CN1453968A - 基于基带数字预失真技术的提高射频功率放大器效率的方法 - Google Patents

基于基带数字预失真技术的提高射频功率放大器效率的方法 Download PDF

Info

Publication number
CN1453968A
CN1453968A CN02117283A CN02117283A CN1453968A CN 1453968 A CN1453968 A CN 1453968A CN 02117283 A CN02117283 A CN 02117283A CN 02117283 A CN02117283 A CN 02117283A CN 1453968 A CN1453968 A CN 1453968A
Authority
CN
China
Prior art keywords
power amplifier
radio
frequency power
neural net
input signal
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
CN02117283A
Other languages
English (en)
Other versions
CN1177449C (zh
Inventor
龙茂林
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CNB021172838A priority Critical patent/CN1177449C/zh
Priority to US10/511,927 priority patent/US7782979B2/en
Priority to PCT/CN2003/000079 priority patent/WO2003092154A1/zh
Priority to AU2003263247A priority patent/AU2003263247A1/en
Publication of CN1453968A publication Critical patent/CN1453968A/zh
Application granted granted Critical
Publication of CN1177449C publication Critical patent/CN1177449C/zh
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Images

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
    • H03F1/02—Modifications of amplifiers to raise the efficiency, e.g. gliding Class A stages, use of an auxiliary oscillation
    • 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
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03F—AMPLIFIERS
    • H03F2200/00—Indexing scheme relating to amplifiers
    • H03F2200/331—Sigma delta modulation being used in an amplifying circuit

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Nonlinear Science (AREA)
  • Amplifiers (AREA)

Abstract

本发明涉及一种基于基带数字预失真技术的提高射频功率放大器效率的方法，该方法包括：首先，选定关键的神经网络结构和规模，并输入建立射频功率放大器的神经网络模型所需要的建模数据和网络参数初始值；然后，利用后向传播方法修正网络参数，当误差满足要求时，输出射频功率放大器的神经网络模型；利用该模型求解出射频功率放大器的预失真算法，并采用预失真算法对输入信号进行预失真处理后再输入射频功率放大器。本发明可以建立具有足够精度的、便于求解对应预失真算法的射频功率放大器的神经网络模型，通过数字基带预失真来有效地提高射频功率放大器的效率、降低其成本、并同时抑制带外频谱泄漏。

