[硕士论文精品]记忆功率放大器预失真技术研究

西南交通大学博士研究生学位论文第F页手两芰本文研究了通信系统中记忆非线性功率放大器的预失真线性化技术。采用神经网络和支持向量机对预失真器进行黑箱建模，实现对记忆非线性功率放大器的线性化。首先综述了现代通信的发展趋势，阐明以记忆非线性为特点的功率放大器线性化技术研究既是现实的需求，又符合现代通信发展的方向。针对WIENER型结构的记忆非线性功率放大器，提出了分离预失真方法，分别对放大器的动态模块和非线性模块求逆，然后构成HAMMERSTEIN预失真器，实现对放大器的线性化。该方法由于将复杂系统的辨识问题转化为简单系统的辨识问题，有利于提高算法的速度和精度。若充分利用已有的简单系统的高效辨识算法，还可进一步提高分离方法的性能。采用直接学习结构对神经网络进行训练，较之传统的非直接学习结构，该方法中用于训练的输入样本统计特性更接近实际应用的输入信号，因而训练得到的神经网络预失真器在推广能力上更有优势，仿真结果验证了这一点。首次将支持向量机用于对预失真器进行“黑箱”建模。分析了局部核函数、全局核函数和组合核函数的特点，仿真比较了选取不同核函数情况下，支持向量机预失真器的性能，结果显示兼具内插和外推能力的组合核函数更适用于对预失真器建模，同神经网络预失真器的仿真对比显示，支持向量机预失真器的性能更优。KEERTHI的改进SMO回归算法的偏置是由上、下阈值取中得到，因此偏置的准确程度取决于优化结束后的上、下阈值是否满足优化条件。分析了上、下阈值可能不满足优化条件的原因，从回归问题的原问题出发，导出了求取偏置的优化问题，通过分析偏置的变化范围，证明了该优化问题为一个一维凸函数的优化问题，采用黄金分割算法来解该优化问题，使支持向量机预失真器的性能更优。针对回归问题，提出了SVM的管道压缩的模型，首先利用大E不敏感函数下的回归函数来预测小E不敏感函数下的支持向量，然后再采用同支持向量相对应的样本作为训练样本，使得问题的规模降低，达到提高支持向量机预失真器建模速度的目的。文章的最后，概括了我们对于记忆非线性功率放大器的预失真技术所做的工作，并展望了下一步的研究方向和重点。关键词预失真；记忆非线性功率放大器；支持向量机；神经网络第1I页西南交通大学博士研究生学位论文ABSTRACTTHEPREDISTORTIONLINEARIZATIONTECHNIQUEISINVESTIGATEDFORTHENONLINEARPOWERAMPLIFIERWITHMEMORYINCOMMUNICATIONSYSTEMNEURALNETWORKANDSVMSUPPORTVECTORMACHINEAREADOPTEDTOMODELTHEPREDISTORTERTOLINEARIZETHENONLINEARPOWERAMPLIFIERWITHMEMORYWESUMMARIZETHEDEVELOPMENTTRENDSOFTHEMODEMCOMMUNICATIONSYSTEMFIRST，ANDTHENEXPOUNDTHATITNOTONLYMEETSTHEREALISTICREQUIREMENTBUTALSOAGREESWITHTHEDEVELOPMENTDIRECTIONOFMODERNCOMMUNICATIONTOSTUDYTHEPREDISTORTIONTECHNIQUEFORTHENONLINEARAMPLIFIERWITHMEMORYSEPARATIONPREDISTORTIONMETHODISPROPOSEDTOLINEARIZETHEPOWERAMPLIFIERWITHSPECIALSTRUCTURELIKEWIENERTHEMETHODIDENTIFIESTHEINVERSESYSTEMSOFMEMORYSUBSYSTEMANDNONLINEARSUBSYSTEMSEPARATELY,ANDTHENPUTTSTHEMTOGETHERTOCONSTRUCTAHAMMERSTEINSYSTEMWHICHISTHEACCURATEPREDISTORTERFORTHEWIENERAMPLIFIERDUETOITCONVERTSANIDENTIFYINGPROBLEMFORCOMPLEXSYSTEMINTOONEFORSIMPLESYSTEM，THEMETHODISBENEFITTOBOTHSPEEDINGUPCOURSEOFPARAMETERSIDENTIFYINGANDACQUIRINGPREDISTORTERMODELWITHGREATPRECISIONIFMOREEFFICIENTALGORITHMSFORTHETWOSIMPLESYSTEMSAREINTRODUCEDIN，THESEPARATIONMETHODWILLPERFORMBETTERTHEDIRECTLEARNINGSTRUCTUREISADOPTEDTOTRAINNEURALNETWORKFORTHEINPUTTRAININGSAMPLESAREMORECLOSETOTHEACTUALINPUTSIGNALSINSTATISTICALFEATURES，THEGENERALIZATIONCAPABILITYOFTHENEURALNETWORKPREDISTORTERBASEDONDIRECTLEARNINGSTRUCTURESHOULDBEBETTERTHISISVERIFIEDBYSIMULATIONRESULTSVMISUTILIZEDBYUSTOMODELTHEPREDISTORTEROFTHENONLINEARAMPLIFIERWITHMEMORYATFIRSTTIMESOFARASWEKNOWFEATURESOFLOCALKERNELFUNCTION，GLOBALKERNELFUNCTIONANDCOMBINATIONKERNELFUNCTIONAREANALYZEDTHEPERFORMANCESINTHECASESOFDIFFERENTKERNELFUNCTIONSALESTUDIEDBYSIMULATION，ANDTHERESULTSSHOWTHATTHECOMBINATIONKERNELFUNCTIONISTHEBESTCHOISETOMODELPREDISTORTERINADDITION，SIMULATIONRESULTSALSOSHOWTHATTHESVMPREDISTORTERPERFORMSMOREROBUSTTHANTHENEURALNETWORKPREDISTORTERDOESTHEMODIFIEDSMOALGORITHMPROPOSEDBYKEERTHIPERFORMSSIGNIFICANTLYFASTERTHANTHEORIGINALSMOBYINTRODUCINGTWOTHRESHOLDPARAMETERS，THEFINALBIASVALUECANBECALCULATEDBYAVERAGINGTHETWOTHRESHOLDVALUES，SOTHEACCURACYOFTHEBIASVALUEWILLBEINFLUENCEDIFTHETWOTHRESHOLDVALUESFAILTOSATISFYTHEOPTIMALITYCONDITION1NEREASONOFVIOLATINGOPTIMALITYCONDITIONISANALYSEDANDTHEALGORITHMTOFINDTHEBIASVALUEISDEDUCEDFROMTHEPRIMALPROBLEMOFREGRESSIONBYANALYZINGTHEVARIATIONRANGEOFTHEBIASVALUE，THENEWALGORITHMISPROVEDTOBEANOPTIMALITYPROBLEMOFONEDLMENSIONCONVEXFUNCTIONBYADOPTINGGOLDENSECTIONALGORITHMTOSOLVETHEOPTIMALITYPROBLEMTOGETBIASVALUE，WEIMPROVETHEABILITYOFTHESVMPREDISTORTERTOLINEARIZETHENONLINEARAMPLIFIERWITHMEMORYANOVELTUBECOMPRESSINGMODELISPROPOSEDFORSVMREGRESSIONPROBLEMTHEMODELCANFORECASTTHESUPPORTVECTORSOFTHEREGRESSIONFUNCTIONUNDERSMALL。MSENSITIVEVALUEBYLEARNEDFUNCTIONUNDERLARGERINSENSITIVEVALUETHENEWTRALNLNGSAMPLESCORRESPONDTOTHESUPPORTVECTORSAREEXTRACTED，SOTHEPROBLEMSCALE1SDECREASEDANDTHETRAININGEFFICIENCYWILLBEIMPROVEDINTHELASTPARTOFTHISDISSERTATION，THEWORKSONTHEPREDISTORTIONTECHNIQUEFORNONLINEARPOWERAMPLIFIERWITHMEMORYTHATWEHAVEDONEARESULMMARIZEDTHENEXTRESEARCHDIRECTIONSANDKEYPOINTSAREPREDICTEDKEYWORDSPREDISTORTION，NONLINEARAMPLIFIERWITHMEMORY,SUPPORTVECTORMACHINENEURALNETWORK西南交通大学学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权西南交通大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于1保密口，在年解密后适用本授权书；2不保密函，使用本授权书。请在以上方框内打“”学位论文作者签名H飞日期2OO暑葺1A1龟誓翥亍警名7吱同期OG乙7西南交通大学学位论文创新性声明本人郑重声明所呈交的学位论文，是在导师指导下独立进行研究工作所得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体己经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中作了明确的说明。本人完全意识到本声明的法律结果由本人承担。本学位论文的主要创新点如下1针对WIENER结构的功率放大器，研究了记忆和非线性模块分离预失真方法42，推导了各模块参数辨识的最陡下降算法44。