CN101860326A - 基于Volterra级数间接学习型预失真线性化系统 - Google Patents

Abstract

本发明属数字通信预失真处理领域，尤其涉及一种基于Volterra级数间接学习型预失真线性化系统，包括：预失真信号生成模块、预失真信号处理模块、反馈模块及参数辨识模块；预失真信号处理模块由预失真信号经过处理后，得到射频功率放大器的输入信号；射频功率放大器输出信号中的一小部分功率经衰减后，进入反馈模块；反馈模块将反馈信号进行处理后，得到参数辨识模块的输入信号；参数辨识模块将其输出信号与预失真信号进行比较，从而得到误差信号；通过调整辨识模块与预失真器中的参数，逐渐缩小误差信号并使其归零。本发明稳定性高，自适应能力强，不用考虑其稳定性问题，同时能够处理多载波信号，互调失真改善效果好，可调范围大。

Description

基于Volterra级数间接学习型预失真线性化系统

技术领域

本发明属数字通信预失真处理领域，尤其涉及一种射频功率放大器线性化技术的基于Volterra级数间接学习型预失真线性化系统。

背景技术

随着数字通信技术的发展和3G技术的成熟，频带资源显得越来越珍贵。因此就要求对频带的利用率有所提高，这就迫切要求功率放大器有很好的线性度。在移动通信系统中，为了保证移动通信系统在一定范围内有信号覆盖，在信号通过射频前端和天线系统发射出去之前，通常使用功率放大器来进行信号放大。功率放大器的线性度直接影响着发射和接受信号的好坏程度，因此采用数字预失真技术是为了很好的解决线性度问题，同时可以提高功放效率，从而满足3G发展的需求。

一般的射频功率放大器都会产生频谱再生效应，这些现象都是由于功率放大器的非线性产生的，因此我们必须对功率放大器进行线性化处理也就是提高功率放大器的线性度。这就要求我们采用一些线性化技术来实现。对于线性化技术本身来讲可以很好的解决需求信道内的信号对其它临近信道的干扰。在3G的基站建设中，功率放大器的成本占到总成本的1/3以上，因此功率放大器如果解决了线性度和效率问题，这无疑给基站的成本带来大量的消减。

目前国内外主要有：前馈法、功率回退、反馈法、预失真等射频功率放大器的线性化技术。其中前馈技术的优点在于，性能稳定、能够很好的改善功率放大器的线性化指标，但它同时也存在着成本高、器件特性随时间的变化不能够得到补偿、环路的设计比较复杂等缺点；功率回退法把工作电压从1dB回退到了线性工作区，因此它有较好的线性度，但同时也牺牲了功率放大器的效率，使得直流功耗非常大，这样就造成功放散热的问题，而散热是功率放大器的研究难点，故这种技术已经被其他线性化技术逐渐取代。而负反馈技术要求输入信号和反馈信号是同一时刻的信号，而系统本身是有延迟的，从这点来说是很难实现。

发明内容

本发明旨在克服现有技术的不足之处而提供一种成本较低，能够处理多载波信号，稳定性高，自适应能力强，互调失真改善效果好，可调范围大，整体结构简单的基于Volterra级数间接学习型预失真线性化系统。

为达到上述目的，本发明是这样实现的：

基于Volterra级数间接学习型预失真线性化系统，其特征在于，包括：预失真信号生成模块、预失真信号处理模块、反馈模块及参数辨识模块；所述预失真信号生成模块、预失真信号处理模块、反馈模块及参数辨识模块的传输端口依次分别串接；

所述预失真信号生成模块包括预失真器，其由输入信号经过预失真器后，形成预失真信号；

所述预失真信号处理模块由预失真信号经过D/A转换、调制及上变频后，得到射频功率放大器的输入信号；所述射频功率放大器输出信号中的一小部分功率经衰减后，作为反馈信号进入反馈模块；