Description

基于基带数字预失真技术的提高射频功率放大器效率的方法
技术领域
本发明涉及一种宽带无线通讯系统中提高射频功率放大器效率的方法，尤其涉及一种基于基带数字预失真技术的提高射频功率放大器效率的方法。
背景技术
射频带宽资源的有限性对特定用途的各类指定频带范围的射频发射机的带外频谱泄漏或邻道功率泄漏提出了严格的限制要求。由于射频功率放大器在接近饱和工作区的非线性特性使得在较大输入信号条件下其输出信号的频谱比输入信号的频谱要宽，即功率放大器的非线性特性造成带外频谱泄漏。因此，为了降低带外频谱泄漏或邻道功率泄漏，通信系统中的射频功率放大器一般工作在远离其饱和区的线性工作区。这样的处理方式使得射频功率放大器的效率非常低，同时该方法带来的散热问题使得功率放大器的结构比较庞大笨重，提高了功率放大器的成本。为了解决这一问题，目前比较有效的办法之一是基带数字预失真技术，实现这一技术的首要步骤则是建立一个便于求解预失真算法的射频功率放大器的数学模型。
为了解决单纯的带外频谱泄漏的问题，数字移动通信系统中的基带数字预失真技术是近年来针对此类问题产生的新技术，其目的在于同时解决射频功率放大器的带外频谱泄漏和低效率问题。基带数字预失真技术的主要思想是对进入射频功率放大器的信号X进行预先的处理得到Xy，使得Xy经过射频功率放大器放大后所得到的输出信号Y与原始输入信号X之间呈现线性的关系，当经过预失真技术线性化后的射频功率放大器的输入X与输出Y之间呈现线性关系时，提升输出功率便不会造成带外频谱泄漏。由于预失真是通过对基带数字信号进行预处理来实现，所以图1中的射频功率放大器实际上代表着包括射频功率放大器在内的整个从基带到载波(上变频)再从载波到基带(用于信号反馈的下变频)的整个射频传输通道。
为了求解图1中的“预失真”算法，我们首先必须知道射频功率放大器的数学模型，而且这个数学模型必须是针对预失真求解而建立的，用于预失真技术的数学模型需要尽可能的减少整个预失真系统实现时的计算量和所需内存容量。针对这一目的的射频功率放大器的数学模型，通常采用的是黑箱模型，即模型反映的是对象(射频功率放大器)的输入输出关系，如图2所示，图2中射频功率放大器的输出Y与模型的输出Ym之间的差e被用来对模型进行调整或修正。当e达到零时，模型便准确代表射频功率放大器的输入输出特性。实际建立模型过程中，当e足够小时，就可以认为模型已经能够以一定的精度代表射频功率放大器的输入输出关系。
通常，射频功率放大器的输入X与输出Y之间的关系包含基带数字信号X和Y的幅值(|X|和|Y|)和相位(Φin和Φout)这两个方面的内容，其中输入幅值|X|与输出幅值|Y|之间的关系被称为射频功率放大器的AM-AM模型：
       |Y|＝f(|X|).                       (1)而输入幅值|X|与输入输出相位偏移ΔΦ之间的关系则被称为AM-PM模型：
      ΔΦ＝g(|X|)，                      (2)其中ΔΦ＝Φout-Φin。但是，对于宽带系统，至今未见有人成功研究过AM-PM模型，甚至连典型的AM-PM曲线该是什么形状都是众说纷纭，文献里的AM-PM曲线大多是信手勾出的图形，毫无可靠性，且没有实验数据支持。
目前，对射频功率放大器模型的研究主要工作都集中在建立射频功率放大器的AM-AM模型方面。其中，针对射频功率放大器输入输出幅值关系(即AM-AM模型)的一种典型的多项式模型(取自加拿大PMC公司的PCT专利：WO 01/05026 A1)结构中包含了一些输入信号的延迟项；该模型可以用来描述射频功率放大器输入输出幅值方面的饱和及迟滞环(或称记忆)等非线性特性。但该多项式模型仍然存在以下缺点：
1、多项式模型的参数估计涉及的计算量比较大，且随着阶数的增大，对应的计算量呈指数增加。
2、用多项式方法获得射频功率放大器的AM-AM模型后，对应这一多项式模型的预失真算法的求解难度比较大，特别是因为模型精度要求而不得不采用阶数较高的多项式模型时，其对应的用于预失真的逆函数的解析解很难求得，而采用数值方法求解时其计算量随着多项式的阶数的增大会呈非线性迅速增加。
3、在自适应预失真系统中，射频功率放大器模型本身需要存储在控制器内，并需在线计算对应射频功率放大器输入的模型输出量以便在线更新模型和更新自适应预失真器的预失真参数。而多项式方法的射频功率放大器模型的存储需要较大的存储空间。这是因为，在多项式方法中，模型的阶数每增加一阶，不仅模型中参数的个数增加，更重要的是同时引入的一组新的指数函数(组中函数的个数取决于模型中延迟项的数目)。在存储模型时，这些新增加的参数是需要存储的，而且还需要增加一组对应的表格来存储这些指数函数(或者需要使用乘法器)，使得模型本身的存储所需的空间不断增大。
4、多项式方法的AM-AM模型已经得到应用，但在AM-PM模型方面，虽然人们作出了不断的努力，至今还没有这方面的成功实例。且现有文献中强行把输入幅值与输入输出相位偏移孤立地联系起来(即AM-PM模型)的基础是值得怀疑的。
发明内容
本发明的目的是提供一种基于基带数字预失真技术的提高射频功率放大器效率的方法，以降低射频功率放大器工作时的带外频谱泄漏，并可有效提高射频功率放大器的效率。
本发明的目的是这样实现的：基于基带数字预失真技术的提高射频功率放大器效率的方法，包括：
(1)根据需要确定建立神经网络的结构参数，并建立神经网络，输入建立射频功率放大器的神经网络模型所需要的建模数据和网络参数初始值；
(2)利用输入的数据和网络参数进行前向传播，计算神经网络输出值与对应的希望输出值的差值，再利用该差值沿上述神经网络进行后向传播，以修正网络参数；
(3)判断上述差值是否满足设定的条件，如果满足条件，则输出射频功率放大器的神经网络模型，并执行步骤(4)，否则，将修正后的网络参数输入神经网络，执行步骤(2)；
(4)利用该神经网络模型求解出射频功率放大器的预失真算法；
(5)将射频功率放大器的输入信号采用上述预失真算法进行预失真处理后，送入射频功率放大器。
所述的结构参数包括：输入信号的延迟项个数n、神经网络中每层的神经元的个数r、神经网络的层数m；所述的建模数据包括功率放大器的输出信号Y(KT)、输入信号及输入信号延迟项；所述的网络参数包括：权重Wijk和偏置bij；所述的射频功率放大器的输出信号Y(KT)为与输入信号对应的希望输出值，即与输入信号对应的射频功率放大器的实际输出值。
所述的输入信号及输入信号延迟项为：功率放大器的基带数字信号幅值X(KT)及其延迟项X[(K-1)T]…X[(K-n+1)T]。
所述的输入信号的延迟项个数1＜n＜10、神经网络中每个层面的神经元的个数1＜r＜10、神经网络的层面数1＜m＜10。
所述的输入信号及输入信号延迟项为：功率放大器的基带数字信号幅值X(KT)及其延迟项X[(K-1)T]、X[(K-2)T]、…、X[(K-n+1)T]和基带数字信号相位Fin(KT)及其延迟项Fin[(K-1)T]、Fin[(K-2)T]、…、Fin[(K-n+1)T]，所述的输入信号延迟项个数包括基带数字信号幅值的延迟项个数n1和基带数字信号相位的延迟项个数n2。
所述的基带数字信号幅值的延迟项个数1＜n1＜5、基带数字信号相位的延迟项个数1＜n2＜10、神经网络中每层的神经元的个数1＜r＜10、神经网络的层数1＜m＜10。
所述的步骤(2)包括：
(71)利用各层神经网络的网络参数Wijk计算出神经网络中相应的中间变量Vij；
(72)通过中间变量Vij及神经元激活函数计算相应的网络各个神经元的输出值Yij；
(73)将神经网络最后一层神经元的输出值放大M倍后即为神经网络的输出值Ym(KT)，M取值大于功率放大器的饱和水平；
(74)计算Ym(KT)与功率放大器的实际输出Y(KT)的差值。
(75)将Ym(KT)与Y(KT)的差值e(kT)放大-M倍，并利用最后一层网络的神经元输出值Vij计算出Ω(Vij)，其中，Ω(v)＝dΨ(v)/dv；
(76)将Me(kT)和Ω(Vij)相乘，得δij值；
(77)变量δij利用网络参数当前值沿着神经网络前向传播的通道进行后向传播，并得到中间变量ui1，ui2，…，uir；
(78)利用uil，ui2，…，uir及当前网络参数计算出中间变量δi1，δi2，…δir；
其中：利用神经网络中的中间变量vi1，vi2，…，vir计算出的Ω(Vi1)Ω，(Vi2)，…，Ω(Vir)分别与ui1，ui2，…uir相乘即可得到δi1，δi2，…δir；
(79)利用δi1，δi2，…δir更新当前网络参数，并根据c＝[S(δi12+δi22+…+δir2)+δij2]1/2计算出c值；
其中：更新当前网络参数时，更新后的网络参数Wijk和bij分别为：
Wijk的值等于更新前的网络参数值减去η×δij×相应神经元的输出值，η为搜索步长；
bij的值为更新前的网络参数值减去η×δIj；
所述的步骤(3)为：判断c值是否符合要求，如符合要求，则输出射频功率放大器的神经网络模型，否则，将修正后的网络参数Wijk和bij输入神经网络，执行步骤(71)。
所述的K值为2倍的射频功率放大器平均增益kb。
所述的输入信号的带宽大于射频功率放大器实际运行中的输入信号的带宽。
由上述技术方案可以看出，本发明中提出一种新的面向基带数字预失真的射频功率放大器建模方法，即神经网络方法。其中包括针对射频功率放大器输入输出幅值关系的AM-AM模型的神经网络方法和针对射频功率放大器相位偏移模型的神经网络方法，以及这些方法中神经网络模型的结构设计及其参数估计。本发明中所应用的神经网络方法建立射频功率放大器数学模型，其计算量随着模型复杂程度的增加而基本上呈线性增加，且该神经网络模型特别适合于预失真算法的求解。
同时，因该模型中唯一的非线性函数是其激活函数，实现相应的自适应数字预失真系统时只需要一个表格来存放这个非线性函数，模型存储时所需的空间较小，且增加该模型复杂度时，要求的存储空间增加不大，只需存放新增加的网络参数即可，而不增加非线性函数的种类和个数；本发明中所涉及的相位偏移模型将输入输出相位偏移与输入幅值和输入相位及其延迟项同时关联起来，从而建立起更加可靠和可行的射频功率放大器相位偏移模型，该相位偏移模型把外部可能对相位偏移造成影响的全部因素都考虑在模型的输入变量中，因而是一个比传统的AM-PM模型更加完备的关于射频功率放大器输入输出相位偏移的模型。
因此，本发明实现了通过建立精确的射频功率放大器的数学模型以提高功率放大器效率的发明目的。
附图说明
图1为实现提高功率放大器效率的示意图；
图2为建立射频功率放大器模型的示意图；
图3为针对射频功率放大器输入输出幅值关系的AM-AM模型示意图；
图4为建立射频功率放大器的AM-AM模型所应用的神经网络模型示意图；
图5为建立射频功率放大器的AM-AM模型计算过程流程图；
图6为针对建立针对射频功率放大器相位偏移模型的神经网络建模方法；
图7为实际射频功率放大器的AM-AM特性示意图；
图8为建模信号的特性示意图；
图9为模型验证信号的特性示意图；
图10为模型验证结果示意图。
具体实施方式
本发明所提供的基于基带数字预失真技术的提高射频功率放大器效率的方法是通过对射频功率放大器的输入信号进行预失真处理，以增大其工作范围，从而提高射频功率放大器的效率；对输入信号做什么样的预处理则需要根据功率放大器的数学模型来确定，本发明正是通过提供一种精确建立射频功率放大器的数学模型来提高功率放大器的效率，本发明中所涉及的是一种面向基带数字预失真技术的射频功率放大器的建模方法，即神经网络方法，分别包括如图3所示的针对射频功率放大器输入输出幅值关系的AM-AM模型的神经网络建模方法和如图6所示的针对建立射频功率放大器相位偏移模型的神经网络建模方法，以及这些方法中所包括的神经网络模型的结构设计及其参数估计。
下面将结合图4和图5进一步说明通过建立射频功率放大器的AM-AM模型的方法提高功率放大器的效率的具体实施方式。
步骤1：根据需要确定建立神经网络的结构参数，并建立神经网络，输入建立射频功率放大器的神经网络模型所需要的建模数据和网络参数初始值；
结构参数包括：输入信号的延迟项个数n、神经网络中每层的神经元的个数r、神经网络的层数m；所述的建模数据包括射频功率放大器的输出信号Y(KT)、输入信号及输入信号延迟项，射频功率放大器的输出信号Y(KT)为与输入信号对应的射频功率放大器的实际输出值，输入信号及输入信号延迟项为：功率放大器的基带数字信号幅值X(KT)及其延迟项X[(K-1)T]...X[(K-n+1)T]；所述的网络参数包括：权重Wijk和偏置bij；
其中，神经网络模型的结构参数选取原则为：输入信号的延迟项个数1＜n＜10、神经网络中每个层面的神经元的个数1＜r＜10、神经网络的层面数1＜m＜10；
基带数字信号函数中的K值为2倍射频功率放大器增益Kb，如图7所示，根据实际射频功率放大器的测量数据作出其AM-AM特性曲线，Kb为线性部分的大致平均增益；
如图4所示的神经网络中的网络参数分别为：r＝3，m＝2，n＝9；另选定K＝10；为网络参数wijk和bij选定初始值wijk(0)和bij(0)，输入神经网络；并将x(10T)输入到神经网络的xm(kT)，而x(9T)输入到xm[(k-1)T]，x(8T)输入到xm[(k-2)T]，x(7T)输入到xm[(k-3)T]，…，x(T)输入到xm[(k-9)T]。
建立神经网络并输入相应的建模数据和网络参数后，便可利用输入的数据和网络参数进行前向传播，计算神经网络输出值，再利用该输出值与输入信号所对应的希望输出值的差值沿上述神经网络进行后向传播，以修正网络参数，希望输出值即为所输入的建模数据中的射频功率放大器的输出值Y(KT)；
步骤2：并利用各层神经网络的网络参数Wijk、输入信号及输入信号延迟项计算出神经网络中相应的中间变量Vij；
即计算出图4所示的神经网络中的V11、V12、V13，其中：
V11＝W111×Xm(KT)+W121×Xm[(K-1)T]+…+W1，10，1×Xm[(K-9)T]+b11；
V12＝W112×Xm(KT)+W122×Xm[(K-1)T]+…+W1，10，2×Xm[(K-9)T]+b12；
V13＝W113×Xm(KT)+W123×Xm[(K-1)T]+…+W1，10，3×Xm[(K-9)T]+b13。
步骤3：将中间变量Vij作为自变量，利用神经元激活函数计算相应的网络各个神经元的输出值Yij；神经网络的中间层面上的神经元输出值Yij作为下一级层面上的神经元的输入值，并可利用该值计算相应的中间变量Vij的值
计算过程中所采用的激活函数为：Ψ(v)＝(1-e-Kv)/(1+e-Kv)；
将上述计算出的V11、V12、V13作为自变量，分别计算出图4中的Y11、Y12、Y13的值，再利用计算出的Y11、Y12、Y13的值进一步计算V21的值，V21＝W211×Y11+W221×Y12+W231×Y13+b21，最后将V21作为自变量，利用激活函数计算出Y21的值。
步骤4：将神经网络最后一层神经元的输出值Y21放大M倍后即为神经网络的输出值Ym(KT)，M取值必须大于射频功率放大器的饱和水平；
步骤5：计算Ym(KT)与功率放大器的实际输出Y(KT)的差值e(KT)，图4中的第一次前向传播过程所计算出的是e(10T)的值。
至此，已经完成了沿神经网络的一次前向传播过程。
步骤6：利用上述的e(10T)的值进行沿神经网络的后向传播过程；将e(10T)放大-M倍，并利用最后一层网络的神经元输出值Vij计算出Ω(Vij)，其中，Ω(v)＝dΨ(v)/dv；
如图4中，利用上述计算出的V21值计算出Ω(V21)的值；
并将-Me(kT)和Ω(Vij)相乘，计算出δij的值；即计算出图4中的δ21＝Ω(V21)×Me(10T)；
变量δij利用网络参数当前值沿着神经网络前向传播的通道进行后向传播，并得到中间变量ui1，ui2，…，uir；即利用当前的网络参数计算出图4中的u1，u2，u3的值；
然后，利用ui1，ui2，…，uir及当前网络参数计算出中间变量δi1，δi2，…δir；
其中：利用神经网络中的中间变量vi1，vi2，…，vir计算出的Ω(Vi1)Ω，(Vi2)，…，Ω(Vir)分别与ui1，ui2，…uir相乘即可得到δi1，δi2，…δir；
利用δi1，δi2，…δir更新当前网络参数，并根据c＝[S(δi12+δi22+…+δir2)+δij2]1/2计算出c值；
其中：更新当前网络参数时令更新后的网络参数Wijk和bij分别为，
Wijk的值等于更新前的网络参数值减去η×δij×相应神经元的输出值，η为搜索步长；
bij的值为更新前的网络参数值减去η×δij；
如图4所示，利用前面的前向传播中已经得到的v11，v12，v13的值计算Ω(v11)，Ω(v12)，Ω(v13)，将Ω(v11)，Ω(v12)，Ω(v13)与u1，u2，u3分别相乘，得到δ11，δ12，δ13；并利用上述的δ21更新第二层的网络参数w211(0)，w221(0)，w231(0)，b21(0)，具体计算过程如下：
w211(1)＝w211(0)-η×δ21×y11(0)
w221(1)＝w221(0)-η×δ21×y12(0)
w231(1)＝w231(0)-η×δ21×y13(0)
b21(1)＝b21(0)-η×δ21
其中，η为搜索步长，需根据具体情况调整其取值。
利用得到的δ11，δ12，δ13更新第一层的网络参数w111(0)，w112(0)，w113(0)，b11(0)，w121(0)，w122(0)，w123(0)，b21(0)，w131(0)，w132(0)，w133(0)，b21(0)，…，等等，具体更新过程如下：
w111(1)＝w111(0)-η×δ11×xm(10T)
w121(1)＝w121(0)-η×δ11×xm(9T)
w131(1)＝w131(0)-η×δ11×xm(8T)
     ……
w1，10，1(1)＝w1，10，1(0)-η×δ11×xm(T)
b11(1)＝b11(0)-η×δ11
w112(1)＝w112(0)-η×δ12×xm(10T)
w122(1)＝w122(0)-η×δ12×xm(9T)
w132(1)＝w132(0)-η×δ12×xm(8T)
         ……
w1，10，2(1)＝w1，10，2(0)-η×δ12×xm(T)
b21(1)＝b21(0)-η×δ12
w113(1)＝w113(0)-η×δ13×xm(10T)
w123(1)＝w123(0)-η×δ13×xm(9T)
w133(1)＝w133(0)-η×δ13×xm(8T)
         ……
w1，10，3(1)＝w1，10，3(0)-η×δ13×xm(T)
b31(1)＝b31(0)-η×δ13
其中，η为搜索步长，需根据具体情况调整其取值。
同时计算出图4所示神经网络中的c＝(δ112+δ122+δ132+δ212)1/2值。
步骤7：判断c值是否符合要求，如符合要求，执行步骤8，否则，将调整后的网络参数Wijk和bij输入神经网络，并令K＝K+1，即在图4所示的神经网络中令K＝11，然后，执行步骤2；
如果c的值足够小了，则学习过程停止，模型训练完成。符合要求的c值可视训练过程中模型的收敛情况具体决定。起始阶段则可以设定固定的迭代次数作为训练过程终止的条件。
步骤8：输出射频功率放大器的神经网络模型，执行步骤9。
步骤9：利用该神经网络模型求解出射频功率放大器的预失真算法；
步骤10：将射频功率放大器的输入信号采用上述预失真算法进行预失真处理后，送入射频功率放大器。
经过上述过程即可建立针对射频功率放大器输入输出幅值关系的精确的射频功率放大器的AM-AM神经网络模型，并应用该模型求解射频功率放大器的预失真算法，以实现提高射频功率放大器工作的目的。我们还可以通过建立针对射频功率放大器相位偏移的射频功率放大器神经网络模型，求解射频功率放大器的预失真算法，以提高射频功率放大器的效率。当建立针对射频功率放大器相位偏移的射频功率放大器神经网络模型时，神经网络的结构如图6所示，神经网络的输入信号及输入信号延迟项为：功率放大器的基带数字信号幅值X(KT)及其延迟项X[(K-1)T]、X[(K-2)T]、…、X[(K-n+1)T]，以及基带数字信号相位Φin(KT)及其延迟项Fin[(K-1)T]、Fin[(K-2)T]、…、Fin[(K-n+1)T]，输入信号延迟项个数则包括基带数字信号幅值的延迟项个数n1和基带数字信号相位的延迟项个数n2。
建立针对射频功率放大器相位偏移的神经网络模型时，基带数字信号幅值的延迟项个数1＜n1＜5、基带数字信号相位的延迟项个数1＜n2＜10、神经网络中每层的神经元的个数1＜r＜10、神经网络的层数1＜m＜10；而且，此时K的取值为：K＝1，M的取值为：M＞最大的输入输出相位偏移值(即大于maxΔΦ)。
建立针对射频功率放大器相位偏移的神经网络模型的计算过程则与建立针对输入输出幅值关系的AM-AM神经网络模型的计算过程原理相同。
本发明中所提供的针对射频功率放大器输入输出相位偏移模型的神经网络建模方法相对于传统AM-PM模型的优势是显而易见的。传统的AM-PM模型简单地把输入信号的幅值与相位偏移联系起来，没有考虑到输入信号的相位的大小以及输入信号的幅值的变化速率和输入信号的相位的变化速率对输入输出之间的相位偏移的影响。而我们设计的神经网络相位偏移模型中，通过在其输入端引入射频功率放大器的输入幅值及其延迟项和射频功率放大器的输入相位及其延迟项而考虑了全部外部因素可能对射频功率放大器的基带相位偏移的作用。
建立上述两种类型的射频功率放大器数学模型的建模过程中所使用的射频功率放大器的输入输出建模数据中，输入信号的带宽必须大于这些模型对应的射频功率放大器实际运行中的输入信号的带宽，以保证所建立的射频功率放大器数学模型具有足够的精度。即如果射频功率放大器对应的CDMA或WCDMA系统运行时的带宽为kF(其中k为整数，F为单个载波的带宽)，那么，我们对建模信号的带宽Fm的设计原则是：
Fm＞kF.其中，带外至少需一个载波的附加带宽。且建模信号的幅值和/或相位偏移大小需要足够大，以便用充分的数据量覆盖射频功率放大器实际运行时的情况。
本发明中的射频功率放大器神经网络输入输出幅值模型的建模方法已经利用实验数据经过建模验证。采用的是5MHz带宽的建模信号，如图8所示，对根据相应建模原则建立的神经网络输入输出幅值模型进行训练，即建模，而用另一个1.25MHz带宽的信号，如图9所示，用于作模型检验；所得到的结果如图10所示，其中几乎看不到模型数据与射频功率放大器实际数据之间的差别。而且，利用这个模型可以非常便利地求解对应的预失真算法，其求解难易程度不会象多项式建模方法那样随着模型规模的增大而恶化，求解了预失真算法后，便可以利用该预失真算法实现提高射频功率放大器效率的目的。

Claims (10)

1、一种基于基带数字预失真技术的提高射频功率放大器效率的方法，包括：
(1)根据需要确定建立神经网络的结构参数，并建立神经网络，输入建立射频功率放大器的神经网络模型所需要的建模数据和网络参数初始值；
(2)利用输入的数据和网络参数进行前向传播，计算神经网络输出值与希望输出值的差值，并利用该差值沿上述神经网络进行后向传播，以对网络参数进行修正；
(3)判断上述差值是否满足设定的条件，如果满足条件，则输出射频功率放大器的神经网络模型，并执行步骤(4)，否则，将修正后的网络参数输入神经网络，执行步骤(2)；
(4)利用该神经网络模型求解出射频功率放大器的预失真算法；
(5)将射频功率放大器的输入信号采用上述预失真算法进行预失真处理后，送入射频功率放大器。
2、根据权利要求1所述的基于基带数字预失真技术的提高射频功率放大器效率的方法，其特征在于所述的结构参数包括：输入信号的延迟项个数n、神经网络中每层的神经元的个数r、神经网络的层数m；所述的建模数据包括射频功率放大器的输出信号Y(KT)、输入信号及输入信号延迟项；所述的网络参数包括：权重Wijk和偏置bij；所述的射频功率放大器的输出信号Y(KT)为与输入信号对应的希望输出值，即与输入信号对应的射频功率放大器的实际输出值。
3、根据权利要求2所述的基于基带数字预失真技术的提高射频功率放大器效率的方法，其特征在于所述的输入信号及输入信号延迟项为：功率放大器的基带数字信号幅值X(KT)及其延迟项X[(K-1)T]…X[(K-n+1)T]。
4、根据权利要求3所述的基于基带数字预失真技术的提高射频功率放大器效率的方法，其特征在于所述的输入信号的延迟项个数1＜n＜10、神经网络中每个层面的神经元的个数1＜r＜10、神经网络的层面数1＜m＜10。
5、根据权利要求2所述的基于基带数字预失真技术的提高射频功率放大器效率的方法，其特征在于所述的输入信号及输入信号延迟项为；功率放大器的基带数字信号幅值X(KT)及其延迟项X[(K-1)T]、X[(K-2)T]、…、X[(K-n+1)T]和基带数字信号相位Fin(KT)及其延迟项Fin[(K-1)T]、Fin[(K-2)T]、…、Fin[(K-n+1)T]，所述的输入信号延迟项个数包括基带数字信号幅值的延迟项个数n1和基带数字信号相位的延迟项个数n2。
6、根据权利要求5所述的基于基带数字预失真技术的提高射频功率放大器效率的方法，其特征在于所述的基带数字信号幅值的延迟项个数1＜n1＜5、基带数字信号相位的延迟项个数1＜n2＜10、神经网络中每层的神经元的个数1＜r＜10、神经网络的层数1＜m＜10。
7、根据权利要求2所述的基于基带数字预失真技术的提高射频功率放大器效率的方法，其特征在于所述的步骤(2)包括：
(71)利用各层神经网络的网络参数Wijk计算出神经网络中相应的中间变量Vij；
(72)通过中间变量Vij及神经元激活函数计算相应的网络各个神经元的输出值Yij；
(73)将神经网络最后一层神经元的输出值放大M倍后即为神经网络的输出值Ym(KT)，M取值大于功率放大器的饱和水平；
(74)计算Ym(KT)与功率放大器的实际输出Y(KT)的差值。
(75)将Ym(KT)与Y(KT)的差值e(kT)放大-M倍，并利用最后一层网络的神经元输出值Vij计算出Ω(Vij)，其中，Ω(v)＝dΨ(v)/dv；
(76)将Me(kT)和Ω(Vij)相乘，得δij值；
(77)变量δij利用网络参数当前值沿着神经网络前向传播的通道进行后向传播，并得到中间变量ui1，ui2，…，uir；
(78)利用uil，ui2，…，uir及当前网络参数计算出中间变量δi1，δi2，…δir；
其中：利用神经网络中的中间变量vi1，vi2，…，vir计算出的Ω(Vi1)Ω，(Vi2)，…，Ω(Vir)分别与ui1，ui2，…uir相乘即可得到δi1，δi2，…δir；
(79)利用δi1，δi2，…δir更新当前网络参数，并根据c＝[S(δi12+δi22+…+δir2)+δij 2]1/2计算出c值；
其中：更新当前网络参数时，更新后的网络参数Wijk和bij分别为：
Wijk的值等于更新前的网络参数值减去η×δij×相应神经元的输出值，η为搜索步长；
bij的值为更新前的网络参数值减去η×δIj；
8、根据权利要求7所述的基于基带数字预失真技术的提高射频功率放大器效率的方法，其特征在于所述的步骤(3)为：判断c值是否符合要求，如符合要求，则输出射频功率放大器的神经网络模型，否则，将修正后的网络参数Wijk和bij输入神经网络，执行步骤(71)。
9、根据权利要求7所述的基于基带数字预失真技术的提高射频功率放大器效率的方法，其特征在于所述的K值为2倍的射频功率放大器平均增益kb。
10、根据权利要求2所述的基于基带数字预失真技术的提高射频功率放大器效率的方法，其特征在于所述的输入信号的带宽大于射频功率放大器实际运行中的输入信号的带宽。
CNB021172838A 2002-04-23 2002-04-23 基于基带数字预失真技术的提高射频功率放大器效率的方法 Expired - Lifetime CN1177449C (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CNB021172838A CN1177449C (zh) 2002-04-23 2002-04-23 基于基带数字预失真技术的提高射频功率放大器效率的方法
US10/511,927 US7782979B2 (en) 2002-04-23 2003-01-27 Base-band digital pre-distortion-based method for improving efficiency of RF power amplifier
PCT/CN2003/000079 WO2003092154A1 (fr) 2002-04-23 2003-01-27 Procede permettant d'ameliorer l'efficacite d'un amplificateur de puissance radiofrequence par une technique de pre-distorsion numerique en bande de base
AU2003263247A AU2003263247A1 (en) 2002-04-23 2003-01-27 The method of improving the radio frequency power amplifier efficiency based on the baseband digital pre-distortion technique

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CNB021172838A CN1177449C (zh) 2002-04-23 2002-04-23 基于基带数字预失真技术的提高射频功率放大器效率的方法

Publications (2)

Publication Number Publication Date
CN1453968A true CN1453968A (zh) 2003-11-05
CN1177449C CN1177449C (zh) 2004-11-24

Family

ID=29257231

Family Applications (1)

Application Number Title Priority Date Filing Date
CNB021172838A Expired - Lifetime CN1177449C (zh) 2002-04-23 2002-04-23 基于基带数字预失真技术的提高射频功率放大器效率的方法

Country Status (4)

Country Link
US (1) US7782979B2 (zh)
CN (1) CN1177449C (zh)
AU (1) AU2003263247A1 (zh)
WO (1) WO2003092154A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101196936B (zh) * 2006-12-05 2010-08-11 上海华虹Nec电子有限公司 Mos晶体管电学统计模型的快速建模方法
CN102081751A (zh) * 2011-01-18 2011-06-01 清华大学 基于实数延时神经网络的同步双频功率放大器建模方法
CN101040501B (zh) * 2004-12-21 2011-11-23 中兴通讯股份有限公司 带外预失真线性化方法和系统
CN102801670A (zh) * 2012-04-16 2012-11-28 中兴通讯股份有限公司 一种数字预失真方法及系统
CN103376403A (zh) * 2012-04-26 2013-10-30 京信通信系统（中国）有限公司 数字预失真功率放大器的可靠性测试系统
CN106559045A (zh) * 2015-09-25 2017-04-05 上海梅轩实业有限公司 一种应用于多模多频mmmb射频功放的数字预失真线性化方法
CN106664269A (zh) * 2015-05-30 2017-05-10 华为技术有限公司 一种模拟预失真apd校正系统及方法
CN112262369A (zh) * 2018-07-26 2021-01-22 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

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101771477B (zh) * 2008-12-29 2013-06-05 深圳富泰宏精密工业有限公司 手机射频发射功率校正系统及方法
TWI461047B (zh) * 2009-01-16 2014-11-11 Chi Mei Comm Systems Inc 手機射頻發射功率校正系統及方法
US8170508B2 (en) * 2009-05-07 2012-05-01 Rockstar Bidco Lp Pre-distortion for a radio frequency power amplifier
US8208213B2 (en) * 2010-06-02 2012-06-26 Lsi Corporation Systems and methods for hybrid algorithm gain adaptation
US8798561B2 (en) 2011-09-08 2014-08-05 Alcatel Lucent Radio-frequency circuit having a transcoupling element
US8649744B2 (en) 2011-09-08 2014-02-11 Alcatel Lucent Radio-frequency transmitter, such as for broadcasting and cellular base stations
US8633769B2 (en) 2012-03-15 2014-01-21 Telefonaktiebolaget L M Ericsson (Publ) Dual loop adaptation digital predistortion architecture for power amplifiers
US8976893B2 (en) * 2012-06-25 2015-03-10 Telefonaktiebolaget L M Ericsson (Publ) Predistortion according to an artificial neural network (ANN)-based model
CN102983819B (zh) * 2012-11-08 2015-02-04 南京航空航天大学 一种功率放大器的模拟方法及功率放大器模拟装置
CN103051293B (zh) * 2012-12-03 2016-03-16 广东省电信规划设计院有限公司 射频放大器预失真处理方法及其系统
GB2516631B (en) * 2013-07-26 2016-07-27 Ew Simulation Tech Ltd A system of providing calibration information to a frequency attenuator means
CN104753479B (zh) * 2015-03-09 2017-12-26 上海东软载波微电子有限公司 射频功率放大器电路及射频发射机
EP3581953A1 (en) 2018-06-11 2019-12-18 Koninklijke Philips N.V. A method for configuring a rf transmit assembly
CN110765720B (zh) * 2019-09-12 2024-05-24 重庆大学 一种复值流水线递归神经网络模型的功放预失真方法
WO2021054118A1 (ja) * 2019-09-18 2021-03-25 日本電気株式会社 パラメータ決定装置、信号送信装置、パラメータ決定方法、信号送信方法、及び、記録媒体
CN111245375B (zh) * 2020-01-19 2023-06-06 西安空间无线电技术研究所 一种复值全连接递归神经网络模型的功放数字预失真方法
JP7468643B2 (ja) * 2020-06-10 2024-04-16 日本電気株式会社 信号送信装置、パラメータ決定装置、信号送信方法、パラメータ決定方法、及び、記録媒体
CN113411056B (zh) * 2021-07-12 2022-11-29 电子科技大学 一种基于广义多项式和神经网络的非线性预失真方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1204887A (zh) * 1997-04-04 1999-01-13 哈里公司 射频放大器的预失真电路
FI105506B (fi) * 1998-04-30 2000-08-31 Nokia Networks Oy Vahvistimen linearisointimenetelmä ja vahvistinjärjestely
WO2000074232A1 (fr) 1999-05-28 2000-12-07 Fujitsu Limited Amplificateur de compensation de distorsion du type predistorsion
DE69940998D1 (de) * 1999-06-30 2009-07-30 Alcatel Lucent Verfahren zur breitbandigen Linearisierung von Leistungsverstärkern
US6798843B1 (en) 1999-07-13 2004-09-28 Pmc-Sierra, Inc. Wideband digital predistortion linearizer for nonlinear amplifiers
US6928122B2 (en) * 2001-06-07 2005-08-09 Motorola, Inc. Amplifier predistortion system and method
US6734731B2 (en) * 2001-06-28 2004-05-11 Simon Fraser University Self-calibrated power amplifier linearizers
US6703897B2 (en) * 2001-12-26 2004-03-09 Nortel Networks Limited Methods of optimising power amplifier efficiency and closed-loop power amplifier controllers
US6985704B2 (en) * 2002-05-01 2006-01-10 Dali Yang System and method for digital memorized predistortion for wireless communication
KR100480278B1 (ko) * 2002-12-24 2005-04-07 삼성전자주식회사 광대역 전력 증폭기를 위한 디지털 전치보상기 및 그적응화 방법
KR20040071556A (ko) * 2003-02-06 2004-08-12 삼성전자주식회사 복소 벡터 곱셈을 이용하는 다항식형 전치보상기 및 방법
US6963242B2 (en) * 2003-07-31 2005-11-08 Andrew Corporation Predistorter for phase modulated signals with low peak to average ratios

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101040501B (zh) * 2004-12-21 2011-11-23 中兴通讯股份有限公司 带外预失真线性化方法和系统
CN101196936B (zh) * 2006-12-05 2010-08-11 上海华虹Nec电子有限公司 Mos晶体管电学统计模型的快速建模方法
CN102081751A (zh) * 2011-01-18 2011-06-01 清华大学 基于实数延时神经网络的同步双频功率放大器建模方法
CN102801670A (zh) * 2012-04-16 2012-11-28 中兴通讯股份有限公司 一种数字预失真方法及系统
CN102801670B (zh) * 2012-04-16 2018-07-24 中兴通讯股份有限公司 一种数字预失真方法及系统
CN103376403A (zh) * 2012-04-26 2013-10-30 京信通信系统（中国）有限公司 数字预失真功率放大器的可靠性测试系统
CN103376403B (zh) * 2012-04-26 2016-01-27 京信通信系统（中国）有限公司 数字预失真功率放大器的可靠性测试系统
CN106664269A (zh) * 2015-05-30 2017-05-10 华为技术有限公司 一种模拟预失真apd校正系统及方法
CN106664269B (zh) * 2015-05-30 2019-11-29 华为技术有限公司 一种模拟预失真apd校正系统及方法
CN106559045A (zh) * 2015-09-25 2017-04-05 上海梅轩实业有限公司 一种应用于多模多频mmmb射频功放的数字预失真线性化方法
CN112262369A (zh) * 2018-07-26 2021-01-22 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
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

Also Published As

Publication number Publication date
US20070075770A1 (en) 2007-04-05
WO2003092154A1 (fr) 2003-11-06
AU2003263247A1 (en) 2003-11-10
CN1177449C (zh) 2004-11-24
US7782979B2 (en) 2010-08-24

Similar Documents

Publication Publication Date Title
CN1177449C (zh) 基于基带数字预失真技术的提高射频功率放大器效率的方法
CN1270492C (zh) 用于补偿功率放大器的预失真的设备和方法
KR101718224B1 (ko) 세그먼트적 구분적 다항식 근사에 기초하는 디지털 전치 왜곡 및 후치 왜곡
CN1285169C (zh) 预失真数字线性化电路及其增益控制方法
CN103947106B (zh) 一种用于使非线性的系统元件线性化的方法、系统及设备
JP2014533017A (ja) デジタル・プリディストーション（ｄｐｄ）および他の非線形アプリケーションのためのユーザ定義の非線形関数を含む命令セットを有するプロセッサ
US6998909B1 (en) Method to compensate for memory effect in lookup table based digital predistorters
CN1643783A (zh) 使用并入了与频率有关的非线性的放大器模型的自适应数字预矫正
JP2006518522A5 (zh)
CN1879295A (zh) 预失真控制设备和方法,以及包含该预失真控制设备的组合体
JP2009213113A (ja) 非線形システム逆特性同定装置及びその方法、電力増幅装置及び電力増幅器のプリディストータ
CN110765720B (zh) 一种复值流水线递归神经网络模型的功放预失真方法
CN1640086A (zh) 用于减小通信网中寄生发射的与频率有关的幅度预失真
CN108182316B (zh) 一种基于人工智能的电磁仿真方法及其电磁大脑
Zhao et al. Focused quantization for sparse CNNs
CN103856429A (zh) 基于混合间接学习算法的自适应预失真系统及方法
Li et al. High-throughput signal component separator for asymmetric multi-level outphasing power amplifiers
CN108182469A (zh) 一种神经网络模型训练方法、系统、装置及存储介质
CN1481634A (zh) 用于在数据通信系统中计算输入到信道解码器的软决策值的装置和方法
CN1381105A (zh) 无线通信装置及无线通信方法
CN101001327A (zh) 基于神经网络预失真技术的数字电视发射机激励器
CN103929212A (zh) 一种宽带接收机非线性盲辨识及补偿方法
WO2016154933A1 (zh) 数字预失真校正方法及装置
US8311149B2 (en) Method and apparatus for distorting input signal of digital predistortion (DPD) power amplifier in wireless communication system
CN110996297B (zh) 一种确定终端驻留的网络的方法、装置及计算设备

Legal Events

Date Code Title Description
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CX01 Expiry of patent term

Granted publication date: 20041124

CX01 Expiry of patent term