【功放的非线性指标及数字预失真理论基础阐述4400字】

功放的非线性指标及数字预失真理论基础阐述目录TOC\o"1-3"\h\u25044功放的非线性指标及数字预失真理论基础阐述 1202381.1功率放大器的非线性指标 1223771.1.1幅度失真am/am和相位失真am/pm指标 2275661.1.2邻信道功率比 337261.1.3误差矢量幅度 440551.2数字预失真理论 4295561.1.1数字预失真基本原理 4252491.1.2基于Volterra级数典型模型 555661.1.3记忆多项式模型（mp） 7200741.1.4GMP模型 9293251.3数字预失真系统学习结构 938741.3.1直接学习结构 910501.3.2间接学习结构 11215001.3.3离线学习结构 121.1功率放大器的非线性指标功率放大器是当代通信技术的重中之重，当其工作在非线性区时，它的工作效率很高，但是它的非线性度也很高。所以，它的非线性特性不能忽视，因为非线性度高的话会造成信号失真和通信质量下降。为了降低功放的非线性度，我们需要对它的工作原理及各项指标深入研究。当功放的输出信号和输入信号不成比例时,此时的功放就会呈现非线性。以下就是功率放大器am/am特性曲线和am/pm的特性曲线的样图，从图1.1中可以明显的看出，理想输出与实际输出不一致，功放非线性度较高。图1.1功率放大器am/am和am/pm特性曲线因为功放的非线性度较高，所以经过功放的信号可能会产生严重的失真现象。一般非线性失真有动态失真、静态失真两种。其中am/am和am/pm为静态非线性失真，假定功率放大器的输入输出分别为下面两个式子：xy其中A[(r(n)]与[r(n)]分别是经过功率放大器放大的信号，产生的幅度和相位失真。1.1.1幅度失真am/am和相位失真am/pm指标am/am曲线是用来描绘一个幅度的失真,即当一个信号经过功率放大器时,可能会对其造成一定幅度变化,导致一个输入信号的幅度与一个输出信号的幅度大小不成正确的比例;am/pm曲线是用来描绘一个相位的失真,即当一个信号经过功率放大器时,可能会对其造成一定相位变化,导致一个输入信号的相位与一个输出信号的相位大小不成一定比例。其中Rapp模型[21-24]可以用来描述幅度失真的情况：A∅(上式中，α：光滑因子Vm：输出的饱和电压当功放工作在非线性区时，它的工作效率很高，但是它的非线性度也很高，通信系统的通信质量很差，误码率变大。既要提高功率放大器的工作效率，又要考虑幅度和相位失真的影响，这时可以考虑Saleh模型，这个模型很好的解决了功放非线性度和信号失真的问题，模型公式所下所示，式中Am表示幅度的最大值。A∅1.1.2邻信道功率比邻信道功率比即紧挨着的两个频道间的平均功率与输入信号频道间的平均功率的比值。在通信的系统中，输入信号一般为频带较宽的、非恒包络调制的和非等幅的，因此，输出信号一般会引起较为明显的频谱的延伸，这样就会对紧挨着的信道造成干扰。在研究大量的载波系统时，频率的调制很复杂，而利用邻信道功率比这种方法来分析时，结果一般很准确并且比较简单。在相同的条件下，邻信道功率比越小，那么频带的利用率就会越大，这说明在频带间的干扰也很小。因此，功放工作在饱和区时，利用邻信道功率比这种方法来分析，结果一般很准确。1.1.3误差矢量幅度误差矢量幅度一般用百分数来表示，即两种信号的平均功率的均方根之比，一个是误差矢量信号，一个是参照信号。误差矢量包括幅度误差矢量和相位误差矢量两种，即理想信号与实际信号的矢量差。一般用下图来表示。图1.1.3误差矢量幅度示意图误差矢量幅度可以用来描述功率放大器的系统的特性，即它可以用来衡量信号经过功放的放大后是怎样产生失真的。1.2数字预失真理论1.1.1数字预失真基本原理数字预失真的基本原理，简单的说，就是在功率放大器的前面引入一个预失真模块，先对输入信号进行编码、调制等处理，最后通过功率放大器输出，这样就可以有效的降低信号失真的情况。图1.1.1功放数字预失真结构图功率放大器的数字预失真结构包括数字域和模拟域两部分。数字域包括预失真器、参数辨识、信号同步三部分构成，模拟域包括数模转换、模数转换两部分组成。假设给定一个输入信号，首先对输入信号进行编码、调制成形、滤波三部分，然后处理过的信号进入数字域模块，在该模块中信号需要经过信号同步、参数辨识、预失真三部分的处理，接着将处理后的信号送入模拟域模块，在该模块中，先对信号进行数模转换，然后通过上变频处理，并且经过本振处理进入下变频，接着进行模数转换在返回到数字域模块，这样反复处理，最后经过功率放大器的放大，将信号输出，在这个过程中，也会有一部分信号仍然会通过天线反馈到下变频继续处理。整个处理过程虽然复杂，但是可以使输入的信号得到有效的输出同时可以降低信号的失真现象。1.1.2基于Volterra级数典型模型数字预失真器的构建过程其实也就是一个对于功率放大器的建模流程,volterra级数就是对非线性系统进行建模的理论和基础,所以这里我们首先针对volterra级数模型展开了研究。