CN101505139B - 一种数字线性预畸变方法和系统 - Google Patents

Abstract

本发明适用于通信领域，提供了一种数字线性预畸变方法和系统，所述方法包括下述步骤：获取功率放大器的基带输入、输出信号；对所述输出信号进行数字线性预畸变训练，计算数字线性预畸变系数；根据所述数字线性预畸变系数，进行预畸变滤波；判断所述功率放大器的输出信号是否满足线性化要求，是则结束数字线性预畸变训练。所述系统包括预畸变滤波器和预畸变训练器。本发明可以很好地改善功率放大器线性度，另外，可以极大地减少空间资源的占用率，减少逻辑资源的使用率，简化计算的复杂度，便于硬件实现，提高数字线性预畸变效率。

Description

一种数字线性预畸变方法和系统

技术领域

本发明属于通信领域，尤其涉及一种数字线性预畸变方法和系统。

背景技术

功率放大器(Power Amplifier，PA)是一种在通信系统广泛使用的非线性器件，只要输入信号的幅度超出其线性区，输出就会产生非线性失真，从而造成信号带内失真和邻带信号干扰，因此必须将功率放大器的失真控制在一定的范围之内。从效率角度考虑，不能只通过增大功率放大器线性区来消除非线性失真，因此线性化技术应运而生。对于目前第三代移动通信主流标准WCDMA系统，其射频信号是多电平的，具有很高的功率峰均比(peak-to-average-powerratio，PAPR)，这对线性化技术提出了新的挑战。

功率放大器的线性化技术主要有负反馈技术、前馈技术和线性预畸变技术。其中，线性预畸变技术的成本相对较低，是一种比较简单、实用的技术。现有技术提供了一种模拟射频预畸变方法，该方法具有提高功率放大器效率、成本低等优点，但是在具体实现时需要使用射频非线性有源器件，对这些器件的控制和调整是一个复杂的过程。

发明内容

本发明实施例的目的在于提供一种数字线性预畸变方法，旨在解决现有技术实现线性预畸变时必须使用射频非线性有源器件，控制过程复杂的问题。

为解决上述技术问题，本发明提出了一种数字线性预畸变方法，包括以下步骤：

获取功率放大器的输入、输出信号；

对所述输出信号进行数字线性预畸变训练，计算数字线性预畸变系数；

根据所述数字线性预畸变系数，进行预畸变滤波；

判断所述功率放大器的输出信号是否满足线性化要求，是则结束数字线性预畸变训练；

所述对所述输出信号进行数字线性预畸变训练，计算数字线性预畸变系数的步骤具体为：

根据基于Volterra级数的精简模型，推导得出数字线性预畸变模型；

根据所述数字线性预畸变模型，构建F矩阵，计算F^HF，其中F^H为F的共轭转置矩阵，F矩阵满足下述公式：

F＝[R₀U，L，R_QU]

由R₀U产生矩阵F的前k列，Q为预畸变滤波器的记忆长度；

由z＝Fb，利用最小二乘法得到数字线性预畸变系数

满足下述公式：

z为预畸变滤波器滤波器的输出信号。

本发明实施例的另一目的在于提供一种数字线性预畸变系统，所述系统包括：

预畸变滤波器，用于根据预畸变训练器计算出的数字线性预畸变系数，对预畸变滤波器的输入数字基带信号进行滤波处理，并且根据功率放大器的特征，动态调整滤波参数以达到最佳滤波效果；

预畸变训练器，用于对预畸变训练器的输入信号进行预畸变训练，并根据预畸变滤波器的实际输出信号和该输出信号的估计值之间的误差信号，利用最小二乘法调整预畸变训练的抽头系数直至算法收敛，获取最终的数字线性预畸变系数；

所述预畸变训练器获取最终的数字线性预畸变系数的步骤具体为：

根据基于Volterra级数的精简模型，推导得出数字线性预畸变模型；

根据所述数字线性预畸变模型，构建F矩阵，计算F^HF，其中F^H为F的共轭转置矩阵，F矩阵满足下述公式：

F＝[R₀U，L，R_QU]

