CN107834983B - 一种基于云平台的数字预失真线性化参数提取方法 - Google Patents
一种基于云平台的数字预失真线性化参数提取方法 Download PDFInfo
- Publication number
- CN107834983B CN107834983B CN201710998269.7A CN201710998269A CN107834983B CN 107834983 B CN107834983 B CN 107834983B CN 201710998269 A CN201710998269 A CN 201710998269A CN 107834983 B CN107834983 B CN 107834983B
- Authority
- CN
- China
- Prior art keywords
- training
- data
- power amplifier
- input data
- output
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03F—AMPLIFIERS
- H03F1/00—Details of amplifiers with only discharge tubes, only semiconductor devices or only unspecified devices as amplifying elements
- H03F1/32—Modifications of amplifiers to reduce non-linear distortion
- H03F1/3241—Modifications of amplifiers to reduce non-linear distortion using predistortion circuits
- H03F1/3247—Modifications of amplifiers to reduce non-linear distortion using predistortion circuits using feedback acting on predistortion circuits
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Nonlinear Science (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Amplifiers (AREA)
Abstract
本发明公开了一种基于云平台的数字预失真线性化参数提取方法，数字预失真硬件平台包括矢量信号发生器、功率放大器、频谱分析仪、衰减器、耦合器和负载，矢量信号发生器和功率放大器连接，衰减器和耦合器连接，耦合器分别与频谱分析仪和负载连接，云平台包括测量服务器和多个数据库，每个数据库分别与多个测量服务器连接，多个测量服务器分别与应用服务器连接，应用服务器通过互联网与和客户终端连接，测量服务器分别与矢量信号发生器和频谱分析仪连接；优点是可以降低硬件使用成本，成本较低，有效提高数字预失真线性化效率，且能满足多功放并发请求数字预失真线性化的处理需求。
Description
技术领域
本发明涉及一种数字预失真线性化参数提取方法，尤其是涉及一种基于云平台的数字预失真线性化参数提取方法。
背景技术
功率放大器的主要作用是将已调信号放大到需要的功率，它是现代无线通信系统中不可或缺的关键部件。但功率放大器本身具有的非线性特性，一方面导致信号在带外引起频谱再生或扩展，干扰邻近信道，另一方面在带内引起传输信号失真，导致误码率性能下降。特别是在宽带通信中，记忆效应呈现明显，严重地影响了通信系统的正常传输。
目前，射频功率放大器主要采用数字预失真技术来避免对邻近信道的干扰及信号经过非线性射频功放后产生的失真。随着无线通信技术的发展，传输信号从3G到4G甚至5G，通信容量不断增加，而且趋向采用高效率调制模式提高传输速率，因此数字预失真建模中涉及到的参数训练数据量和计算量越来越大，对功率放大器的线性度、稳定性、高效性和自适应性等要求也越来越高。传统的数字预失真系统基于硬件芯片技术，但硬件实现数字预失真在电路中会产生环路延迟问题，并需要昂贵的设备支持、系统成本高、功耗大、稳定性差，并且不支持对多功放预失真参数提取的统一协调、集中化管理和并行处理。
