CN101789920B - 一种实现自适应预失真功放线性化的方法和系统 - Google Patents

Abstract

本发明涉及一种实现自适应预失真功放线性化的方法和系统；该系统包括OFDM基带信号模块、自适应数字预失真模块、DAC、射频发射机、PA、天线、定向耦合器、射频接收机和ADC；所述自适应数字预失真模块还包括混合自适应算法引擎，用于根据期望信号和ADC的反馈信号利用RLS和PSO自适应算法产生数字预失真器的校正系数，并将该校正系数发送给所述数字预失真器；其中，所述期望信号为所述数字预失真器输出的基带信号。采用本发明的方法和系统，可以加速收敛速度，提高收敛精度，同时还可以降低系统成本。

Description

一种实现自适应预失真功放线性化的方法和系统

技术领域

本发明涉及无线通信技术领域，尤其涉及一种混合式的实现快速自适应数字预失真功放线性化的方法和系统。

背景技术

随着通信技术的发展，运营商越来越关注降低CAPEX(建设成本)和OPEX(维护成本)。由于宽带射频功率放大器(Power Amplifier，PA)是基站中最昂贵且功耗最大的非线性组件，因而面对射频信号的大带宽、高峰均比(Peak-to-Average Power Ratio，PAPR)，宽带射频功率放大器的高线性和高效率是急待解决的技术难题。

针对上述问题，目前普遍的做法是引入了自适应数字预失真技术(DigitalPre-Distortion，DPD)，通过自适应算法对数字预失真的参数进行调整；自适应算法需要解决的核心问题：由于功放失真特性环境的变化是一种慢变化，因此自适应算法不必是实时的；自适应算法关键在于所提取的失真量一般只有几个，而预失真处理参数常有很多个，因此要考虑如何建立各预失真处理参数对失真量的贡献权重模型，从而得到使失真量收敛的调整方向；自适应算法的优劣将直接影响数字预失真器的性能。

常用的自适应算法可以分成两大类：自适应滤波算法和智能算法；其中，自适应滤波算法简单易懂、收敛速度快、实现容易，但精度不高；其主要包括最小均方算法(Least Mean Square，LMS)和递归最小二次方算法(Recursive Least Square，RLS)、正交三角分解-递推最小二乘(QRDecomposition based Recursive Least Squares，QRD-RLS)算法、QRD-RLS+NLMS组合算法和RLS+LMS组合算法等；而这些自适应预失真算法属于宽带算法，其中LMS算法是应用最为广泛的自适应最优化算法，其是基于最小均方误差准则(MMSE)的维纳滤波器和最陡下降法提出的：按照最陡下降算法的思想，在n+1时的权向量更新值可以通过简单的递归关系来计算：

$W(n+1)=W\left(n\right)-\frac{1}{2}\mathrm{\μ}\▿\left\{E\right[e^2\left(n\right)\left]\right\}$

则W(n+1)＝W(n)+μ(r_xd-R_xxW)，其中， ${\hat{R}}_{\mathrm{xx}}=X\left(n\right)X^H\left(n\right),$ ${\hat{r}}_{\mathrm{xd}}=X\left(n\right)d^{*}\left(n\right),$ 则权矢量更新公式：W(n+1)＝W(n)+μX(n)e^*(n)，其中，μ是常量，用于控制随机权向量W(n)的收敛特性，且0＜μ＜Trace(R_xx)；最小均方算法的主要优点是可以稳定收敛，而且结构简单，实现方便；对逐个样本进行更新，当信道环境的统计特征平稳且未知时，逐个样本更新的算法可以很好的工作；但其缺点也很明显，即其收敛特性依赖于输入信号的自相关矩阵的特征结构，当特征值散布范围较大时，算法收敛速度很慢。

