CN114329933A - 一种宽带功率放大器输入输出特性拟合方法 - Google Patents

Abstract

本发明提供一种宽带功率放大器输入输出特性拟合方法，包括：S1：获取功率放大器的输入信号和对应的输出信号；S2：将所述获取的功率放大器的输入信号分割为N个区间，为每个区间分配对应的一阶样条函数，并将所述N个一阶样条函数量化；S3：为所述N个区间选择N个多项式作为函数基底；S4：将所述N个多项式与所述N个一阶样条函数相乘，形成包括多个候选模型的第一候选模型库；S5：从所述第一候选模型库中筛选出贡献度大的多个候选模型，组成第二候选模型库；S6：根据所述第二候选模型库，对所述功率放大器的所述输入信号和所述输出信号进行分区间拟合。本发明的宽带功率放大器输入输出特性拟合方法不仅可以更好的拟合，同时还可以降低计算复杂度。

Description

一种宽带功率放大器输入输出特性拟合方法

技术领域

本发明涉及宽带无线通信系统领域，具体涉及一种宽带功率放大器输入输出特性拟合方法。

背景技术

近十年来，无线通信飞速发展，码分多址，正交频分复用等新兴的技术得到广泛的使用，这些技术所产生的信号都是非恒定包络的信号，存在较大的峰均比，功率变化范围大，此类信号对本身是非线性器件的功率放大器十分敏感。功率放大器的非线性会破坏通道内的信号，产生额外的频率，造成频谱泄露等问题，从而影响通信的性能，对此的解决方案中采用数字预失真技术的方案最为流行。而在数字预失真技术中，一个十分重要的工作就是寻找合适的数学工具来对功率放大器的行为建模。传统的方法最为流行就是GMP模型，DDR模型等等。但是最近几年，4G网络已经逐渐完成了向5G网络的演进，在5G大带宽的背景下，上述传统的GMP模型等逐渐不再适用于大带宽的场景，于是一种新的能够适用于大带宽信号的模型亟待出现。具体来说，发射机的功率放大器在信号是大带宽信号的情况下，功率放大器表现出更复杂多变的非线性特征，传统的模型比如GMP模型无法描述如此复杂的非线性特征，在此状况下，寻求新的数学模型来描述功率放大器的非线性特征将变得十分重要。

目前也存在很多新的方法对功率放大器的行为特征进行建模，比如原有的GMP模型，属于多项式模型，在此基础上增加不同的多项式的组合可以表征更多的非线性，但是存在诸多问题例如增加了模型的复杂度，且由于增加的多项式的组合存在高度相似的，在算法求解的过程，不稳定性增加了。而上述的GMP模型都是基于多项式的，这些多项式在输入功率范围内都是属于全局拟合，一个多项式，无论是在大功率下，还是在小功率下，其所对应的系数都是一样的，这就是全局拟合。这样做的缺点在于可能为了拟合某个局部区间，而牺牲掉其余区间的拟合效果，造成总体拟合的效果受到限制。因此，有必要提出一种在这种高带宽的情况下，能解决全局拟合带来的性能受限问题的数学模型。从而提高在5G网络下的通信性能。

发明内容

为了至少解决上述技术问题之一，本发明提供一种宽带功率放大器输入输出特性拟合方法。

本发明提供的一种宽带功率放大器输入输出特性拟合方法采用如下的技术方案：

S1：获取功率放大器的输入信号和对应的输出信号；S2：将所述获取的功率放大器的输入信号分割为N个区间，为每个区间分配对应的一阶样条函数，并将所述N个一阶样条函数量化；S3：为所述N个区间选择N个多项式作为函数基底；S4：将所述N个多项式与所述N个一阶样条函数相乘，形成包括多个候选模型的第一候选模型库；S5：从所述第一候选模型库中筛选出贡献度大的多个候选模型，组成第二候选模型库；S6：根据所述第二候选模型库，对所述功率放大器的所述输入信号和所述输出信号进行分区间拟合。

进一步地，所述的N个一阶样条函数量化后，以LUT表的形式存储。

进一步地，所述的多项式包括各类交调分量的多项式。

进一步地，从所述第一候选模型库中筛选出贡献度大的多个候选模型，组成第二候选模型库具体为：采用压缩感知的正交匹配追踪算法从所述第一候选模型库中筛选出贡献度大的多个候选模型，组成所述第二候选模型库。

进一步地，所述的采用压缩感知的正交匹配追踪算法筛选出贡献度大的候选模型，具体为：根据所述第一候选模型库中的每一个候选模型与拟合残差值r的相关度大小来确定所述候选模型的贡献度。

进一步地，所述的采用压缩感知的正交匹配追踪算法从所述第一候选模型库中筛选出贡献度大的多个候选模型，组成所述第二候选模型库，具体为：首先建立预设模型，其中，所述预设模型的输入为第一候选模型库Ф，y为原始信号，K为预定的模型数量，标识待重建信号中非零元素位置的索引集为Λ；所述预设模型的输出为重建信号x；