2针对双入双出的实数神经网络对记忆非线性功率放大器进行预失真的方案，定性研究了直接和非直接学习结构下训练样本的质量533，仿真比较了两种学习结构下神经网络预失真模型的学习和推广性能55。3首次研究了支持向量机对记忆非线性功率放大器预失真器的建模问题622，分析了组合核函数的归一化632，采用KEERTHI的SMO回归算法比较了径向基核函数、多项式核函数和组合核函数的性能633，给出采用组合核函数的建议。4分析了基于KEERTHI的SMO回归算法的记忆功率放大器预失真器建模中出现的上、下阈值不满足优化条件的问题731，研究了求取偏置的新方法并证明该方法为一维搜索问题732，从而能在付出极小算法代价的情况下提高预失真模型的精度。5为提高基于支持向量机的预失真器建模速度，提出了针对支持向量机回归问题的管道压缩模型822，并以该模型为基础构造出一种能提高支持向量机训练速度的算法823。学位论文作者签名1尚，弋HU同期。甚年1月2同西南交通大学博士研究生学位论文第1页11研究背景及意义第1章引言功率放大器是现代无线通信系统中的重要部件。如图11所示，信号源为二进制的比特流，经过星座映射转换为基带调制信号，由于基带信号的频带无限宽，一般采用滤波器对其进行滤波处理，使信号限制在要求的频带内，限带后的信号由正交调制器调制到载波上，然后通过功率放大器将载波信号的功率放大，使其能通过天线辐射出去。I滤波肝IJI义HHJ制卜替黼图11无线发射机框图调制信号的包络如果不随时间变化，称为常包络调制，如FM、MSK和GMSK，否则称为变包络调制。随着无线通信技术的飞速发展，频谱利用率较高的调制方式得到了广泛的应用，这些调制方式如正交相移键控0PSK、正交幅度调制0AM等都是变包络调制，这些调制信号峰值功率同均值功率比峰平比高，对功率放大器的线性度提出了很高的要求，为提高功率放大器的效率，往往需要其工作在非线性区，从而导致信号通过功率放大器后产生两种结果一是带内信号失真，导致接收系统的误码率增加，严重影响信号的传输；二是带外频谱扩展，带外再生的频谱影响邻近信道用户的正常传输。因此功率放大器的线性化技术研究一直为国内外研究者所关注116。现代通信的发展趋势，对功率放大器的线性化技术提出了新的要求。就移动通信而言，第一代模拟系统只能提供语音服务，不能传输数据；第二代数字系统的数据传输速率为96BITS，最高可达32KBITS；第三代以CDMA为核心技术，数据传输速率可达到2MBITS，目前人们在加紧实现3G系统商业化的同时，开始了第四代的研究，希望能提供更快的传输速率10MBITS20MBITS。OFDM正交频分复用具有更高的频谱利用率和良好的抗多径干扰能力，它不仅可以增加系统的容量，而且能更好地满足多媒体通信要求，能将包括语音、数据、影像等大量信息第2页西南交通大学博士研究生学位论文的多媒体业务通过宽频信道高品质地传送出去，目前OFDM技术已经被广泛应用于广播式的音频、视频领域和民用通信系统中，如非对称的数字用户环路ADSL、ETSI标准的数字音频广播DAB、数字视频广播DVB、高清晰度电视HDTV、无线城域网、无线局域网WLAN。普遍的观点认为OFDM将成为第四代移动通信系统的核心技术，并同CDMA相结合，扬长避短，共同服务于移动通信领域。纵观移动通信系统的发展，从单纯的语音数据传输到多媒体通信服务，宽带化己成为一种必然趋势，这种发展对功率放大器的特性产生影响，有实验表明1720，在100KBPS的BPSK信号或间隔为LOOKHZ的八音频信号驱动下，均观察到功率放大器的幅度一幅度、幅度一相位曲线的磁滞特性，表明功率放大器除了仍具有非线性特性外，还呈现出记忆特性，此时功率放大器的输出不仅取决于当前的输入，还受到历史输入的影响。因此以记忆非线性为特征的功率放大器线性化技术研究既是现代通信发展的需求，又具有现实的意义。12国内外研究现状国内对非线性功率放大器的研究大多数仍集中于无记忆模型，针对记忆非线性功率放大器线性化技术的研究还较少2125】，国外对记忆功率放大器预失真技术的研究开展较早，现将目前国内外研究现状总结如下功率放大器的记忆特性在实验中陆续被发现，HEUTMAKER【17采用LKBPS和100KBPS两种速率的BPSK信号对一个16GHZ的宽带放大器进行驱动，通过矢量信号分析仪对输入输出信号的幅度和相位进行测量，当信号速率为LKBPS时，得到的幅度幅度和幅度相位曲线同单音频测试得到的响应相当一致，当信号速率为LOOKPBS时，得到的幅度幅度和幅度相位曲线出现了不同的特点，即磁滞特性，HEUTMAKER认为这种磁滞特性是由放大器的记忆性引起的。SLIMBOUMAIZA20采用间隔为100KHZ的八音频信号对一个峰值为90W的功率放大器进行测试，也观察到了磁滞特性。JOEL【19从电子和电热两个方面分析了功率放大器记忆效应的产生原因，并采用双音频信号扫描中心频率为18GHZ的功率放大器，通过测量三阶交调量的幅度和相位来验证记忆效应的存在。记忆性存在的事实，使得功率放大器的模型研究进入一个新的发展阶段。伏特拉VOLTERRA级数由于对动念非线性系统有很强的表达能力，因此常用于对记忆非线性功率放大器进行建模，WANG26在CDMA信号激励下，采用伏特拉传输函数对功率放大器的记忆非线性进行拟合，实测和模型得到的功率谱密度非常一致。