由R₀U产生矩阵F的前k列，Q为预畸变滤波器的记忆长度；

由z＝Fb，利用最小二乘法得到数字线性预畸变系数

满足下述公式：

或者

L是采取Cholesky分解产生一个下三角矩阵，该下三角矩阵L满足下述公式：

LL^H＝F^HF

其中，z为预畸变滤波器滤波器的输出信号，L^H是三角矩阵L的共轭转置矩阵。

在本发明的实施例中，基于Volterra级数的精简模型，通过对功率放大器的输入、输出信号进行预畸变训练和预畸变滤波，可以自适应地改善功率放大器的线性度。经过仿真验证，此数字线性预畸变方法对单载波信号可以改善功放线性度高达15db，而对于高峰均比的多载波信号改善也至少有10db。另外，数字线性预畸变系统星座图指标也有明显改善，经预畸变处理后功率放大器输出的星座图接近于信源的星座图。经测试平台(基于3GPP 25.141协议)验证，结果表明，该方法是改善功率放大器线性度的一种高效方法。

附图说明

图1是本发明实施例提供的数字线性预畸变系统的结构框图；

图2是本发明实施例提供的数字线性预畸变方法的工作流程图；

图3是本发明实施例提供的预畸变浮点仿真功率谱示意图；

图4是本发明实施例提供的24bits定点仿真功率谱示意图；

图5是本发明实施例提供的16bits定点仿真功率谱示意图；

图6是本发明实施例提供的12bits定点仿真功率谱示意图；

图7是本发明实施例提供的数据块的F矩阵的生成过程示意图；

图8是本发明实施例提供的DLP滤波器蝶形结构示意图。

图9是本发明实施例提供的单载波PSD图；

图10是本发明实施例提供的两载波PSD图；

图11是本发明实施例提供的三载波PSD图；

图12是本发明实施例提供的四载波PSD图；

图13是本发明实施例提供的单载波直接经过功放输出的星座示意图，其中矢量误差率(Error Vector Magnitude，EVM)EVM＝7.6164％；

图14是本发明实施例提供的单载波经过预畸变和功放输出的星座示意图，其中EVM＝0.0813％；

图15是本发明实施例提供的两载波直接经过功放输出的星座示意图，其中EVM＝4.6440％；

图16是本发明实施例提供的两载波经过预畸变和功放输出的星座示意图，其中EVM＝0.1361％；

图17是本发明实施例提供的三载波直接经过功放输出的星座示意图，其中EVM＝6.3061％；

图18是本发明实施例提供的三载波经过预畸变和功放输出的星座示意图，其中EVM＝0.5692％；

图19是本发明实施例提供的四载波直接经过功放输出的星座示意图，其中EVM＝7.8442％；

图20是本发明实施例提供的四载波经过预畸变和功放输出的星座示意图，其中EVM＝1.5777％；

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在本发明实施例中，基于Volterra级数的精简模型，通过对功率放大器的输出、输入信号进行预畸变训练和预畸变滤波，可以自适应地改善功率放大器的线性度。

图1示出了本发明实施例提供的数字线性预畸变(Digital Line Processing，DLP)系统的结构，为了便于说明，仅示出了本发明实施例相关的部分。该数字线性预畸变系统包括：预畸变滤波器11、预畸变训练器12、D/A转换器13、上变频器14、功率放大器15、下变频器16、A/D转换器17、加减器18。

预畸变滤波器11用于根据预畸变训练器12计算出的DLP系数

对预畸变滤波器的输入数字基带信号x(n)进行滤波处理，并且根据功率放大器的特征，可动态调整滤波参数以达到最佳滤波效果。

其中，预畸变滤波器11根据预畸变训练器12计算出的DLP系数采用蝶形结构运算，对输入的基带信号x(n)进行滤波处理，并且根据功率放大器的特征，动态调整滤波参数，输出线性度得到改善的信号z(n)。

