TA的每日心情 | 奋斗 2024-7-1 22:21 |
---|
签到天数: 2014 天 [LV.Master]伴坛终老
- 自我介绍
- 数学中国站长
 群组: 数学建模培训课堂1 群组: 数学中国美赛辅助报名 群组: Matlab讨论组 群组: 2013认证赛A题讨论群组 群组: 2013认证赛C题讨论群组 |
摘 要:8 W* [8 @% P7 `2 C& ^
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8 f9 _. y+ M, [- E/ |8 m
器(PA,Power Amplifier),简称功放。为了提高功率放大器的效率,通常又要5 r O- Q) I/ o. ~
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
6 x3 M: G) d6 l7 I' k( f( _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,/ Q* `' K7 g" P* I
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
4 e7 r. N! t9 k% P6 c# z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* x, i8 i2 K: V' v2 \
预失真技术中的功放模型的建立及预失真算法的研究。% T( |; r: r) w2 D
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
' N8 u) W2 Y. i. V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
# _7 t8 |; K- t, F7 i9 z5 B% vNMSE=-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
1 j% q( r. R# U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
; l/ J5 \ O6 J4 u' r) D/ h10 时,NMSE=-97.5dB。为了避免求逆运算,采用LMS 自适应算法来求解,由
' Z- m* ?# Y u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,0 `0 ?* s) _" a) r* f# Q
性能有所改善,NMSE=-42.6dB(图4.8)。
' c- w+ p* w; |) [. W" T+ R" b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) v1 [+ d: V) X3 ~7 G# j+ B/ {* K
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
# I/ K0 {2 L3 f' e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
: i7 N. M! }( B5 D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,
/ {) m( P! H* n4 ~$ @( y; k. Y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! f0 A0 N" w7 k
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。0 }+ P, o* j; b4 Q& G2 \' }
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
7 v% X2 G: `) }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
6 g9 B1 i. | F* \- M$ M3 z9 q: Y! Z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
; v7 @+ A' f1 K# P: R式”模型的阶数K=3 ,记忆深度M=5,此时NMSE=-45.05dB。- b; C$ L% n+ Y" y: M# n
2$ s8 N( x7 b8 E: e& }# s# ]' G
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,
4 c* f' q' E- R) d, D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/ c9 W4 ~# I f' p: ?
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。
) v) ]7 k% l# n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
. g# f! ?' e/ \5 a2 O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
7 b1 }3 ], D$ q8 {% g/ ~K=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
3 B' E+ o' t6 p* [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* ]- O0 Y5 j# r9 X
学习结构图(图4.15),求得NMSE=-44.1dB、g 9.456。5 k1 H/ P& b( ^5 {: B$ W/ a
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
, q6 G; H$ s: K6 J& J0 C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) x0 N, [+ C5 o+ g
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
# \* S) |: z8 Z2 b' G1 ?: `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
, n1 C$ N8 k9 H& k, U8 o+ f( x: g, z比分别为ACPR=-52.2dB、ACPR=-50.1dB。比较ACPR 可以直观的发现,采用6 {9 \5 q0 H* s: p/ I
预失真补偿的功率放大器的频谱泄露明显减小。
- [1 n: V- L, k/ R$ j! n; m& U: |1 v; Y
|
zan
|