RAICH27利用伏特拉级数和带通系统模型，理论上推导了记忆非线性功率放大器西南交通大学博士研究生学位论文第3页的基带表达式，并从该表达式出发，导出两种特例基于对角核DIAGONALKERNEL系统的HAMMERSTEIN模型和基于可分离核SEPARABLEKERNEL系统的WIENER模型。ZHU28采用复基带伏特拉模型，对3GPPWCDMA信号驱动下的LDMOS的AB类功率放大器进行拟合，该模型能精确地再现功率放大器的非线性失真和记忆效应。伏特拉级数的参数由于随系统记忆长度和非线性阶数的增加而迅速增加，故只适用于弱非线性系统，更为简化的模型得到研究，CLARK29对无记忆的包络模型进行扩展，使其在原模型输入端增加一个自回归滑动平均ARMA滤波器，其N阶ARMA模型为包括N步延迟的无限脉冲响应IIR结构，十一阶的ARMA模型可以在OOK和BPSK调制信号下，有效拟合功率放大器的记忆非线性，23阶的模型可以对MSK调制信号作用下的功率放大器进行拟合。HYUNCHULKU30通过改变双音频信号的频率间隔，导出依赖于频率的传输函数，并利用这些传输函数得到基于线性非线性并行级连的放大器模型，并在CDMA信号的激励下，验证了该模型对一个AB类的高功率放大器的有效性。KIM311提出记忆多项式模型，对比了在单载波UMTS和多载波UMTS信号作用下，该模型对LDMOS的AB类功率放大器的估计误差，单载波信号作用下的估计误差随延迟项的增加而降低的程度不如多载波情况下明显。SUN32和DING33在预失真技术中采用了WIENERHAMMERSTEIN模型。WANG25采用WIENERHAMMERSTEIN模型对功率放大器进行建模，并利用该模型对记忆效应的产生原因进行了分析。这些简化的模型能用较少的参数对记忆非线性功率放大器进行建模，但其精确程度却较为依赖于功率放大器的具体状况，GILABERT24】同时采用WIENER模型和HAMMERSTEIN模型对某A类功率放大器进行建模，HAMMERSTEIN模型预测的功率谱密度更接近于该功率放大器实际的功率谱密度。神经网络具有很强的学习能力，能辨识任意非线性系统，因此也被用于功率放大器的建模研究，LIU34提出一种实值时延的神经网络对3G基站功率放大器的基带模型进行建模，采用该模型对90W的LDMOS功率放大器在时域和频域仿真，其预测结果同实测结果非常一致，由该模型得到的幅度幅度和幅度一相位特性也能很好地反映功率放大器的记忆效应。记忆非线性给功率放大器的线性化技术提出了新的问题，基于无记忆模型的线性化方法的局限性已被证实，因此伴随着功率放大器模型的研究，线性化技术也同时得到研究，由于记忆非线性系统的复杂性，以自适应优化算法为主要内容的预失真技术占据了主要地位，归结起来有两种技术路线基于特定功率放大器模型结构的预失真技术研究和基于通用预失真结构的研究。KANG35通过WIENER结构的估计器对未知系统进行辨识，并将HAMMERSTEIN系统置于估计器的前端，通过最陡下降自适应算法得到HAMMERSTEIN系统的参数，以实现对未知系统的预第4页西南交通大学博士研究生学位论文补偿。随后，KANG36T哿这种预补偿方法应用到OFDM系统中高功率放大器的预失真中。LEIDING371采用非直接学习结构对WIENER功率放大器的HAMMERSTEIN预失真器进行辨识，其特点是不对放大器进行WIENER估计，而是直接用HAMMERSTEIN模型对放大器进行逆辨识，从而得到预失真器。ELANGLET38采用神经网络同线性滤波器的级连结构对HAMMERSTEIN功率放大器进行辨识，然后再用自适应算法分别得到神经网络和线性滤波器的逆模型。YUANMINGDING39针对WIENER结构的功率放大器，将HAMMERSTEIN预失真器的转化为线性辨识问题，并用递归最小二乘算法对参数进行优化。KIM31】针对仅延迟一项的记忆多项式模型，通过简单的迭代算法，得到稳定的基于记忆多项式模型的预失真器。MUHAMMAD40采用非线性抽头延时NTDL模型对功率放大器和预失真器进行建模，采用非直接学习结构，利用递归最小二乘算法就可辨识出NTDL预失真器的参数。YUANMINGDING41采用WIENERHAMMERSTEIN模型对功率放大器进行建模，其精确的预失真模型也应为WINERHAMMERSTEIN模型，但由于该模型的辨识非常困难，故文中采用带记忆的功率级数模型POWERSERIESMODELWITHMEMORY来近似WIENERHAMMERSTEIN模型作为预失真器，该模型的参数通过递归最小二乘算法即可得到。上述研究都是从放大器的模型出发，构建与之相适应的预失真器模型，其中WIENER结构的功率放大器得到更多的研究，因为其精确的逆模型可用HAMMERSTEIN结构来表示。其它的放大器模型，很难得到其精确的逆模型，往往是选用近似的模型来实现预失真。鉴于此，研究者开始寻找鲁棒性强、易于辨识的预失真结构。LEIDING42，43采用记忆多项式模型的预失真器，其参数采用最小二乘算法来提取，仿真验证了该预失真器对于WIENERHAMMERSTEIN、WIENER、记忆多项式和并行WIENER结构的功率放大器的非线性补偿的鲁棒性。