预畸变训练器12用于对输入信号y(n)进行预畸变训练，并根据预畸变滤波器11的实际输出信号z(n)和z(n)的估计值

之间的误差信号e(n)，利用最小二乘法调整预畸变训练的抽头系数直至算法收敛，得出最终的DLP系数

其中，预畸变训练器12对输入信号y(n)进行预畸变训练，先对该信号进行数据分块，对每个数据块依次构建F矩阵，计算对应的F^HF，然后再利用最小二乘法得到的公式或者计算出预畸变训练器12的抽头系数。将DLP系数

拷贝到预畸变滤波器11中进行预畸变滤波处理，如系统输出满足线性度要求，则结束DLP训练，否则继续进行DLP训练。

D/A转换器13用于实现数模转换。

上变频器14用于实现频率转换。

功率放大器15用于对输入信号进行功率放大。

下变频器16用于实现频率转换。

A/D转换器17用于实现模数转换。

加减器18用于计算预畸变滤波器实际输出信号z(n)和该输出信号的估计值

之间的误差信号e(n)。

图2示出了本发明提供的数字线性预畸变方法的工作流程，在该实现流程中，DLP系统获取功率放大器的输入、输出信号，对该输出信号进行DLP训练，得到DLP系数，再将该系数送入DLP滤波器进行滤波。判断DLP滤波后并送往功率放大器的输出信号是否满足线性化要求，是则结束DLP训练。其具体的实现流程详述如下：

在步骤S201中，获取功率放大器的输入、输出信号。

作为本发明的一个实施例，DLP系统计算功率放大器的输入信号z(n)和输出信号y(n)，并对输出信号y(n)进行归一化处理，即将y(n)归一化到[0，1]间。

此外，作为本发明的一个实施例，在实现DLP训练时，可以采用数字信号处理器(Digital Signal Processor，DSP)，该DSP可以进行浮点运算，但在利用现场可编程门阵列(Field Programmable Gate Array，FPGA)实现时，对DLP训练器的数据y(n)不可能采用无限精度，必须对y(n)进行量化处理，即用有限字长表示。为了体现定点量化对预畸变性能的影响，在DLP训练和滤波阶段引入24、16以及12比特的定点量化，并在计算过程中，进行比特截位以防止乘加操作带来的扩位溢出。考虑到性能和资源占用的问题，在FPGA实现时采用定点16比特量化即可实现DLP线性化的效果。图3至图6示出了本发明实施例提供的数字线性预畸变系统的仿真功率谱，从中可以看出，在采用浮点运算和定点量化进行数字线性预畸变均可以高效改善功率放大器线性度，在使用FPGA实现时，采用定点16比特量化即可实现DLP线性化的效果。

在步骤S202中，构建F矩阵，计算F^HF。

在进行DLP训练时，首先要构建F矩阵。其具体的过程如下：

第一步：根据基于Volterra级数的精简模型，推导得出DLP模型，其模型可以表示为：

$z\left(n\right)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{q=0}{\overset{Q}{\mathrm{\Σ}}}{a}_{\mathrm{kq}}y(n-q){\left|y(n-q)\right|}^{k-1}$

本发明基于Volterra级数的精简模型，提出了有记忆多项式的DLP模型及其正交化结构，具体的推导过程如下：

具有记忆效应的非线性系统，可以用Volterra级数表示为：

$\tilde{z}\left(t\right)=\underset{k}{\mathrm{\Σ}}\∫\·\·\·\∫{\hat{h}}_k\left({\mathrm{\τ}}_K\right)\underset{i=1}{\overset{k}{\mathrm{\Π}}}\tilde{y}(t-{\mathrm{\τ}}_i)d{\mathrm{\τ}}_K---\left(1\right)$

其中，τ_k＝[τ₁，…，τ_k]T，

是K阶Volterra级数的实数部分，在离散时域上，公式(1)可以表示为：

$z\left(n\right)=\underset{k}{\mathrm{\Σ}}\underset{l_1}{\mathrm{\Σ}}\·\·\·\underset{l_{2k+1}}{\mathrm{\Σ}}{h}_{2k+1}(l_1,l_2,\·\·\·,l_{2k+1})\underset{i=1}{\overset{k+1}{\mathrm{\Π}}}y(n-l_i)\underset{i=1}{\overset{2k+1}{\mathrm{\Π}}}{y}^{*}(n-l_i)---\left(2\right)$