所述反馈模块将反馈信号经下变频、解调及A/D转换后，得到参数辨识模块的输入信号；

所述参数辨识模块将其输出信号与预失真信号进行比较，从而得到误差信号；通过调整辨识模块与预失真器中的参数，逐渐缩小误差信号。

作为一种优选方案，本发明可通过调整辨识模块与预失真器中的参数，逐渐缩小误差信号并使其归零。

本发明可通过RLS算法调整辨识模块与预失真器中的参数，逐渐缩小误差信号并使其归零。

进一步地，本发明所述射频功率放大器输出信号中的一小部分功率经增益为1/G的衰减器衰减后，作为反馈信号进入反馈模块，其中G为放大器的期望增益。

更进一步地，本发明当参数辨识算法收敛后，将反馈模块及参数辨识模块断开；当预失真器与射频功率放大器之间失去原有的匹配关系时，将反馈回路和参数辨识模块重新接入。

本发明结构简单，稳定性高，自适应能力强，不用考虑其稳定性问题，同时能够处理多载波信号，互调失真改善效果好，可调范围大，是目前性价比较高的一种功率放大器线性化技术。

本发明在深入研究功放基带预失真技术的理论和算法的基础上，提出了一种基于Volterra级数的线性预失真方法，并利用了RLS即递归最小二乘法进行自适应预失真调整，提高了功放线性拟合的收敛速度以及功放线性输出的稳定性。

附图说明

下面结合附图和具体实施方式对本发明作进一步说明。本发明的保护范围不仅局限于下列内容的表述。

图1为有记忆非线性系统的分解；

图2为本发明的整体结构示意图；

图3为本发明基于FPGA的硬件结构示意图。

具体实施方式

Volterra级数理论是分析非线性系统的一种有效的数学工具。对于线性时不变系统，其零状态响应等于单位冲击响应h(t)与输入信号x(t)的卷积：

$y\left(t\right)={\∫}_{-\∞}^{\∞}h\left(\mathrm{\τ}\right)x(t-\mathrm{\τ})\mathrm{d\τ}$

Volterra级数模型是一种泛函级数模型，它将上述形式的关系加以推广，用于描述有记忆非线性系统。

由非线性动态系统的分解定理可知，连续泛函F(·)所表征的非线性动态系统，当其输入信号的能量有限时，总可以分解为有记忆线性系统和一个无记忆非线性系统的级联，如图1所示。将线性子系统分别记为F_L1(·)，F_L2(·)，…，F_LN(·)，每个子系统的输出依次为w₁(t)，w₂(t)，…，w_N(t)，无记忆非线性系统记为F_NL(·)，则整个系统的输出可表示为：

y(t)＝F_NL[w₁(t)，w₂(t)，…，w_N(t)]

对于预失真线性化系统，预失真器的设计十分重要。Volterra级数可以将满足一定条件的有记忆非线性系统逼近到任意准确的程度，它不仅可用于射频功率放大器的建模，而且也可以用于构造预失真器。一般形式的Volterra预失真器的输入、输出信号之间的关系如式(1-1)所示。

$y\left(n\right)=h_0+\underset{i_1=0}{\overset{M-1}{\mathrm{\Σ}}}{h}_1\left(i_1\right)x(n-i_1)+\underset{i_1=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{i_2=0}{\overset{M-1}{\mathrm{\Σ}}}{h}_2(i_1,i_2)x(n-i_1)x(n-i_2)+...$

$+\underset{i_1=0}{\overset{M-1}{\mathrm{\Σ}}}...\underset{i_k=0}{\overset{M-1}{\mathrm{\Σ}}}{h}_k(i_1,i_2,...,i_k)x(n-i_1)x(n-i_2)...x(n-i_k)+...---(1-1)$

在(1-1)式中，Volterra核参数的数量为：

$n_{\mathrm{para}}=\frac{M^{k+1}-1}{M-1}---(1-2)$

可见在Volterra级数模型中，参数的数量和记忆长度成幂函数关系，和模型阶数成指数函数关系。受计算复杂度的限制，不经任何简化的Volterra模型只适用于低阶弱非线性的情形。而对于宽带系统中的有记忆射频功放，低阶弱非线性模型很难精确描述它的特性或逆特性。因此，直接将一般形式的volterra级数运用于功放建模或预失真器设计是十分困难的，必须进行简化改进。