LIU22提出一种新型的WIENER结构的预失真器，同传统WIENER系统相比，其线性滤波器结构由多个并行的FIR支路构成，且每个支路的输入为各个阶次的非线性信号，这种结构能更好地补偿由电子记忆效应导致的多种记忆非线性因素，实验结果表明该预失真器能有效地消除频谱再生，其性能比传统的WIENER预失真器有明显优势。基于参数模型的预失真器需要对功率放大器的记忆非线性有较强的先验知识，而非参模型则可将功率放大器看作一个“黑箱”，直接根据“黑箱”的输入输出关系学习其逆特性，得到具有推广性能的预失真模型，神经网络由于能拟合任意非线性系统，因此也被应用于包括无记忆非线性功率放大器的预失真4457】和记忆非线性功率放大器的预失真技术中，QIAN58】提出一种延时的复值神经网络结构，并推导了权值的更新算法。由于数字信号为复数据流，为避免繁琐的复数运算和复数到幅度相位变换的运算，直接利用复信号流的同向和正交分量，钱业青59采用带抽头延时的双入双出两层前向神经网西南交通大学博士研究生学位论文第5页络，其权值的调整以两路信号的平方误差和为代价函数，采用LEVENBERGMARQUARDT反向传播算法进行。13本文的研究内容和主要工作本文的研究内容为带记忆的非线性功率放大器的预失真技术，首先对功率放大器的记忆非线性进行了全面的分析和总结，阐述了基于伏特拉级数的通用模型以及由此引申出来的各种简化模型。然后在此基础上研究了有先验结构知识和无先验结构知识的功率放大器的预失真技术，研究了基于神经网络和支持向量机的通用预失真器模型。具体的工作如下一、研究了功率放大器产生记忆非线性的电子和电热因素，研究了伏特拉级数表示的记忆非线性功率放大器的带通模型和基带模型，以及多种具有实用价值的简化模型。二、研究了放大器的线性化技术，分析了各自的优缺点，从横向和纵向关系的比较中确定了基带预失真技术在本文研究中的重要地位。三、研究了WIENER结构功率放大器的预失真技术，对预失真器的辨识算法作了改进。在MATLAB中仿真比较了新算法对于某个已知WIENER系统的预失真效果。四、研究了双入双出的实数时延神经网络对功率放大器预失真器的建模，改进了训练结构。在MATLAB中编制了算法程序并仿真比较了新结构的学习性能和泛化能力。五、研究了支持向量机对功率放大器预失真器的建模，分析了局部核函数、全局核函数和组合核函数各自的特点，阐明了采用归一化形式的组合核函数的理由，在MATLAB中对三种典型的记忆非线性功率放大器模型进行预失真器建模，研究了ADS软件同MATLAB软件的数据交换方法，实现在ADS中对摩托罗拉公司的MRF9742功放管进行预失真器建模。六、编制了KEERTHI的SMO回归算法程序，改进其偏置计算的方法，采用新方法在MATLAB中对三种典型的记忆非线性功率放大器模型进行预失真器建模仿真，在ADS中对MRF9742功放管进行预失真器建模仿真。七、研究了支持向量机的快速算法。采用新算法在MATLAB中对三种典型的记忆非线性功率放大器模型进行预失真器建模仿真，在ADS中对MRF9742功放管进行预失真器建模仿真。本文由八章组成，本章主要阐述了论文研究的背景及国内外的研究现状，第第6页西南交通大学博士研究生学位论文二章介绍了功率放大器的记忆非线性产生的原因和特点，在记忆非线性功率放大器基带通用模型的基础上总结了常用的几种简化模型。第三章介绍了放大器线性化技术的种类及优缺点，重点讨论了预失真方法的基本原理、实现方法及种类。以下五章体现了本文的主要工作和贡献，提出了针对记忆非线性功率放大器的预失真器结构以及自适应优化算法的多项改进。第四章WIENER结构功率放大器的分离预失真方法针对WIENER结构的功率放大器，研究了对非线性模块和记忆模块分别预失真的方法。第五章基于神经网络的预失真方法从提高神经网络训练样本质量出发，提出采用直接学习结构代替常用的非直接学习结构对神经网络预失真器进行学习。第六章基于支持向量机的预失真方法首次采用SVM对记忆非线性功率放大器进行建模，分析了三种核函数的特点以及组合核函数的结构形式，给出了采用组合核函数的建议。第七章基于SMO算法的偏置改进的预失真方法针对KEERTHI的SMO回归算法中偏置计算存在的问题，提出了改进算法，并证明其为一个一维凸函数的最优化问题，从而以极小的算法代价实现SVM建模精度的提高。第八章基于支持向量机管道压缩模型的预失真方法针对回归问题，提出了SVM的管道压缩模型，将原问题转化为低精度和小样本问题，达到提高SVM算法速度的目的。在文章的最后，总结了全文的工作，分析了目前研究成果中的不足，并由此指出今后在基于支持向量机的记忆非线性功率放大器预失真技术的研究方向。西南交通大学博士研究生学位论文第7页第2章功率放大器的记忆非线性及模型21功率放大器的非线性功率放大器非线性的描述方法之一是振幅失真，即其输出电压是其输入电压的瞬时函数，为分析方便，一般采用多项式表示为圪哪ATA2圪A3吃21在单频测试中，令输入K。ACOSCOT，则放大器输出为ZOLA2A2H“百3A3A3COS斛互1A2A2COS2COTI1A3A3COS3C_OT22输出信号由直流分量、基频分量、二次谐波2T_O和三次谐波3分量组成。