CN101350597A - 一种宽带射频功率放大器建模方法 - Google Patents

Abstract

本发明涉及一种宽带射频功率放大器建模方法。本发明将无记忆非线性标称模型与记忆非线性辨识模型并联起来实现对功率放大器PA的建模。本发明充分利用了PA的先验知识，将传统的无记忆非线性标称模型与记忆非线性辨识模型相结合的混合建模思想，实现对宽带射频PA的建模，大大改善PA模型的整体性能。

Description

一种宽带射频功率放大器建模方法

技术领域

本发明涉及无线通信系统射频功率放大器建模技术领域，尤其是涉及一种宽带射频功率放大器建模方法。

背景技术

随着无线通信技术的飞速发展，IEEE 802.16、3GPP LTE(Long Term Evolution，长期演进)以及后三代(IMT-Advanced)等通信系统都向着宽带、正交频分复用(Orthogonal Frequency Division Multiplexing，即OFDM)技术、多输入和多输出(Multiple-Input Multiple-Output，即MIMO)技术和高频的技术方向演进。针对OFDM技术具有较高的峰均功率比(Peak-to-Average Power Ratio，即PAPR)问题，如何提高功放(Power Amplifier，即PA)的线性度，人们提出了许多功放线性化技术，例如，功率回退法、负反馈技术、前馈技术和预失真技术等。这些线性化技术都需要建立精确的功放模型，以描述功放的非线性特性和记忆效应，并定量地分析它们对通信系统所造成的影响。相对于前馈线性化技术而言，预失真技术与功放模型的关系更加密切，线性化效果的好坏，在很大程度上取决于所建立的功放模型的有效性。

无线通信领域的研究者对各种PA模型有了深入的研究，而且提出了很多的PA模型，总的归纳起来分为以下几种模型：(1)无记忆非线性模型：这种模型通常用窄带AM/AM(调幅到调幅)、AM/PM(调幅到调相)传输特性函数表示射频功率放大器模块，系统输出信号只是其当前时刻输入信号的瞬时函数。具有代表性的模型有Saleh模型、Rapp模型、幂级数模型。(2)记忆非线性模型：这种模型通常用宽带AM/AM、AM/PM传输特性函数表示，系统响应不仅跟输入信号幅度有关，也跟输入信号包络频率有关，失真是频率的函数。具有代表性的模型有基于Volterra级数、Wiener模型、Hammerstein模型、Wiener-Hammerstein模型、记忆多项式模型、前馈神经网络逼近模型和基于小波网络模型。

在射频PA的建模技术中，应用最广泛的建模方法是Volterra级数和前馈神经网络。Volterra级数是一种通用的非线性功率放大器模型，其已经成功地应用于具有记忆效应的RF功率放大器行为模型。参见Mirri Domenico等的A Modified Volterra seriesApproach Dynamique Systems Modeling IEEE Transactions on Circuits and Systems-IFundamental Theory and Applications 49，No 8.2007年8月，1118-1128；然而，Volterra级数是一种泛函级数，由于参数数量会随着系统阶数和记忆长度的增加而迅速增长，导致参数辩识的计算量很大，直接将Volterra级数运用于包含记忆效应的射频PA建模比较困难；而在PA的各种前馈神经网络模型中，又以BP(Back-Propagation)神经网络模型和RBF(Radial-Basis Function)神经网络模型最为常见。参见T.J.Liu，S，Boumaiza等的Dynamic Beharioral Modeling of 3G Power Amplifiers Using Real-valuedTime-Delay Neural Networks IEEE Trans，On Microware Theory andTechniques，2004，52(3)，1023-1033；M.Isaksson等的Wide-Band Dynamic Modeling OfPower Amplifiers Using Radial-Basis Function Neural Networks IEEE Trans，OnMicroware Theory and Techniques，2005，53(11)，3422-3428；这些神经网络模型能够逼近任意连续非线性函数，并具有自学习、自适应和容错性等优良特性，因此成为了功放建模研究中的一种有力工具，其缺点是训练过程可能陷入局部极小，学习效率低，收敛速度慢。

沙尔赫(Saleh)模型是一种无记忆非线性模型，主要用于描述行波管功率放大器(Traveling Wave Tube Amplifier，即TWTA)的非线性特性。TWTA的AM/AM特性和AM/PM特性表达式如下：

