CN111274752A - 一种基于两级开环结构和二元函数单元的功率放大器行为建模方法 - Google Patents

一种基于两级开环结构和二元函数单元的功率放大器行为建模方法 Download PDF

Info

Publication number
CN111274752A
CN111274752A CN201811478375.3A CN201811478375A CN111274752A CN 111274752 A CN111274752 A CN 111274752A CN 201811478375 A CN201811478375 A CN 201811478375A CN 111274752 A CN111274752 A CN 111274752A
Authority
CN
China
Prior art keywords
power amplifier
model
sequence
delay
function unit
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.)
Granted
Application number
CN201811478375.3A
Other languages
English (en)
Other versions
CN111274752B (zh
Inventor
雷易鸣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University
Original Assignee
Peking University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peking University filed Critical Peking University
Priority to CN201811478375.3A priority Critical patent/CN111274752B/zh
Publication of CN111274752A publication Critical patent/CN111274752A/zh
Application granted granted Critical
Publication of CN111274752B publication Critical patent/CN111274752B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03F—AMPLIFIERS
    • H03F3/00—Amplifiers with only discharge tubes or only semiconductor devices as amplifying elements
    • H03F3/20—Power amplifiers, e.g. Class B amplifiers, Class C amplifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Amplifiers (AREA)

Abstract

本发明提供一种基于两级开环结构和二元函数单元的功率放大器行为建模方法，涉及非线性系统建模与分析应用技术领域，本方法利用两级开环结构和二级函数单元，仅需要较少的参数和无反馈路径就可以完成对具有记忆效应的非线性功率放大器的建模，对带内失真和频谱再生提供了很好的建模精度，通过提高功率放大器的建模精度，以减少含有功率放大器电路的系统中的非线性噪声对系统的干扰。