若A，0，则基波分量振幅大于A，A放大器为线性时的增益，称为增益扩大；若A，口彳2COS,国，互1。A2COS2QHA2A2COS2吐T言A3A3COS2Q国A3A3COS2哆01TLA3ACOS3COLTI1口3彳3C。S3缈2F23放大器输出信号由直流分量、基波分量Q和02、二次谐波2W,和2AJ2、三次谐波3Q和30J2、二次互调分量01092以及三次互调分量209L092和Q2092组成，为进一步描述的方便，输出信号的每个分量都定义了一个名称，由口表21所示。J灏谱图如图22所示。幅表2I频谱成份及定义2国L一哆202一OLOL仞22Q02202091图22双音频输出频谱西南交通大学博士研究生学位论文第9页当劬和CO，接近时，频率为209102和202一COT非线性产物落在通带以内，不能用滤波器除掉，我们称这两个频率分量的幅度为三阶交调幅度，可用此幅度同基波幅度之比来衡量放大器非线性失真的程度，得到三阶交调系数IM。IM320LOG鬻DBC24其值为负数，绝对值越大，说明放大器的线性度越好。放大器还存在相位失真，即信号通过放大器时会产生相移的变化，相移的大小随输入功率的大小而变化。幅度相位失真是增益压缩直接结果的表现。电路进入饱和后，幅度相位失真将非常严重。在通信系统中，幅相失真将使系统的群时延失真，微分相位、微分增益和交调失真变坏，同时，幅相失真的存在将使输出的信号中存在调相分量，产生杂波干扰。22功率放大器的记忆性由式23可以得到三阶交调上、下边带IM3的表达式为IM334以3彳325IM3边带并不是双音信号音频间隔的函数，但功率放大器的性能并非如此，IM3的相位是双音信号音频间隔的函数。见图23。IM3L相位音频问隔图23记忆效应定义式25得到的IM3L相位见图中的虚线，实际放大器的IM3L的相位见图中的实线，这种由双音信号的音频L、日J隔导致的交调成份的幅度和相位的偏差被称为记忆效应。记忆效应产生的原因在于实际的功率放大器同多项式模型是存在区别的。第1O页西南交通大学博士研究生学位论文221电子记忆效应实际的功率放大器包含了不止一个具有非线性机制的结构，这些非线性因素相互影响，使得式21的非线性响应并不完全。式21的输出仅仅是其它非线性结构的输入，图24为两个非线性结构的级连，以这个简化的模型为例来说明功率放大器失真的产生机制19。图24放大器简化级连模型201一022002一01O1唑2091哆2C02C01图25三阶非线性产生的频谱分量图24中H框描述了放大器基极电压同输入信号的函数关系，F框描述了集电极电压同基极电压的函数关系。H1、H2和H3分别代表不同阶次的模块。首先，西南交通大学博士研究生学位论文第11页三阶模块H3在基极产生IM3信号，并经过FL线性放大其次，H1在基极产生的线性信号，经过具有三阶非线性的F3模块也产生IM3信号；另外，H1产生的线性信号同H2产生的二次谐波2H和包络ENVELOPE信号经过F2模块后也会产生IM3信号。图25中表示了第一个非线性模块的输出，其IM3分量的幅度可由式23计算得到。该多音频信号作为第二个非线性模块的输入。得到的IM3分量则由其它频率分量叠加而成。国，一CO，包络信号和，信号在F2中混合可产生IM3H分量；同样2CO，信号同一劬信号混合也可产生IM3分量。因此IM3边带不仅受到基波电压波形的影响，还受到不同节点处国，一CO，包络频率和二次谐波频率的电压波形影响。问题是如何控制不同节点和频率分量的电压波形，既然电路组件的非线性可以认为是电流源，则电压波形受到节点阻抗的影响。功率放大器IM3分量的合成如图26所示。节点阻抗包括两个部分晶体管的内阻抗和外阻抗。外阻抗也包括两个部分匹配网络和偏置网络的阻抗。这些阻抗的综合效应在设计时应注意考虑。电子记忆效应是由变包络信号、不同调制频率下的基频或二次谐波阻抗引起的，其中，由于在大多数RF系统中，基频偏离中心频率最多达1，因此基频阻抗在整个调制频率范围内可以保持不变。二次谐波频率阻抗的变化范围也很窄。可见，基波和二次谐波阻抗对记忆效应贡献甚微，包络阻抗对记忆效应起了主要作用。包络频率可从直流变化到最大的调制频率，为避免记忆效应，其输出阻抗在整个频率范围内必须保持不变或变化很小。既然节点阻抗包括偏置阻抗，而在偏置网络中，需要大时问常数元件作储能用，因此记忆效应不可避免。图26IM3的合成REIM3L第12页西南交通大学博士研究生学位论文222电热记忆效应电热记忆效应60是由电一热耦合引起的，双极结型晶体管BJT耗散功率可以表示为PDISST1，口F。ICEF26其中VCE为集电极一发射极电压，FRF为集电极一发射极电流。两个基波信号相乘，使得耗散功率的频谱包含二阶信号成分包络分量、和分量和二次谐波分量。耗散功率引起的温度变化是由热阻抗决定的，热阻抗描述了温度上升同从器件散发出的热量的比率。在实际的器件中，热阻抗并不是纯电阻，而是形成分布式低通滤波器，其时间常数的范围较宽。这意味着由耗散功率引起的温度变化并不会马上体现出来，存在依赖于频率的相位漂移，另外，硅表面的散热非常迅速，在100K到LM的带宽范围内6165，可观察到热效应。另外，既然芯片上的热量大多是垂直散出66，可以认为，器件内部的自热比周围热源产生的热量更能导致记忆效应。