基于上述算法，现有技术中存在一种宽带自适应数字预失真功放系统，参见图1所示，该自适应数字预失真功放系统包括OFDM基带信号模块101、自适应数字预失真模块102、DAC(数模转换器)103、射频发射机104和PA 105、天线106、定向耦合器107、射频接收机108和ADC(模数转换器)109；其中，OFDM基带信号模块101对来自上层的数据进行OFDM调制，生成OFDM基带IQ数据；自适应数字预失真模块102包括信号预处理模块102a、数字预失真器102b和预失真自适应算法引擎102c；其中信号预处理模块102a主要对OFDM基带信号模块101传来的基带下行IQ数据进行接入，实现数字上变频处理和峰值削波处理；数字预失真器102b经过信号预处理模块的数字信号进行预失真，产生与PA 105的非线性特性相反的曲线，将已产生的预失真发射信号送给DAC103，同时接收经过功放耦合107反馈回来的数字中频信号；宽带自适应算法引擎102c主要实现自适应算法，产生数字预失真器的校正系数，该自适应算法为宽带自适应算法，如LMS算法等；DAC106对数字预失真器处理后的预失真信号进行数模转换并输出一个零中频的基带信号；射频发射机104将对零中频信号经过模拟正交调制(AQM)到射频频段，然后射频放大，滤波后输出下行射频信号到PA105；PA105进行功率放大后送给天线106输出；射频接收机108将对经过PA105放大后通过定向耦合器107耦合部分的射频信号功率能量，然后进行RF下变频处理和中频滤波，中频放大后送给ADC109进行模数转换，最后传输到自适应数字预失真模块中的预失真自适应算法引擎作为反馈输入信号；宽带ADC109主要对模拟中频信号进行模数转换。显然，上述适应于宽带的自适应数字预失真系统不但收敛精度不高，而且由于ADC为宽带高采样器件，其成本较高。

另一类的智能算法需要经过反复迭代、测试、比较，虽然其可得到精确的全局最优解，但耗时和计算量大；其中主要包括遗传算法和神经网络算法等，其中遗传算法是一种抽象于生物进化过程的基于自然选择和生物遗传机制的优化技术，而这些自适应预失真算法属于窄带算法，普遍采用窄带ADC。

如现有的窄带自适应数字预失真功放系统，参见图2所示；该自适应数字预失真功放系统中多个模块的工作方式与图1所示的上述系统相同；不同的是，智能自适应算法引擎102d主要通过窄带自适应算法产生数字预失真器的校正系数，具体的是采用遗传算法：首先对可行域中的点进行编码(一般采用二进制编码)，然后在可行域中随机挑选一些编码组成作为进化起点的第一代编码组，并计算每个解的目标函数值，也就是编码的适应度；利用选择机制从编码组中随机挑选编码作为繁殖过程前的编码样本，其中选择机制应保证适应度较高的解能够保留较多的样本，而适应度较低的解则保留较少的样本，甚至被淘汰；然后提供交叉和变异两种算子对挑选后的样本进行交换，交叉算子交换随机挑选的两个编码的某些位，变异算子则直接对一个编码中的随机挑选的某一位进行反转，这样通过选择和繁殖就产生了下一代编码组；重复上述选择和繁殖过程，直到结束条件得到满足为止，进化过程最后一代中的最优解就是用遗传算法解最优化问题所得到的最终结果。但是，虽然该系统采用的ADC10A为窄带器件，降低了成本，但是其采用窄带自适应算法收敛速度较慢，并且不能应用于宽带环境下，无法满足高带宽下数字预失真的要求。

发明内容

有鉴于此，本发明提供了一种实现自适应预失真功放线性化的方法和系统，能够满足预失真系统对带宽的要求，提高了系统性能，并可降低系统设计成本。

为解决上述问题，本发明提供的技术方案如下：

一种实现自适应预失真功放线性化的系统，包括OFDM基带信号模块、由信号预处理模块和数字预失真器组成的自适应数字预失真模块、数模转换器、射频发射机、宽带射频功率放大器、天线、定向耦合器、射频接收机和模数转换器ADC；所述自适应数字预失真模块还包括：混合自适应算法引擎，用于根据期望信号和ADC的反馈信号利用RLS和PSO(Particle SwarmOptimization，粒子群优化)自适应算法产生数字预失真器的校正系数，并将该校正系数发送给所述数字预失真器；其中，所述期望信号为所述数字预失真器输出的基带信号。

