CN113054925A - 一种增强带外dpd线性化的谱加权samp方法 - Google Patents

Abstract

本发明公开了一种增强带外DPD线性化的谱加权SAMP方法，通过构建一个离线运行模块，先用测试信号驱动功率放大器(PA)得到PA的输入、输出数据，再将PA的输出信号在频域中进行带内陷波处理，然后对稀疏度自适应匹配追踪(SAMP)算法进行改进，运用改进后的算法，即谱加权策略的稀疏度适应匹配追踪(SW‑SAMP)算法来选择一组最相关的基函数，此过程只进行一次，将得到的最优基集输入在功放逆模型的预失真模块中，利用最小二乘法迭代来估计DPD模型系数，再对求行为模型的逆，然后把最终结果赋给预失真器。本发明提出的方法可以降低PA行为模型在前向路径中的计算复杂度，并且增加了整个预失真系统的稳定性。

Description

一种增强带外DPD线性化的谱加权SAMP方法

技术领域

本发明属于数字信号处理领域，尤其涉及一种增强带外DPD线性化的谱加权SAMP方法。

背景技术

当今解决功率放大器(PA)固有线性度与低效率的最常用的方法是数字预失真技术(Digital PreDitortion，DPD)。随着4G通信而兴起的一些技术，如载波聚合或者MIMO，继而在5G中，不断增长的信号带宽和峰均功率比让预失真器在处理PA时遇到了困难。而DPD模型中补偿静态非线性和动态记忆效应所需要的参数数量非常大，增加了计算复杂性，这让DPD模型提取和自适应过程变得低效，导致了DPD估计参数时的过度拟合。然而，随着压缩感知(Compressive Sensing，CS)理论的发展与兴起，可以很好地解决自适应系统中的过拟合和复杂度高的问题，进而减少了所需DPD基函数的数目。

DPD模型降阶可以通过CS算法，如匹配追踪(MP)算法、正交匹配追踪(OMP)算法、广义正交匹配追踪(gOMP)算法、稀疏度自适应匹配追踪(SAMP)算法、最小二乘(LS)算法、稀疏贝叶斯学习(SBL)算法等。这些算法都能在不同程度上对功放的非线性进行有效改善，但为了无线通信系统的快速发展，开发新的更高效的预失真算法是促进当今行业发展的关键。

发明内容

针对现有技术的不足之处，本发明提供一种增强带外DPD线性化的谱加权SAMP方法，通过基于谱加权策略的稀疏度自适应匹配追踪(SW-SAMP)算法对功放模型进行降阶处理，进而补偿功放带外失真。

本发明的具体技术方案是：一种增强带外DPD线性化的谱加权SAMP方法，包括以下步骤：

步骤1：用一个测试信号来驱动GaN器件的AB型超宽带功率放大器，获得PA的输入输出数据；

步骤2：采用GMP模型作为全功放行为模型，获得用于PA模型辨识的感知矩阵；

步骤3：对PA的输出信号在频域中进行带内陷波处理，得到频域中的由滤波基函数组成的感知矩阵；

步骤4：采用基于谱加权策略的稀疏度自适应匹配追踪(SW-SAMP)算法对目标稀疏模型进行估计，得到一组最相关的基函数来描述PA的特性；

步骤4.1：初始化残差E₀＝Y_f，初始化信号稀疏度k，迭代稀疏度L＝k，迭代次数m＝1，支撑集

Y_f为O×1维观测向量，Ψ_x,f为N×O维滤波感知矩阵，输出O×1维滤波残差

步骤4.2：计算

选择i中L个最大值，得到与滤波残差最匹配的原子，将这些值对应于Ψ_x,f,{j}的列序号j构成集合Λ_k；

步骤4.3：更新支撑集C_k＝S_(m-1)∪Λ_k，Ψ_x,f,m＝{Υ_x,f,j|j∈C_k}；

步骤4.4：求

解的最小二乘解：

步骤4.5：在

中选择绝对值最大的L项，记为

更新采样矩阵：Ψ_x,f,m中对应的L列记为Ψ_x,f,mL；

更新支撑集：选择初始支撑集中的L个元素记为S_mL，则最终集为F＝S_mL；

步骤4.6：

计算滤波残差：

步骤4.7：如果残差E_new＝0，则迭代停止，执行步骤4.8；若||E_new||₂≥||E_m-1||₂，则L＝L+k，返回步骤4.2继续迭代；若不符合前两个条件，则确定最终支撑集为F＝S_mL，残差为E_m＝E_new，如果m≤N，则停止迭代执行步骤4.8，否则返回步骤4.2继续迭代；

步骤4.8：输出由最相关基函数组成的最终支撑集F和重构所得的信号。

步骤5：将输出得到的最优支撑集中的基函数按照其相关性排序，利用贝叶斯准则(BIC)，确定重构所得系数参数的最佳数目，最后采用最小二乘法(LS)准则迭代来估计DPD系数。