当取Volterra级数的对角核时，即l₁＝l₂＝…＝l_2k+1＝1时，h_2k+1(1，…，1)为常数，记为b_pl，则公式(2)可以简化为：

$z\left(n\right)=\underset{p=1}{\overset{P}{\mathrm{\Σ}}}\underset{l=0}{\overset{L-1}{\mathrm{\Σ}}}{b}_{\mathrm{pl}}y(n-l){\left|y(n-l)\right|}^{p-1}---\left(3\right)$

其中，P＝2K+1，P为非线性系统模型的最高阶数，y(n)和z(n)分别为该模型的输入和输出，L为记忆长度，b_pl为系数，这一简化有效地降低了模型的复杂度。

根据上述Volterra级数的简化模型，本发明实施例所提供的DLP模型可表示为：

$z\left(n\right)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{q=0}{\overset{Q}{\mathrm{\Σ}}}{a}_{\mathrm{kq}}y(n-q){\left|y(n-q)\right|}^{k-1}---\left(4\right)$

其中，y(n)和z(n)分别为DLP滤波器的输入和输出信号；Q为预畸变滤波器的记忆长度，a_kq为DLP的抽头系数。

第二步：根据所述DLP模型，构建F矩阵，并计算F^HF，其中F^H为F的共轭转置矩阵。

在DLP训练方法中，对公式(4)的结构进行了基于正交多项式的等效展开，减少数据之间的相关性，进一步提高了DLP的性能。

定义

r_kq(n)＝y(n-q)|y(n-q)|^k-1    (5)

则z＝Ra                      (6)

其中：定义r_kq＝[r_kq(0)，L，r_kq(N-1)]^T，R_q＝[r_1q，L，r_Kq]，R＝[R₀，L，R_Q]。

利用最小二乘法的间接训练方法，可以得到DLP系数：

$\hat{a}={\left(R^{H}R\right)}^{-1}{R}^{H}z---\left(7\right)$

由于公式(5)中的非线性多项式y，y|y|，y|y|²等具有高度相关性，造成R^HR矩阵的条件数特别大，会影响

的准确性和稳定性。为减少这一相关性，改写公式(4)为：

$z\left(n\right)=\underset{k=l}{\overset{K}{\mathrm{\Σ}}}\underset{q=0}{\overset{Q}{\mathrm{\Σ}}}{b}_{\mathrm{kq}}{\mathrm{\ψ}}_k\left(y(n-q)\right)---\left(8\right)$

其中，

$U_{\mathrm{lk}}=\frac{{(-1)}^{l+k}(k+l)!}{(l-1)!(l+1)!(k-1)!}---\left(10\right)$

令F＝[R₀U，L，R_QU]        (11)

则z＝Fb                   (12)

公式(11)所给出的表达式中的F即为F矩阵。

作为本发明的一个实施例，虽然公式(8)中的正交多项式方法，是在复随机信号幅度均匀分布在[0，1]时得到的，但是此方法对于未归一化分布的幅度同样适用。为了充分利用正交多项式的优点，本实施例在进行DLP系统工作时先将y(n)归一化到[0，1]间。

在步骤S203中，计算DLP系数。

由公式(12)，再利用最小二乘法可以得到DLP系数：

$\hat{b}={\left(F^{H}F\right)}^{-1}{F}^{H}z---\left(13\right)$

其中F^H是矩阵F的共轭转置矩阵，可以通过计算F^HF以及F^H的值计算出DLP系数

从公式(8)可以看出，可以采用移位的方法来简化算法。首先由R₀U产生矩阵F的前k列，则F的其他列即为这前k列的移位，又因为F^HF是Hermitian矩阵，为了提高运算的效率，采取Cholesky分解产生一个下三角矩阵L，该下三角矩阵L满足：

LL^H＝F^HF      (14)