$G\left(r\right)=\frac{{\mathrm{\α}}_{p}r}{1+{\mathrm{\β}}_p{r}^2}$

$\mathrm{\ψ}\left(r\right)=\frac{{\mathrm{\α}}_{\mathrm{\θ}}{r}^2}{1+{\mathrm{\β}}_{\mathrm{\θ}}{r}^2}$

其中G(r)用于表征输入信号幅度引起的输出信号幅度的变化调幅到调幅AM/AM变换公式，ψ(r)用于表征输入信号幅度引起的输出信号相位的变化调幅到调相AM/PM变换公式，α_ρ，β_ρ，α_θ，β_θ均为模型的幅度和相位转化参数，r代表输入功率的大小。

Saleh模型结构简单，但对测量数据具有非常高的拟合性能，自提出以来一直被广泛引用，是计算机仿真中最为经典和实用的一种模型。

记忆多项式模型(Memory Polynomials Model，即MPM)是Volterra级数和无记忆多项式的一种折中，表达式如下：

$y_b\left(n\right)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{q=0}{\overset{Q}{\mathrm{\Σ}}}{C}_{k,q}\·x(n-q)\·{\left|x(n-q)\right|}^{k-1}$

式中C_k，q代表滤波器的系数，这里的C_k，q的值为滤波器的系数，它的值为复数形式，x(n-q)是功率放大器的输入信号x(n)延迟q(即x(n)的前q时刻采样值)，y_b(n)表示功率放大器的输出，K是多项式模型的阶数，Q是功率放大器的记忆长度(即最大延迟)；

记忆多项式模型的优势在于既能描述HPA的记忆效应，又能把系数的数目限制到相对较小的数量级。

目前，功放建模技术的研究重点逐渐转向有记忆的宽带射频PA模型，对于宽带射频PA模型的研究还不够充分，特别是准确描述带宽达100MHZ的射频PA模型很少。面对下一代移动通信系统(4th generation mobile communication，即4G)的宽带宽，使得宽带射频PA的记忆效应更加明显，建立最大程度精确地反映宽带射频PA的记忆效应和非线性特性的模型还有待于进一步研究。

针对上述功放建模方法中所存在的问题，本发明的目的是提供一种宽带射频功率放大器建模方法，在实际应用中，通常对系统动态特性有个粗略估计，充分利用PA的这些先验知识，将采用传统的无记忆非线性模型与记忆非线性辨识模型相结合的混合建模思想，整个模型是由基于无记忆非线性Saleh模型和基于记忆多项式模型(MPM)并联的混合模型，即Saleh-MPM模型，实现对射频PA的建模，进一步精确描述宽带所带来的PA记忆效应，从而改善宽带射频PA模型的整体性能。

发明内容

本发明提供了一种宽带射频功率放大器建模方法，包括如下步骤：

步骤(1)首先对无记忆非线性标称模型和记忆非线性辨识模型的参数α_ρ、β_ρ、α_θ、β_θ、C_k，q初始化并给定逼近精度ε；

步骤(2)构造功率放大器PA的无记忆非线性标称模型，假设功率放大器的输入信号为

x_RF(t)＝r(t)cos[ω_ct+θ(t)]

其中ω_c是载波频率，r(t)为调制信号包络幅度，θ(t)是调制信号相位，t是时间变量，则射频功率放大器的射频信号输出的数学表达式为：

y_RF(t)＝G[r(t)]cos{ω_ct+θ(t)+ψ[r(t)]}

其中G[r(t)]用于表征输入信号幅度引起的输出信号幅度的变换公式，ψ[r(t)]用于表征输入信号幅度引起的输出信号相位的变换公式：对于沙尔赫模型而言，则

$G\left[r\left(t\right)\right]=\frac{{\mathrm{\α}}_{p}r\left(t\right)}{1+{\mathrm{\β}}_{p}r{\left(t\right)}^2}$

$\mathrm{\ψ}\left[r\left(t\right)\right]=\frac{{\mathrm{\α}}_{\mathrm{\θ}}r{\left(t\right)}^2}{1+{\mathrm{\β}}_{\mathrm{\θ}}r{\left(t\right)}^2}$

α_ρ，β_ρ，α_θ，β_θ均为模型的幅度和相位转化参数，改变这几个参数，可以描述不同的射频功率放大器；

射频功率放大器的实际输入、输出射频信号为x_RF(t)、y_RF(t)，但在建模过程中，用复包络信号x(n)、Y(n)来代替x_RF(t)、y_RF(t)，这称为射频信号的基带等效表示；

射频功率放大器的非线性输入输出关系G(·)通常由幅度非线性(AM/AM转换)A(|x(n)|)和相位非线性(AM/PM转换)P(|x(n)|)来表示，则

Y(n)＝G[x(n)]＝A(|x(n)|)e^{j{∠x(n)+P(|x(n)|)}}

x(n)表示射频功率放大器的输入复包络信号，Y(n)表示射频功率放大器的输出复包络信号；对于沙尔赫模型而言，则

$A\left(\right|x\left(n\right)\left|\right)=\frac{{\mathrm{\α}}_{\mathrm{\ρ}}\left|x\left(n\right)\right|}{1+{\mathrm{\β}}_{\mathrm{\ρ}}{\left|x\left(n\right)\right|}^2}$

$P\left(\right|x\left(n\right)\left|\right)=\frac{{\mathrm{\α}}_{\mathrm{\θ}}{\left|x\left(n\right)\right|}^2}{1+{\mathrm{\β}}_{\mathrm{\θ}}{\left|x\left(n\right)\right|}^2}$

则射频功率放大器无记忆非线性标称模型的信号输出的数学表达式为：

$y_a\left(n\right)=Y\left(n\right)=\frac{{\mathrm{\α}}_{\mathrm{\ρ}}\left|x\left(n\right)\right|}{1+{\mathrm{\β}}_{\mathrm{\ρ}}{\left|x\left(n\right)\right|}^2}{e}^{j\{\∠x\left(n\right)+\frac{{\mathrm{\α}}_{\mathrm{\θ}}{\left|x\left(n\right)\right|}^2}{1+{\mathrm{\β}}_{\mathrm{\θ}}{\left|x\left(n\right)\right|}^2}\}}$

步骤(3)同时，构造PA的记忆非线性辩识模型，功率放大器记忆非线性辨识模型的信号输出的数学表达式为：

$y_b\left(n\right)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{q=0}{\overset{Q}{\mathrm{\Σ}}}{C}_{k,q}\·x(n-q)\·{\left|x(n-q)\right|}^{k-1}$

式中C_k，q代表记忆非线性辨识模型的参数，x(n-q)是射频功率放大器的输入信号x(n)延迟q，即n-q时刻射频功率放大器的输入信号，y_b(n)表示n时刻射频功率放大器的输出信号，K是多项式模型的阶数，Q是射频功率放大器的记忆长度；

步骤(4)合并步骤(2)和步骤(3)得到射频功率放大器的混合模型输出信号可以表示为：

$y\left(n\right)=y_a\left(n\right)+y_b\left(n\right)=$

$\frac{{\mathrm{\α}}_{\mathrm{\ρ}}\left|x\left(n\right)\right|}{1+{\mathrm{\β}}_{\mathrm{\ρ}}{\left|x\left(n\right)\right|}^2}{e}^{j\{\∠x\left(n\right)+\frac{{\mathrm{\α}}_{\mathrm{\θ}}{\left|x\left(n\right)\right|}^2}{1+{\mathrm{\β}}_{\mathrm{\θ}}{\left|x\left(n\right)\right|}^2}\}}+\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{q=0}{\overset{Q}{\mathrm{\Σ}}}{C}_{k,q}\·x(n-q)\·{\left|x(n-q)\right|}^{k-1}$

步骤(5)参数识别的目标是使并联辨识模型的输出值y(n)与PA实际输出值y_pa(n)的误差充分小，因此，定义误差error信号为

error＝y_pa(n)-y(n)

根据误差error信号来判断是否满足逼近精度ε要求？若error＜ε，则结束模型辨识，若不是，执行步骤(6)；

步骤(6)对于步骤(4)中的参数C_k，q进行识别，采用参数识别算法不断地调整C_k，q参数，以使误差error信号达到最小满足逼近精度ε。

上述无记忆非线性标称模型为Saleh模型，记忆非线性辨识模型为记忆多项式模型，参数识别算法为限定记忆部分最小二乘算法。

采用本发明所述的建模方法，与现有技术相比，本发明建模方法的优点是：

1)结合了基于无记忆非线性模型和基于记忆多项式模型两种建模方法的优点，模型简单，可靠性高，计算参数较少，实用性好；

2)参数识别采用基于限定记忆部分最小二乘算法的在线建模方法，具有自适应功能，即能适应系统的慢时变特性；

3)记忆多项式模型简化为仅考虑奇次阶分量，进一步降低了参数计算复杂度。

附图说明

图1是本发明所述的建模方法原理结构框图；

图2是本发明的建模方法具体处理流程图。

具体实施方式

下面根据附图来说明本发明的具体实施例：

如图1所示，是本发明的建模方法原理结构框图。设功放的实际输出为y_pa(n)，无记忆非线性标称模型的输出为y_a(n)，面对下一代移动通信系统的宽带宽传输，使得宽带射频PA的记忆效应会变得更加明显，y_pa(n)和y_a(n)一般不一致。本发明方法将无记忆非线性标称模型与记忆非线性辨识模型并联起来实现对PA的建模。记忆非线性辨识模型的输出为y_b(n)，记忆非线性辨识模型和无记忆非线性标称模型的并联辨识模型的输出为y(n)，则

y(n)＝y_a(n)+y_b(n)            (1)

对于记忆非线性辨识模型中的参数进行识别，通过参数识别算法不断地调整参数，使得y(n)任意逼近y_pa(n)，这样，通过将PA的无记忆非线性标称模型与记忆非线性辨识建模相结合，可以得到宽带射频PA更准确的模型。

如图2所示，是本发明的建模方法具体处理流程图。该方法包括如下步骤：

步骤(1)；首先对无记忆非线性标称模型和记忆非线性辨识模型的参数α_ρ，β_ρ，α_θ，β_θ，C_k，q初始化并给定逼近精度ε；这里无记忆非线性标称模型为Saleh模型，记忆非线性辨识模型为记忆多项式模型，多项式模型的阶数K为7，功率放大器的记忆长度Q为2。

α_ρ＝2，β_ρ＝1， ${\mathrm{\α}}_{\mathrm{\θ}}=\frac{\mathrm{\π}}{3},$ β_θ＝1，ε＝0.1

C_1，0＝1，C_2，0＝1，C_3，0＝1，C_4，0＝1，....C_7，0＝1，

C_1，1＝1，C_2，1＝1，C_3，1＝1，C_4，1＝1，....C_7，1＝1，

C_1，2＝1，C_2，2＝1，c_3，2＝1，C_4，2＝1，....C_7，2＝1，

C_k，q的初始值都为1，即C_k，q＝[1，1...1]，首次循环是选择这个值，当需要调整C_k，q时再次执行循环重新确定C_k，q取决与PA模型非线性特性和记忆特性的不同而不同，对于宽带射频功率放大器而言，C_k，q应该为复数。随着不断的辨识逼近，C_k，q值是不断的变换的，ε＞0。

步骤(2)，然后构造射频功率放大器PA的无记忆非线性标称模型，假设输入射频功率放大器的射频信号为

x_RF(t)＝r(t)cos[ω_ct+θ(t)]                    (2)

其中ω_c是载波频率，r(t)为调制信号包络幅度，θ(t)是调制信号相位，t是时间变量，则射频功率放大器的射频信号输出的数学表达式为：

y_RF(t)＝G[r(t)]cos{ω_ct+θ(t)+ψ[r(t)]}        (3)

其中G[r(t)]用于表征输入信号幅度引起的输出信号幅度的变换公式，ψ[r(t)]用于表征输入信号幅度引起的输出信号相位的变换公式：对于沙尔赫模型而言，则

$G\left[r\left(t\right)\right]=\frac{{\mathrm{\α}}_{p}r\left(t\right)}{1+{\mathrm{\β}}_{p}r{\left(t\right)}^2}---\left(4\right)$

$\mathrm{\ψ}\left[r\left(t\right)\right]=\frac{{\mathrm{\α}}_{\mathrm{\θ}}r{\left(t\right)}^2}{1+{\mathrm{\β}}_{\mathrm{\θ}}r{\left(t\right)}^2}---\left(5\right)$

