功率放大器非线性特性及预失真建模

madio

摘 要：
0 t) }: h, Y4 Z' l( U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
) z4 K+ a4 [, h% A" e3 c- ], |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 V2 J  c% c9 e& j* I6 @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
1 @" a8 W: m0 P( M/ O$ z6 G, Q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
预失真技术中的功放模型的建立及预失真算法的研究。
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
7 `3 i. f+ O* A3 `/ b3 C1 K$ x! H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 y2 F4 b8 X; K$ e' P' s0 @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
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，
性能有所改善，NMSE=-42.6dB（图4.8）。
8 f' d% g. L9 d+ V2 D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
) c( G. K& u5 R) M9 K5 |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
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，
3 d7 }" c7 S+ R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
8 d) V' h: u2 e# m) b$ T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。
: s2 r4 |2 X1 H6 Q/ K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
8 `3 V* s; _7 C! a8 o2 V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
: O: T4 H9 l7 k, r7 n' ?& h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。
- |/ N2 G: h! ]* l2 J# Q2
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。
5 c- S' _2 ?" m. M: y* S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
8 R% @" b4 P1 s% r; [- e6 {; T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
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
1 z& \4 I1 h9 W1 A9 J6 k! s/ t" C5 G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。
" ~  T9 {: z0 G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
( q, I7 c# u" M9 Y, k: fACPR=-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
比分别为ACPR=-52.2dB、ACPR=-50.1dB。比较ACPR 可以直观的发现，采用
预失真补偿的功率放大器的频谱泄露明显减小。
! M" F% R! j3 n; b

1224017485

不错哦，可惜没有体力值唉

wwyapple

谢谢楼主分享。。。。学习ing

奥霸马2014

顶一个。。。。。。。。。。。

123jw

希望楼主能继续提供好的资料

123jw

非常感谢楼主哈

caiyuhao007

谢谢楼主分享

鹏程万里2014

有体力了，下来看看

夏朗的芒果

谢谢楼主分享。。。。学习ing