将公式(14)代入公式(13)，得到

${\mathrm{LL}}^H\hat{b}=F^{H}z---\left(15\right)$

通过简单的置换，得到DLP系数

作为本发明的一个实施例，例如对长度为38400个码片的每帧WCDMA数据进行DLP训练，那么矩阵F需要占用38400行和K*(Q+1)列，但其随后得到的F^HF却只需占用K*(Q+1)行和K*(Q+1)列。因此在实现时，中间处理过程中的F占用了最多的空间。为了降低空间复杂度，即在RAM里存放较少的数据量，可以对预畸变训练器的输入信号先进行分块，对每个数据块依次构建F矩阵，计算对应的F^HF。

例如，假设将38400个码片分为20个数据块，每块均有1920个码片(在实际应用时，可以按照RAM的具体占用情况来灵活设定每个块的大小)，再分别对每个数据块执行DLP训练，得到的F都占用了1920行和K*(Q+1)列，因此此时占用RAM的最大空间从原来的38400*K*(Q+1)降低到了1920*K*(Q+1)，大大降低了空间的占用率。

图7示出了本发明实施例提供的数据块的F矩阵生成过程，其中，方块A表示每行中的第1，L，K列数据，B表示每行中的第K+1，L，2K列数据，......。B＝0表示该方块中的所有数据为0。A→B中的箭头表示：利用r_kq(n)＝y(n-q)|y(n-q)|^k-1得到方块A中的数据后，直接复制便可得到方块B中的数据。通过对数据进行分块计算DLP系数的具体实现步骤如下：

第一步：计算第一个数据块的F矩阵及对应的F^HF。

输入第一个数据块。由r_kq(n)＝y(n-q)|y(n-q)|^k-1可以看出，矩阵F每一行的第[jK+1，L，(j+1)K]列数据等于前一行中的第[(j-1)K+1，L，jK]列数据，这里j＝1，L，Q，而第i＝1，L，Q行中的第[iK+1，L，(Q+1)K]列数据，全部等于0，因此对于第一个数据块，只需要计算第1列到第K列的数据，便可得到第一个数据块的矩阵F，计算对应的Ft＝F^HF。该数据块其它列的数据可由该K列数据直接复制得到，节省了实现的逻辑。

第二步：计算第二个数据块的F矩阵及对应的F^HF。

输入第二个数据块，此时仍只需计算第1列到第K列的数据，再利用复制的方法得到其他列的数据，而其中i＝1，L，Q行中的第[iK+1，L，(Q+1)K]列数据，可由第一个数据块对应F的最后Q行数据复制得到，此时利用新的F更新Ft＝Ft+F^HF。

第三步：计算其它数据块的F矩阵及对应的F^HF。

输入其它数据块，得到其对应F的方法类似于第二个数据块，每次得到F后，都对Ft进行更新。

第四步：如预畸变训练是每帧数据进行一次，那么应对每帧数据都计算F矩阵及对应的F^HF。

等每帧中的最后一个数据块计算完毕，Ft也得到更新后，此时的Ft就等于将该帧38400个码片直接计算得到的F^HF，大大降低了空间的占用率。利用LL^H＝F^HF得到Cholesky算法分解后对应的下三角矩阵L。

第五步：计算DLP的系数。

$\hat{b}=F^{H}z/L/L^H$

在步骤S204中，根据DLP训练所得到的DLP系数，利用公式(8)进行预畸变滤波。

根据DLP训练得到的DLP系数，利用公式(8)进行非线性的DLP滤波。作为本发明的一个实施例，图8示出了本发明实施例提供的蝶形运算结构，详述如下：

在WCDMA系统中，根据数据速率和DLP系统的性能，对于载波数小于等于4的情况，可以取[K，Q]＝[5，2]，则：

z(n)＝b₁₀ψ₁(y(n))+b₁₁ψ₁(y(n-1))+b₁₂ψ₁(y(n-2))

+b₂₀ψ₂(y(n))+b₂₁ψ₂(y(n-1))+b₂₂ψ₂(y(n-2))

+b₃₀ψ₃(y(n))+b₃₁ψ₃(y(n-1))+b₃₂ψ₃(y(n-2))                             (13)