然后进行初始化：x＝0,r＝y,x＝0,r＝y，循环标识k＝0，索引集Λ₀为空集。

接着循环执行以下步骤(1)-(6)：

(1)k＝k+1；

(2)找出残差值r与所述第一候选模型库中最匹配原子的索引λ_k，即：λ_k＝argmax{|<r_k,Ф_k>|}；

(3)更新索引集Λ_k＝Λ_k-1∪{λ_k}，并更新所述第二候选模型库中的列集合

(4)重建目标信号x＝pinv(Φ)y，其中，pinv(Φ)表示矩阵Φ的伪逆；

(5)更新残差值r＝y-Φ_kx；

(6)判断是否满足k>K，若满足则停止循环；若不满足，则执行步骤(1)；

最后得到所述第二候选模型库Φ_k。

进一步地，所述获取功率放大器的输入和对应的输出，具体为时延对齐的输入和输出。

本发明具有的有益技术效果为：本发明由于加入了分区间的样条函数，可以做到一个样条函数在一个区间内拟合，而对其他区间没有影响，多个样条函数就可以在多个区间分别拟合，从在函数选择的上，本发明的效果就优于传统的GMP模型等等这些纯粹的多项式模型；本发明的引入压缩感知算法，可以将原有的众多模型里贡献小的剔除，从而保留贡献度大的模型，不仅可以更好的拟合，同时还可以降低计算复杂度。

附图说明

图1是本发明一种宽带功率放大器输入输出特性拟合方法的流程图；

图2是本发明一种宽带功率放大器输入输出特性拟合方法的典型GMP模型的表达式示意图；

图3是本发明一种宽带功率放大器输入输出特性拟合方法的一阶样条函数的示意图；

具体实施方式

以下结合附图对本发明作进一步详细说明。需要说明的是，本发明中的宽带功率放大器，可以是GaN型功率放大器，也可以是其它类型的功率放大器，此处不做限定。

参照图1，本发明实施例公开了一种宽带功率放大器输入输出特性拟合方法，包括S1：获取功率放大器的输入信号和对应的输出信号；S2：将所述获取的功率放大器的输入信号分割为N个区间，为每个区间分配对应的一阶样条函数，并将所述N个一阶样条函数量化；S3：为所述N个区间选择N个多项式作为函数基底；S4：将所述N个多项式与所述N个一阶样条函数相乘，形成包括多个候选模型的第一候选模型库；S5：从所述第一候选模型库中筛选出贡献度大的多个候选模型，组成第二候选模型库；S6：根据所述第二候选模型库，对所述功率放大器的所述输入信号和所述输出信号进行分区间拟合。

在本实施例中，多项式可以是GMP模型中的多项式，例如可以是包括各类交调分量的多项式，其中各类交调分量包括三阶交调、五阶交调等，本领域技术人员根据实际需要可以选择合适的多项式。此外，将所述获取的功率放大器的输入信号分割为N个区间，该N个区间可以是16个，也可以是32或64个，在此不做具体限定。区间数越多，拟合越好，但是复杂度越高。每个区间对应一个一阶样条函数。由于一阶样条函数只在自己所属区间内是非零的，那么它只能在自己的区间内对功率放大器的输入输出特性进行拟合，从而实现了局部拟合，而这种局部拟合的整体效果要优于全局拟合。

具体地，如图2所示是典型GMP模型的表达式，其中每一个多项式都可以和一阶样条函数结合构成一个候选模型，并进入第一候选模型库。图3所示是一阶样条函数的示意图。

在本实施例中，N个一阶样条函数量化后，以LUT表的形式存储，并且选用不同的多项式，例如包含了上述提到的各类交调分量的多项式，这些不同的多项式和样条函数相乘，构成不同的候选模型，数量众多的候选模型成为压缩感知算法的第一候选模型库。

接下来采用压缩感知的正交匹配追踪算法从所述第一候选模型库中筛选出贡献度大的多个候选模型，组成所述第二候选模型库。采用第二候选模型库中的多个候选模型一同进行功率放大器的行为拟合。这里所说的贡献度大，意思是此候选模型的剔除，会大幅降低数学模型的拟合能力。具体来说，根据第一候选模型库中的每一个候选模型与拟合残差值r的相关度大小来确定这些候选模型的贡献度。

贡献度的表示就是图3中各个系数的大小。系数越大的，贡献度越大。我们在求解系数的过程中，遇到的方程是超定方程，可以采用最小二乘法来求解贡献度大的多个候选模型的系数，以及残差，为下一次从剩余的第一候选模型中筛选模型做准备。

在本实施例中，采用压缩感知的正交匹配追踪算法从第一候选模型库中筛选出贡献度大的多个候选模型，组成第二候选模型库按照如下方式操作。

首先建立预设模型，其中，所述预设模型的输入为第一候选模型库Ф，y为原始信号，K为预定的模型数量，标识待重建信号中非零元素位置的索引集为Λ；所述预设模型的输出为重建信号x；