一种实现自适应预失真功放线性化的方法，包括：

根据期望信号和反馈信号计算出误差矢量；所述期望信号为数字预失真器输出的基带信号；

通过将所述误差矢量与误差阈值进行比较确定最佳的自适应模式；

若所述误差矢量的最大值不大于与误差阈值，则直接调用RLS自适应算法计算出数字预失真器的校正系数；否则，先调用PSO自适应算法，获得数字预失真器系数的初始权重，再利用该初始权重调用RLS自适应算法得到数字预失真器的校正系数；

将得到的数字预失真器的校正系数发送给所述数字预失真器。

可以看出，采用本发明方法和系统，结合RLS和PSO两种自适应算法，基于误差矢量进行模式判据来选择自适应模式，若环境平稳，其直接切换RLS算法，否则，通过PSO算法进行慢收敛后切换到RLS算法进行快收敛，从而可以加速收敛速度，提高收敛精度；同时，由于系统中的反馈回路只需要低成本ADC，即窄带器件即可达到同样的DPD性能，从而降低了系统设计成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是传统宽带自适应数字预失真功放系统示意图；

图2是传统窄带自适应数字预失真功放系统示意图；

图3是本发明实施例1系统的结构组成示意图；

图4是本发明实施例2系统中混合自适应算法引擎的结构组成示意图；

图5是本发明实施例3方法流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例1提供了一种实现自适应预失真功放线性化的系统，如图3所示，该系统300包括：OFDM基带信号模块101、自适应数字预失真模块102、DAC103、射频发射机104和PA105、天线106、定向耦合器107、射频接收机108和ADC109A；其中，

OFDM基带信号模块101对来自上层的数据进行OFDM调制，生成OFDM基带IQ数据；自适应数字预失真模块102接收经过功放耦合107反馈回来的数字中频信号，其包括信号预处理模块102a和数字预失真器102b；其中信号预处理模块102a主要对OFDM基带信号模块101传来的基带下行IQ数据进行接入，实现数字上变频处理和峰值削波处理；数字预失真器102b将经过信号预处理模块102a的数字信号进行预失真，产生与PA105的非线性特性相反的曲线，将已产生的预失真发射信号送给DAC103；DAC106对数字预失真器102b处理后的预失真信号进行数模转换并输出一个零中频的基带信号；射频发射机104将零中频信号经过模拟正交调制到射频频段，然后射频放大，滤波后输出下行射频信号到PA105；PA105进行功率放大后送给天线106输出；射频接收机108将对经过PA105放大后通过定向耦合器107耦合部分的射频信号功率能量，然后进行RF下变频处理和中频滤波，中频放大后送给ADC109A进行模数转换；ADC109A主要对模拟中频信号进行模数转换；

值得注意的是，上述本发明实施例提出的系统中包含的部分模块与传统自适应数字预失真功放系统中的各模块相同，在此不再赘述；但为了提高系统收敛速度和精度、同时降低系统的设计成本，本发明实施例1提出该系统中的自适应数字预失真模块102还包括混合自适应算法引擎102e，用于根据期望信号和ADC109A的反馈信号利用自适应算法产生数字预失真器102b的校正系数，并将该校正系数发送给所述数字预失真器102b；其中，所述期望信号为所述数字预失真器102b输出的基带信号；该自适应算法是混合式的快速自适应数字预失真算法：主要基于误差矢量进行模式判据来选择自适应模式，若环境平稳，其直接切换RLS算法；否则，通过PSO算法进行慢收敛后获得先验知识切换到RLS算法进行快收敛结合；其中，所述粒子群算法PSO是目前常用的一种新型智能计算方法，它的基本思想是模拟生物界的鸟群觅食和鱼群觅食现象，通过模拟这些群体智能行为而对问题的求解空间进行全局搜索，最终找到全局最优解；相较于其他算法，该粒子群算法结构简单，运行速度快，计算量小，需要调准的参数少，更加容易实现，运行效率更高，能够更快地得到令人满意的求解结果，本实施例即是利用PSO算法对整个参数空间进行高效并行搜索以获得参数的最优化。除此之外，所述ADC109A为窄带器件，以此来降低所述实现自适应预失真功放线性化系统的成本。