+b₄₀ψ₄(y(n))+b₄₁ψ₄(y(n-1))+b₄₂ψ₄(y(n-2))

+b₅₀ψ₅(y(n))+b₅₁ψ₅(y(n-1))+b₅₂ψ₅(y(n-2))

其中，

ψ₁(y(n))＝y(n)                                                             (14)

ψ₂(y(n))＝-3y(n)+4y(n)|y(n)|                                               (15)

ψ₃(y(n))＝6y(n)-20y(n)|y(n)|+15y(n)|y(n)|²                                 (16)

ψ₄(y(n))＝-10y(n)+60y(n)|y(n)|-105y(n)|y(n)|²+56y(n)|y(n)|³                (17)

ψ₅(y(n))＝15y(n)-140y(n)|y(n)|+420y(n)|y(n)|²-504y(n)|y(n)|³+210y(n)|y(n)|⁴(18)

公式(10)所对应的正交多项式系数如下表所示：

ψ1	u11＝1
						ψ2	u12＝-3	u22＝4
ψ3	u13＝6	u23＝-20	u33＝15
						ψ4	u14＝-10	u24＝60	u34＝-105	u44＝56
ψ5	u15＝15	u25＝-140	u35＝420	u45＝-504	u55＝210

在步骤S205中，判断功率放大器的输出信号是否满足线性化要求，是则执行步骤S206，否则执行步骤S201。

判断经DLP滤波处理后并经过功率放大器的输出信号是否满足线性化要求，是则执行步骤S206，否则执行步骤S201。图9至图12示出了本发明实施例提供的数字线性预畸变系统的PSD指标，经过仿真验证，此数字线性预畸变方法对单载波信号可以改善功率放大器线性度高达15db，而对于高峰均比的多载波信号改善也至少有10db。图13至图20示出了本发明实施例提供的数字线性预畸变系统的星座图指标，从中可以看出，星座图指标也有明显改善，经预畸变后功率放大器输出的星座图接近于信源的星座图。

在步骤S206中，结束DLP训练。

在本发明实施例中，基于Volterra级数的精简模型，通过对功率放大器的输出、输入信号进行预畸变训练和预畸变滤波，可以自适应地改善功率放大器的线性度。DLP系统在通过FPGA实现时，采用16比特定点量化，从图3至图6可以看出，采用16比特定点量化进行定点量化即可获得较好的DLP效果，而无需采用占用资源更多的24比特量化。另外，在进行DLP训练时利用对数据分块计算F矩阵的方法，每次只需反复利用RAM中的1920*K*(Q+1)个空间，与原来的38400*K*(Q+1)相比，大大减少了空间资源的占用率；并且只需计算前K列数据，再利用数据块复制的方法得到其它列的数据，可以大大减少逻辑资源的使用率，并提高DLP实现的速度。最后，在进行DLP滤波时采用蝶形结构，大大简化了计算的复杂度，便于硬件实现，提高了DLP效率。图9至图12示出了本发明实施例提供的数字线性预畸变系统的PSD指标，经过仿真验证，此数字线性预畸变方法对单载波信号可以改善功率放大器线性度高达15db，而对于高峰均比的多载波信号改善也至少有10db。图13至图20示出了本发明实施例提供的数字线性预畸变系统的星座图指标，从中可以看出，星座图指标也有明显改善，经预畸变后功率放大器输出的星座图接近于信源的星座图。经测试平台(基于3GPP 25.141协议)验证，结果表明，该数字线性预畸变方法是改善功率放大器线性度的一种高效方法。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种数字化线性预畸变方法，其特征在于，所述方法包括下述步骤：

获取功率放大器的基带输入、输出信号；

对所述输出信号进行数字线性预畸变训练，计算数字线性预畸变系数；

根据所述数字线性预畸变系数，进行预畸变滤波；

判断所述功率放大器的输出信号是否满足线性化要求，是则结束数字线性预畸变训练；

所述对所述输出信号进行数字线性预畸变训练，计算数字线性预畸变系数的步骤具体为：

根据基于Volterra级数的精简模型，推导得出数字线性预畸变模型；

根据所述数字线性预畸变模型，构建F矩阵，计算F^HF，其中F^H为F的共轭转置矩阵，F矩阵满足下述公式：

F＝[R₀U，L，R_QU]