对放大器非线性特性的分析可知，奇次项产生输出信号的奇阶谐波频率分量和奇阶互调频率分量，偶次项产生直流分量、偶阶谐波频率分量和偶阶互调频率分量。一般情况下，只有奇阶互调频率分量落在通带内，而其它失真分量都落在通带以外，可以容易地用滤波器滤除。尽管在预失真器中包含偶次项，对提高线性化效果有一定的作用，但出于降低模型复杂度的考虑，仍然剔除了预失真器中的偶次项。去除直流项和偶次项后，(1-1)式可写为

$y\left(n\right)=\underset{i_1=0}{\overset{M-1}{\mathrm{\Σ}}}{h}_1\left(i_1\right)x(n-i_1)+\underset{i_1=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{i_2=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{i_3=0}{\overset{M-1}{\mathrm{\Σ}}}{h}_3(i_1,i_2,i_3)x(n-i_1)x(n-i_2)x(n-i_3)$

$+...+\underset{i_1=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{i_2=0}{\overset{M-1}{\mathrm{\Σ}}}...\underset{i_{\mathrm{kd}+1}=0}{\overset{M-1}{\mathrm{\Σ}}}{h}_{2d+1}(i_1,i_2,...,i_{2d+1})x(n-i_1)x(n-i_2)...x(n-i_{2d+1})---(1-3)$

如果运用具有对称核的Volterra级数来构造预失真器，则参数数量将进一步减少。Volterra核的对称性的含意如下。如果k阶Volterra核h_k(i₁，i₂，…，i_k)满足

h_k(i₁，i₂，…，i_k)＝h_k(i_π(1)，i_π(2)，…，i_π(k))                (1-4)

称h_k(i₁，i₂，…，i_k)为对称核。式中，π(·)表示1，2，…，k的任意一种排列。例如，设h₃(i₁，i₂，i₃)为三阶对称核，则有：

h₃(i₁，i₂，i₃)＝h₃(i₁，i₃，i₂)＝h₃(i₂，i₁，i₃)＝h₃(i₂，i₃，i₁)＝h₃(i₃，i₁，i₂)＝h₃(i₃，i₂，i₁)

具有对称核的时域Volterra级数满足如下唯一性定理：如果一个非线性系统的输入输出关系可以用Volterra级数来描述，且它的各阶核为对称的，则描述这一非线性系统输入输出关系的Volterra级数是唯一的。

利用核的对称性，可以合并Voiterra级数预失真器中的冗余项，使参数数量大幅度减少。对(1-3)式利用对称性进行简化后可以写为：

$x_p\left(n\right)=\underset{i_1=0}{\overset{M-1}{\mathrm{\Σ}}}{h}_1\left(i_1\right)x(n-i_1)+\underset{i_1=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{i_2=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{i_3=0}{\overset{M-1}{\mathrm{\Σ}}}{h}_3(i_1,i_2,i_3)x(n-i_1)x(n-i_2)x(n-i_3)$

$+...+\underset{i_1=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{i_2=i_1}{\overset{M-1}{\mathrm{\Σ}}}...\underset{i_{\mathrm{kd}+1}=i_{2d}}{\overset{M-1}{\mathrm{\Σ}}}{h}_{2d+1}(i_1,i_2,...,i_{2d+1})x(n-i_1)x(n-i_2)...x(n-i_{2d+1})---(1-5)$

但当系统的阶数较高或者记忆效应较强时，Voiterra核的数量仍较庞大。这使得Voiterra级数用于构造高阶强记忆预失真器时，仍会产生较大的计算量，所以要考虑进一步简化。

在相关文献中，常可以见到一种被称作记忆多项式的功放或预失真器模型，它的表达式如下：

$y\left(n\right)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{i=0}{\overset{M-1}{\mathrm{\Σ}}}{a}_{\mathrm{ki}}x(n-i){\left|x(n-i)\right|}^{k-1}---(1-6)$

