射。功放在對信號進行放大時會產生非線性失真，非線性失真產生的寄生頻譜會對鄰信道以及自身的工作信道造成很大干擾。如今通信已經得到了蓬勃的發展，在滿足基本的語音通信基礎之上，還具有數據傳輸的功能。所以，組建通信網絡等更加的復雜的任務對功率放大器的線性度提出了較高的要求。

數字預失真技術是一種常見的提高功放的線性度的方法，數字預失真技術通過提取功放輸入輸出特性并構建功放的功放模型，并以此構造出合適的線性化策略。數字預失真技術無穩定性問題，適用帶寬較寬，精度較高，實現成本低。數字預失真技術的諸多優點被十分看好，有著非常良好的前景。

傳統的數字預失真技術對功放進行建模并進行反向補償。常見的數字預失真模型包括查找表模型(Look-upTable,LUT)、記憶多項式模型(MemoryPolynomial,MP)、Hammerstein模型及其改進型等。在過去的幾十年中這些模型得到了廣泛的學術研究和工程應用。近幾年，深度學習在學術和應用上的取得了巨大進步。Google公司的Alpha Go項目的巨大成功更是讓深度學習在全球得到了廣泛的關注，深度學習在越來越多的方向取得了傳統模型很難達到的成績。

隨著無線通信技術的飛速發展，從短波、1G、2G、3G、4G，直到即將廣泛應用的5G無線系統，無線通信已經深入到了人們工作、學習、生活的方方面面，尤其是到了現在的4G、5G時代，中國移動更是提出“4G 改變生活， 5G 改變社會”的口號。然而，隨著 5G 建設的蓬勃展開，不論是基站還是終端，都被如何提高頻譜效率和能量效率這兩個核心問題深深困擾。5G 基站由于采用大規模 MIMO 技術，基站功耗居高不下，因此將嚴重妨礙 5G 系統的大規模商用，甚至可能因為5G基站的能耗問題而使其短期內成為運營商的包袱。另一方面，空間頻譜資源越來越緊張，尤其是傳輸距離遠的優質低頻頻譜，更是非常寶貴。為了高效利用這些非常有限的頻譜資源，實現5G系統標準規定的高達上千兆比特每秒的超高數據傳輸速率，設計人員不得不使用越來越復雜的高效調制方式，如64QAM、256QAM、512QAM，甚至 1024QAM， 這些復雜的調制方式不僅會大大提升信號的峰均比，進一步降低基站中耗能最多的發射機末級功率放大器( 簡稱功放) 的功率效率，而且對功放的線性度將提出更為苛刻的要求。

眾所周知，功放是無線通信傳輸系統非線性的主要來源，對功放的非線性構建行為模型具有極為重要的意義。功放的非線性行為模型不僅是對無線通信進行高精度系統仿真的基礎，而且是采用數字預失真技術時，一個非線性模型對功放非線性進行矯正的能力強弱的判斷依據。因此， 各國研究人員提出了多種不同的適合于對功放非線性行為進行仿真的非線性模型。最簡單的模型是將功放視為一個無記憶的非線性系統， 因此先后提出了著名的 Saleh模型、Ｒapp模型、Ghorbani、Bessel-Fourier、多項式模型等 。該類模型結構簡單，可以較好地模擬傳統的窄帶功放這類無記憶或準無記憶的非線性系統的非線性行為特性。然而， 寬帶功率放大器具有記憶效應， 其非線性表現為具有很強的動態特性，傳統的無記憶非線性模型無法表征其動態非線性， 必須采用具有記憶效應表達能力的非線性模型。為此， 研究人員先后提出 Volterra 級數模型、記憶多項式模型及其擴展模型 、Hammerstein 模型及其擴展模型 、Wiener 模型及其擴展模型 、串并聯混合非線性模型 等函數型動態非線性行為模型， 用于模擬功放的動態非線性特征。此外， 人工神經網絡因其具有精確表征任意非線性的能力而被越來越多的研究人員用于表征功放的動態非線性特性，尤其是神經網絡所具有的獨特的自學習能力，更是被寄希望于以此構建適用于 5G 或 6G 功放的具有普適性的通用動態非線性模型。