由R₀U产生矩阵F的前k列，Q为预畸变滤波器的记忆长度；

由z＝Fb，利用最小二乘法得到数字线性预畸变系数 

满足下述公式：

z为预畸变滤波器的输出信号。

2.如权利要求1所述的方法，其特征在于，对所述输出信号进行数字线性预畸变训练，计算数字线性预畸变系数的步骤之前，所述方法还包括：

对功率放大器的输出信号进行归一化处理。

3.如权利要求1所述的方法，其特征在于，对所述输出信号进行数字线性预畸变训练，计算数字线性预畸变系数的步骤之前，所述方法还包括：

在利用现场可编程门阵列实现数字线性预畸变时，对功率放大器的输出信号采用定点16比特量化。

4.如权利要求1所述的方法，其特征在于，所述利用最小二乘法得到数字线性预畸变系数 满足下述公式： 

其中， 为数字线性预畸变系数，F^H是矩阵F的转置矩阵，z是预畸变滤波器的输出信号，L是采取Cholesky分解产生一个下三角矩阵，该下三角矩阵L满足下述公式：

LL^H＝F^HF

其中，L^H是三角矩阵L的共轭转置矩阵。

5.如权利要求1所述的方法，其特征在于，根据所述数字线性预畸变系数，进行预畸变滤波的步骤具体满足下述公式：

其中，z(n)为预畸变滤波器的输出信号，y(n)为预畸变训练器的输入信号，b_kq为预畸变训练器的抽头系数， 

其中，

6.如权利要求5所述的方法，其特征在于，所述根据所述数字线性预畸变系数，进行预畸变滤波的步骤具体为：

采用蝶形运算结构进行预畸变滤波。

7.一种数字化线性预畸变系统，其特征在于，所述系统包括：

预畸变滤波器，用于根据预畸变训练器计算出的数字线性预畸变系数，对预畸变滤波器的输入数字基带信号进行滤波处理，并且根据功率放大器的特征，动态调整滤波参数以达到最佳滤波效果；

预畸变训练器，用于对预畸变训练器的输入信号进行预畸变训练，并根据预畸变滤波器的实际输出信号和该输出信号的估计值之间的误差信号，利用最小二乘法调整预畸变训练的抽头系数直至算法收敛，获取最终的数字线性预畸变系数；

所述预畸变训练器获取最终的数字线性预畸变系数的步骤具体为： 

根据基于Volterra级数的精简模型，推导得出数字线性预畸变模型；

根据所述数字线性预畸变模型，构建F矩阵，计算F^HF，其中F^H为F的共轭转置矩阵，F矩阵满足下述公式：

F＝[R₀U，L，R_QU]

由R₀U产生矩阵F的前k列，Q为预畸变滤波器的记忆长度；

由z＝Fb，利用最小二乘法得到数字线性预畸变系数 

满足下述公式：

或者 

L是采取Cholesky分解产生一个下三角矩阵，该下三角矩阵L满足下述公式：

LL^H＝F^HF

其中，z为预畸变滤波器的输出信号，L^H是三角矩阵L的共轭转置矩阵。

8.如权利要求7所述的系统，其特征在于，所述系统还包括：

D/A转换器，用于实现数模转换；

上变频器，与所述D/A转换器连接，用于实现频率转换；

功率放大器，与所述上变频器连接，用于对输入信号进行功率放大；

下变频器，与所述功率放大器连接，用于实现频率转换；

A/D转换器，连接于所述下变频器和所述预畸变训练器之间，用于实现模数转换；

加减器，连接于所述预畸变滤波器和所述预畸变训练器之间，用于计算所述预畸变滤波器实际输出信号z(n)和该输出信号的估计值 

之间的误差信号e(n)。

9.如权利要求7所述的系统，其特征在于，所述预畸变滤波器对输入数字基带信号采用蝶形运算结构进行预畸变滤波。 

Images