α_ρ，β_ρ，α_θ，β_θ均为模型的幅度和相位转化参数，改变这几个参数，可以描述不同的射频功率放大器，r(t)代表输入信号的幅度。

对于射频功率放大器的实际输入、输出射频信号为x_RF(t)、y_RF(t)，但在建模过程中，为了降低模型和仿真的复杂性，常常用复包络信号x(n)、Y(n)来代替x_RF(t)、y_RF(t)，这称为射频信号的基带等效表示。

射频功率放大器的非线性输入输出关系G(·)通常由幅度非线性(AM/AM转换)A(|x(n)|)和相位非线性(AM/PM转换)P(|x(n)|)来表示，则

Y(n)＝G[x(n)]＝A(|x(n)|)e^{j{∠x(n)+P(|x(n)|)}}      (6)

x(n)表示射频功率放大器的输入复包络信号，Y(n)表示射频功率放大器的输出复包络信号。对于沙尔赫模型而言，则

$A\left(\right|x\left(n\right)\left|\right)=\frac{{\mathrm{\α}}_{\mathrm{\ρ}}\left|x\left(n\right)\right|}{1+{\mathrm{\β}}_{\mathrm{\ρ}}{\left|x\left(n\right)\right|}^2}---\left(7\right)$

$P\left(\right|x\left(n\right)\left|\right)=\frac{{\mathrm{\α}}_{\mathrm{\θ}}{\left|x\left(n\right)\right|}^2}{1+{\mathrm{\β}}_{\mathrm{\θ}}{\left|x\left(n\right)\right|}^2}---\left(8\right)$

则射频功率放大器无记忆非线性标称模型的信号输出的数学表达式为：

$y_a\left(n\right)=Y\left(n\right)=\frac{{\mathrm{\α}}_{\mathrm{\ρ}}\left|x\left(n\right)\right|}{1+{\mathrm{\β}}_{\mathrm{\ρ}}{\left|x\left(n\right)\right|}^2}{e}^{j\{\∠x\left(n\right)+\frac{{\mathrm{\α}}_{\mathrm{\θ}}{\left|x\left(n\right)\right|}^2}{1+{\mathrm{\β}}_{\mathrm{\θ}}{\left|x\left(n\right)\right|}^2}\}}---\left(9\right)$

步骤(3)；同时，构造PA的记忆非线性辩识模型，射频功率放大器记忆非线性辨识模型的信号输出的数学表达式为：

$y_b\left(n\right)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{q=0}{\overset{Q}{\mathrm{\Σ}}}{C}_{k,q}\·x(n-q)\·{\left|x(n-q)\right|}^{k-1}---\left(10\right)$

式中C_k，q代表记忆非线性辨识模型的参数，x(n-q)是射频功率放大器的输入信号x(n)延迟q(即n-q时刻射频功率放大器的输入信号)，y_b(n)表示n时刻射频功率放大器的输出信号，K是多项式模型的阶数，Q是射频功率放大器的记忆长度(即最大延迟)。

优选地，为了进一步降低参数计算复杂度，只考虑奇次阶分量，射频功率放大器记忆非线性辨识模型的信号输出的数学表达式简化为：

$y_b\left(n\right)=\underset{k=0}{\overset{K}{\mathrm{\Σ}}}\underset{q=0}{\overset{Q}{\mathrm{\Σ}}}{C}_{(2k+1),q}\·x(n-q)\·{\left|x(n-q)\right|}^{2k}---\left(11\right)$

式中C_(2k+1)，q代表简化的记忆非线性辨识模型的参数，x(n-q)是射频功率放大器的输入信号x(n)延迟q，即n-q时刻射频功率放大器的输入信号，y_b(n)表示n时刻射频功率放大器的输出信号，K是简化的多项式模型的阶数，Q是射频功率放大器的记忆长度(即最大延迟)。