Description

一种基于两级开环结构和二元函数单元的功率放大器行为建 模方法
技术领域
本发明涉及非线性系统建模与分析应用技术领域，尤其是一种基于两级开环结构和二元函数单元的功率放大器行为建模方法。
背景技术
功率放大器是发射机的重要模块，是一个复杂的非线性系统。为了能使功率放大器高效率的工作，功率放大器中的晶体管多工作在接近饱和区甚至截止区，因此功率放大器经常会产生严重的非线性失真，并且因为器件的等效电抗影响，功率放大器会产生记忆效应。
数字预失真模块可以用低成本、高精度的方法有效去除功率放大器以及系统的非线性，也因此成为现代无线发射机中不可或缺的一部分。在信号的数字预失真阶段，需要对功放的特性进行建模。功率放大器数字预失真的线性化性能和实际可用性很大程度上取决于相关非线性功率放大器行为模型的准确性和复杂性。
功放的建模方法可分为物理建模和行为建模两种：物理建模通常要求知道功放的电路结构、相关的元器件特性、基本电路定律以及相关理论规则等；而行为建模则仅需利用功放的输入输出数据，采用黑盒的方式描述系统响应特性，分析更为简便。
按照模型所反映的物理本质，将行为模型分为无记忆模型、有记忆模型等。无记忆功放模型相对简单，对于窄带系统建模有很好的效果。但是实际中的功放属于典型的非线性记忆系统。有记忆模型一般采用基本的双块-Hammerstein模型，时间延迟神经网络(TDNN)模型和闭环非线性自动-回归移动平均(NARMA)模型，与开环功率放大器模型相比，闭环NARMA模型在具有记忆效应的功率放大器建模方面表现出相对更高的准确性。然而，闭环功率放大器模型需要额外的反馈路径来返回功率放大器输出的实时采样，这使得使用闭环模型的数字预失真技术的实现对于移动终端和高频系统来说是不方便的。此外，目前功率放大器的记忆模型一般都是一元函数单元，一元函数单元的本质是认为不同时刻输入值分别独立影响输出值，而不同时刻输入值相关性对功率放大器的输出值也存在影响，这个影响是目前存在的功率放大器建模方法没有考虑过的。
发明内容
为解决现有技术的不足，本发明的目的在于提供一种基于两级开环结构和二元函数单元的功率放大器行为建模方法。该方法利用两级开环结构和二级函数单元，仅需要较少的参数和无反馈路径就可以完成对具有记忆效应的非线性功率放大器的建模，对带内失真和频谱再生提供了很好的建模精度，通过提高功率放大器的建模精度，有助于减少含有功率放大器电路的系统中的非线性噪声对系统的干扰。
为了实现上述目标，本发明采用如下的技术方案：
一种基于两级开环结构和二元函数单元的功率放大器行为建模方法，包含如下步骤：
步骤1)：采集功率放大器的输入信号数据向量xin＝[xin(1),xin(2),xin(3),...,xin(N)]和输出信号数据向量yout＝[yout(1),yout(2),yout(3),...,yout(N)]，其中每个元素表示一个信号数据，N为数据长度；
步骤2)：建立功率放大器行为模型的第一级部分：前向路径μ(k)，其输入变量包含瞬时样本和过去的样本，表达式如下：
Figure BDA0001892758760000021
其中，x(k)和x(k-dn)分别表示瞬时样本和过去的样本，Fn()表示二维线性函数，用于表征功率放大器的记忆效应，Fn[x(k),x(k-dn)]是构建的二元函数单元，d表示延迟抽头。
步骤3)：建立功率放大器行为模型的第二级部分：反馈路径λ(k)，表达式如下：
Figure BDA0001892758760000022
其中，Gm()、Gp()、Gq()和Gr()表示二维线性函数，Gm[μ(k),μ(k-dm)]等均表示二元函数单元，包含第一级当前总输出和过去总输出，d表示延迟抽头，M、P、Q、R的取值大小衡量了该功率放大器的记忆效应的大小，取值越大记忆效应越大，根据工程实际确定。
步骤4)：得到基于两级开环结构和二元函数单元的功率放大器行为建模的模型为：
Figure BDA0001892758760000023
其中，使用前向路径μ(k)来近似表示反馈路径λ(k)中的功率放大器的输出y(k)；
步骤5)：反馈路径λ(k)中项数的选择是根据功率放大器模型的特性决定的，功率放大器的记忆效应越大，项数越多，一般选择
Figure BDA0001892758760000031
就可以描述功率放大器的反馈路径。因此，选定基于两级开环结构和二元函数单元的功率放大器行为模型的参数，样本延迟抽头的个数N＝N0，M＝M0，N0、M0的大小衡量了功率放大器的记忆效应，N0、M0越大，功率放大器的记忆效应越大，根据工程实际确定；延迟抽头dn和dm的最大值分别为dn-max和dm-max，根据工程实际确定；模型估计误差e＝∞，通过迭代计算缩小该误差。
步骤6)：初始化该功率放大器的行为模型，选择延迟抽头dn和dm的序列分别为，
Figure BDA0001892758760000032
步骤7)：将采集的功率放大器的输入信号数据向量xin和输出信号数据向量yout带入功率放大器的行为模型，计算得到功率放大器的行为模型。
步骤8)：计算误差的函数
Figure BDA0001892758760000033
其中，yout为功率放大器的实际输出，
Figure BDA0001892758760000034
是基于两级开环结构和二元函数单元的功率放大器行为模型的输出。
步骤9)：更新dn和dm的序列，即
Figure BDA0001892758760000035
和
Figure BDA0001892758760000036
直到达到临界条件