此外，在上述实施例的基础上，本发明实施例2也提出了一种实现自适应预失真功放线性化的系统，其基本结构与上述系统类似，不同之处在于，如图4所示，该系统中的混合自适应算法引擎102e还包括：误差计算模块401、模式选择模块402、两个RLS自适应模块403和PSO自适应模块404；其中，

所述误差计算模块401用于根据期望信号z(n)和反馈信号b(n)计算出误差矢量e(n)，即将期望信号与反馈信号作比较，从而得到两者的误差矢量；其中，期望信号z(n)是所述数字预失真器输出的基带信号，记为z(n)；误差矢量通过下列公式计算：e(n)＝z(n)-C_k，qb(n)，其中e(n)为误差矢量的值，b(n)为反馈信号，z(n)为期望信号，C_k，q为预失真滤波器的系数，K是数字预失真器模型的阶数，Q是数字预失真器记忆效应长度；然后将得到的误差矢量e(n)通知给所述模式选择模块402；

所述模式选择模块402用于将所述误差矢量e(n)与误差阈值d_th进行比较来选择最佳的自适应模式；具体的，若‖e(n)‖≤d_th，则可确定属于功放工作平稳状态，直接调用一RLS自适应模块，以提高收敛速度，此时称为RLS自适应模式；若‖e(n)‖＞d_th，则可确定属于环境变化状态，先启动PSO自适应模块，再调用另一RLS自适应模块加速收敛，此时称为PSO/RLS联合自适应模式，而此种PSO/RLS联合自适应模式可以在保证速度的前提下，提高收敛精度，有效防止环境变化时DPD功放系统性能的下降；

所述RLS自适应模块403用于基于RLS自适应算法利用误差矢量或PSO自适应模块404发送的预失真系数的初始权重计算出数字预失真器102b的校正系数，并发送给所述数字预失真器102b；具体的，首先通过下列公式计算卡尔曼增益因子； $k\left[n\right]=R_{\mathrm{xx}}^{-1}\left[n\right]x\left[n\right],$ 再根据下列公式更新滤波器的逆自相关矩阵；

$R_{\mathrm{xx}}^{-1}\left[n\right]=\frac{1}{p}\left(R_{\mathrm{xx}}^{-1}\right[n-1]+\frac{k\left[n\right]k^T\left[n\right]}{p+b^T\left[n\right]k\left[n\right]})$

其中，p为遗忘因子，其取值满足0＜p＜1；根据下列公式更新数字预失真器102b的校正系数；C_k，q[n]＝C_k，q[n-1]+k[n]e[n]，输出优化后的预失真系数Ck，q，(k＝1，2…K，q＝1，2…Q)给数字预失真器102b；

所述PSO自适应模块404用于基于PSO自适应算法计算出数字预失真系数，并发送给所述RLS自适应模块403；

具体实施时，所述PSO自适应模块404还可包括：初始化单元、更新单元、判断单元和发送单元；其中，

所述初始化单元用于初始化PSO算法的各参数，并在建立第一代粒子群后，随机初始化各粒子的位置与速度，根据每个粒子的当前位置，利用下式计算出粒子的适应度：min(ACP)＝10^{(IM1-IM3L)/20}+10^{(IM1-IM3H)/20}，其中，IM1表示信号功率，IM3L表示低端3阶互调分量，IM3H表示高端3阶互调分量；其中所述建立的第一代粒子群包括群体大小、参数维数、惯性权重等；