数字预失真系统的有效性很大程度上依赖于对功率放大器PA非线性建模的精度，目前提出的建模类型很多，其中包括Saleh模型、记忆多项式模型、Wiener模型、Hammerstein模型、Volterra模型及其裁剪模型、神经网络模型等，很多模型都存在算法复杂收敛困难等问题，并且这些模型对训练计算的服务器要求也越来越高。其中基于神经网络的预失真方法具有较好的线性化效果，对于训练非线性模型是较为高效的解决方案，但是实际应用情况却是因数据训练时间长，易陷入局部收敛，海量数据无法适应实际需求等问题无法有效实施。同时对于传统预失真系统，反馈并采集回的IQ两路信号对处理器速度的要求也越来越高，硬件开销大，例如目前数字预失真采样带宽至少需要信号带宽的3～5倍。随着通信带宽增宽，如LTE-Advanced五载波信号，已经拥有100MHz的信号带宽，按照预失真反馈通道需求五倍采样率计算，则需要500MSPS的采样速率，若采用中频信号处理则需要1GSPS的采样速率，这样的A/D非常昂贵，通常限购或无原器件，因此大大增加了预失真实施难度。另一方面，随着应用的扩展，多个功放系统的预失真并发处理需求也在不断增长，专业实验环境不能满足用户远程使用需求。
随着云时代的到来和云计算技术的日趋成熟，云平台的体系结构具有数据共享、资源充分利用和降低成本等特点。鉴此，设计一种可以降低硬件使用成本，有效提高数字预失真线性化效率，且能满足多功放并发请求数字预失真线性化处理需求的基于云平台的数字预失真线性化参数提取方法具有重要意义。
发明内容
本发明所要解决的技术问题是提供一种可以降低硬件使用成本，有效提高数字预失真线性化效率，且能满足多功放并发请求数字预失真线性化处理需求的基于云平台的数字预失真线性化参数提取方法。
本发明解决上述技术问题所采用的技术方案为：一种基于云平台的数字预失真线性化参数提取方法，包括以下步骤：
(1)构建数字预失真硬件平台：所述的数字预失真硬件平台包括用于产生矢量信号的矢量信号发生器、用于矢量信号分析的频谱分析仪、功率放大器、衰减器、耦合器和负载；
在一台应用服务器中采用python的Django架构在云端构建云平台，所述的云平台包括在云端部署的一台应用服务器及其下集群的多个测量服务器：所述的应用服务器作为一个控制中心用于对多个测量服务器进行管理、调度、控制及对计算任务的配置和分发，同时所述的应用服务器通过互联网与和客户终端连接，通过统一的用户交互界面实现对客户终端服务请求的响应和交互，多个所述的测量服务器用于对预失真系统进行数据传送和采集并且与多个数据库相连接，同时多个所述的测量服务器分别与所述的矢量信号发生器和所述的频谱分析仪相连接用于对预失真模型参数的提取和模型的训练计算；
(2)将所述的矢量信号发生器的输出端与所述的功率放大器的输入端连接，所述的衰减器的输入端和所述的功率放大器的输出端连接，所述的耦合器的输入端与所述的衰减器的输出端相连接，所述的耦合器的输出端分别与所述的频谱分析仪及所述的负载相连接；
(3)操作所述的应用服务器生成控制命令发送给所述的矢量信号发生器，所述的矢量信号发生器生成矢量信号，该矢量信号作为射频输入信号发送到所述的功率放大器的输入端，所述的频谱分析仪通过所述的衰减器和所述的耦合器采集所述的功率放大器输出端的射频输出信号并传送到所述的测量服务器参与建模的训练计算；
(4)所述的频谱分析仪以该射频输出信号的幅值最高点为截取中心，从该射频输出信号中截取N个数据点作为训练输出数据，并以该射频输入信号的幅值最高点为截取中心，从该射频输入信号中截取N个数据点作为训练输入数据，N为大于等于1000且小于等于20000的整数；
(5)所述的测量服务器采集所述的频谱分析仪输出数据，采用训练输入数据和训练输出数据进行非线性建模，确定预失真线性化模型，并将训练输入数据作为预失真线性化模型的输出数据，训练输出数据作为预失真线性化模型的输入数据，对预失真线性化模型进行训练，提取得到预失真线性化参数，完成预失真线性化模型的一次训练，所述的测量服务器将提取得到的预失真线性化参数存储到某一数据库中；
(6)采用训练后的预失真线性化模型对功率放大器进行非线性校正，获取非线性校正后功率放大器的射频输出信号；
(7)根据预失真线性化设计指标，判定非线性校正后功率放大器的射频输出信号是否满足要求，如果满足，则提取得到的预失真线性化参数符合要求，结束提取方法，如果不满足，则重复步骤(1)-(6)，直至提取得到的预失真线性化参数符合要求。
所述的步骤(5)中进行非线性建模，确定预失真线性化模型的具体过程为：
a.将N个训练输入数据和N个训练输出数据采用互相关法进行延时调整，得到N个延时调整后的训练输入数据和N个延时调整后的训练输出数据；
b.将N个延时调整后的训练输入数据和N个延时调整后的训练输出数据分别进行归一化处理，得到N个归一化处理后的训练输入数据和训练输出数据；
c.将N个归一化处理后的训练输入数据作为预失真线性化模型的输入信号，N个归一化处理后的训练输出数据作为预失真线性化模型的输出信号，采用python设计的计算模块得出该预失真线性化模型的AM/AM、AM/PM非线性特性图；
d.通过归一化均方误差NMSE进行建模精度评估，确定预失真线性化模型结构。该方法用于确定预失真线性化模型的方法计算复杂度低，可以有效评估模型精度。
所述的步骤a中将训练输入数据和训练输出数据采用互相关法进行延时调整的具体过程为：