进一步的，所述采用GMP模型作为全功放行为模型，获得的用于PA模型辨识的感知矩阵，表示如下：

式中

是在n时刻的O×1维基函数。PA行为模型输出信号

定义为：

其中Θ_x为N×O维感知矩阵，包含基向量，

为O×1维稀疏向量；

进一步的，对输出信号进行带内陷波处理得到的频域内的N×O滤波基函数矩阵，表示如下：

Ψ_x,f＝(Υ_x,f[0],…,Υ_x,f[k],…,Υ_x,f[N-1])；

其中

为PA的输出信号y(n)在频域中进行带内陷波处理得到的输出信号，α是控制陷波水平的参数，Y[k]是y(n)的离散傅里叶变换，如下式，

k＝0,…,N-1且N≥L；其中

是

的离散傅里叶变换，Γ{·}是过滤算子，

为频域中滤波得到的基函数。

进一步的，用最小二乘法(LS)准则对功放的行为模型参数进行提取，表示如下：

式中

是M×1(M＜O)维向量，μ为加权系数，

G₀是PA的线性增益。

由上，本发明的增强带外DPD线性化的谱加权SAMP方法通过参考信号的带内陷波，大幅度地减小了有带外失真所导致的均方误差，因此在补偿相邻信道频谱再生的DPD分量的同时，还对DPD模型进行降阶处理，在高度拟合功放非线性系统的情况下显著地减少了模型系数，降低了系统的复杂度，减小固有的邻信道功率比(ACLR)和归一化均方误差(NMSE)，同时增强了DPD系统的稳定性和可靠性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。

图1为本发明具体实施方式中基于SW-SAMP算法的功放预失真系统的模型框图；

图2为本发明具体实施方式中基于谱加权策略的稀疏度自适应匹配追踪算法的DPD模型降阶的方法的流程图。

具体实施方式

下面结合附图对本发明做进一步说明，其作为本说明书的一部分，通过实施例来说明本发明的原理，本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中，不同的图中相同或相似的部件使用相同的附图标号来表示。

本发明的基于SW-SAMP算法的功放预失真系统如图1所示，其中离线运行模块中包括功率放大器(PA)和SW-SAMP算法模块；功放逆模型的预失真模块中包括功率放大器(PA)、数字预失真器(DPD)、数模转换器(DAC)、上变频模块、模数转换器(ADC)、下变频模块、自适应参数提取模块与行为模型求逆模块。用一个测试信号来驱动PA，获得PA的输入输出数据，将测试信号通过所述的离线运行模块，此过程只进行一次；构建闭环DPD系统，将离线运行模块中选择的由最相关的基函数来定义前向路径中的闭环DPD函数，预失真器的输入端与信号源连接，输出端连接数模转换与上变频模块，经过上变频处理的信号与功放连接，由功放输出的信号经过G倍衰减器再进入模数转换与下变频模块，通过自适应参数提取和功放逆模型求取模块，把系数赋值给预失真器。

本发明的增强带外DPD线性化的谱加权SAMP方法包括以下步骤：

步骤一，用一个测试信号来驱动GaN器件的AB型超宽带功率放大器，获得PA的输入输出数据；

步骤二，通过Matlab运行提出的基于谱加权策略的稀疏度自适应匹配追踪算法，以获得一组最相关的基函数；

步骤三，构建功放逆模型的预失真系统，通过步骤二中得到的最相关基函数来定义前向路径中的预失真器；

步骤四，将输出得到的最优支撑集中的基函数按照其相关性排序，利用贝叶斯准则(BIC)，确定重构所得系数参数的最佳数目，最后采用最小二乘法(LS)准则迭代来估计DPD系数。

基于谱加权策略的稀疏度自适应匹配追踪算法的具体步骤如图2所示。

步骤1：初始化残差E₀＝Y_f，初始化信号稀疏度k，迭代稀疏度L＝k，迭代次数m＝1，支撑集

Y_f为O×1维观测向量，Ψ_x,f为N×O维滤波感知矩阵，输出O×1维滤波残差

步骤2：计算

选择i中L个最大值，得到与滤波残差最匹配的原子，将这些值对应于Ψ_x,f,{j}的列序号j构成集合Λ_k；

步骤3：更新支撑集C_k＝S_(m-1)∪Λ_k，Ψ_x,f,m＝{Υ_x,f,j|j∈C_k}；

步骤4：求

解的最小二乘解：

步骤5：在

中选择绝对值最大的L项，记为

更新采样矩阵：Ψ_x,f,m中对应的L列记为Ψ_x,f,mL；

更新支撑集：选择初始支撑集中的L个元素记为S_mL，则最终集为F＝S_mL；

步骤6：

计算滤波残差：

步骤7：如果残差E_new＝0，则迭代停止，执行步骤8；若||E_new||₂≥||E_m-1||₂，则L＝L+k，返回步骤2继续迭代；若不符合前两个条件，则确定最终支撑集为F＝S_mL，残差为E_m＝E_new，如果m≤N，则停止迭代执行步骤8，否则返回步骤2继续迭代；