虽然功率消耗在直流分量、基波分量和二次分量上，但是只有耗散功率的直流和包络分量在热滤波器的通带以内，则芯片的温度可得到以下简单的形式TZ伽R掰POTSSDCZMCOI一PDISSQ一国227芯片的温度包含三个部分第一部分为环境温度、第二部分为热电阻同直流耗散功率的乘积、第三部分为包络分量的热感抗同该分量上的耗散功率的乘积。值得一提的是第三项包含了频率，这意味着芯片表面的温度依赖于信号的带宽。只要晶体管的电气参数受到温度的影响，热记忆效应就不可避免。这种由动态自热导致的电气失真机制被称作热功率反馈TPF。X图27TPF的方框图Y西南交通大学博士研究生学位论文第13页TPF的方框图67如图27所示。基本放大器特性用无记忆多项式表示。热感抗描述了耗散功率同温度的关系，方框K描述了温度同放大器增益的关系。这里仅仅认为放大器的增益是依赖于温度的。而实际上，输出电导68和电容等也是依赖于温度的。晶体管的一些电路参数常常是温度的函数，TPF便不可避免。由于芯片的精确温度并不能总是得到良好的测量，因此TPF的补偿问题是个难点。例如，带温度补偿的外部偏置网络不能检测出节点温度，因此不能及时补偿内部温度变化导致的失真。23记忆非线性功率放大器带通模型SALEH69提出了一种无记忆模型，该模型广泛应用于行波管放大器中。其AMAM变换函数G和AMPM变换函数P由有理分式表达GI舅O1AGIZFI1以L譬F1228PI岩O口PF岩O121PFZFF229其中口。，。，口。和。为常数，由具体的放大器性能决定。然而，对于采用宽带和高峰平比的现代通信系统而言，该类模型无法描述功率放大器的记忆特性。伏特拉级数是描述非线性系统的通用模型，可以直接描述功率放大器的带通模型，通过一定变换，得到功率放大器的基带模型，进一步简化后，得到几种常用的模型。线性时不变LTI系统的输入输出关系可由传输函数或单位脉冲响应完全描述。而非线性时不变NLTI系统则无法用如此简单的方式表达。通常NLTI系统的输入输出关系，由非线性模型来描述，通过该模型可以预测给定输入的输出值。非线性模型可分为记忆模型和无记忆模型两类。若模型的输出值不仅依赖于输入的当前值，还依赖于输入的历史值，则该模型为记忆模型，若模型的输出值只依赖于输入的当前值，则该模型为无记忆模型。LTI系统的输入输出关系可由卷积积分表示YFXF宰JLZFIHRXTFDF210其中XT是连续的输入信号，YT是连续的输出信号，HT是LTI系统的单位脉冲响应。只要脉冲响应已知，对任意给定的输入信号，都可得到LTI系统的输出。无记忆的NLTI系统的输入输出关系可由泰勒级数假定级数收敛表示第14页西南交通大学博士研究生学位论文YFC。X”F211NO其中C是泰勒级数的系数。伏特拉级数是泰勒级数的扩展，它描述的NTLI系统的输入输出关系为J，F五。EH。F。ZTF。DF。RZEZISR2XTFXTRDF。DRE。V。，F。H，Z“1,T2，L“3XTF。XTFXTF，DF。DFDF，212其中H。TL，”，T。是系统的伏特拉核。H。表示输入信号不存在时的系统输出。伏特拉核是LTI系统中单位脉冲响应的推广，因为它们决定了在特定输入信号下，NLTI系统的输出。图28带通系统的方框图图28为功率放大器的带通原理图，由于XF和YT为射频信号，FCT和夕F为基带信号。故图中的功率放大器为带通模型，而虚框内的部分为功率放大器的基带模型。式212为通用的非线性动态系统模型，可用于描述功率放大器的输入输出特性，即功率放大器的带通模型。24记忆非线性功率放大器基带模型由于功率放大器带通模型的输入输出为射频信号，在实际应用中受到硬件处理能力的限制，因此不便于采用，本文以基带预失真技术作为研究对象，故对功率放大器的基带模型进行分析27。241伏特拉级数模型图28中表示了复值基带信号通过上变换到通带，实值带通信号通过信道，西南交通大学博士研究生学位论文第15页然后下变换输出到复值基带信号。一个实值带通信号可表示XFATCOS2XFOTF213其中石F是幅度，QKT是相位，其中FO是载波频率。该信号可用复基带的方法表示XOX，TCOS2NFOT一XQTSIN2NFOTREB，F豇QFL2稚RELYTP腻FJ214其中X，F和F分别是XF的同相和正交分量，曼F是XF的复包络，即复值基带信号，RE为求复数的实部。由式214可知，实值带通输入信号XF可由复值基带输入信号爻F表示，而复值基带信号也可由实值带通信号表示为量F2LPFXTE川稚I215LPF表示低通滤波。同理，实值带通输出信号YT同复值基带输出信号多F之间的关系为YFRE3TE脚夕F2LPFYTP川矾J216图28中的功率放大器，为时不变非线性系统，可用描述NLTI系统的伏特拉级数表示YFJJHKR。兀XOZIDT。217其中，H。是K阶伏特拉核，且DT女DRLDR2DRT。假定XF为带限信号，且带宽B，山。图66径向基核函数性能同。的关系P图67多项式核函数性能同P的关系第64页西南交通大学博士研究生学位论文64仿真实例图68不同入值下组合核函数性能比较为验证支持向量机对实际记忆功率放大器预失真器的建模能力，在ADS软件中对MOTOROLA公司的MRF9742功放管进行仿真，首先按图69进行双音测试，图610为间隔4642MHZ双音输入时放大器输出的频谱，由M3和M4标记的上、下边带不对称，证实了该功放的记忆性的存在。