所述更新单元用于根据下式更新所述初始化单元初始化的每个粒子的速度与位置：

x_id(t+1)＝x_id(t)+v_id(t+1)

i＝1，2…，M，d＝1，2…，D；其中，t为迭代次数，ω为惯性权重，M表示粒子数，D表示搜索空间的维数，P_id表示第i个粒子的最佳位置，P_id(t)表示粒子在第t次迭代中第d维的个体极值点的位置；此外，v_id(t)表示群体中粒子第i个粒子在第t次迭代中第d维的速度向量，v_id(t+1)表示群体中粒子第i个粒子在第t+1次迭代中第d维的速度向量，x_id(t)是粒子i在第t次迭代中第d维的当前位置，x_id(t+1)是粒子i在第t+1次迭代中第d维的当前位置以及P_gd(t)表示整个群体在第t次迭代中第d维的全局极值点的位置；其中收敛因子K的计算表达式为

而权重因子

在搜索算法中以一定速率从大到小变化，和

取值分别为2.8和1.3，rand()是随机数发生器，产生在(0，1)之间均匀分布的随机数；

所述判断单元用于指示所述更新单元重新计算粒子适应度，并判断是否更新粒子的个体极值p_best和粒子群的全局极值g_best；

所述发送单元用于当所述更新单元的更新操作达到预先设定的迭代次数或满足ACP(相邻信道泄露功率)功率电平最小要求时，输出g_best，粒子所代表的参数值作为PSO算法得到的最优解，也即就得到预失真系数C_k，q(PSO)，(k＝1，2…K，q＝1，2…Q)；并将完成收敛后将所述预失真系数发送给所述RLS自适应模块403，以使所述RLS自适应模块选取经过PSO算法收敛后的预失真系数作为初始权重计算出数字预失真器102b的校正系数，其中，C_k，q(0)＝C_k，q(PSO)，k＝1，2…K，q＝1，2…Q， $R_{\mathrm{XX}}^{-1}\left(0\right){=\mathrm{\δ}}^{-1}I,$ δ是较小的正实数。

当然，本领域技术人员应能理解，前述的OFDM基带信号模块101、DAC103、射频发射机104和PA105、天线106、定向耦合器107、射频接收机108和ADC109A均可以采用传统数字预失真功放系统中的相应器件，其位于本发明实施例系统中的位置结构及其实现的功能与传统系统相同或类似，在此不再赘述。

可以看出，采用本发明实施例的系统，结合RLS和PSO两种自适应算法，基于误差矢量进行模式判据来选择自适应模式，若环境平稳，其直接切换RLS算法，否则，通过PSO算法进行慢收敛后切换到RLS算法进行快收敛，从而可以加速收敛速度，提高收敛精度；同时，由于系统中的反馈回路只需要低成本ADC，即窄带器件即可达到同样的DPD性能，从而降低了系统设计成本。

基于上述思想，本发明实施例3又提出了一种实现自适应预失真功放线性化的方法，如图5所示，该方法包括：

步骤501：根据期望信号z(n)和反馈信号b(n)计算出误差矢量e(n)，即将期望信号与反馈信号作比较，从而得到两者的误差矢量；其中，期望信号是所述数字预失真器输出的基带信号，记为z(n)；

具体的，首先建立自适应预失真模型：

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

其中C_k，q，(k＝1，2…K，q＝1，2…Q)代表预失真滤波器的校正系数，x(n)是数字预失真器模型的输入，z(n)表示数字预失真器模型的输出，K是数字预失真器模型的阶数，Q是数字预失真器记忆效应长度；

然后设定ACP的初始电平大小，用两个单音信号测量功放的P_1dB特性；

再利用下列公式计算误差矢量：e(n)＝z(n)-C_k，qb(n)，其中e(n)为误差矢量的值，b(n)为反馈信号，z(n)为期望信号，C_k，q为预失真滤波器的系数；

步骤502：通过将所述误差矢量e(n)与误差阈值d_th进行比较确定最佳的自适应模式；

步骤503：若‖e(n)‖≤d_th，则可确定属于功放工作平稳状态，直接调用RLS自适应算法计算数字预失真器的校正系数，以提高收敛速度，此时称为RLS自适应模式；具体的，首先通过下列公式计算卡尔曼增益因子； $k\left[n\right]=R_{\mathrm{xx}}^{-1}\left[n\right]x\left[n\right],$ 再根据下列公式更新滤波器的逆自相关矩阵；