Figure BDA0001892758760000037
和
Figure BDA0001892758760000038
为止。找寻使得
Figure BDA00018927587600000319
最小化的延迟抽头dn和dm的序列，即为功率放大器模型最后的输出。其中寻找最佳抽头延迟序列
Figure BDA0001892758760000039
和
Figure BDA00018927587600000310
的算法包含但不仅限于遍历搜索、深度优先搜索算法等。
优选地，步骤9中的更新
Figure BDA00018927587600000311
和
Figure BDA00018927587600000312
的算法包含但不限于如下的算法步骤：
步骤91)：比较之前保留的模型估计误差e的值与当前误差函数的值
Figure BDA00018927587600000313
的大小，若
Figure BDA00018927587600000314
则系统更新延迟抽头序列dn和dm，即
Figure BDA00018927587600000315
Figure BDA00018927587600000316
进入步骤7；若
Figure BDA00018927587600000317
则保留当前的抽头延迟序列的值
Figure BDA00018927587600000318
Figure BDA0001892758760000041
并更新模型估计误差
Figure BDA0001892758760000042
之后系统更新延迟抽头序列dn和dm，即
Figure BDA0001892758760000043
Figure BDA0001892758760000044
进入步骤7，并顺序向下进行各个步骤。
步骤92)：当检测到
Figure BDA0001892758760000045
且
Figure BDA0001892758760000046
后，更新抽头延迟序列
Figure BDA0001892758760000047
并进入步骤7；当检测到
Figure BDA0001892758760000048
且
Figure BDA0001892758760000049
后，停止步骤9，并得到保留下来的
Figure BDA00018927587600000410
和
Figure BDA00018927587600000411
优选地，上述步骤中的序列
Figure BDA00018927587600000412
和序列
Figure BDA00018927587600000413
具有如下的性质：
Figure BDA00018927587600000414
本发明采用的是两级模型，第一级μ(k)是并行记忆多项式，每个分支都用具有优异的收敛特性和准确特性的序列表示。为了更好的表示功率放大器的记忆效应，每个分支的输入变量利用二级函数单元构建，二元函数单元包括了瞬时样本和过去的样本，不仅考虑了不同时刻的输入值对输出值的影响，也考虑了不同时刻的样本之间的相关性对功率放大器输出的影响。两级模型的第二级λ(k)也是并行记忆多项式，其中每个分支的输入变量不是来自功率放大器输出的反馈样本，而是其近似信号，即第一级的总输出；同时，第二级也采用了二级函数单元，输入变量包括第一级当前总输出和过去的总输出。
本发明的有益效果为：本发明通过一个两级开环结构模型来预测具有记忆效应的非线性功率放大器的行为模型，同时使用了二元函数单元进行描述模型的具体行为。在该模型中，反馈路径中的采样功率放大器输出被近似信号代替。此外，在该模型中使用的并行存储器多项式的每个分支中采用了具有优异的收敛特性和准确特性的序列。功率放大器模型由前向路径和反馈路径生成，这表明功率放大器的输出不仅与当前时刻的输入有关，也与历史输入有关的特点，这用来描述功率放大器的记忆效应。与开环时间延迟神经网络相比，该模型需要较少的参数和无反馈路径，同时它对带内失真和频谱再生提供了很好的建模精度。在加快了模型收敛速度的同时又保证了模型的精度，非常有利于功放的行为建模。此外，二元函数单元的引入考虑了不同时刻输入功率放大器的输入值的相关性对输出值的影响，相比于一元函数的功率放大器模型，本发明具有更高的建模精度。
附图说明
图1是功率放大器的测试结果图。
图2是一种基于两级开环结构和二元函数单元的功率放大器行为建模方法流程图。
图3A是实测功率放大器的AM-AM失真特性曲线图，图3B是拟合功率放大器的AM-AM失真特性曲线图。
图4是功率放大器模型的AM-AM失真特性误差曲线图。
图5A是实测功率放大器的AM-PM失真特性曲线图，图5B是拟合功率放大器的AM-PM失真特性曲线图。
图6是功率放大器模型的AM-PM失真特性误差曲线图。
具体实施方式
为使本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合所附图作详细说明如下。
本实施例公开一种基于两级开环结构和二元函数单元的功率放大器行为建模方法，来构建功率放大器模型。采用如图1所示的测试结构来测试功率放大器。用于模型提取和验证的数据是从2.15GHZ、170W横向扩散金属氧化物半导体(LDMOS)功率放大器测量的，并且测试信号使用3G宽带码分多路复用接入规范(WCDMA)。该建模方法如图2所示，具体说明如下。
步骤1)：采集功率放大器的输入信号数据向量xin＝[xin(1),xin(2),xin(3),...,xin(N)]和输出信号数据向量yout＝[yout(1),yout(2),yout(3),...,yout(N)]，其中N为数据长度。
