CN101072220A - 用于自适应功率放大器的径向基神经网络预失真方法 - Google Patents
用于自适应功率放大器的径向基神经网络预失真方法 Download PDFInfo
- Publication number
- CN101072220A CN101072220A CN 200610076597 CN200610076597A CN101072220A CN 101072220 A CN101072220 A CN 101072220A CN 200610076597 CN200610076597 CN 200610076597 CN 200610076597 A CN200610076597 A CN 200610076597A CN 101072220 A CN101072220 A CN 101072220A
- Authority
- CN
- China
- Prior art keywords
- signal
- network
- predistortion
- power amplifier
- digital
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Amplifiers (AREA)
Abstract
本发明公开了一种用于自适应功率放大器的径向基神经网络预失真方法,包括如下步骤:A.带多载波输入信号通过模拟下变频器,形成中频信号;B.失真分量经过模拟上变频器,并送入功率放大器与功率放大器产生的非线性分量进行抵消;预失真信号根据包络信号和反映发射通道线性度的数字反馈信号之间的误差偏移量来控制。本发明方法由于采用基于径向基神经网络网络的自适应射频非线性数字预失真方案,其大幅降低了实现的复杂性,同时具有较高的线性度,其实现简单。
Description
技术领域
本发明涉及一种用于自适应功率放大器的预失真方法,特别涉及的是一种利用径向基神经网络实现射频预失真线性化的方法。
背景技术
近年来在移动通信领域,以频率的高效利用为目的通信系统受到越来越多的关注。联合幅度和相位变化的线性调制技术是提高无线频谱利用率的有效方式,而功率放大器是通信系统发射机的主要部件,在实际应用中,为了增加效率,一般让功率放大器工作在接近饱和点,因而常会引起信号非线性失真。
针对信号非线性失真的处理,现有技术主要有非恒包络调制和恒包络调制两类。对于非恒包络调制,会有较大的峰平比;而对于恒包络调制,在多载波条件下,多个载波的信号组成的宽带信号会产生较大的包络起伏。信号幅度变化,对功率放大器在大信号条件下的非线性失真极其敏感,容易产生邻信道干扰和带内失真,带来信号间的相互干扰,影响通信质量。
为了克服上述缺点,通常采用预失真技术或前馈技术对功率放大器的非线性特性进行补偿。而预失真技术由于效率高等特点受到了极大关注。
自适应数字预失真是克服功率放大器非线性失真最有前途的一项技术,它通过在放大器前构造非线性失真的逆特性来达到线性化的目的。当信号带宽远小于放大器带宽时,记忆效应可以忽略, 可用无记忆非线性放大器来实现预失真;但对于宽带应用,如WCDMA和TD-SCDMA,放大器的记忆效应明显,无记忆非线性放大器无法胜任。
目前对这种条件下的预失真技术的研究大部分局限于分段线性自适应基带预失真,它们往往依赖于对信号特征的提取。
请参见哈里公司的中国专利:“在数字传输系统中线性化放大器输出的自适应预失真装置”,发明人:埃德温·雷·特威切尔;罗伯特·C·戴维斯,公开日:1999年01月27日,公开号:CN 1206251,申请日:1998.06.29,申请号:CN98115194.9描述了在一个传输系统里,用于补偿放大器的非线性失真作用的自适应装置。
其中,I信道和Q信道存贮器存贮大量的预失真校正值。通过使用输入的原始信息信号的一个预先规定数目个重要比特作为对存贮器寻址的地址,以重新产生I信道和Q信道预失真校正值。I信道和Q信道预失真校正值数字地与原始信息信号的I信道与Q信道分量组合,以对原始信息信号预失真。预失真了的信号按实格式被提供到放大器,反馈抽样信号从放大器的输出去耦合。在复数域(I/Q)按数字格式将原始信息信号与反馈抽样信号作比较。该方法采用查表方法确定补偿量,其输入是当前I信道和Q信道的值,也就是输入的特征值,没有很好的考虑记忆特性,存在过学习或欠学习的情况。
另请参见PMC-SIERRA公司的美国专利:“DIGITALPREDISTORTION METHODS FOR WIDEBAND AMPLIFIERS”,发明人:ANDREW S.WRIGHT,公开日:2003年7月1日,公开号:US6587514B1,申请日:2000年7月16日,申请号:09/595,988描述了几种预失真方案,这些方法都是基于特征的预失真方案,即根据特征查表,确定从多个滤波器中选取一个,作为当前的补偿方案。但同样存在滤波器阵列过大,参数难以确定的问题,同样会导致过学习或欠学习的情况。
因此,基于特征提取的自适应基带预失真方案有以下缺点:
1、如何确定非线性失真模型,比如多个FIR并非易事。已有的模型往往很复杂,而且不可能精确,尤其是针对实际过程中,是利用训练序列来确定模型参数,当样本数量不足且模型过于复杂时,就存在过学习的问题。但是若参考模型特征多项式阶次低于实际系统的特征多项式,则控制为物理不可实现系统。这就给在实际过程中应用自适应基带预失真带来困难。
2、基于特征提取的方法并不可靠,这是由于影响系统非线性的因子有很多种,特定的特征提取方法会带来信息损失。
3、基于特征提取的方法比较耗费资源,这是由于当特征数量增加时,查找表的规模会变得非常大。
因此,现有技术依然存在缺陷,而有待于改进和发展。
发明内容
本发明的目的在于提供一种用于自适应功率放大器的径向基神经网络预失真方法,鉴于现有预失真线性化方法运算量大、实现较为复杂,以及无法全面考虑温度、器件老化、系统时变特性等多种影响因子的影响,导致总输出频响特性左右肩不佳等不足之处,提供一种基于径向基神经网络网络的自适应射频非线性数字预失真方案,可以避免大量的均衡等复杂运算,以大幅降低实现复杂性,同时具有较高的线性度。
本发明的技术方案包括:
一种用于自适应功率放大器的径向基神经网络预失真方法,包括如下步骤:
A、宽带多载波输入信号通过模拟下变频器,形成中频信号;
B、预失真分量经过模拟上变频器,并送入功率放大器与功率放大器产生的非线性分量进行抵消;预失真信号根据包络信号和反映发射通道线性度的数字反馈信号之间的误差偏移量来控制。
所述的方法,其中,所述步骤B的控制步骤包括:
C、将部分宽带多载波输入信号耦合至包络检波器获得输入信号的包络信号,并经过模拟数字转换器变换为数字包络信号并延时处理;
D、通过由耦合器、反馈通道和交调解调构成的反馈支路获得发射通道线性度的数字反馈信号;
E、误差信号检测电路将所述延时后的数字包络信号和数字反馈信号进行处理,产生所述误差偏移量。
所述的方法,其中,所述步骤A中经过径向基函数网络预失真器产生预失真信号。
所述的方法,其中,所述步骤E后还包括步骤:
F、径向基函数网络根据所述误差偏移量对模拟预失真器进行调整,直到误差偏移量减小到设定值。
所述的方法,其中,所述径向基函数网络结构为带抽头延时的单入单出径向基函数神经网络。
所述的方法,其中,所述径向基函数经网络的训练过程包括:预失真器的自适应采用非直接结构,放大器的输出采样经尺度变换后作为训练网络的输入,训练网络的输出与经过适当延时的放大器输入采样进行比较,所述误差偏移量用于神经网络的自适应。
所述的方法,其中,所述径向基函数经网络的训练过程还包括:当训练网络收敛后,即将训练网络的参数完全拷贝到神经网络预失真器。
本发明所提供的一种用于自适应功率放大器的径向基神经网络预失真方法,由于采用基于径向基神经网络网络的自适应射频非线性数字预失真方案,其大幅降低了实现的复杂性,同时具有较高的线性度,其实现简单。
附图说明
图1为本发明的径向基神经网络自适应预失真方法的流程图;
图2为本发明的径向基神经网络流程图。
具体实施方式
以下结合附图,将对本发明的各较佳实施例进行更为详细的说明。
本发明方法如图1所示的,包括如下步骤:
A、宽带多载波输入信号v(n)通过模拟下变频器,形成中频信号。经过径向基函数RBF(Radial basis function)网络预失真器产生预失真信号z(n);
B、所述预失真分量z(n)经过模拟上变频器,然后送入功率放大器与功率放大器产生的非线性分量进行抵消;其中所述模拟预失真器产生预失真信号z(n)是根据包络信号和反映发射通道线性度的数字反馈信号Vf(n)之间的误差偏移量e(n)来控制的,其控制步骤如步骤C至步骤F;
C、将部分输入信号v(n)耦合至包络检波器获得输入信号的包络信号,再经过模拟数字转换器变换为数字包络信号并延时处理;
D、通过由耦合器、反馈通道和交调解调构成的反馈支路获得发射通道线性度的数字反馈信号vf(n);
E、误差信号检测电路将所述延时后的数字包络信号和数字反馈信号vf(n)进行处理,产生RBF径向基函数网络所需的误差偏移量e(n);
F、RBF径向基函数网络根据所述误差偏移量e(n)对模拟预失真器进行调整,直到误差偏移量e(n)减小到设定值。
本发明所述方法中,设各参量:宽带多载波输入信号v(n)、预失真信号z(n)、数字反馈信号vf(n)、误差偏移量e(n);在所述步骤E中,RBF网络结构如图2所示的为,带抽头延时的单入单出RBF神经网络,此种结构中的输入抽头延时考虑了放大器的记忆效应,可同时实现非线性和记忆失真,不需要额外的复线性滤波器,便于神经网络大规模集成电路的统一实现。
本发明方法所述步骤E中须对RBF神经网络的训练,其预失真器的自适应采用非直接学习结构,使用非直接学习结构的好处在于可以不需要先辨识出放大器模型,就可以直接辨识预失真模型,结构简单。在此结构中,放大器的输出采样y(n)经尺度变换后作为训练网络的输入,训练网络的输出
与经过适当延时的放大器输入采样z(n)进行比较,误差e(n)用于神经网络的自适应。当训练网络收敛后,即可将训练网络的参数完全拷贝到神经网络预失真器。预失真器通过周期性地更换系数,可以自适应功率放大器特性地缓慢变化。
本发明实施例的径向基神经网络由三层组成,其结构如图2所示,隐层节点中的作用函数(基函数)对输入信号将在局部产生响应。基函数采用最常用的高斯函数:
其中x(n)是m维输入向量;ci是第i个基函数的中心,也称中心向量,它决定了该基函数围绕中心点的宽度;Ri(x)在ci处有一个唯一的最大值,随着‖x-ci‖的增大,Ri(x)迅速衰减到零,对于给定的输入x∈Rn,只有一小部分靠近x的中心被激活。例如本发明的较佳实施例中,m=6。
本发明所公开的基于径向基神经网络的自适应预失真方法,与传统的自适应预失真方法相比具有以下特点:
第一,基于径向基神经网络的自适应预失真方法充分利用了径向基神经网络能实现任意非线性函数的特性,无须大量的FIR来实现预失真模型,结构简洁,容易实现。
第二,基于径向基神经网络的自适应预失真方案可以采用多种现有的成熟技术方法完成训练,其收敛速度非常快,并且在小样本条件下,不会产生过学习或欠学习的情况。
第三,采用本发明提供的方法可用查表方法实现对径向基神经网络的计算,非常便于定点数字信号处理装置实现。
应当理解的是,本发明保护范围阐明于所附权利要求书中,而不能以说明书的上述描述做为限制,凡是在本发明的宗旨之内的显而易见的修改亦应归于本发明的保护范围之内。
Claims (7)
1、一种用于自适应功率放大器的径向基神经网络预失真方法,包括如下步骤:
A、宽带多载波输入信号通过模拟下变频器,形成中频信号;
B、预失真分量经过模拟上变频器,并送入功率放大器与功率放大器产生的非线性分量进行抵消;预失真信号根据包络信号和反映发射通道线性度的数字反馈信号之间的误差偏移量来控制。
2、根据权利要求1所述的方法,其特征在于,所述步骤B的控制步骤包括:
C、将部分宽带多载波输入信号耦合至包络检波器获得输入信号的包络信号,并经过模拟数字转换器变换为数字包络信号并延时处理;
D、通过由耦合器、反馈通道和交调解调构成的反馈支路获得发射通道线性度的数字反馈信号;
E、误差信号检测电路将所述延时后的数字包络信号和数字反馈信号进行处理,产生所述误差偏移量。
3、根据权利要求2所述的方法,其特征在于,所述步骤A中经过径向基函数网络预失真器产生预失真信号。
4、根据权利要求3所述的方法,其特征在于,所述步骤E后还包括步骤:
F、径向基函数网络根据所述误差偏移量对模拟预失真器进行调整,直到误差偏移量减小到设定值。
5、根据权利要求3或4所述的方法,其特征在于,所述径向基函数网络结构为带抽头延时的单入单出径向基函数神经网络。
6、根据权利要求5所述的方法,其特征在于,所述径向基函数经网络的训练过程包括:预失真器的自适应采用非直接结构,放大器的输出采样经尺度变换后作为训练网络的输入,训练网络的输出与经过适当延时的放大器输入采样进行比较,所述误差偏移量用于神经网络的自适应。
7、根据权利要求6所述的方法,其特征在于,所述径向基函数经网络的训练过程还包括:当训练网络收敛后,即将训练网络的参数完全拷贝到神经网络预失真器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200610076597 CN101072220A (zh) | 2006-05-08 | 2006-05-08 | 用于自适应功率放大器的径向基神经网络预失真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200610076597 CN101072220A (zh) | 2006-05-08 | 2006-05-08 | 用于自适应功率放大器的径向基神经网络预失真方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101072220A true CN101072220A (zh) | 2007-11-14 |
Family
ID=38899209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200610076597 Pending CN101072220A (zh) | 2006-05-08 | 2006-05-08 | 用于自适应功率放大器的径向基神经网络预失真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101072220A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101841501A (zh) * | 2010-04-02 | 2010-09-22 | 北京交通大学 | 一种具有预失真器的无线发射设备 |
CN102081751A (zh) * | 2011-01-18 | 2011-06-01 | 清华大学 | 基于实数延时神经网络的同步双频功率放大器建模方法 |
CN102143107A (zh) * | 2011-02-25 | 2011-08-03 | 华为技术有限公司 | 一种实现数字基带预失真的方法及装置 |
CN101784108B (zh) * | 2009-01-21 | 2012-09-19 | 中兴通讯股份有限公司 | 一种用于td-scdma系统的数字预失真方法及装置 |
CN103051293A (zh) * | 2012-12-03 | 2013-04-17 | 广东省电信规划设计院有限公司 | 射频放大器预失真处理方法及其系统 |
CN103731105A (zh) * | 2014-01-03 | 2014-04-16 | 东南大学 | 基于动态模糊神经网络的功放数字预失真装置及方法 |
CN105224985A (zh) * | 2015-09-28 | 2016-01-06 | 南京航空航天大学 | 一种基于深度重构模型的功率放大器行为建模方法 |
CN103731105B (zh) * | 2014-01-03 | 2016-11-30 | 东南大学 | 基于动态模糊神经网络的功放数字预失真装置及方法 |
CN107251419A (zh) * | 2015-02-10 | 2017-10-13 | 诺基亚通信有限责任两合公司 | 用于直接学习算法的控制机制 |
CN109683115A (zh) * | 2019-02-12 | 2019-04-26 | 泰山医学院 | 一种磁共振射频功率放大器装置及磁共振系统 |
CN111245375A (zh) * | 2020-01-19 | 2020-06-05 | 西安空间无线电技术研究所 | 一种复值全连接递归神经网络模型的功放数字预失真方法 |
CN111490799A (zh) * | 2019-01-29 | 2020-08-04 | 中国移动通信有限公司研究院 | 一种信息传输的方法和装置 |
CN113852586A (zh) * | 2021-08-19 | 2021-12-28 | 大唐网络有限公司 | 基于5g通信的信号处理方法及装置 |
CN115136553A (zh) * | 2020-02-24 | 2022-09-30 | 高通股份有限公司 | 用于解决发射(Tx)非线性的机器学习 |
-
2006
- 2006-05-08 CN CN 200610076597 patent/CN101072220A/zh active Pending
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101784108B (zh) * | 2009-01-21 | 2012-09-19 | 中兴通讯股份有限公司 | 一种用于td-scdma系统的数字预失真方法及装置 |
CN101841501A (zh) * | 2010-04-02 | 2010-09-22 | 北京交通大学 | 一种具有预失真器的无线发射设备 |
CN102081751A (zh) * | 2011-01-18 | 2011-06-01 | 清华大学 | 基于实数延时神经网络的同步双频功率放大器建模方法 |
CN102081751B (zh) * | 2011-01-18 | 2014-04-16 | 清华大学 | 基于实数延时神经网络的同步双频功率放大器建模方法 |
CN102143107A (zh) * | 2011-02-25 | 2011-08-03 | 华为技术有限公司 | 一种实现数字基带预失真的方法及装置 |
CN102143107B (zh) * | 2011-02-25 | 2013-10-09 | 华为技术有限公司 | 一种实现数字基带预失真的方法及装置 |
US8855233B2 (en) | 2011-02-25 | 2014-10-07 | Huawei Technologies Co., Ltd. | Method and apparatus for implementing digital baseband predistortion |
CN103051293A (zh) * | 2012-12-03 | 2013-04-17 | 广东省电信规划设计院有限公司 | 射频放大器预失真处理方法及其系统 |
CN103051293B (zh) * | 2012-12-03 | 2016-03-16 | 广东省电信规划设计院有限公司 | 射频放大器预失真处理方法及其系统 |
CN103731105B (zh) * | 2014-01-03 | 2016-11-30 | 东南大学 | 基于动态模糊神经网络的功放数字预失真装置及方法 |
CN103731105A (zh) * | 2014-01-03 | 2014-04-16 | 东南大学 | 基于动态模糊神经网络的功放数字预失真装置及方法 |
CN107251419A (zh) * | 2015-02-10 | 2017-10-13 | 诺基亚通信有限责任两合公司 | 用于直接学习算法的控制机制 |
CN105224985A (zh) * | 2015-09-28 | 2016-01-06 | 南京航空航天大学 | 一种基于深度重构模型的功率放大器行为建模方法 |
CN105224985B (zh) * | 2015-09-28 | 2017-10-31 | 南京航空航天大学 | 一种基于深度重构模型的功率放大器行为建模方法 |
CN111490799A (zh) * | 2019-01-29 | 2020-08-04 | 中国移动通信有限公司研究院 | 一种信息传输的方法和装置 |
CN111490799B (zh) * | 2019-01-29 | 2021-08-06 | 中国移动通信有限公司研究院 | 一种信息传输的方法和装置 |
CN109683115A (zh) * | 2019-02-12 | 2019-04-26 | 泰山医学院 | 一种磁共振射频功率放大器装置及磁共振系统 |
CN109683115B (zh) * | 2019-02-12 | 2024-05-03 | 泰山医学院 | 一种磁共振射频功率放大器装置及磁共振系统 |
CN111245375A (zh) * | 2020-01-19 | 2020-06-05 | 西安空间无线电技术研究所 | 一种复值全连接递归神经网络模型的功放数字预失真方法 |
CN111245375B (zh) * | 2020-01-19 | 2023-06-06 | 西安空间无线电技术研究所 | 一种复值全连接递归神经网络模型的功放数字预失真方法 |
CN115136553A (zh) * | 2020-02-24 | 2022-09-30 | 高通股份有限公司 | 用于解决发射(Tx)非线性的机器学习 |
CN115136553B (zh) * | 2020-02-24 | 2024-04-09 | 高通股份有限公司 | 用于解决发射(Tx)非线性的机器学习 |
CN113852586A (zh) * | 2021-08-19 | 2021-12-28 | 大唐网络有限公司 | 基于5g通信的信号处理方法及装置 |
CN113852586B (zh) * | 2021-08-19 | 2024-06-04 | 大唐网络有限公司 | 基于5g通信的信号处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101072220A (zh) | 用于自适应功率放大器的径向基神经网络预失真方法 | |
US11129076B2 (en) | Method and system for baseband predistortion linearization in multi-channel wideband communication systems | |
CN104937841B (zh) | 用于pa线性化的频带限制自适应的系统和方法 | |
CN101040502B (zh) | 宽带增强型数字注射预失真系统和方法 | |
CN102143107B (zh) | 一种实现数字基带预失真的方法及装置 | |
CN102143108A (zh) | 一种改进的自适应预失真技术 | |
CN101911477A (zh) | 前置补偿器 | |
CN103326973A (zh) | 失真特性估算法预失真装置以及方法 | |
CN100452644C (zh) | 实现记忆型功率放大器线性化的方法及其基带预失真装置 | |
Ghannouchi et al. | Distortion and impairments mitigation and compensation of single‐and multi‐band wireless transmitters | |
Tripathi et al. | Swish activation based deep neural network predistorter for RF-PA | |
US20060209985A1 (en) | Linearization apparatus and method of base station | |
Tafuri et al. | Memory models for behavioral modeling and digital predistortion of envelope tracking power amplifiers | |
CN101350597A (zh) | 一种宽带射频功率放大器建模方法 | |
Myoung et al. | Mismatch detection and compensation method for the LINC system using a closed-form expression | |
CN107786174B (zh) | 用于预失真的电路和方法 | |
Lin et al. | A novel power amplifier linearization technique based on pre-distortion principle and wiener model | |
Dawar et al. | Linearisation of radio frequency power amplifiers exhibiting memory effects using direct learning‐based adaptive digital predistoriton | |
CN106712728A (zh) | 一种用于卫星通信中的功放预失真补偿的方法 | |
Ali et al. | Hybrid Predistorter for Broadband Power Amplifiers Linearization with Relaxed DAC Speed in the Signal Transmit Path | |
Ren et al. | Effect of demodulator errors on predistortion linearization | |
Park et al. | Adaptive predistortion linearization of RF power amplifiers using lookup tables generated from subsampled data | |
Rahmanian et al. | Efficient fpga implementation of a digital predistorter for power amplifier linearization | |
Zhu et al. | A blind AM/PM estimation method for power amplifier linearization | |
Xu et al. | Complex-valued pipelined recurrent neural network for transmitter distortions compensation in high-throughput satellite communication |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Open date: 20071114 |