步骤8：输出由最相关基函数组成的最终支撑集F和重构所得的信号。

其中采用GMP模型作为全功放行为模型，获得的用于PA模型辨识的感知矩阵，表示如下：

式中

是在n时刻的O×1维基函数。PA行为模型输出信号

定义为：

其中Θ_x为N×O维感知矩阵，包含基向量，

为O×1维稀疏向量；

其中输出信号进行带内陷波处理得到的频域内的N×O滤波基函数矩阵，表示如下：

Ψ_x,f＝(Υ_x,f[0],…,Υ_x,f[k],…,Υ_x,f[N-1])；

为PA的输出信号y(n)在频域中进行带内陷波处理得到的输出信号，α是控制陷波水平的参数，Y[k]是y(n)的离散傅里叶变换，如下式，

k＝0,…,N-1且N≥L；其中

是

的离散傅里叶变换，Γ{·}是过滤算子，

为频域中滤波得到的基函数。

本发明采用最小二乘法(LS)准则迭代来估计DPD系数，具体如下：

用最小二乘法(LS)准则对功放的行为模型参数进行提取，表示如下：

式中

是M×1(M＜O)维向量，μ为加权系数，

G₀是PA的线性增益。

本发明利用基于谱加权策略的稀疏度自适应匹配追踪算法来降低数字预失真行为模型在前向路径中的计算复杂度，通过参考信号的带内陷波，构建了功放逆模型的预失真系统，大幅度地减小了有带外失真所导致的均方误差，因此不仅可以在补偿相邻信道频谱再生的DPD分量时，还可以对DPD模型进行降阶处理。该方法可以减小固有的邻信道功率比(ACLR)和归一化均方误差(NMSE)，同时降低了系统的复杂度并且提高了整个系统的稳定性。

以上所述是本发明的优选实施方式而已，当然不能以此来限定本发明之权利范围，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变动，这些改进和变动也视为本发明的保护范围。

Claims (4)

1.一种增强带外DPD线性化的谱加权SAMP方法，其特征在于，包括以下步骤：

步骤1：用一个测试信号来驱动GaN器件的AB型超宽带功率放大器，获得PA的输入输出数据；

步骤2：采用GMP模型作为全功放行为模型，获得用于PA模型辨识的感知矩阵；

步骤3：对PA的输出信号在频域中进行带内陷波处理，得到频域中的由滤波基函数组成的感知矩阵；

步骤4：采用基于谱加权策略的稀疏度自适应匹配追踪算法对目标稀疏模型进行估计，得到一组最相关的基函数来描述PA的特性；

步骤5：将输出得到的最优支撑集中的基函数按照其相关性排序，利用贝叶斯准则，确定重构所得系数参数的最佳数目，最后采用最小二乘法准则迭代来估计DPD系数。

2.根据权利要求1所述的增强带外DPD线性化的谱加权SAMP方法，其特征在于，所述采用GMP模型作为全功放行为模型，获得的用于PA模型辨识的感知矩阵，表示如下：

式中

是在n时刻的O×1维基函数，PA行为模型输出信号

定义为：

其中Θ_x为N×O维感知矩阵，包含基向量，

为O×1维稀疏向量。

3.根据权利要求1所述的增强带外DPD线性化的谱加权SAMP方法，其特征在于，用最小二乘法准则对功放的行为模型参数进行提取，表示如下：

式中

是M×1(M＜O)维向量，μ为加权系数，

G₀是PA的线性增益。

4.根据权利要求1所述的增强带外DPD线性化的谱加权SAMP方法，其特征在于，步骤4包括以下步骤：

步骤4.1：初始化残差E₀＝Y_f，初始化信号稀疏度k，迭代稀疏度L＝k，迭代次数m＝1，支撑集

Y_f为O×1维观测向量，Ψ_x,f为N×O维滤波感知矩阵，输出O×1维滤波残差

步骤4.2：计算

选择i中L个最大值，得到与滤波残差最匹配的原子，将这些值对应于Ψ_x,f,{j}的列序号j构成集合Λ_k；

步骤4.3：更新支撑集C_k＝S_(m-1)∪Λ_k，Ψ_x,f,m＝{Υ_x,f,j|j∈C_k}；

步骤4.4：求

解的最小二乘解：

步骤4.5：在

中选择绝对值最大的L项，记为

更新采样矩阵：Ψ_x,f,m中对应的L列记为Ψ_x,f,mL；

更新支撑集：选择初始支撑集中的L个元素记为S_mL，则最终集为F＝S_mL；

步骤4.6：

计算滤波残差：

步骤4.7：如果残差E_new＝0，则迭代停止，执行步骤4.8；若||E_new||₂≥||E_m-1||₂，则L＝L+k，返回步骤4.2继续迭代；若不符合前两个条件，则确定最终支撑集为F＝S_mL，残差为E_m＝E_new，如果m≤N，则停止迭代执行步骤4.8，否则返回步骤4.2继续迭代；

步骤4.8：输出由最相关基函数组成的最终支撑集F和重构所得的信号。

Images