步骤2)：建立功率放大器行为模型的第一级部分μ(k)，其输入变量包含瞬时样本和过去的样本。Fn()表示二维线性函数，可以表征功率放大器的记忆效应；Fn[x(k),x(k-dn)]是构建的二元函数单元，包含瞬时样本和过去的样本。表达式为：
Figure BDA0001892758760000051
步骤3)：建立功率放大器行为模型的第二级部分λ(k)，Gm()、Gp()、Gq()和Gr()表示二维线性函数，Gm[μ(k),μ(k-dm)]等均表示二元函数单元，包含第一级当前总输出和过去总输出。表达式为：
Figure BDA0001892758760000061
步骤4)：使用前向路径μ(k)来近似表示反馈路径λ(k)中的功率放大器的输出y(k)，得到基于两级开环结构和二元函数单元的功率放大器行为建模的模型为：
Figure BDA0001892758760000062
步骤5)：反馈路径λ(k)中项数的选择是根据功率放大器模型的特性决定的，一般选择
Figure BDA0001892758760000063
就可以描述功率放大器的反馈路径。因此，选定基于两级开环结构的功率放大器行为模型的参数，样本延迟抽头的个数N＝N0，M＝M0，延迟抽头dn和dm的最大值分别为dn-max和dm-max，模型估计误差e＝∞。
步骤6)：初始化该功率放大器的行为模型，选择延迟抽头dn和dm的序列分别为，
Figure BDA0001892758760000064
步骤7)：将采集的功率放大器的输入信号数据向量xin和输出信号数据向量yout带入功率放大器的行为模型，计算得到功率放大器的行为模型。
步骤8)计算误差的函数
Figure BDA0001892758760000065
其中，yout为功率放大器的实际输出，
Figure BDA0001892758760000066
是基于两级开环结构和二元函数单元的功率放大器行为模型的输出。
步骤9)：比较之前保留的模型估计误差e的值与当前误差函数的值
Figure BDA0001892758760000067
的大小，若
Figure BDA0001892758760000068
或
Figure BDA0001892758760000069
则系统更新延迟抽头序列，
Figure BDA00018927587600000610
Figure BDA00018927587600000611
进入步骤7；若
Figure BDA00018927587600000612
或
Figure BDA00018927587600000613
则保留当前的抽头延迟序列的值
Figure BDA00018927587600000614
Figure BDA00018927587600000615
并更新模型估计误差
Figure BDA00018927587600000616
之后系统更新延迟抽头序列，即
Figure BDA0001892758760000071
Figure BDA0001892758760000072
进入步骤7，并顺序向下进行各个步骤。
步骤10)：当检测到
Figure BDA0001892758760000073
且
Figure BDA0001892758760000074
后，更新抽头延迟序列
Figure BDA0001892758760000075
并进入步骤7；当检测到
Figure BDA0001892758760000076
且
Figure BDA0001892758760000077
后，停止步骤9，并得到保留下来的
Figure BDA0001892758760000078
和
Figure BDA0001892758760000079
步骤11)：根据计算得到的
Figure BDA00018927587600000710
和
Figure BDA00018927587600000711
输出功率放大器的行为模型为
Figure BDA00018927587600000712
其中序列
Figure BDA00018927587600000713
和序列
Figure BDA00018927587600000714
具有如下的性质，
Figure BDA00018927587600000715
模型构建后拟合的结果与实测结果的对比如图3至图6所示。
通过图3A-3B可以看出，功率放大器实测的AM-AM失真特性曲线与功率放大器模型拟合的AM-AM失真特性曲线，都是在输入信号功率为-14dBm左右进入饱和状态，这表示该功率放大器模型较好地拟合了功率放大器的AM-AM失真特性。
图4比较了功率放大器实际输出的功率与功率放大器模型输出的功率的误差，从图中可以明显看出，除了个别点的误差大于1dB之外，大部分点的功率的误差都在1dB之内，说明该功率放大器模型的建模精度高。
通过图5A-5B可以明显看出，功率放大器实测的AM-PM失真特性曲线与功率放大器模型拟合的AM-PM失真特性曲线，都是在输入信号功率为-10dBm左右进入明显相位失真状态，这表示该功率放大器模型较好地拟合了功率放大器的AM-PM失真特性。
图6比较了功率放大器实际输出的信号相位与功率放大器模型输出的信号相位差，从图中可以明显看出，除了个别点的误差大于π/8之外，大部分点的相位差的误差都在π/8之内，说明该功率放大器模型的建模精度高。
以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求书所述为准。

