【《射频功率放大器DPD系统的实现分析案例》2400字】

我国中小企业的技术创新研究射频功率放大器DPD系统的实现分析案例目录TOC\o"1-3"\h\u11415射频功率放大器DPD系统的实现分析案例 1317111.1引言 1225431.2数字预失真装置结构 1187741.2.1直接学习结构 1307631.2.2间接学习结构 2263981.3数字预失真装置的设计 3239691.1.1查找表法（LUT） 3202151.1.2记忆多项式法 4244541.4基于记忆多项式的DPD算法 457791.5小结 51.1引言由前文的铺垫，我们已知，射频功放由于种种原因会出现许多的非线性失真。因此，为了整个通信系统的效率与成本考虑，我们需要提高其线性度，降低其非线性失真。本章便是阐述了如何通过数字预失真算法来实现改善线性度。1.2数字预失真装置结构1.2.1直接学习结构此结构的思路是：1.特性估量：评估目标功放的非线性特性；2.参数计算：功放输出端的失真与预失真装置提供的失真应该是相反的关系，由此可以推算出相关的参数。整体而言，这种结构的实现复杂度比较高。另外，它无法适用于具有记忆效应的功放，因为处理效果不佳。此外，外界噪声会极大左右该结构的收敛度，且由于参数需要进行不断计算迭代，其稳定性也受到了影响。该结构整体流程图如图1.1所示：图1.1直接学习结构示意图预失真这个步骤应该在基带内进行，首先，进入系统的信号需要经过预失真装置才能继续下一步操作。输入到RFPA的信号就是由在预失真器处理过后的信号的基础上，经过数字-模拟变换以及调制才得到的。RFPA的输出信号首先经过衰减器，衰减系数为增益的倒数，然后再进行解调以及模拟-数字变换后，拿去和整个系统的输入信号作比较，即可获得误差信号，该误差信号将输入至预失真装置进行处理。1.2.2间接学习结构该结构的主要思路并不复杂，就是首先进行参数评估，然后计算得到我们所需的参数值，并且将得到的参数输入到预失真装置之中。由于此法相比起之前介绍直接型学习结构而言，实现难度较低，故在实际应用中，人们经常会采用这种结构。此外，该结构中还运用到了自适应学习算法。该结构流程示意图如图1.2所示：图1.2间接学习结构示意图可以看出，系统的输入信号首先经过预失真装置，然后进行数字-模拟信号转换以及调制。RFPA的输出信号首先经过一个衰减器，衰减系数为功放增益的倒数，然后该信号进行解调以及模拟-数字变换之后成为了一个反馈信号，再输入到参数辨识模块之中，与系统输入信号作比较后就可以得到误差信号了。之前也介绍过，有了误差信号，参数就可以通过相反关系求解出来。1.3数字预失真装置的设计本模块主要介绍两种数字预失真的算法，第一种是查找表法，第二种是记忆多项式法。这两种方法都是目前非常热门的方案。1.1.1查找表法（LUT）查找表的法最早提出与上个世纪末期，是一种非常传统也非常经典的DPD算法。由于无记忆功放系统的输出仅仅有当前时刻的输入决定，并不受过去输入的影响，因此它的输入输出是完全对应匹配的。也因为这个原因，LUT往往运用在不具有记忆效应的功放上，因为仅需输入该时刻对应的参数，既可以提高线性度。LUT的信号流程图如下：图1.3查找表法示意图LUT的实现离不开三个模块：查找表、预失真装置以及自适应算法。其主要步骤是：1.通过输入信号的索引，可以查到相对应的LUT；2.将查找到的参数传输至预失真模块，大致实现基带信号的补偿；1.将反馈信号输入到失真信号提取模块。就可以更新预失真的参数，进而完成二次补偿的过程。该法的核心是查找表。而过程中涉及到的DPD技术总共分为三类，即极坐标、映射以及复增益预失真。极坐标法使用的是两张一维预失真表，表中囊括了增益以及相位信息。而映射法则运用了二维的查找表，将输入信号分为实部以及虚部，分别作为索引。复增益算法使用一维查找表，该表包含由信号的正交分量以及同相分量。上面介绍过，LUT法需要通过输入信号在表中查找参数，这里就涉及到了表索引这项技术，它对系统的精度以及处理效率有着很大的影响。使用的查找表的大小、分布方式皆与索引方式相关，换而言之，若是查找表本身非常复杂，则预失真装置的性能也会受到影响有所下降。一般而言，幅度法是LUT索引法中最常见就是幅度法，即把输入信号的幅度当作索引进行查找，将幅度等分成不同的部分，进而提高查找表的单元分配效率。LUT法的优点是，其实现难度不高，且整体精度以及灵活度都比较高。而其缺点是，由于对内存的空间有较高的要求，其速度也相应降低。1.1.2记忆多项式法通常来说，采用了该法的DPD系统一般都应用于间接型学习结构之上。该法的思路是：调整多项式的系数，来达到补偿功放的作用。整个参数获取的步骤难度系数都不高，此法可以有效运用于具有记忆效应的功放之上。其整体信号流程示意图如图1.4所示：图1.4记忆多项式法示意图可以用公式表达为：f式中，a是一个拟合系数，k代表的是非线性阶数，q代表的是记忆阶数。此法整体而言对内存的要求较小，有更高的处理速度。但是从示意图中就可以看出，需要额外添加大量的加法器，因为其计算量相当大，尤其是当两个阶数都较大的时候。1.4基于记忆多项式的DPD算法该算法的核心是：根据该功放是否具备记忆效应，来调整记忆阶数。本文采用的功放的行为模型是Saleh模型，而该模型并不具备记忆效应，故其记忆阶数应该调整为1。其算法思路如下：首先，由输出的失真信号与预失真装置提供的信号应该是相反的关系，那么功放和预失真装置的特征函数应该是互为倒数的关系，因此我们可以首先从输入输出信号之间的关系入手，得到功放的特征函数，进而可以得到预失真装置的特征函数。已经得到了该函数之后，就有了预失真的输入输出关系，所以便可以轻易求出该装置应该提供的信号。假设y(n)是系统的输出，x(n)是系统的输入，z(n)是预失真装置补充的预失真信号，那么我们可以得出关系式：x式中，a代表的是预失真装置系数。1.5小结本章首先介绍了DPD装置的两种结构。第一种是直接学习结构，该结构较为复杂，稳定性较低，且对噪声较为敏感，故该结构并不常见。第二种是间接学习结构，由于其具备结构简单以实现、稳定性较高等优点，它的使用