功率放大器非线性特性及预失真建模

madio

摘 要：
信号的功率放大是电子通信系统的关键功能之一，其实现模块称为功率放大
器（PA，Power Amplifier），简称功放。为了提高功率放大器的效率，通常又要
: }+ Y; r/ R- V5 ~1 b5 T求其工作在饱和状态，这必然就会带来严重的非线性。功放的非线性失真会使得
原始信号的频谱扩展，从而对邻近信道造成较大的干扰。功率放大器的线性化，
9 O! {/ n% Z2 Q: D2 p是解决其效率和线性度矛盾的有效方法，能够使功放在输出高功率和高效率的同
6 s9 C6 y7 o: W' W* N时，保持良好的线性度。常用预失真技术[1](Predistortion)。本文主要研究对象为
# ^. ~1 ~% ~3 o预失真技术中的功放模型的建立及预失真算法的研究。
  d. {- i' ~  e; S' L对于问题一，我们首先建立了无记忆功放的泰勒级数模型，利用最小二乘估
计得到不同阶数的NMSE 指标（图4.1），综合考虑选取阶数为10，此时
NMSE=-94.5dB 。为了解决最小二乘估计阶数增加后的不稳定性，将观测矩阵正
交化后，采用最小二乘估计得到不同阶数对应的NMSE 指标（图4.3），阶数为
8 i: B; W5 t  b  c10 时，NMSE=-97.5dB。为了避免求逆运算，采用LMS 自适应算法来求解，由
, T1 B; C* M9 l; N! j( B, @# C于数据有限，无法达到收敛，性能比较差（图4.7），但重复利用数据40 次后，
8 N; M+ k( e$ B; e8 l3 n: q性能有所改善，NMSE=-42.6dB（图4.8）。
2 Q. H1 ]) W  t. T6 g对于无记忆预失真器同样建立泰勒级数模型，由于数据有限，自适应算法很
难收敛，所以采用直接学习结构，将功率放大器的输出减小g 倍后作为输入，g
1 k2 ^* ?6 g( x7 o/ J% ^为理想的线性放大倍数，功率放大器的输入作为输出，通过拟合得到的系统即为
6 F7 }- Q8 c* X  f% y: `' e预失真器。对于模型的求解，分别使用了最小二乘估计，施密特正交化后求解，
估计出预失真器参数。最后用NMSE 评价预失真系统，预失真器在10 阶时，可
以达到NMSE=-59.03dB。此时线性化放大倍数可以达到理论最大值gmax 1.8265。
对于问题二，首先建立了有记忆功放的“和记忆多项式”模型，它是在无记
! i2 c# i8 p1 Y5 Y忆泰勒级数的基础上加入了时延项，利用最小二乘估计得到在不同阶数K，记忆
深度M 下，NMSE 的变化曲线图（图4.14）。我们选取有记忆功放“和记忆多项
式”模型的阶数K=3 ，记忆深度M=5，此时NMSE=-45.05dB。
2
在有记忆预失真的建模中，预失真器的模型同样为“和记忆多项式”模型，
依据计算量和NMSE 的变化情况，我们首先确定有记忆功放的模型参数为阶数
K=3，记忆深度M=5。我们分别使用直接学习法和间接预失真学习法求解模型。
8 V% B7 I: `" g& {4 |& S4 a0 _我们得出了预失真器在不同阶数K，记忆深度M 下，预失真补偿后系统的NMSE
的变化曲线图（图4.17、图4.19）。对于直接学习法，最佳的阶数和记忆深度为
+ f. g9 }: r- IK=3、M=5，此时NMSE=-45.4dB，线性化放大倍数g=9.4528；对于间接预失真
& }) D2 s( v* X4 O8 |& V. Y学习法，最佳的阶数和记忆深度为K=4、M=4，我们提出一种改进的间接预失真
学习结构图（图4.15），求得NMSE=-44.1dB、g  9.456。
对于问题三，我们利用直接法求信号的功率谱密度函数，得到输入信号、无
预失真补偿的功率放大器输出信号、采用预失真补偿的功率放大器输出信号的功
率谱图，并计算各自的ACPR。输入信号ACPR=-78.5dB，无预失真输出信号
ACPR=-37.3dB，直接学习法和间接学习法的有预失真输出信号的相邻信道功率
* D; f: p0 N& S2 s# W! U& d7 a比分别为ACPR=-52.2dB、ACPR=-50.1dB。比较ACPR 可以直观的发现，采用
  B& J: }, J" r8 ~  s& ^2 f1 ?" g' W预失真补偿的功率放大器的频谱泄露明显减小。
1 F- n$ k8 d7 ^
; q5 o$ u0 L- r

夏朗的芒果

谢谢楼主分享。。。。学习ing

鹏程万里2014

有体力了，下来看看

caiyuhao007

谢谢楼主分享

123jw

非常感谢楼主哈

123jw

希望楼主能继续提供好的资料

奥霸马2014

顶一个。。。。。。。。。。。

wwyapple

谢谢楼主分享。。。。学习ing

1224017485

不错哦，可惜没有体力值唉