非线性预补偿（共3篇）
非线性预补偿 篇1
1原理介绍
在无线通信系统中, 为了达到好的接收效果和覆盖率, 需要较高的接收信号强度, 因此需要通过大功率发射机对射频信号进行放大, 以得到所需要的发射功率。为了提高大功率发射机的工作效率, 降低能耗, 发射机往往工作在非线性状态, 从而导致输出信号产生非线性失真, 导致射频信号性能下降, 如调制误码率 (MER, Modulation Error Ratio) , 邻频带外杂散等指标。
广电总局推动的中国数字音频广播 (CDR, China Digital Radio) 主要模式是数模同播, 现阶段以CDR标准中频谱模式9模数同播为主, 在数字音频广播的组建中除了传输调频 (FM, Frequency Modulation) 模拟信号外, 还需要传输CDR多载波数字信号。为了提高发射机的输出效率, 模拟发射机和数字发射机都会工作在饱和区或接近饱和区, FM信号通过发射机会产生2次、3次及n次谐波, CDR信号通过发射机会产生非线性失真, 且两种信号会产生互调产物, 其结果是:从频谱上看, 带肩较差, 约为20d B, 底部有部分突起, 同时MER也会大幅下降, 部分发射机MER甚至低于15d B。为了改善带肩和MER, 可通过以下两种方式解决;一:采用功率回退的方法, 通过降低发射机的输出功率来提升性能, 但发射机效率较低;二:采用数字预失真技术, 即通过反馈信号提取发射机的非线性信息, 采用自适应算法对发射机的非线性特性进行估计, 通过算法估计出参数去不断调节和修正预失真滤波器的非线性参数, 以达到预失真补偿、提高发射机效率的目的。
2实现介绍
成都德芯数字科技有限公司率先推出了采用反馈数字预失真技术的NDS2407数字音频广播 (CDR) 激励器。支持所有CDR模式及FM及混播输出。采用全数字化处理, 可以有效的对功放的非线性进行补偿, 提高发射机的输出信号指标和效率。并且率先痛过广电总局检测中心的测试, 具有非常优异的输出性能指标, 达到国内国际领先水平。
NDS2407数字音频广播 (CDR) 激励器主要采用了以下反馈数字预失真技术来实现效率和性能的提升, 其实现框图如图1所示。
各部分的功能如下:
1.波峰因子抑制 (CFR, Crest Factor Reduction) :在MER和邻信道功率比 (ACPR, Adjacent Channel Power Ratio) 都满足系统要求的条件下, 把系统的峰均比 (PAR, Peak-toAverage Ratio) 降低。可提高发射机的功率, 减少发射机功率回退, 改善发射机的非线性性, 这样在相同发射机功率的条件下, 降低PAR可大大提高预失真性能。
2.预失真参数估计:发射的数据与反馈数据对齐后, 提取功放的失真信息, 通过自适应算法计算出一组参数, 通过这组参数对发射机进行预校正。
3.预失真滤波器:功放模块的数学模型, 一组可变系数的滤波器。
4.发送缓存, 接收缓存:发射和接收数据暂存。
5.功率匹配:发送数据的功率和接收数据的功率保持一致。
6.同步处理:将发送的数据与反馈回的数据对齐:包括幅度, 相位, 延迟。
3测试结果及分析
下面是成都德芯数字科技有限公司NDS2407数字音频广播 (CDR) 激励器在不同发射机公司测试结果。
A公司测试发射机为模拟FM发射机, 标称模拟输出功率2k W, 测试CDR模数同播模式9信号, 由于数字信号具有较高的峰均比, 发射机功率需要回退, 实际输出995W时, 数字CDR信号带肩只有25d B左右, MER只有19.2左右, 远远达不到国家标准及发射要求。经过预校正后, CDR信号带肩提升到47d B, MER提升到40d B, 具有非常大的提升幅度, 达到优异的输出性能, 远高于国家标准要求。