$R_{\mathrm{xx}}^{-1}\left[n\right]=\frac{1}{p}\left(R_{\mathrm{xx}}^{-1}\right[n-1]+\frac{k\left[n\right]k^T\left[n\right]}{p+b^T\left[n\right]k\left[n\right]})$

其中，p为遗忘因子，其取值满足0＜P＜1；根据下列公式更新数字预失真器102b的校正系数；C_k，q[n]＝C_k，q[n-1]+k[n]e[n]，输出优化后的预失真系数C_k，q，(k＝1，2…K，q＝1，2…Q)给数字预失真器；

步骤504：若‖e(n)‖＞d_th，则可确定属于环境变化状态，先调用PSO自适应算法，获得数字预失真器的校正系数的初始权重，再利用所述初始权重调用RLS自适应算法计算得到所述数字预失真器的校正系数，以加速收敛，此时称为PSO/RLS联合自适应模式，而此种PSO/RLS联合自适应模式可以在保证速度的前提下，提高收敛精度，有效防止环境变化时DPD功放系统性能的下降；具体的，包括以下步骤：

A、初始化PSO算法的各参数，并建立第一代的粒子群，包括群体大小、参数维数、惯性权重等；随机初始化各粒子的位置与速度，根据每个粒子的当前位置，利用下式计算出粒子的适应度：min(ACP)＝10^{(IM1-IM3L)/20}+10^{(IM1-IM3H)/20}，其中，IM1表示信号功率，IM3L表示低端3阶互调分量，IM3H表示高端3阶互调分量；

B、再根据下式更新每个粒子的速度与位置：

x_id(t+1)＝x_id(t)+v_id(t+1)

i＝1，2…，M，d＝1，2…，D；其中，t为迭代次数，ω为惯性权重，M表示粒子数，D表示搜索空间的维数，P_id表示第i个粒子的最佳位置，p_id(t)表示粒子在第t次迭代中第d维的个体极值点的位置；此外，v_id(t)表示群体中粒子第i个粒子在第t次迭代中第d维的速度向量，v_id(t+1)表示群体中粒子第i个粒子在第t+1次迭代中第d维的速度向量，x_id(t)是粒子i在第t次迭代中第d维的当前位置，x_id(t+1)是粒子i在第t+1次迭代中第d维的当前位置以及P_gd(t)表示整个群体在第t次迭代中第d维的全局极值点的位置；其中收敛因子K的计算表达式为

而权重因子

在搜索算法中以一定速率从大到小变化，和

取值分别为2.8和1.3，rand()是随机数发生器，产生在(0，1)之间均匀分布的随机数；

C、重新计算粒子适应度，判断是否更新粒子的个体极值P_best和粒子群的全局极值g_best；

D、重复步骤B和C，直到达到预先设定的迭代次数或满足ACP电平最小要求为止；输出g_best，粒子所代表的参数值就是PSO算法得到的最优解，也即就得到预失真系数C_k，q(PSO)，(k＝1，2…K，q＝1，2…Q)；

E、完成收敛后将所述预失真系数发送给所述RLS自适应模块403，以使所述RLS自适应模块选取经过PSO算法收敛后的预失真系数作为初始权重计算出数字预失真器102b的校正系数C_k，q，(k＝1，2…K，q＝1，2…Q)，其中，C_k，q(0)＝C_k，q(PSO)，k＝1，2…K，q＝1，2…Q， $R_{\mathrm{XX}}^{-1}\left(0\right)={\mathrm{\δ}}^{-1}I,$ δ是较小的正实数。

步骤505：然后将得到的数字预失真器的校正系数C_k，q，(k＝1，2…K，q＝1，2…Q)发送给所述数字预失真器，完成数字预失真功放的线性化操作。

本领域技术人员可以理解，可以使用许多不同的工艺和技术中的任意一种来表示信息、消息和信号。例如，上述说明中提到过的消息、信息都可以表示为电压、电流、电磁波、磁场或磁性粒子、光场或以上任意组合。