volterra级数相当于一个具有记忆力的泰勒级数,其连续形式我们可以用如下式来表示:y上式中x(t)与y(t)表示输入与输出，yk(x(t))为系统的k阶输出分量，表达式如下：ykhk(τ1,τ2,…,τk)是k阶volterra级数的内部核心函数。在具体的应用中，volterra级数一般以有限阶的离散值形式来表示,如下所示:y(其中x(n)与y(n)分别表示两个模型的输入和送回，hk(m1,…,mk)分别是k阶的离散volterra级数核，m为两个模型的记忆深度。在实际应用中的一个输入通常都是复包路的网络信号形态,则此时的volterra模型大致可以简单地表示如下:yn上式中的k表示一个模型直接截取的非线性次项阶数,因为在式中volterra表示模型截取中的一个偶数线性阶项对其直接产生的阶数影响较小,所以这里我们仅仅忽略了一个偶数线性阶项,只是给它保留了一个奇数线性阶项。上式中所需要表示的基于volterra功能模型级别系数的实际数量将随其非线性值的阶数与写入记忆体的深度之间是否呈现一个大于指数倍的线性关系而不断增加,导致该功能模型的计算复杂度很高,无法在虚拟现实中进行模型应用,所以在实际的模型应用中通常都会总是选择采用基于volterra模型级别系数进行模型的各种功能简化计算方法。1.1.3记忆多项式模型（mp）当只通过选择了volterra级数一个对角级数的所有对角项时,我们便可以直接得到一个函数记忆多项式(mp)函数模型,它同样可以被用来研究模拟一个功率放大器的级数am/am与am/pm之间的关系特征和其不均衡性。mp形式模型的表达式为其定义过程为:y上式中mp代数模型的输出和输入是yMp(n)和x(n)，这里也仅仅简单考虑了一个具有奇数阶的非线性项,k与m分别可以表示的也就是非线性项的阶数和一个记忆值的深度。mp原理模型的基本原理设计框图结构如下所示,模型的进入输出由当前的预测输入输出信号和实现记忆相应深度效果时刻的输出信号相互影响决定,所以我们在进行设计和研究构造一个预失真器模型的设计过程中,需要将其实现记忆深度效果的各种特性充分地综合考虑运用到其中。图1.1.3（a）MP模型框图当一个系统的非线性包络特征比较弱时,可以通过考虑直接应用一种常被称为线性包络式的记忆多项式(emp)的系统模型表达形式,其中在表达式中的结构框图如下所示:yemp模型[25-28]中输出的信号相位由当前一个时刻的输入信号相位来确定,和记忆的一个时刻相位无任何关系,emp模型的结构框图设计如下文所示。图1.1.3（b）EMP模型框图1.1.4GMP模型当系统非线性特征较强时,mp模型的精度就无法满足预失真线性程度的需求。为大大提高模型的精度,在原有mp模型的基础上再次考虑了两种信号的交叉项,可以直接得到一个广义记忆多项式(gmp)模型,表达式如下所示。y1.3数字预失真系统学习结构在对功率放大器进行数字预失真的线性化计算方法中,要求得到一个功率放大器的逆特征,这里求逆的整个过程即为系统"学习"。功放式预失真系统通常采用的学习框架主要包括直接与间接混合式学习、直接式学习、间接式学习。1.3.1直接学习结构预失真器与功率放大器之间具有可逆的关联性特征,预失真器被认为是功放的逆系统。直接式学习的结构是首先要求得到预测功放模型的特征,再根据要求得到的功放模型从自适应算法来计算预测失真器的参数。直接学习结构要求的模型为功放的前逆,需要提前求得功放的模型,且其适用的范围比较广。图1.3.1（a）传统直接学习结构框图Sungho[27]等一些科学家再次重新提出了更为简单的预失真直接过程学习模型结构,简化后的直接过程学习模型结构其实并非必须通过预先学习设定和计算估计一个功放的基本模型,而是通过直接学习测量和计算估计其他模型预失真的基本参数。x(n)：信号序列的输入，z(n)：预失真器处理后的输出信号，此信号x(n)首先经过预失真器处理，同时一部分信号经过参数估计处理反馈到预失真器输出z(n)，然后通过数模转换及上变频处理，将信号送到功率放大器中放大，接着信号到达天线，有一部分信号反馈到衰减器，接着将信号送到模数转换器及下变频处理，最后信号又到达了预失真模块，这样不断循环处理，来使输出信号不失真。图1.3.1（b）简化直接学习结构框图1.3.2间接学习结构直接式学习结构需要先求一个功放式模型,复杂度较高。Eun等人首次提出的间接式学习结构可以有效地避免了首先求解和再生成功放模型的时间变化,降低了计算的复杂度。间接式学习框架结构,功放输出的信号经处理后得到的y(n)可以作为参数分析辨识模块的输入。预失真器主要是由于对参数辨识模块进行系数复制而得到的,这里我们要求的是一个功放后逆,即一个功放的输入——输出数据就是一个预失真器的输出——输入数据。因为间接式学习结构下的参数分类辨识方法比较简便,所以它们在目前无线通讯和预失真系统中被运用的范围相对广泛。图1.3.2间接学习结构框图1.3.3离线学习结构离线式学习结构是在功率放大器输入——输出数据的前提下，应用离线的方式进行参数选择，对功率放大器的预失真系统的要求有所降低。先后提出的离线式学习结构有两个反馈的离线式学习结构和一个反馈的离线式学习结构。图1.3.3双反馈离线