a-1.采用公式(1)计算得到训练输入数据的N个数据点的平均幅值采用公式(2)计算得到训练输出数据的N个数据点的平均幅值
其中，Ain(i)为训练输入数据中第i+1个数据点的幅值，Aout(i)为训练输出数据中第i+1个数据点的幅值，i＝0，1，2，…，N-1；
a-2.采用公式(3)计算训练输入数据和训练输出数据对应调整移动m个数据点后的互协方差值m＝1，2，…，N-1，得到N-1个互协方差值：
a-3.找出N-1个互协方差值中的最大值，将该最大值所对应的m值作为最终的调整点数，记为mmax；
a-4.根据计算的mmax获取延时调整后的训练输入数据和训练输出数据：将训练输入数据的第mmax个数据点～训练输入数据的第N个数据点作为延时调整后的训练输入数据的数据序列，将训练输出数据的第1个数据点～训练输出数据的第N-mmax+1个数据点作为延时调整后的训练输出数据的数据序列，延时调整后的训练输入数据和延时调整后的训练输出数据分别包含N-mmax+1个数据点。该方法中，采用互相关法计算得到训练输出数据的N个数据点的平均幅值计算过程复杂度低，便于执行。
与现有技术相比，本发明的优点在于通过构建数字预失真硬件平台和部署一台高性能应用服务器集群多个测量服务器架构在云端构建系统，数字预失真硬件平台包括用于产生矢量信号的矢量信号发生器、用于信号分析的频谱分析仪、功率放大器、衰减器、耦合器和负载，矢量信号发生器和功率放大器连接，衰减器和耦合器连接，耦合器分别与频谱分析仪和负载连接，云平台包括多个用于远程数据传送和采集的测量服务器和多个数据库，每个数据库分别与多个测量服务器连接，多个测量服务器分别与应用服务器连接，应用服务器通过互联网与和客户终端连接，测量服务器分别与矢量信号发生器和频谱分析仪连接；由此，使用者可以通过客户终端访问应用服务器，通过应用服务器控制多个测量服务器对多个功放系统并发产生数字预失真处理请求，采用云端服务统一集中管理，统一调配硬件系统环境进行数据远程采集和训练建模，大大降低了实现的硬件成本，且将传统数字预失真采用云计算实现，基于云端的大数据处理、存储、分析计算能力，大大提高了预失真参数训练的处理能力和速度，由此本发明的方法可以降低硬件使用成本，有效提高数字预失真线性化效率，且能满足多功放并发请求数字预失真线性化的处理需求。
附图说明
图1为本发明的预失真硬件平台的结构图；
图2为本发明的云平台的结构图；
图3(a)为采用RVRBFNN拟合得到射频功放的AM/AM特性图；
图3(b)为采用RVRBFNN拟合得到的射频功放的AM/PM特性图；
图4为WCDMA_3C信号激励下，采用本发明的方法得到的射频功放AM/AM、AM/PM特性曲线。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
实施例一：如图1和图2所示，一种基于云平台的数字预失真线性化参数提取方法，包括以下步骤：
(1)构建数字预失真硬件平台：数字预失真硬件平台包括用于产生矢量信号的矢量信号发生器1、功率放大器2、衰减器3、耦合器4、负载5和用于矢量信号分析的频谱分析仪6；在一台应用服务器7中采用python的Django架构在云端构建云平台，云平台包括在云端部署的一台应用服务器7及其下集群的多个测量服务器8：应用服务器7作为一个控制中心用于对多个测量服务器8进行管理、调度、控制及对计算任务的配置和分发，同时应用服务器7通过互联网与和客户终端10连接，通过统一的用户交互界面实现对客户终端10服务请求的响应和交互，多个测量服务器8用于对预失真系统进行数据传送和采集并且与多个数据库9相连接，同时多个测量服务器8分别与矢量信号发生器1和频谱分析仪6相连接用于对预失真模型参数的提取和模型的训练计算；
(2)将矢量信号发生器1的输出端与功率放大器2的输入端连接，衰减器3的输入端和功率放大器2的输出端连接，耦合器4的输入端与衰减器3的输出端相连接，耦合器4的输出端分别与频谱分析仪6及负载5相连接；
(3)操作应用服务器7生成控制命令发送给矢量信号发生器1，矢量信号发生器1生成矢量信号，该矢量信号作为射频输入信号发送到功率放大器2的输入端，频谱分析仪6通过衰减器3和耦合器4采集功率放大器2输出端的射频输出信号并传送到测量服务器8参与建模的训练计算；
(4)频谱分析仪6以该射频输出信号的幅值最高点为截取中心，从该射频输出信号中截取N个数据点作为训练输出数据，并以该射频输入信号的幅值最高点为截取中心，从该射频输入信号中截取N个数据点作为训练输入数据，N为大于等于1000且小于等于20000的整数；
(5)测量服务器8采集频谱分析仪6输出数据，采用训练输入数据和训练输出数据进行非线性建模，确定预失真线性化模型，并将训练输入数据作为预失真线性化模型的输出数据，训练输出数据作为预失真线性化模型的输入数据，对预失真线性化模型进行训练，提取得到预失真线性化参数，完成预失真线性化模型的一次训练，测量服务器8将提取得到的预失真线性化参数存储到某一数据库9中；