步骤(4)合并步骤(2)和步骤(3)得到射频功率放大器的混合模型输出信号可以表示为：

$y\left(n\right)=y_a\left(n\right)+y_b\left(n\right)=$

$\frac{{\mathrm{\α}}_{\mathrm{\ρ}}\left|x\left(n\right)\right|}{1+{\mathrm{\β}}_{\mathrm{\ρ}}{\left|x\left(n\right)\right|}^2}{e}^{j\{\∠x\left(n\right)+\frac{{\mathrm{\α}}_{\mathrm{\θ}}{\left|x\left(n\right)\right|}^2}{1+{\mathrm{\β}}_{\mathrm{\θ}}{\left|x\left(n\right)\right|}^2}\}}+\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{q=0}{\overset{Q}{\mathrm{\Σ}}}{C}_{k,q}\·x(n-q)\·{\left|x(n-q)\right|}^{k-1}---\left(12\right)$

步骤(5)参数识别的目标是使并联辨识模型的输出值y(n)与PA实际输出值y_pa(n)的误差充分小，因此，定义误差error信号为

error＝y_pa(n)-y(n)            (13)

根据误差error信号来判断是否满足逼近精度ε要求？若error＜ε，则结束模型辨识，若不是，执行步骤(6)；

步骤(6)对于式(12)中的参数C_k，q进行识别，采用参数识别算法不断地调整C_k，q参数，以使误差error信号达到最小满足逼近精度ε。

参数识别方法采用限定记忆部分最小二乘算法，限定记忆法是每增加一个新的样本就去掉一个老样本，用来建模的数据长度始终保持不变，兼顾考虑到系统的时变性和样本的饱和性；部分最小二乘算法是一种将高维空间信息投影到由几个隐含变量组成的低维信息空间的多变量回归方法，隐含变量中包含了原始数据中的重要信息，且隐含变量间是互相独立的。

以上所述，仅为本发明最佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (5)

1、一种宽带射频功率放大器建模万法，其特征在于包括如下步骤：

步骤(1)首先对无记忆非线性标称模型和记忆非线性辨识模型的参数α_ρ、β_ρ、α_θ、β_θ、C_k，q初始化并给定逼近精度ε；

步骤(2)构造功率放大器PA的无记忆非线性标称模型，假设功率放大器的输入信号为

x_RF(t)＝r(t)cos[ω_ct+θ(t)]

其中ω_c是载波频率，r(t)为调制信号包络幅度，θ(t)是调制信号相位，t是时间变量，则射频功率放大器的射频信号输出的数学表达式为：

y_RF(t)＝G[r(t)]cos{ω_ct+θ(t)+ψ[r(t)]}

其中G[r(t)]用于表征输入信号幅度引起的输出信号幅度的变换公式，ψ[r(t)]用于表征输入信号幅度引起的输出信号相位的变换公式：对于沙尔赫模型而言，则

$G\left[r\left(t\right)\right]=\frac{{\mathrm{\α}}_{p}r\left(t\right)}{1+{\mathrm{\β}}_{p}r{\left(t\right)}^2}$

$\mathrm{\ψ}\left[r\left(t\right)\right]=\frac{{\mathrm{\α}}_{\mathrm{\θ}}r{\left(t\right)}^2}{1+{\mathrm{\β}}_{\mathrm{\θ}}r{\left(t\right)}^2}$

α_ρ，β_ρ，α_θ，β_θ均为模型的幅度和相位转化参数，改变这几个参数，可以描述不同的射频功率放大器；

射频功率放大器的实际输入、输出射频信号为x_RF(t)、y_RF(t)，但在建模过程中，用复包络信号x(n)、Y(n)来代替x_RF(t)、y_RF(t)，这称为射频信号的基带等效表示；

射频功率放大器的非线性输入输出关系G(·)通常由幅度非线性(AM/AM转换)A(|x(n)|)和相位非线性(AM/PM转换)P(|x(n)|)来表示，则

$Y\left(n\right)=G\left[x\left(n\right)\right]=A\left(\right|x\left(n\right)\left|\right)e^{j\{\∠x\left(n\right)+P\left(\right|x\left(n\right)\left|\right)\}}$

x(n)表示射频功率放大器的输入复包络信号，Y(n)表示射频功率放大器的输出复包络信号；对于沙尔赫模型而言，则

$A\left(\right|x\left(n\right)\left|\right)=\frac{{\mathrm{\α}}_{\mathrm{\ρ}}\left|x\left(n\right)\right|}{1+{\mathrm{\β}}_{\mathrm{\ρ}}{\left|x\left(n\right)\right|}^2}$