Claims (9)

1.一种基于两级开环结构和二元函数单元的功率放大器行为建模方法，包括以下步骤：
1)采集功率放大器的输入信号数据向量xin＝[xin(1),xin(2),xin(3),...,xin(N)]和输出信号数据向量yout＝[yout(1),yout(2),yout(3),...,yout(N)]，其中每个元素表示一个信号数据，N为数据长度；
2)建立功率放大器行为模型的第一级：前向路径μ(k)，表达式为：
Figure FDA0001892758750000011
其中，Fn()表示二维线性函数，用于表征功率放大器的记忆效应，用于构建二元函数单元；x(k)表示瞬时样本，x(k-dn)表示过去的样本，d表示延迟抽头；
3)建立功率放大器行为模型的第二级：反馈路径λ(k)，表达式为：
Figure FDA0001892758750000012
其中，Gm()、Gp()、Gq()和Gr()表示二维线性函数，用于构建二元函数单元，各包含的两个元素依次为第一级的当前总输出和过去总输出，d表示延迟抽头；
4)加和μ(k)与λ(k)，得到功率放大器行为模型y(k)，表达式为：
Figure FDA0001892758750000013
2.如权利要求1所述的方法，其特征在于，反馈路径λ(k)中项数根据功率放大器记忆效应大小确定，优选一项
Figure FDA0001892758750000014
3.如权利要求2所述的方法，其特征在于，样本延迟抽头的个数N＝N0，M＝M0，延迟抽头dn和dm的最大值分别为dn-max和dm-max，模型估计误差e＝∞。
4.如权利要求3所述的方法，其特征在于，初始化该功率放大器的行为模型，选择延迟抽头dn和dm的序列分别为：
Figure FDA0001892758750000015
Figure FDA0001892758750000016
5.如权利要求4所述的方法，其特征在于，计算所述功率放大器行为模型的误差函数为：
Figure FDA0001892758750000021
其中，yout为功率放大器的实际输出，
Figure FDA0001892758750000022
是所述功率放大器行为模型的输出。
6.如权利要求5所述的方法，其特征在于，更新dn和dm的序列：
Figure FDA0001892758750000023
和
Figure FDA0001892758750000024
直到达到临界条件
Figure FDA0001892758750000025
和
Figure FDA0001892758750000026
为止，找寻使得
Figure FDA0001892758750000027
最小化的延迟抽头dn和dm的最佳序列
Figure FDA0001892758750000028
和
Figure FDA0001892758750000029
即为功率放大器模型最后的输出。
7.如权利要求6所述的方法，其特征在于，寻找抽头延迟序列dn和dm的最佳序列
Figure FDA00018927587500000210
和
Figure FDA00018927587500000211
的算法包括遍历搜索算法、深度优先搜索算法。
8.如权利要求6所述的方法，其特征在于，更新dn和dm的序列的方法包括以下步骤：
1)比较之前保留的模型估计误差e的值与当前误差函数的值
Figure FDA00018927587500000212
的大小，若
Figure FDA00018927587500000213
则更新延迟抽头序列dn和dm：
Figure FDA00018927587500000214
Figure FDA00018927587500000215
若
Figure FDA00018927587500000216
则保留当前的抽头延迟序列的值：
Figure FDA00018927587500000217
Figure FDA00018927587500000218
并更新模型估计误差
Figure FDA00018927587500000219
之后更新延迟抽头序列dn和dm：
Figure FDA00018927587500000220
Figure FDA00018927587500000221
2)当检测到
Figure FDA00018927587500000222
且
Figure FDA00018927587500000223
后，更新抽头延迟序列
Figure FDA00018927587500000224
当检测到
Figure FDA00018927587500000225
且
Figure FDA00018927587500000226
后，停止更新并得到保留下来的
Figure FDA00018927587500000227
和
Figure FDA00018927587500000228
9.如权利要求6或8所述的方法，其特征在于，序列
Figure FDA00018927587500000229
和序列
Figure FDA00018927587500000230
具有如下的性质：
Figure FDA00018927587500000231
CN201811478375.3A 2018-12-05 2018-12-05 一种基于两级开环和二元函数的功率放大器行为建模方法 Active CN111274752B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811478375.3A CN111274752B (zh) 2018-12-05 2018-12-05 一种基于两级开环和二元函数的功率放大器行为建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811478375.3A CN111274752B (zh) 2018-12-05 2018-12-05 一种基于两级开环和二元函数的功率放大器行为建模方法