B公司测试发射机之前测试过CDR信号, 经过数字化调整, 标称功率即为数字输出功率 (已考虑回退功率) , 但之前测试用激励器不具备反馈式数字预失真功能, 因此功率回退较多。比如测试用3k W发射机, 功率回退较多, 不进行数字预失真即有较高的输出性能, CDR信号带肩约41d B, MER约33d B, 可以满足国标要求。但经过数字预校正后, CDR信号带肩约55d B, MER约46d B, 同样有很大的提高, 比较接近激励器的性能。进一步提高发射机的输出功率到5k W, 不经过预失真, CDR信号带肩约28d B, MER约19d B, 不能达到国家标准要求, 经过预失真后CDR信号带肩约50d B, MER约43d B, 远大于国家标准要求。说明该公司的发射机功率回退过多, 通过预失真不但可以提升发射机的功率, 而且输出指标也大大提升。
C公司测试发射机为模拟发射机, 标称模拟功率为10k W, 采用数模混播, 功率回退到5k W, 不进行数字预失真, CDR信号带肩约30d B, MER约32d B。但经过数字预校正后, CDR信号带肩约52d B, MER约44d B, 性能有很大的提升。为了提高发射机整机效率, 进一步提高发射机的输出功率到7k W, 不经过预失真, CDR信号带肩约20d B, MER约10.5d B, 不能达到国家标准要求, 经过预失真后CDR信号带肩约40d B, MER约35.5d B。
4结论
通过3家公司不同发射机在不同输出功率的情况下预失真前后的比较, 可以充分说明在输出信号经过德芯科技的NDS2407数字音频广播 (CDR) 激励器预失真后发射机的带肩和MER有了显著的提升。在满足性能的前提下, 不增加发射机的功放模块或功放管数量, 可以提高发射机的输出功率得到同样甚至更好的输出的性能, 进而提升发射机的效率, 降低用户硬件成本和电源消耗。
非线性预补偿 篇2
磁致伸缩材料、压电陶瓷等智能材料均存在迟滞非线性现象。非线性特性的存在使智能材料重复性降低，瞬态位置响应速度变慢，可控性变差。为减小这种非线性特性所造成的不良影响，更好地发挥智能材料的性能，很多科研机构和研究人员正在从事迟滞非线性系统建模及控制方法等方面的相关研究，因此，许多迟滞建模方法和控制技术应运而生，并日趋成熟、完善[1]。在迟滞建模方面，Preisach模型是应用最广的一类迟滞模型[2,3,4],1935年Preisach等人建立了比较完善的迟滞模型—Preisach模型。1997年PingGe为了适应迟滞补偿的需要，建立了改进的Preisach模型。并用该模型大幅提高了迟滞系统的跟踪精度。压电陶瓷等智能材料的迟滞系统可以通过串联Preisach模型和系统传递函数准确反映其迟滞特性。在非线性迟滞模型辨识方面[5]，可以通过最小二乘法进行离线辨识，最小二乘思想最早于1975年由高斯(K.F.Gauss)提出来，被广泛应用于系统辨识和参数估计，甚至在许多辨识方法失效的情况下，最小二乘法却可以提供对问题的有效解决办法[6]。也可以依据对象的输入/输出数据，不断地辨识模型参数以进行在线辨识，随着科学研究的不断进行，通过在线辩识，模型会变得越来越准确，越来越接近于实际，神经网络[7,8]是20世纪末迅速发展起来的一门高等技术。已经在各个领域得到了广泛地应用，神经网络辨识为解决未知不确定非线性系统的辨识问题提供了一条新的思路。神经网络辨识方法可以精确地模拟出迟滞系统。在辨识模型不断的改进下，基于辨识模型综合出来的控制方法也将随之不断的改进。
本研究通过辨识的传递函数建立其逆模型控制系统，根据对迟滞逆模型是否进行在线调整，可将控制方案分为动态控制和静态控制方案。本研究属于静态控制。静态补偿方案以Ping Ge,Samir Mittal,Sumiko Majima等为代表[9]。笔者在逆模型控制过程中加入PID控制器[10]，通过调节PID参数，使控制系统逐渐适应误差变化，最终将迟滞系统调整到一个满意的工作状态。本研究针对智能材料迟滞非线性现象，进行迟滞系统建模;然后，对迟滞系统进行系统辨识;最后，对辨识系统进行控制研究。
1 迟滞系统的建立
通过研究得出将Preisach模型和系统传递函数串联得到的迟滞系统能够达到比较理想的迟滞效果，迟滞系统能够准确地反应压电陶瓷等智能材料的迟滞特性。在相关的研究中已经得到论证[11]。迟滞系统结构如图1所示。