专业人员还可以进一步应能意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

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、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种实现自适应预失真功放线性化的系统，包括OFDM基带信号模块、由信号预处理模块和数字预失真器组成的自适应数字预失真模块、数模转换器、射频发射机、宽带射频功率放大器、天线、定向耦合器、射频接收机和模数转换器ADC；其特征在于，所述自适应数字预失真模块还包括混合自适应算法引擎，所述混合自适应算法引擎包括：误差计算模块、模式选择模块、RLS自适应模块和PSO自适应模块；其中，

所述误差计算模块用于根据期望信号和反馈信号计算出误差矢量，并将所述误差矢量通知给所述模式选择模块；其中，所述期望信号为所述数字预失真器输出的基带信号；

所述模式选择模块用于将所述误差矢量的模值与误差阈值进行比较；若所述误差矢量的模值最大值不大于误差阈值，则直接调用RLS自适应模块；否则先启动PSO自适应模块，再调用RLS自适应模块；

所述RLS自适应模块用于基于RLS自适应算法利用误差矢量或PSO自适应模块发送的预失真系数初始权重计算出数字预失真器的校正系数，并发送给所述数字预失真器；

所述PSO自适应模块用于基于PSO自适应算法计算出数字预失真系数的初始权重，并发送给所述RLS自适应模块。

2.根据权利要求1所述的系统，其特征在于，所述PSO自适应模块包括：初始化单元、更新单元、判断单元和发送单元；其中，

所述初始化单元用于初始化PSO算法的各参数，并在建立第一代粒子群后随机初始化各粒子的位置与速度，根据每个粒子的当前位置计算出粒子的适应度；

所述更新单元用于更新所述初始化单元初始化的粒子的速度与位置；

所述判断单元用于指示所述更新单元重新计算粒子适应度，并判断是否更新粒子的个体极值和粒子群的全局极值；

所述发送单元用于当所述更新单元的更新操作达到预设的迭代次数或满足相邻信道泄露功率电平最小要求时，输出粒子群的全局极值预失真系数的初始权重，并发送给所述RLS自适应模块。

3.根据权利要求1或2所述的系统，其特征在于：所述ADC为窄带器件。

4.一种实现自适应预失真功放线性化的方法，其特征在于，该方法包括：

根据期望信号和反馈信号计算出误差矢量；所述期望信号为数字预失真器输出的基带信号；

通过将所述误差矢量与误差阈值进行比较确定最佳的自适应模式；

若所述误差矢量的模值最大值不大于误差阈值，则直接调用RLS自适应算法计算出数字预失真器的校正系数；否则，先调用PSO自适应算法，获得数字预失真器系数的初始权重，再利用该初始权重调用RLS自适应算法得到数字预失真器的校正系数；

将得到的数字预失真器的校正系数发送给所述数字预失真器。

5.根据权利要求4所述的方法，其特征在于，通过以下方式得到误差矢量：

建立自适应预失真模型并设定相邻信道泄露功率的初始电平大小；

利用下列公式计算误差矢量：e(n)＝z(n)-C_k，qb(n)，其中e(n)为误差矢量，b(n)为反馈信号，z(n)为期望信号，C_k，q为预失真滤波器的系数。

6.根据权利要求4所述的方法，其特征在于，所述调用PSO自适应算法获得数字预失真器系数的初始权重通过以下方式实现：

初始化PSO算法的各参数，并建立第一代粒子群后随机初始化各粒子的位置与速度，根据每个粒子的当前位置，计算出粒子的适应度；

更新每个粒子的速度与位置；

重新计算粒子适应度，判断是否更新粒子的个体极值和粒子群的全局极值，直到达到预先设定的迭代次数或满足相邻信道泄露功率电平最小要求；

输出粒子群的全局极值作为数字预失真器系数的初始权重。

Images