式中，k为模型阶数，M为记忆长度，a_ki为多项式系数。它实际上是Volterra级数模型的一种特殊情形。在Volterra级数模型中，如果只保留对角核(diagonal kemel)，而将所有的非对角核置零，就得到了记忆多项式模型。记忆多项式模型过于简化，用它来设计预失真器，难以精确地描述有记忆功放的逆特性。

Volterra级数中，非对角核实际上代表了不同时刻输入信号间的“耦合”效应。比如，h₃(1，1，3)代表了n-1时刻与n-3时刻输入信号间的“耦合”。如果放大器的几个输入信号的采样时刻相距越远，其间的“耦合”效应也应该越弱，那么它们对应的Volterra核的值会越小，对输出的贡献也越小。

出于以下两点考虑，我们没有必要在Volterra模型中保留那些模很小的核。

(1)这些核对模型的输出贡献很小，而对它们进行辨识要增加较大的计算量；

(2)由于计算机的字长有限，对这些模很小的核进行辨识不可避免地会引入误差。

因此将它们保留在模型中实际上未必能明显提高模型的精确度。考虑到功放模型和预失真器之间存在的对应关系，我们采用如下算法对(1-5)式所描述的Volterra预失真器进行进一步简化。将(1-5)式中的第l阶核记为h_l(i₁，i₂，…，i_l)，其中1＝1，3，…，2d+1。设定阈值λ∈{1，2，…，M}。当1＝1时，h₁(i₁)＝h₁(i₁)。当l≥3时，

如果max{|i_s-i_t|}≥λ，则令h_l(i₁，i₂，…，i_l)＝0；否则h_l(i₁，i₂，…，i_l)＝h_l(i₁，i₂，…，i_l)。

这种算法实质上是在一般形式的Volterra预失真器和记忆多项式预失真器之间进行“折衷”。选取的阈值λ越小，则预失真器结构越简单，精确度越差。如果将该算法运用于(1-1)式，当λ＝1时，预失真器就退化为记忆多项式预失真器。选取的阈值λ越大，则保留的核参数越多，预失真器的精确度也越高。当λ＝M时，所有的核都被保留，预失真器等同于一般Volterra预失真器。

归纳起来，依次按照如下三个步骤对一般形式Volterra预失真器进行简化。(1)去除直流项和偶次项，只保留奇次项。(2)利用Volterra核的对称性，合并预失真器模型中的冗余项。(3)运用简化算法，使预失真器中的参数数量进一步减少。最后，通过Volterra核对输入信号不断地调整，使其通过功放后，线性输出。

对基于工作函数的预失真线性化系统，实现方式大致可分为两类。由于预失真器特性是放大器特性的逆，因此可以先建立功率放大器的模型，然后再求解预失真器模型。当功率放大器的模型较简单时，这种方法是可行的，但对于有记忆高阶非线性系统，辨识它的逆模型十分困难。此外，这种方法很难实现预失真器参数的自适应调整，当放大器特性发生变化时，系统性能会迅速下降。另一种方法则可以不建立放大器的模型，直接获得预失真器参数。该方法在线性化系统中增加一条信号反馈回路，将反馈信号与预失真器输出信号对比，得到一个误差信号，在辨识过程中，通过不断地调整预失真器的参数来减小误差信号。当误差信号足够小时，就得到了预失真器的参数。这就是以下要采用的间接学习结构。

采用间接学习结构的预失真线性化系统实现方案如图2所示。信号的预失真过程在基带内完成，输入信号x(n)经过预失真器后，形成预失真信号x_p(n)。预失真信号经过D/A转换、调制和上变频后，得到射频功率放大器的输入信号x_RF(t)。放大器输出信号y_RF(t)中的一小部分功率经过增益为1/G的衰减器后形成反馈，其中G为放大器的期望增益。反馈信号经过下变频、解调和A/D转换后，得到参数辨识模块的输入信号u(n)。参数辨识模块具有和预失真器完全相同的结构和参数，它的输出信号记为u_p(n)。u_p(n)和预失真信号x_p(n)进行比较，得到误差信号e(n)。在工作过程中，通过RLS算法调整辨识模块和预失真器中的参数，不断地减小误差信号。在理想的情况下，当误差信号e(n)等于零时，可得y(n)＝Gx(n)，其中y(n)为放大器输出的基带等效信号。