本研究采用Preisach模型做为纯迟滞模型，具有普遍意义。Preisach模型由最简单的滞回发生器γαβ叠加构造而成。尽管每个发生器仅能表现出一个局部记忆滞回，但叠加在一起就表现为全局记忆性。给定这一族发生器任意的权重函数μ(α，β)(该函数具体数值的选用取决于Preisach函数的构造)。其函数式为:
式中:x(t)—驱动器的输出，u(t)—输入。
由式(1)可知，Preisach模型函数为连续的双重积分函数，所以不便于模拟仿真，于是把积分模型离散处理，将Preisach模型采用Matlab/Simulink中的43个backlash算子叠加形成。通过设置backlash中deadband width参数达到叠加效果。每个算子的deadband width为1/7，这样得到的Preisach模型迟滞特性能够满足研究需求。输入信号通过多个迟滞算子叠加在一起得到迟滞输出信号。本研究采用u(t)=sin(πt)作为输入信号，得到的迟滞模型如图2所示。
然后本研究将得到的Preisach模型和系统传递函数串联起来，二阶传递函数作为系统传递函数在压电陶瓷等智能材料具有一般代表性，如超磁致伸缩微位移驱动器(GMA)中，根据GMA机电系统动力学模型和牛顿第二定律可知GMA系统传递函数为二阶传递函数[12]，在Matlab中通过模型转化命令可以实现离散传递函数和连续传递函数之间的相互转换[13]。所以本研究采用离散二阶传递函数作为系统传递函数具有一般代表性，选用传递函数为G(z)=(-0.2z+0.2)/(z2-1.1z+0.1)，输入信号通过迟滞系统得到输出y(t)如图3所示。
2 迟滞模型的系统辨识
通过输入信号u(t)和迟滞系统得到输出数据y(t)进行模型的参数辨识。根据辨识方法和精度不一样，系统参数辨识可以分为离线辨识和在线辨识。离线辨识常用的辨识方法为最小二乘法。在线辨识方法比较广泛，本研究主要采用神经网络辨识方法。
本研究通过分析最小二乘法和神经网络辨识原理，然后对迟滞系统进行辨识，再比较离线辨识和在线辨识的辨识结果。
2.1 最小二乘法辨识
离散系统函数表达式为:
本研究采用最小二乘法来确定模型参数，待估参数向量θ为:
式中:φ—数据向量。
对象式(2)可以写成如下最小二乘形式:
其中:。
利用最小二乘法得到系统辨识参数θ为:
通过迟滞系统输入信号u(t)和输出数据y(t)得到最小二乘法辨识参数为:
式(2)在零初始条件下，取Z变换:
得到的辨识传递函数为:
辨识原理图如图4所示。实际输出和最小二乘法辨识输出以及比较误差如图5所示，输入信号y(t)和辨识系统输出信号yG(t)之间误差e(t)是比较小的，从而确认式(7)二阶模型的有效性。
P—迟滞系统;v(t)—干扰信号，由Matlab中噪声信号得到;y(t)—迟滞系统输入信号u(t);yG(t)—辨识输出信号
2.2 神经网络辨识
由于神经网络优越的自调整和自适应性，本研究采用神经网络辨识方法进行迟滞模型参数辨识，神经网络的辨识方法如图6所示。
P—图1所示迟滞系统;v(t)—干扰信号;y(t)—迟滞系统∧输入信号u(t);—辨识输出信号;e(k)—比较误差
神经网络辨识原理为:
令θ为神经网络权值w:
神经网络训练规则为:
其中:
式中:ci—加权因子，0
本研究使用离线辨识二阶模型估计参数作为神经网络在线辨识加权系数的初始值。这将减少在线辨识的计算时间。根据式(11)和式(12)，得到迟滞系统的神经网络辨识模型。二阶模型辨识参数结果如图7所示。神经网络辨识模型输出和迟滞模型实际输出以及相关的误差如图8所示。因为误差很小，辨识输出和实际输出几乎重叠。
根据图8得到迟滞系统输出和神经网络辨识输出误差已经非常小，可以得出Matlab/Simulink搭建的神经网络辨识模型能够准确地辨识出迟滞系统的模型参数，从而说明神经网络辨识方法的有效性。
通过观察比较离线和在线辨识，离线最小二乘法每次的辨识结果只能得到一组参数，这样的辨识程序运行速度快，但是得到的参数误差相对比较大。神经网络辨识采用在线辨识，对参数进行实时调整，程序运行速度比离散有所减慢，但使得辨识参数和传递函数系数之间误差最小化，能找到最优辨识参数。
3 控制系统的设计和执行