(6)采用训练后的预失真线性化模型对功率放大器2进行非线性校正，获取非线性校正后功率放大器2的射频输出信号；
(7)根据预失真线性化设计指标，判定非线性校正后功率放大器2的射频输出信号是否满足要求，如果满足，则提取得到的预失真线性化参数符合要求，结束提取方法，如果不满足，则重复步骤(1)-(6)，直至提取得到的预失真线性化参数符合要求。
实施例二：如图1和图2所示，一种基于云平台的数字预失真线性化参数提取方法，包括以下步骤：
(1)构建数字预失真硬件平台：数字预失真硬件平台包括用于产生矢量信号的矢量信号发生器1、功率放大器2、衰减器3、耦合器4、负载5和用于矢量信号分析的频谱分析仪6；在一台应用服务器7中采用python的Django架构在云端构建云平台，云平台包括在云端部署的一台应用服务器7及其下集群的多个测量服务器8：应用服务器7作为一个控制中心用于对多个测量服务器8进行管理、调度、控制及对计算任务的配置和分发，同时应用服务器7通过互联网与和客户终端10连接，通过统一的用户交互界面实现对客户终端10服务请求的响应和交互，多个测量服务器8用于对预失真系统进行数据传送和采集并且与多个数据库9相连接，同时多个测量服务器8分别与矢量信号发生器1和频谱分析仪6相连接用于对预失真模型参数的提取和模型的训练计算；
(2)将矢量信号发生器1的输出端与功率放大器2的输入端连接，衰减器3的输入端和功率放大器2的输出端连接，耦合器4的输入端与衰减器3的输出端相连接，耦合器4的输出端分别与频谱分析仪6及负载5相连接；
(3)操作应用服务器7生成控制命令发送给矢量信号发生器1，矢量信号发生器1生成矢量信号，该矢量信号作为射频输入信号发送到功率放大器2的输入端，频谱分析仪6通过衰减器3和耦合器4采集功率放大器2输出端的射频输出信号并传送到测量服务器8参与建模的训练计算；
(4)频谱分析仪6以该射频输出信号的幅值最高点为截取中心，从该射频输出信号中截取N个数据点作为训练输出数据，并以该射频输入信号的幅值最高点为截取中心，从该射频输入信号中截取N个数据点作为训练输入数据，N为大于等于1000且小于等于20000的整数；
(5)测量服务器8采集频谱分析仪6输出数据，采用训练输入数据和训练输出数据进行非线性建模，确定预失真线性化模型，并将训练输入数据作为预失真线性化模型的输出数据，训练输出数据作为预失真线性化模型的输入数据，对预失真线性化模型进行训练，提取得到预失真线性化参数，完成预失真线性化模型的一次训练，测量服务器8将提取得到的预失真线性化参数存储到某一数据库9中；
(6)采用训练后的预失真线性化模型对功率放大器2进行非线性校正，获取非线性校正后功率放大器2的射频输出信号；
(7)根据预失真线性化设计指标，判定非线性校正后功率放大器2的射频输出信号是否满足要求，如果满足，则提取得到的预失真线性化参数符合要求，结束提取方法，如果不满足，则重复步骤(1)-(6)，直至提取得到的预失真线性化参数符合要求。
本实施例中，步骤(5)中进行非线性建模，确定预失真线性化模型的具体过程为：
a.将N个训练输入数据和N个训练输出数据采用互相关法进行延时调整，得到N个延时调整后的训练输入数据和N个延时调整后的训练输出数据；
b.将N个延时调整后的训练输入数据和N个延时调整后的训练输出数据分别进行归一化处理，得到N个归一化处理后的训练输入数据和训练输出数据；
c.将N个归一化处理后的训练输入数据作为预失真线性化模型的输入信号，N个归一化处理后的训练输出数据作为预失真线性化模型的输出信号，采用python设计的计算模块得出该预失真线性化模型的AM/AM、AM/PM非线性特性图；
d.通过归一化均方误差NMSE进行建模精度评估，确定预失真线性化模型结构。
本实施例中，步骤a中将训练输入数据和训练输出数据采用互相关法进行延时调整的具体过程为：
a-1.采用公式(1)计算得到训练输入数据的N个数据点的平均幅值采用公式(2)计算得到训练输出数据的N个数据点的平均幅值
其中，Ain(i)为训练输入数据中第i+1个数据点的幅值，Aout(i)为训练输出数据中第i+1个数据点的幅值，i＝0，1，2，…，N-1；
a-2.采用公式(3)计算训练输入数据和训练输出数据对应调整移动m个数据点后的互协方差值m＝1，2，…，N-1，得到N-1个互协方差值：
a-3.找出N-1个互协方差值中的最大值，将该最大值所对应的m值作为最终的调整点数，记为mmax；
a-4.根据计算的mmax获取延时调整后的训练输入数据和训练输出数据：将训练输入数据的第mmax个数据点～训练输入数据的第N个数据点作为延时调整后的训练输入数据的数据序列，将训练输出数据的第1个数据点～训练输出数据的第N-mmax+1个数据点作为延时调整后的训练输出数据的数据序列，延时调整后的训练输入数据和延时调整后的训练输出数据分别包含N-mmax+1个数据点。