回I点C6EFILLES臼RT句SIXP10S钯D宣5LINS1日RT110STOP150SI印1L抑毒USESV,EEL3PLANVESUSESV啦OGPLANSEE0PIANFINE。SCEEPPLANREVEL5E鞠REVELSE枷RFFREQJ850MHZFSPACING胡MHZMEIXIIVLDORDER寸RFPONER0圆I篇Z050ZICLADLZ04“0ZS之0“O图69双音频测试电路5WEEPLSWJE叫AR非阳CIN旷S切RT爿0KHZSIDP10000KHZ0EC弓L霸HARMONICBALANCEIH81MAXORCIERLDAXLMDOROERFRECLLL嘏FFREQFSCTNC掣2FRECL2更FFRECLFSPACIR2OALER1J彳O瞳N2L；7USELRVIOV叫邕SV嘲OVAR球FD跚盯5WPPLANCFSE西南交通大学博士研究生学位论文RRBHDEDRR脚R430E8VSSPECLNML_ZOORRECLWRMLFMQLR惶，州，ZOOM胁LOWZOOM_INDEXHLGTLLJ一6VF，J棼SRCLVC13NLLOVRFPOVH“DBM,FREARFFREQVJI，冀SRC4DA臼SE七CREVRC5EXPRESSION菲EVIL。GAIN1A692图610频谱图西OO吕8王互第65页燮黑。E羽VAR28璺。巴黧脚雠RF淼ERDBM15Z羽一0HM；耥J伯兰6864MENVLFREQ1RFFREQORCLER1L5SD200SYRNLXLRAWS电PEEP图61LADS仿真电路图采用CDMA2000为驱动信号，符号2ZR霸”MPE。A镛SL鞠V仙NDAMPVAMP【1JVVAMP圳AMPVIJVO司VVINVINVFUNDINVIN1LTIMEOUT划MESYMBOLRA伦OUT弓6864MHZ率为36864MHZ，中心频率为850MHZ，利用包络仿真对MRF9742功放的输入输出特性进行仿真，如图611。其AMAM、8王西西OO王64OO王8互西OO王AOO王NOO互S0OO王AOO互A西OO王84厶OO；ANOO誊840OO互吕雪OO互W鸟OO譬州IOO互第66页西南交通大学博士研究生学位论文AMPM特性如图612和图613所示，呈现出同无记忆放大器的AMAM、AMPM特性不同的特点，为一簇有磁滞特性的曲线，而不再只是一条曲线。S、一型馨亏三撂赵一浍堡G罢输入幅度、图612AMAM特性输入幅度、，图613AMPM特性西南交通大学博士研究生学位论文第67页鹎一，O笈图614功率谱密度图6一14中IDEA为输入信号，即图611中的I、Q构成的复信号的功率谱密度，NOPD为放大器输出信号的功率谱密度。可观察到频谱扩展的情况。图615SVM预失真模型训练仿真框图第68页西南交通大学博士研究生学位论文通过ADS中如图61L中电路的包络仿真，可产生用于支持向量机学习的输入输出信号，此处假定了上载频和下载频过程是理想的，不引入非线性因素，则图611中的信号I、Q的零频信号以及VAMP的主频信号构成了训练样本，将该样本导入MATLAB软件中，利用SVM中KEERTHI的SMO回归算法对预失真器进行学习并建模，如图615。图615中点划线以上为ADS软件环境，以下为MATLAB软件环境。输入为图611中的信号I、Q的零频信号，输出为图611中VAMP的主频信号。首先将ADS中输入输出信号的数据集DATASET写入到CITIFILE格式的数据文件中，在MATLAB中编制了数据格式转化程序将数据文件转化为MAT文件。使得ADS中的输入输出信号能在MATLAB中成为训练数据，利用SMO算法对SVM预失真器模型进行学习。采用组合核函数07，03，记忆长度为1。训练完成后得到的SVM模型即预失真器，在ADS中生成不同于训练输入的测试输入信号，将该测试信号在MATLAB中驱动预失真器获得相应的预失真信号。利用编制的数据格式转化程序将存储预失真信号的MAT文件转化为CITIFILE格式文件，在ADS中将该文件中的数据读出到数据集，利用图611的电路考察预失真的线性化效果。此时，图中的VIDATABASE模块中的DATASET参数更换为预失真信号的数据集。需要注意的是，为了仿真的方便，预失真信号的产生是在MATLAB中实现的，如图616所示，图中点划线以上为ADS软件环境，以下为MATLAB软件环境。图6一16带预失真器的放大器仿真框图西南交通大学博士研究生学位论文第69页641基于组合核函数的支持向量机预失真器性能图617、图618分别为引入预失真器后测试信号同功率放大器输出的AMAM和AMPM特性图，可见幅度幅度的变换特性已基本为一条直线，达到线性化的目的，幅度相位的变换特性不仅消除了平移，而且相位偏移的度数也绝大数控制在【3，3之问，远小于未预失真前的相位偏移，另外输入信号幅度越大，相位的变化越小。一魁咀三簿蜊一漤遑G幂输入幅度、图617AMAM特性输入幅度、图618AMPM特性第70页西南交通大学博士研究生学位论文芒鬯一D置慨MHZ图619功率谱密度预失真后功率放大器输出信号和源信号的功率谱如图619所示，图中IDEA为输入信号，即图611中的I、Q构成的复信号的功率谱密度，