通过系统辨识得到辨识传递函数模型，本研究针对辨识传递函数模型提供了两种控制方法:一种是逆模型控制系统，这是一种完全的开环控制系统，不需要任何反馈数据的控制器;另一种是前馈逆模型PID控制系统，这是一种闭环反馈系统，能够实时调整参数达到最佳控制效果。
3.1 建立逆模型控制系统
逆模型控制系统原理如图9所示。
yd(k)—迟滞系统输入信号;G-1(z)—逆模型;P—迟滞系统
最后，得到输出y(k)为:
逆模型稳定的前提是辨识得到传递函数必须稳定，根据离散传递函数稳定条件，传递函数必须是最小相位系统，其零点必须在z平面的单位圆里。如果传递函数是稳定的，那么直接用传递函数倒数可以得到系统的逆模型。即:
如果传递函数不稳定，那么式(7)不能直接用作建立逆模型控制系统，需要构建逆模型G-1(z)，逆模型有点滞后于迟滞系统，通过之前设计好的函数模型G1(z)和最优函数模型G2(z)来设计逆模型。即:
其中，之前设计好的函数模型为:
最优函数模型为:
其中:Δ≥1。
最优函数模型是不稳定的，因为它的极点不在z平面单位圆里面，所以G2(z)可以扩展为:
由于辨识传递函数是稳定的，直接通过式(17)可以得到逆模型。通过逆模型控制得到补偿效果如图10所示。
3.2 建立前馈逆模型PID控制
为了提高系统的鲁棒性，更好操作参数变化。本研究设计一种前馈逆模型PID控制方法。其原理如图11所示。
yd(k)—迟滞系统输入信号;G-1(z)—逆模型;P—迟滞系统;PID—误差控制器
前馈逆模型PID控制数学模型为:
其中:
前馈逆模型PID控制器的控制结果如图12所示，通过图12得出:输入信号与前馈逆模型PID控制的输出信号已经很接近，两者之间误差已经很小。为了更好说明前馈逆模型PID控制器的有效性，测试前馈PID控制器的控制能力，可以在不同频率下进行控制。本研究还采用u(t)=2sin(2πt)+10sin(0.5πt)作为输入信号，得到控制结果如图13所示。图12、图13结果说明控制器可以有效跟踪动态输入信号，实现对迟滞系统有效补偿控制。
通过相同输入信号u(t)=sin(πt)作用，逆模型控制方法和前馈逆模型PID控制方法的补偿结果如图10、图12所示。为了更直观地比较两种控制方法的控制效果，本研究采用均方根误差来比较。其计算公式为:
得到的比较结果如表1所示。最后可以得到前馈逆模型PID控制方法能更有效进行迟滞补偿。
4 结束语
本研究运用Preisach模型和系统传递函数建立了迟滞系统，通过辨识结果说明离线和在线辨识方法都能有效辨识迟滞系统，从辨识误差分析结果可以看出，神经网络在线辨识方法能非常精确地辨识迟滞系统。由迟滞系统补偿结果来看，迟滞非线性已基本得到消除。该结果说明所提出的前馈逆模型PID控制是可行的，但此时要注意PID参数的选取，避免出现饱和、振荡等情况的发生。
非线性预补偿 篇3
关键词：非线性失真,预失真,记忆非线性多项式,正交振幅调制
1 引言
随着通信技术的迅猛发展和通信业务的多样化需求, 在频谱资源日趋紧张的情况下, 为提高频谱资源的利用率, 高阶的信号调制方式和传输技术被广泛应用。为此, 催生了如正交振幅调制 (Quadrature Amplitude Modulation, QAM) 、正交相移键控 (Quadrature Phase Shift Keying, QPSK) 等各种高频谱利用率的数字传输技术, 这些新的传输技术和调制方式一般都具有非恒定包络、宽频带以及高峰均比等特点, 这将导致由功放非线性特性引起的带内畸变及带外干扰更加严重, 严重影响了通信质量和系统效率。因此, 现代通信技术对功率放大器的线性度提出了很高的要求, 为了保持功放的输入和输出之间的线性关系以前常用的方法是让功放工作在远离饱和点的线性区, 但是这种方法降低了功放的效率。然而, 随着移动通信技术的快速发展, 使通信频段变得更加拥挤, 为了尽可能提高频谱利用率, 必须提高信道的频谱利用率。因此功率放大器的线性度和效率之间就产生了一个很难调和的矛盾。实际上为了降低静态功耗, 获得较高的效率, 功率放大器通常需要工作在饱和点附近。采用低直流偏置导致功放在饱和点附近会表现出很强非线性的特性, 即输入和输出关系不再是线性关系。