采用RVRBFNN拟合得到射频功放的AM/AM特性图如图3(a)所示，采用RVRBFNN拟合得到的射频功放的AM/PM特性图如图3(b)所示。采用本发明的方法对射频功放进行线性化参数提取，测试输入信号选用WCDMA三载波信号，信号带宽15MHz，采样率92.16MSaPS，PAPR等于8.2，激励460MHz射频功放，测试输入信号输入矢量信号发生器1，由矢量信号发生器1产生的输出信号送入射频功放，矢量信号发生器1获得射频功放的输入采样数据。在WCDMA_3C信号激励下，采用本发明的方法得到的射频功放AM/AM、AM/PM特性曲线如图4所示。分析图3(a)、图3(b)和图4可知：本发明的提取方法除了可以补偿射频功放的静态特性，还对动态非线性加以补偿，更好的拟合了射频的特性，提高了建模精度。
Claims (3)
1.一种基于云平台的数字预失真线性化参数提取方法，其特征在于包括以下步骤：
(1)构建数字预失真硬件平台：所述的数字预失真硬件平台包括用于产生矢量信号的矢量信号发生器、用于矢量信号分析的频谱分析仪、功率放大器、衰减器、耦合器和负载；
在一台应用服务器中采用python的Django架构在云端构建云平台，所述的云平台包括在云端部署的一台应用服务器及其下集群的多个测量服务器：所述的应用服务器作为一个控制中心用于对多个测量服务器进行管理、调度、控制及对计算任务的配置和分发，同时所述的应用服务器通过互联网与和客户终端连接，通过统一的用户交互界面实现对客户终端服务请求的响应和交互，多个所述的测量服务器用于对预失真系统进行数据传送和采集并且与多个数据库相连接，同时多个所述的测量服务器分别与所述的矢量信号发生器和所述的频谱分析仪相连接用于对预失真模型参数的提取和模型的训练计算；
(2)将所述的矢量信号发生器的输出端与所述的功率放大器的输入端连接，所述的衰减器的输入端和所述的功率放大器的输出端连接，所述的耦合器的输入端与所述的衰减器的输出端相连接，所述的耦合器的输出端分别与所述的频谱分析仪及所述的负载相连接；
(3)操作所述的应用服务器生成控制命令发送给所述的矢量信号发生器，所述的矢量信号发生器生成矢量信号，该矢量信号作为射频输入信号发送到所述的功率放大器的输入端，所述的频谱分析仪通过所述的衰减器和所述的耦合器采集所述的功率放大器输出端的射频输出信号并传送到所述的测量服务器参与建模的训练计算；
(4)所述的频谱分析仪以该射频输出信号的幅值最高点为截取中心，从该射频输出信号中截取N个数据点作为训练输出数据，并以该射频输入信号的幅值最高点为截取中心，从该射频输入信号中截取N个数据点作为训练输入数据，N为大于等于1000且小于等于20000的整数；
(5)所述的测量服务器采集所述的频谱分析仪输出数据，采用训练输入数据和训练输出数据进行非线性建模，确定预失真线性化模型，并将训练输入数据作为预失真线性化模型的输出数据，训练输出数据作为预失真线性化模型的输入数据，对预失真线性化模型进行训练，提取得到预失真线性化参数，完成预失真线性化模型的一次训练，所述的测量服务器将提取得到的预失真线性化参数存储到某一数据库中；
(6)采用训练后的预失真线性化模型对功率放大器进行非线性校正，获取非线性校正后功率放大器的射频输出信号；
(7)根据预失真线性化设计指标，判定非线性校正后功率放大器的射频输出信号是否满足要求，如果满足，则提取得到的预失真线性化参数符合要求，结束提取方法，如果不满足，则重复步骤(1)-(6)，直至提取得到的预失真线性化参数符合要求。
2.根据权利要求1所述的一种基于云平台的数字预失真线性化参数提取方法，其特征在于所述的步骤(5)中进行非线性建模，确定预失真线性化模型的具体过程为：
a.将N个训练输入数据和N个训练输出数据采用互相关法进行延时调整，得到N个延时调整后的训练输入数据和N个延时调整后的训练输出数据；
b.将N个延时调整后的训练输入数据和N个延时调整后的训练输出数据分别进行归一化处理，得到N个归一化处理后的训练输入数据和训练输出数据；
c.将N个归一化处理后的训练输入数据作为预失真线性化模型的输入信号，N个归一化处理后的训练输出数据作为预失真线性化模型的输出信号，采用python设计的计算模块得出该预失真线性化模型的AM/AM、AM/PM非线性特性图；
d.通过归一化均方误差NMSE进行建模精度评估，确定预失真线性化模型结构。
3.根据权利要求2所述的一种基于云平台的数字预失真线性化参数提取方法，其特征在于所述的步骤a中将训练输入数据和训练输出数据采用互相关法进行延时调整的具体过程为：
a-1.采用公式(1)计算得到训练输入数据的N个数据点的平均幅值采用公式(2)计算得到训练输出数据的N个数据点的平均幅值
其中，Ain(i)为训练输入数据中第i+1个数据点的幅值，Aout(i)为训练输出数据中第i+1个数据点的幅值，i＝0，1，2，…，N-1；