在上述预失真系统中，不需要预先辨识出功率放大器的模型，就可以直接获得预失真器的参数。参数辨识算法收敛后，就可将反馈回路和参数辨识模块暂时断开。在发射机工作过程中，功放特性会发生变化。当这种变化达到一定程度时，预失真器和放大器之间会失去原有的匹配关系。此时，可将反馈回路和参数辨识模块重新接入，以对预失真器参数进行自适应更新。

本发明所述预失真信号处理模块包括D/A转换部分、调制部分、上变频部分及射频功率放大器部分；所述D/A转换部分、调制部分、上变频部分及射频功率放大器的端口依次串接。

本发明所述反馈模块包括下变频部分、解调部分及A/D转换部分；所述下变频部分、解调部分及A/D转换部分的端口依次串接。

本发明所述预失真信号生成模块或参数辨识模块采用FPGA模块。

对于预失真器以及参数辨识模块，本发明采用了基于FPGA的硬件开发逻辑，其硬件原理图如图3所示。

可以理解地是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。

Claims (8)

1.基于Volterra级数间接学习型预失真线性化系统，其特征在于，包括：预失真信号生成模块、预失真信号处理模块、反馈模块及参数辨识模块；所述预失真信号生成模块、预失真信号处理模块、反馈模块及参数辨识模块的传输端口依次分别串接；

所述预失真信号生成模块包括预失真器，其由输入信号经过预失真器后，形成预失真信号；

所述预失真信号处理模块由预失真信号经过D/A转换、调制及上变频后，得到射频功率放大器的输入信号；所述射频功率放大器输出信号中的一小部分功率经衰减后，作为反馈信号进入反馈模块；

所述反馈模块将反馈信号经下变频、解调及A/D转换后，得到参数辨识模块的输入信号；

所述参数辨识模块将其输出信号与预失真信号进行比较，从而得到误差信号；通过调整辨识模块与预失真器中的参数，逐渐缩小误差信号。

2.根据权利要求1所述的基于Volterra级数间接学习型预失真线性化系统，其特征在于：通过调整辨识模块与预失真器中的参数，逐渐缩小误差信号并使其归零。

3.根据权利要求2所述的基于Volterra级数间接学习型预失真线性化系统，其特征在于：通过RLS算法调整辨识模块与预失真器中的参数，逐渐缩小误差信号并使其归零。

4.根据权利要求3所述的基于Volterra级数间接学习型预失真线性化系统，其特征在于：所述射频功率放大器输出信号中的一小部分功率经增益为1/G的衰减器衰减后，作为反馈信号进入反馈模块，其中G为放大器的期望增益。

5.根据权利要求4所述的基于Volterra级数间接学习型预失真线性化系统，其特征在于：当参数辨识算法收敛后，将反馈模块及参数辨识模块断开；当预失真器与射频功率放大器之间失去原有的匹配关系时，将反馈回路和参数辨识模块重新接入。

6.根据权利要求5所述的基于Volterra级数间接学习型预失真线性化系统，其特征在于：所述预失真信号处理模块包括D/A转换部分、调制部分、上变频部分及射频功率放大器部分；所述D/A转换部分、调制部分、上变频部分及射频功率放大器的端口依次串接。

7.根据权利要求6所述的基于Volterra级数间接学习型预失真线性化系统，其特征在于：所述反馈模块包括下变频部分、解调部分及A/D转换部分；所述下变频部分、解调部分及A/D转换部分的端口依次串接。

8.根据权利要求7所述的基于Volterra级数间接学习型预失真线性化系统，其特征在于：所述预失真信号生成模块或参数辨识模块采用FPGA模块。

Images