窄带通信系统中, 功放的非线性会使信号产生失真, 但在宽带通信系统中, 不仅要考虑功放的非线性特性, 还须考虑其记忆效应。功放的非线性及记忆效应对通信信号产生的影响主要表现为信号星座图变化, 造成码间串扰, 增加误码率, 频谱再生, 对邻近信道造成干扰, 影响邻近信道的通信质量。目前主要是在发射端采用线性化技术来解决功放非线性特性及记忆效应对通信系统的影响等问题。传统的补偿技术是通过增大功率回退来使得功放工作在线性区域, 但该方法大大降低了工作效率和输出信噪比。因此, 完全靠功率回退无法满足宽带通信的要求。为了使功放既高效又线性地工作, 发展其他补偿技术成为迫切需求。
当前, 针对功放记忆非线性失真问题, 有很多线性化技术, 如负反馈法[1], 前馈法[2], 预失真法等。随着DSP技术的高速发展, 数字预失真技术成为国内外研究的主要方向。本文采用间接学习结构的基带数字预失真技术, 对基于32QAM调制信号的功放记忆非线性失真进行预失真补偿性能的分析, 利用记忆非线性多项式拟合预失真器, 收敛速度快, 自适应良好, 具有较好的发展前景。
2 有记忆非线性模型
在无记忆功放模型中, 通常不考虑功放的记忆效应, 一般适用于窄带通信。在无记忆功放模型中常见的有Saleh模型[3]、Rapp模型[4]和无记忆多项式模型等。随着传输带宽的增加, 功放体现出记忆效应, 因此传统的无记忆非线性模型无法很好的表示功放的传输特性。本文中拟考虑利用无记忆的Saleh模型串联线性时不变IIR滤波器的结构来表示有记忆的非线性失真, 结构框图如图1所示。
其中, Saleh模型的表达式为:
经过记忆模块后的输出表达式可以表示成:
由于Volterra级数模型求解复杂, 当仅考虑Volterra级数模型[5]的对角项时, 即可得到记忆多项式模型。记忆多项式模型结构简单, 参数易于求解, 在预失真方面得到了比较广泛的应用。记忆多项式模型的输入输出关系表达式为[6]:
式中K为非线性阶数;M为记忆深度。在数字基带预失真器构造中, 最经典的模型是记忆非线性多项式模型, 由于信号的偶次谐波通过滤波器的时候可以被消除, 所以只考虑奇数阶项。
3 基于间接学习的预失真补偿结构
3.1 间接学习结构
系统学习结构很大程度上决定了预失真系统的复杂度, 须根据具体情况选择学习结构。根据学习器训练方式不同, 可将学习结构分为直接学习结构和间接学习结构。两者的区别在于, 直接学习结构的差值e (n) 为输入信号x (n) 和反馈信号之差, 间接学习结构的差值e (n) 为预失真器处理之后的y (n) 和自适应算法处理之后的信号之差, 如图2所示, 信号经过功放放大后, 按线性归一化进入预失真器训练模块训练, 当与y (n) 的差值e (n) 收敛时, 得到预失真器的参数并传送给预失真器。间接学习结构采用的是后逆结构, 学习器在训练时, 对信号的参数敏感度降低, 对实时闭环系统和自适应算法要求不再苛刻。间接学习结构无需确定功放的模型而且能够自适应调整匹配功放增益的变化, 因此本文的数字预失真仿真平台中的学习结构采用间接学习结构。
其中, 预失真器的参数由自适应算法求解训练得出。自适应算法通常采用诸如LMS算法、递归最小二乘法RLS算法[7]等进行系数估计。LMS自适应算法就是根据估计误差的大小自动调节IIR滤波器的抽头系数, 使其代价函数最小的一种算法。最常用的滤波器设计准则是最小均方误差MMSE准则, 也就是使滤波器实际输出与期望相应之间的均方误差最小。LMS算法收敛速度很慢, 为了提高算法的收敛速度, RLS算法随之被提出。RLS算法收敛速度快, 效果好, 是现行比较普遍采用的一种自适应算法, 本文采用RLS算法[8]求解预失真器的参数。RLS不断更新的目的是使输出信号与期望信号在最小二乘意义上最匹配[9]。
3.2最小递归二乘Recursive Least Square (RLS) 自适应算法
RLS的代价函数为:
其中λ (0<λ<1) 被称为遗忘因子, 如果算法收敛, 那么ε (n) 将趋近于一个最小值, 这里令为零, 则可得:
其中Rx (n) 表示输入X (n) 的自相关矩阵, Rdx (n) 称为输入X (n) 和期望d (n) 的互相关矩阵。为了避免矩阵的求逆运算, 自相关矩阵的逆矩阵R-1x (n) 通过迭代方式得到:
k (n) 称为卡尔曼增益矢量。λn-i的物理意义是对各输入信号添加指数权, 越靠近当前时刻, 权值越大, 时刻越靠前, 权值越小, 这时算法能更好的反映当前时刻, 加强对非平稳信号的适应性。
4 仿真与分析
本文针对32QAM调制信号, 采用Saleh级联IIR滤波器为功放模型, 记忆多项式模型为预失真器模型, 采用递归最小二乘法RLS算法为自适应算法对参数进行提取。仿真符号数为500, 8倍上采样速率, 采用升余弦成型滤波器, 多项式非线性阶数为5, 记忆深度为2。
由于星座图仅是一个定性的评价标准, 在对功放预失真性能的评价标准中, 误差矢量幅度Error Vector Magnitude (EVM) 是比较综合反映预失真系统性能的一个定量指标, 用来衡量调制信号的幅度误差和相位误差。EVM的数学表达式为[10]:
其中yi是测试矢量信号, xi是原始参考信号。信号通过功放和接收机后, 解调出的星座图与原信号图相比发生了偏转和压缩扩展, 即偏离了原始位置, 这种偏离量可以用EVM来衡量。其示意图如图3所示。
图4为预失真前后功放输出的星座图比较, 在无预失真情况下, 星座图受到信道记忆性影响, 星座半径扩展, 星座点发生严重的发散, 干扰了信号的正确解调, 而经过预失真处理后的信号, 星座图矢量位置偏移不大, 矫正明显, 误差矢量幅度EVM改善达到了56.70%, 很好的抑制了非线性带来的影响。星座图很好的证明了预失真保持信号线性特性的有效性。经过仿真和星座图验证, 预失真处理后EVM值改善显著, 而EVM值的改善幅度又对自适应算法的记忆深度敏感, 通过增加记忆深度能够加大EVM的改善值。
从图5中可以看到, 无预失真情况下, 功放输出信号的功率谱发生明显的外扩, 严重干扰邻近信道。经过预失真处理后的信号功率谱密度很好的抑制了带外再生, 邻信道功率比 (Adjacent Channel Power Ratio) ACPR改善明显, 平均改善了2.89d B。经过仿真和功率谱密度图验证, 预失真处理有效改善ACPR, 而ACPR值的改善幅度又对自适应算法的非线性阶数敏感, 通过增加非线性阶数能够加大ACPR的改善值。
ACPR是用来衡量相邻频率信道中的干扰量或功率量的标准。ACPR常定义为邻频率信道 (或偏移量) 的发射功率和主信道发射功率之比。ACPR的计算公式如下:
式中的Padj (ω) 为邻信道的发射功率, Pch (ω) 为主信道的发射功率。功放的非线性会导致幅度失真、相位失真、谐波失真、互调失真和交调失真, 而这些失真导致对邻近信道的干扰。
由于信号和系统的特性, 对星座图和功率谱密度图的分析发现, EVM改善值对记忆深度敏感, 对非线性阶数不敏感;而ACPR改善值对非线性阶数敏感, 对记忆深度不敏感。所以我们针对此项特性专门进行了仿真, 结果表明, 如图6所示, 当非线性阶数为5, 记忆深度为2时, 保证算法复杂度的同时, 性能提升最好。
从图7中能明显看出, 在无任何预失真补偿的情况下, 功放的幅度-幅度特性不仅表现出非线性, 而且由于记忆效应的存在, 还呈现出严重的发散情况;类似地, 功放的幅度相位失真也呈现出记忆非线性失真;经过自适应预失真补偿后, 功放的幅度-幅度和幅度-相位特性得到明显的改善, 表现出较好的线性状况。经过预失真补偿后, 系统的线性性能保持的很好, 而且相位偏移失真不大, 而未预失真补偿的系统, 则非线性失真严重, 相位偏移大。
5 结论
本文针对高阶调制信号经过高功率放大器后, 会产生记忆非线性失真等问题, 基于32QAM信号, 研究了以记忆多项式为模型的预失真器, 并利用RLS自适应算法获取补偿参数, 通过非线性失真的优化指标EVM和ACPR确定了预失真器的记忆深度为2, 非线性阶数为5。仿真结果表明, 功放输出的32QAM信号星座图EVM改善值达到56.70%, 带外功率谱抑制平均提升了2.89d B, 有效的保持了信号的线性性能并抑制了信号的功率谱带外再生, 系统线性化性能非常理想, 验证了预失真的重要性和有效性。