a-2.采用公式(3)计算训练输入数据和训练输出数据对应调整移动m个数据点后的互协方差值得到N-1个互协方差值：
a-3.找出N-1个互协方差值中的最大值，将该最大值所对应的m值作为最终的调整点数，记为mmax；
a-4.根据计算的mmax获取延时调整后的训练输入数据和训练输出数据：将训练输入数据的第mmax个数据点～训练输入数据的第N个数据点作为延时调整后的训练输入数据的数据序列，将训练输出数据的第1个数据点～训练输出数据的第N-mmax+1个数据点作为延时调整后的训练输出数据的数据序列，延时调整后的训练输入数据和延时调整后的训练输出数据分别包含N-mmax+1个数据点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710998269.7A CN107834983B (zh) | 2017-10-18 | 2017-10-18 | 一种基于云平台的数字预失真线性化参数提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710998269.7A CN107834983B (zh) | 2017-10-18 | 2017-10-18 | 一种基于云平台的数字预失真线性化参数提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107834983A CN107834983A (zh) | 2018-03-23 |
| CN107834983B true CN107834983B (zh) | 2018-12-04 |
Family
ID=61648968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710998269.7A Active CN107834983B (zh) | 2017-10-18 | 2017-10-18 | 一种基于云平台的数字预失真线性化参数提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107834983B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108600129B (zh) * | 2018-04-13 | 2020-01-14 | 维沃移动通信有限公司 | 信号处理方法及移动终端 |
| CN112262369B (zh) * | 2018-07-26 | 2024-04-02 | 上海诺基亚贝尔股份有限公司 | 用于数据处理的方法、装置和计算机可读介质 |
| CN111432424B (zh) * | 2019-01-10 | 2021-07-09 | 北京大学 | 一种基于交调项精细分类的非线性失真微观机制分析方法 |
| CN112054776B (zh) * | 2020-07-31 | 2023-04-25 | 宁波大学 | 一种模拟预失真与带内数字预失真混合的功放线性化方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103929486A (zh) * | 2014-04-22 | 2014-07-16 | 福建三元达通讯股份有限公司 | 基于单片机实时监控系统及其实现web服务器的方法 |
| CN107005961A (zh) * | 2014-12-08 | 2017-08-01 | 耐克斯特纳威公司 | 用于选择性地接收和处理rf信标处的rf信号的系统和方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8331484B2 (en) * | 2010-01-13 | 2012-12-11 | Cisco Technology, Inc. | Digital Predistortion training system |
| US9002290B2 (en) * | 2012-05-09 | 2015-04-07 | Litepoint Corporation | System and method for testing a radio frequency (RF) multiple-input-multiple-output (MIMO) device under test (DUT) |
-
2017
- 2017-10-18 CN CN201710998269.7A patent/CN107834983B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103929486A (zh) * | 2014-04-22 | 2014-07-16 | 福建三元达通讯股份有限公司 | 基于单片机实时监控系统及其实现web服务器的方法 |