然后进行初始化：x＝0,r＝y,x＝0,r＝y，循环标识k＝0，索引集Λ_0为空集；

接着循环执行以下步骤(1)-(6)：

(1)k＝k+1；

(2)找出残差值r与第一候选模型库中最匹配原子的索引λ_k，即：λ_k＝argmax{|<r_k,Ф_k>|}；

(3)更新索引集Λ_k＝Λ_k-1∪{λ_k}，并更新第二候选模型库中的列集合

(4)重建目标信号x＝pinv(Φ)y，其中，pinv(Φ)表示矩阵Φ的伪逆；

(5)更新残差值r＝y-Φ_kx；

(6)判断是否满足k>K，若满足则停止循环；若不满足，则执行步骤(1)；

最后得到所述第二候选模型库Φ_k。

在本实施例中，本领域技术人员可以根据实际需要选择预定的模型数量K的值，这里不做具体限定。

在本实施例中，所述获取功率放大器的输入和对应的输出，具体为时延对齐的输入和输出。

最后，根据上述第二候选模型库Φ_k，对所述功率放大器的输入信号和输出信号进行分区间拟合。

本发明由于加入了一阶样条函数，可以做到一个一阶样条函数在一个区间内拟合，而对其他区间没有影响，多个一阶样条函数就可以在多个区间分别拟合，从在函数选择来说，本发明的效果就优于传统的GMP模型等这些纯粹的多项式模型。此外，压缩感知是一种降维算法，压缩感知的引入，可以将原有的众多模型里贡献小的剔除，从而保留贡献度大的模型，不仅可以更好的拟合，同时还可以降低计算复杂度。

以上为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。

Claims (7)

1.一种宽带功率放大器输入输出特性拟合方法，其特征在于，包括：

S1：获取功率放大器的输入信号和对应的输出信号；

S2：将所述获取的功率放大器的输入信号分割为N个区间，为每个区间分配对应的一阶样条函数，并将所述N个一阶样条函数量化；

S3：为所述N个区间选择N个多项式作为函数基底；

S4：将所述N个多项式与所述N个一阶样条函数相乘，形成包括多个候选模型的第一候选模型库；

S5：从所述第一候选模型库中筛选出贡献度大的多个候选模型，组成第二候选模型库；

S6：根据所述第二候选模型库，对所述功率放大器的所述输入信号和所述输出信号进行分区间拟合。

2.根据权利要求1所述的宽带功率放大器输入输出特性拟合方法，其特征在于，所述的N个一阶样条函数量化后，以LUT表的形式存储。

3.根据权利要求1所述的宽带功率放大器输入输出特性拟合方法，其特征在于，所述的多项式包括各类交调分量的多项式。

4.根据权利要求1-3任一项所述的宽带功率放大器输入输出特性拟合方法，其特征在于，从所述第一候选模型库中筛选出贡献度大的多个候选模型，组成第二候选模型库具体为：

采用压缩感知的正交匹配追踪算法从所述第一候选模型库中筛选出贡献度大的多个候选模型，组成所述第二候选模型库。

5.根据权利要求4所述的宽带功率放大器输入输出特性拟合方法，其特征在于，所述的采用压缩感知的正交匹配追踪算法筛选出贡献度大的候选模型，具体为：

根据所述第一候选模型库中的每一个候选模型与拟合残差值r的相关度大小来确定所述候选模型的贡献度。

6.根据权利要求3或4所述的宽带功率放大器输入输出特性拟合方法，其特征在于，

所述的采用压缩感知的正交匹配追踪算法从所述第一候选模型库中筛选出贡献度大的多个候选模型，组成所述第二候选模型库，具体为：

首先建立预设模型，其中，所述预设模型的输入为第一候选模型库Ф，y为原始信号，K为预定的模型数量，标识待重建信号中非零元素位置的索引集为Λ；所述预设模型的输出为重建信号x；

然后进行初始化：x＝0,r＝y,x＝0,r＝y，循环标识k＝0，索引集Λ₀为空集。

接着循环执行以下步骤(1)-(6)：

(1) k＝k+1；

(2)找出残差值r与所述第一候选模型库中最匹配原子的索引λ_k，即：λ_k＝argmax{|<r_k,Ф_k>|}；

(3)更新索引集Λ_k＝Λ_k-1∪{λ_k}，并更新所述第二候选模型库中的列集合

(4)重建目标信号x＝pinv(Φ)y，其中，pinv(Φ)表示矩阵Φ的伪逆；

(5)更新残差值r＝y-Φ_kx；

(6)判断是否满足k>K，若满足则停止循环；若不满足，则执行步骤(1)；

最后得到所述第二候选模型库Φ_k。

7.根据权利要求1所述的宽带功率放大器输入输出特性拟合方法，其特征在于，所述获取功率放大器的输入和对应的输出，具体为时延对齐的输入和输出。

Images