参考文献
[1]Cress U, Held C, Kimmerle J.The Collective Knowledge of Social Tags:Direct and Indirect Influences on Navigation, Learning, and Information Processing[J].Computers&Education, 2013, 60 (1) :59-73.
[2]Hu J, Guo D.A Fast Convergence Digital Pre-Distortion of APSK Modulations based on Joint Algorithm[C]//IEEE International Conference on Information Science and Technology (ICIST) , Yangzhou, 2013:1308-1311.
[3]Saleh A A M, Salz J.Adaptive linearization of power amplifiers in digital radio systems[J].The Bell System Technical Journal, 1983, 62 (4) :1019-1033.
[4]Rapp C.Effects of HPA-nonlinearity on a 4-DPSK/OFDM-signal for a digital sound broadcasting signal[C].In ESA, Second European Conference on Satellite Communications (ECSC-2) p 179-184 (SEE N92-15210 06-32) .1991, 1:179-184.
[5]Zhu A, Draxler P J, Yan J J, et al.Open-loop digital predistorter for RF power amplifiers using dynamic deviation reduction-based Volterra series[J].Microwave Theory and Techniques, IEEE Transactions on, 2008, 56 (7) :1524-1534.
[6]Bo L, Jian-hua G, Bo A.A novel polynomial model for power amplifiers digital pre-distortion[C].Wireless Communications, Networking and Mobile Computing, 2008.Wi COM'08.4th International Conference on.IEEE, 2008:1-3.
[7]Chen J T, Tsai H S, Chen Y K.The optimal RLS parameter tracking algorithm for a power amplifier feedforward linearizer[J].Circuits and Systems II:Analog and Digital Signal Processing, IEEE Transactions on, 1999, 46 (4) :464-468.
[8]强建龙.自适应数字预失真技术的研究[M].厦门:华侨大学, 2013.
[9]Singla R, Sharma S.Digital Pre-Distortion of Power Amplifiers Using Look-Up Table Method with Memory Effects for LTE Wireless Systems[J].EURASIP Journal on Wireless Communications and Networking, 2012, 2012 (1) :1-8.