Publications (2)

Publication Number Publication Date
CN111274752A true CN111274752A (zh) 2020-06-12
CN111274752B CN111274752B (zh) 2022-05-03

Family

ID=70998517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811478375.3A Active CN111274752B (zh) 2018-12-05 2018-12-05 一种基于两级开环和二元函数的功率放大器行为建模方法

Country Status (1)

Country Link
CN (1) CN111274752B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021126108A1 (de) 2021-10-08 2023-04-13 IMMS Institut für Mikroelektronik- und Mechatronik-Systeme gemeinnützige GmbH (IMMS GmbH) Verfahren zum Erweitern und Verwenden eines Modells zum Simulieren einer elektronischen Schaltung

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1784879A (zh) * 2003-05-07 2006-06-07 西门子公司 用于使复基带输入信号数字预失真的装置和方法
CN102611661A (zh) * 2012-03-27 2012-07-25 电子科技大学 基于精确反解记忆多项式模型方程的预失真装置及方法
CN103618521A (zh) * 2013-12-10 2014-03-05 哈尔滨工业大学 一种用于动态x参数的射频二值脉冲产生装置及方法
CN105224985A (zh) * 2015-09-28 2016-01-06 南京航空航天大学 一种基于深度重构模型的功率放大器行为建模方法
US20160126903A1 (en) * 2014-11-05 2016-05-05 King Fahd University Of Petroleum And Minerals Weighted memory polynomial method and system for power amplifiers predistortion
US20160261241A1 (en) * 2015-03-04 2016-09-08 King Fahd University Of Petroleum And Minerals Behavioral model and predistorter for modeling and reducing nonlinear effects in power amplifiers
CN106411271A (zh) * 2016-08-10 2017-02-15 成都芯通科技股份有限公司 一种用于功放的预失真装置及其参数选择方法
CN108153943A (zh) * 2017-12-08 2018-06-12 南京航空航天大学 基于时钟循环神经网络的功率放大器的行为建模方法
CN108256257A (zh) * 2018-01-31 2018-07-06 南京航空航天大学 一种基于编码-解码神经网络模型的功率放大器行为建模方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1784879A (zh) * 2003-05-07 2006-06-07 西门子公司 用于使复基带输入信号数字预失真的装置和方法
CN102611661A (zh) * 2012-03-27 2012-07-25 电子科技大学 基于精确反解记忆多项式模型方程的预失真装置及方法
CN103618521A (zh) * 2013-12-10 2014-03-05 哈尔滨工业大学 一种用于动态x参数的射频二值脉冲产生装置及方法
US20160126903A1 (en) * 2014-11-05 2016-05-05 King Fahd University Of Petroleum And Minerals Weighted memory polynomial method and system for power amplifiers predistortion
US20160261241A1 (en) * 2015-03-04 2016-09-08 King Fahd University Of Petroleum And Minerals Behavioral model and predistorter for modeling and reducing nonlinear effects in power amplifiers
CN105224985A (zh) * 2015-09-28 2016-01-06 南京航空航天大学 一种基于深度重构模型的功率放大器行为建模方法
CN106411271A (zh) * 2016-08-10 2017-02-15 成都芯通科技股份有限公司 一种用于功放的预失真装置及其参数选择方法
CN108153943A (zh) * 2017-12-08 2018-06-12 南京航空航天大学 基于时钟循环神经网络的功率放大器的行为建模方法
CN108256257A (zh) * 2018-01-31 2018-07-06 南京航空航天大学 一种基于编码-解码神经网络模型的功率放大器行为建模方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JOHN DOOLEY 等: "Behavioral Modeling of RF Power Amplifiers Using Adaptive Recursive Polynomial Functions", 《IEEE MMT-S INTERNATIONAL MICROWAVE SYMPOSIUM IGEST》 *
YIMING LEI: "Behavioural Modelling of RF Nonlinear Power Amplifiers in Orthogonal Frequency Division Multiplex Transmitter Systems", 《ULIR.UL.IE/HANDLE/10344/1632》 *
孔潇维: "功放数字预失真模型与处理算法研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 *
袁晓辉: "记忆非线性功率放大器行为建模及其数字预失真", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021126108A1 (de) 2021-10-08 2023-04-13 IMMS Institut für Mikroelektronik- und Mechatronik-Systeme gemeinnützige GmbH (IMMS GmbH) Verfahren zum Erweitern und Verwenden eines Modells zum Simulieren einer elektronischen Schaltung