$P\left(\right|x\left(n\right)\left|\right)=\frac{{\mathrm{\α}}_{\mathrm{\θ}}{\left|x\left(n\right)\right|}^2}{1+{\mathrm{\β}}_{\mathrm{\θ}}{\left|x\left(n\right)\right|}^2}$

则射频功率放大器无记忆非线性标称模型的信号输出的数学表达式为：

$y_a\left(n\right)=Y\left(n\right)=\frac{{\mathrm{\α}}_{\mathrm{\ρ}}\left|x\left(n\right)\right|}{1+{\mathrm{\β}}_{\mathrm{\ρ}}{\left|x\left(n\right)\right|}^2}{e}^{j\{\∠x\left(n\right)+\frac{{\mathrm{\α}}_{\mathrm{\θ}}{\left|x\left(n\right)\right|}^2}{1+{\mathrm{\β}}_{\mathrm{\θ}}{\left|x\left(n\right)\right|}^2}\}}$

步骤(3)同时，构造PA的记忆非线性辩识模型，功率放大器记忆非线性辨识模型的信号输出的数学表达式为：

$y_b\left(n\right)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{q=0}{\overset{Q}{\mathrm{\Σ}}}{C}_{k,q}\·x(n-q)\·{\left|x(n-q)\right|}^{k-1}$

式中C_k，q代表记忆非线性辨识模型的参数，x(n-q)是射频功率放大器的输入信号x(n)延迟q，即n-q时刻射频功率放大器的输入信号，y_b(n)表示n时刻射频功率放大器的输出信号，K是多项式模型的阶数，Q是射频功率放大器的记忆长度；

步骤(4)合并步骤(2)和步骤(3)得到射频功率放大器的混合模型输出信号可以表示为：

$y\left(n\right)=y_a\left(n\right)+y_b\left(n\right)=$

$\frac{{\mathrm{\α}}_{\mathrm{\ρ}}\left|x\left(n\right)\right|}{1+{\mathrm{\β}}_{\mathrm{\ρ}}{\left|x\left(n\right)\right|}^2}{e}^{j\{\∠x\left(n\right)+\frac{{\mathrm{\α}}_{\mathrm{\θ}}{\left|x\left(n\right)\right|}^2}{1+{\mathrm{\β}}_{\mathrm{\θ}}{\left|x\left(n\right)\right|}^2}\}}+\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{q=0}{\overset{Q}{\mathrm{\Σ}}}{C}_{k,q}\·x(n-q)\·{\left|x(n-q)\right|}^{k-1}$

步骤(5)参数识别的目标是使并联辨识模型的输出值y(n)与PA实际输出值y_pa(n)的误差充分小，因此，定义误差error信号为

error＝y_pa(n)-y(n)

根据误差error信号来判断是否满足逼近精度ε要求？若error＜ε，则结束模型辨识，若不是，执行步骤(6)；

步骤(6)对于步骤(4)中的参数C_k，q进行识别，采用参数识别算法不断地调整C_k，q参数，以使误差error信号达到最小满足逼近精度ε。

2、根据权利要求1所述的方法，其特征在于：无记忆非线性标称模型为沙尔赫模型。

3、根据权利要求1所述的方法，其特征在于：记忆非线性辨识模型为记忆多项式模型。

4、根据权利要求1所述的方法，其特征在于：记忆非线性辨识模型为简化的记忆多项式模型，只考虑奇次阶分量，功率放大器记忆非线性辨识模型的信号输出的数学表达式简化为：

$y_b\left(n\right)=\underset{k=0}{\overset{K}{\mathrm{\Σ}}}\underset{q=0}{\overset{Q}{\mathrm{\Σ}}}{C}_{(2k+1),q}\·x(n-q)\·{\left|x(n-q)\right|}^{2k}$

式中C_(2k+1)，q代表简化的记忆非线性辨识模型的参数，x(n-q)是功率放大器的输入信号x(n)延迟q，即x(n)的前q时刻采样值，y_b(n)表示功率放大器的输出，K是简化的多项式模型的阶数，Q是功率放大器的记忆长度。

5、根据权利要求1所述的方法，其特征在于：步骤(6)中的参数识别算法为限定记忆部分最小二乘方法。

Images