【《射频功率放大器的功放行为模型分析概述》1700字】

射频功率放大器的功放行为模型分析概述目录TOC\o"1-3"\h\u28504射频功率放大器的功放行为模型分析概述 1182541.1非记忆模型 1307931.2记忆模型 2若是想要分析信号的失真与非线性功放之间的关系，我们需要搭建一个功放的工作模型，运用这个模型，可以直观地反应功放的非线性特性，进而得到该特性带来的影响，并针对此设计预失真方案。我们在绪论中介绍过，PA总体来说可以归为两种模型：记忆模型，以及非记忆模型。此小节我们将分别介绍这两类模型。1.1非记忆模型1.1.1Saleh模型该模型非常经典，包括AM-AM变换以及AM-PM变换。可以将该模型用公式表示为：AՓA(t)a其中，A(t)表示的是输入信号的幅度，aA，bA表示功放的AM-AM特性的拟合参数，而aՓ，bՓ表示的是功放的AM-PM特性的拟合参数。通过上面两个式子我们可以发现：输入信号的幅度决定了输入信号的特性。下图即为当aA，bA，图1.11Saleh模型特性曲线1.1.2Rapp模型该模型仅仅用于模拟SSPA，即固态功率放大器。其特点是我们可以不考虑其相位失真，即AM-PM效应，我们可以只看其幅度失真，响应函数可以通过下面的式子表示：A其中，A(t)是输入信号的幅度，而P代表的是用来判定非线性程度的光滑因子，其值大小与非线性程度成正比。1.2记忆模型1.1.1Volterra级数模型该模型是首个能够描述具有记忆效应的系统的模型，它改进了泰勒级数的不足，是早期非常具有代表性的一种用于分析非线性记忆系统的模型。该模型由奇数阶和偶数阶组成。其中，奇数阶的离散Volterra模型可以通过以下的式子来表示：y++…=而偶数阶在我们的系统中可以忽略不计，故只需使用奇数阶来表示完整的模型即可。在式子中，k代表的是非线性阶数，而q表示的则是记忆阶数，h2k+1q1,…,q该模型还是逐渐被抛弃，因为我们从上面式子中可以看到，当非线性阶数以及记忆阶数持续增长的时候，该模型的迭代参数也会越来越复杂，参数的计算也会变得更加艰难，这时候，我们需要加入更多的元器件去完成这个计算的过程，这无疑会提升整个通信系统的复杂度，同时也大大增加了成本。换言之，当两个阶数值变大时，该模型很难完成任务。1.1.2Wiener模型经过分析我们已经了解，Volterra模型在阶数增大时会变得格外复杂。为了规避这个缺点，我们往往需要在其基础上做一些简化。假设核函数满足这个条件：hkq那么我们称这样的模型为Wiener模型。其优点是对比起Volterra级数，它的复杂程度较低，实现难度及成本都比较低。它们的核心思想是，用一个LTI系统以及一个非记忆非线性系统共同构成这个模型，Wiener模型的信号的处理流程图大致如下：图1.12Wiener模型示意图假设该LTI系统是一个三阶的FIR滤波器，那么我们可以求出其冲激响应如以下式子所示：H其中各项参数分别为：d0=0.7693，d1若满足该条件，则这个模型的别称为记忆性行Saleh模型。1.1.3Hammerstein模型上面为了规避Volterra级数模型的缺点，我们引入了Wiener模型。而Hammerstein模型则与Wiener非常相似，其核函数可以用公式表达成：h它也可以看成一个非记忆非线性系统和一个LTI系统组成的，只是与Wiener系统不同的是经过顺序有些不同。其信号流程示意图如下图所示：图1.13Hammerstein模型示意图这两种模型会被共同使用，其中一个会被用来描述PA，另一个则被用来作DPD模型。1.1.4并联Wiener模型在上一部分我们介绍了Wiener模型，当我们将数个Wiener功放并联时，可以构建一个新的模型——并联Wiener模型。其信号流程图大致如图1.15所示：图1.15并联Wiener模型流程图其中，我们可以将第i个支路上的输出结果表示为：y其中，vi当i=3时，我们有：HHH此时，各项系数分别是：d11=1.0108+j0.0858,dd31=0.0879−j0.1583,dd51=−1.0992−j0.8891,d531.1.5记忆多项式模型之前我们介绍过，在通过滤波器的时候，信号的偶次谐波往往会很轻易地就被过滤掉，因此我们只需着重考虑奇次谐波即可。奇次谐波作用下的记忆多项式模型用以下的式子来表示：y其中，K表示非线性阶数，而Q则代表记忆阶数。xn图1.16记忆多项式模型示意图假设非线性阶数为5，记忆阶数为2，那么我们可以计算得到系数：ccc1.1.6神经网络模型该模型是一个由数个处理单元相组合而构成的DSP系统。这些处理单元的拟人性使他们又得名为神经元。现如今大多数采用该模型的预失真装置都是三层前向神经网络结构。[30]其结构示意图如下：图1.