Also Published As

Publication number Publication date
CN111274752B (zh) 2022-05-03

Similar Documents

Publication Publication Date Title
US20140314181A1 (en) Non-Linear Modeling of a Physical System Using Look-Up Table with Polynomial Interpolation
CN114124033B (zh) 卡尔曼滤波器的实现方法、装置、存储介质和设备
Aguirre et al. On the interpretation and practice of dynamical differences between Hammerstein and Wiener models
Vanbeylen et al. Blind maximum-likelihood identification of Wiener systems
CN113032988B (zh) 基于最大相关熵的高阶扩展卡尔曼滤波器设计方法
CN113037226B (zh) 基于自适应步长裁剪方法的数字预失真设计方法及装置
Kelly et al. Low-complexity stochastic optimization-based model extraction for digital predistortion of RF power amplifiers
CN111274752B (zh) 一种基于两级开环和二元函数的功率放大器行为建模方法
CN111506873A (zh) 基于扩展卡尔曼滤波算法的非线性系统参数估计方法
CN112764345B (zh) 基于目标状态跟踪的强非线性系统卡尔曼滤波器设计方法
Gong et al. A Memorized Recurrent Neural Network Design for Wide Bandwidth PA Linearization
CN109995335B (zh) 一种可高效硬件实现的分段数字预失真方法
CN113553771B (zh) 基于rnn网络的动态x参数核计算方法
CN113472459B (zh) 一种接收机射频链路非线性效应的综合测试与建模平台
Crespo-Cadenas et al. Volterra-based behavioral modeling, parameter estimation, and linearization
CN106126192B (zh) 一种基于hmm的含错lfsr序列生成多项式估计方法
Kazlauskas et al. On intelligent extraction of an internal signal in a Wiener system consisting of a linear block followed by hard-nonlinearity
CN111092602A (zh) 功率放大器的建模方法、装置、计算机设备和存储介质
Averina et al. Two-block model of a digital corrector for linearization of an analog radio channel
Yuan et al. Behavioral modeling of RF power amplifiers with memory effects using orthonormal hermite polynomial basis neural network
Abderrahmane et al. Time-domain system identification of Li-ion batteries from non-zero initial conditions
Wang et al. A Novel Transfer Learning Approach for Efficient RF Device Behavior Model Parameter Extraction
Baheti et al. A new cross correlation algorithm for Volterra kernel estimation of bilinear systems
Wang et al. A Pruning Method of the Generalized Memory Polynomial Model for Power Amplifiers Based on the LASSO Regression
CN117805620A (zh) 一种生命周期内的电池荷电状态和容量在线联合估计方法

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