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:4 A0 A4 [2 w6 I) s4 ~- y$ d2 G) u8 Q
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
% u* O, u& T- F器(PA,Power Amplifier),简称功放。为了提高功率放大器的效率,通常又要! f; B6 ]1 _9 B V. i- h$ z* k j1 N
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* @" A4 G/ X% J; E) i
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,
8 [1 D/ L8 t7 \! H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
7 g8 e: k% S& }- Y; e. N2 R4 V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' L! y7 V6 J- Y0 F( O$ H+ O
预失真技术中的功放模型的建立及预失真算法的研究。
" i5 f+ ~, F7 q' B. \( p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
: f6 ^3 M4 {8 K) x9 S; O4 t+ l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
; u. L1 W7 E J1 F8 O' w0 @! h/ j ONMSE=-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
6 O6 Q6 Q5 y9 \: r+ l/ f3 M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1 a3 ]7 K0 L8 X6 _: T6 t% ]$ f
10 时,NMSE=-97.5dB。为了避免求逆运算,采用LMS 自适应算法来求解,由6 i5 s% v, \9 N, z! m" g
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,3 \1 d! ^- K. p2 K1 ^1 ~7 f
性能有所改善,NMSE=-42.6dB(图4.8)。: i! c G+ S) R0 [/ R
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
0 }, I$ T9 ~2 Z3 ]7 @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/ [3 @( g+ x) `+ |* @! }
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
% E2 @/ z' e5 o; S& I% |# X& J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,
" E# w: i0 C; |" t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
1 ]/ D' P3 R7 {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。
7 X: \/ W+ w: Q- `# \4 D" h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
1 L2 e7 J' G5 p7 ~. p( k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
' \/ \3 }, F" p$ J% m; W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
. B5 ?$ Y8 O e* q1 d式”模型的阶数K=3 ,记忆深度M=5,此时NMSE=-45.05dB。
, V. y y8 S. C4 B' z+ q, K9 U/ v+ G2. ^* P' p: [! L4 t( Q3 J7 H$ {
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,/ A, c; C6 C: P; Z5 L
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
9 j" l" q( G; @" U0 M4 uK=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。! h- t" Y2 b9 H: d' X! s5 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
" o4 R8 o3 t+ c; D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: Q! q& P% _# X; W- O4 z
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
$ S$ T6 p+ w. T6 V) _& \7 h+ t. d1 ]/ a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$ f( h3 v4 j- E3 R9 |
学习结构图(图4.15),求得NMSE=-44.1dB、g 9.456。
" c$ ?' ?% I, N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
- n7 h7 h% I; x5 ^7 b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- { \3 r1 }: a- o
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5 l- ^& K5 S" V, d. D) o8 C8 h
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
- |8 D2 s- V# y' F9 U" z5 N比分别为ACPR=-52.2dB、ACPR=-50.1dB。比较ACPR 可以直观的发现,采用: \; ^5 \1 N7 f& ]
预失真补偿的功率放大器的频谱泄露明显减小。
4 P1 b4 X) X+ ]( `3 t. |, a, b1 X0 A" x
|
zan
|