| CN107005961A (zh) * | 2014-12-08 | 2017-08-01 | 耐克斯特纳威公司 | 用于选择性地接收和处理rf信标处的rf信号的系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107834983A (zh) | 2018-03-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107834983B (zh) | 一种基于云平台的数字预失真线性化参数提取方法 | |
| EP3166223A2 (en) | Ultra wide band digital pre-distortion | |
| CN104796091B (zh) | 基于分段记忆多项式的功率放大器建模及数字预失真方法 | |
| CN108234031A (zh) | 用于测量被测装置的发射器单元的特性的方法、测试系统和射频装置 | |
| CN103715992B (zh) | 基于简化Volterra级数的功放预失真装置及方法 | |
| CN104580044B (zh) | 一种预失真处理方法和系统 | |
| CN111490737A (zh) | 一种用于功率放大器的非线性补偿方法和设备 | |
| CN102969987A (zh) | 基于欠采样的宽带功放预失真方法 | |
| CN112332850A (zh) | 一种基于fpga的宽带波形补偿设备和方法 | |
| Jaraut et al. | Digital predistortion technique for low resource consumption using carrier aggregated 4G/5G signals | |
| CN107104746B (zh) | 跳频电台发信机非线性特性建模方法 | |
| CN110086438B (zh) | 一种针对无源多波束发射机的数字预失真系统及方法 | |
| CN113591390A (zh) | 一种接收机射频链路非线性效应的模型筛选方法、平台 | |
| US20150055731A1 (en) | Digital Transmitter With Sample Rate Digital Predistortion | |
| US10298366B2 (en) | Circuit and method for predistortion | |
| CN109740225B (zh) | 一种用于宽带行波管计算评估的方法 | |
| CN104320093A (zh) | 一种用于稳定放大器的系统及方法 | |
| Barkate et al. | The Power Smith Tube: Joint optimization of power amplifier input power and load impedance for power-added efficiency and adjacent-channel power ratio | |
| CN113468814B (zh) | 一种基于神经网络的数字预失真训练数据筛选方法及装置 | |
| CN113328845B (zh) | 一种下行载波平坦度补偿方法及装置 | |
| Rönnow | pth‐order inverse of the Volterra series for multiple‐input multiple‐output non‐linear dynamic systems | |
| Nypwipwy et al. | Power amplifier behavioral modeling based on Laguerre Polar‐Volterra series with independent truncations | |
| Lu et al. | A modified decomposed vector rotation behavioral model for concurrent dual-band envelope tracking RF power amplifiers | |
| Yin et al. | Pattern recognition of RF power amplifier behaviors with multilayer perceptron | |
| Rahmanian et al. | Efficient fpga implementation of a digital predistorter for power amplifier linearization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |